Abbildung von AI Data Governance im Unternehmen | | | beck-shop.de

Neu

Peter Hense, Tea Mustac

AI Data Governance im Unternehmen

Datenrechtliche Anforderungen an Entwicklung, Angebot und Beschaffung von AI Systemen nach AI Act und DSGVO

Rezensionen ansehen

Preis für Live-Webinar

474,81 €

Preisangaben inkl. MwSt. Abhängig von der Lieferadresse kann die MwSt. an der Kasse variieren. Weitere Informationen

In den Warenkorb

31.03.2025 | Online

Seminarberatung

Tel.: (0 89) 381 89 - 503

Fax: (0 89) 381 89 - 547

seminare@beck.de

Live-Webinar

Live-Webinar: 09:00 - 12:00 Uhr

Live-Webinar: 3 Zeitstunden

Programm als Download

Ziel

Das Webinar bietet ein praktisches Verständnis von AI und Machine Learning für Entscheidungsträger:innen in Unternehmen, die sich mit Beschaffung und Management von AI-Systemen konfrontiert sehen. Die Referent:innen liefern detaillierte Einblicke in Data Governance- und Due Diligence-Prozesse, ML-Modelltraining, qualitative Anforderungen und Risikobewertungen im Kontext von KI. Darüber hinaus werden relevante datenschutzrechtliche Aspekte und die Prinzipien von ‚Privacy by Design‘ detailliert beleuchtet. Durch den Einsatz von interaktiven Elementen, praxisnahen Fallstudien und technischen Erläuterungen bietet das Webinar die Möglichkeit, sowohl technisches als auch rechtliches Wissen zu erweitern und auf den neuesten Stand zu bringen.

Inhalt

Einführung

Überblick zu AI und Machine Learning Systemen

Definitionen: Einführung in relevante Begriffe (z. B. AI und Machine Learning, Deep Learning, Neuronale Netze)
Anwendungen: praktische Beispiele im Unternehmenskontext
Entwicklungsprozess: Vom Training bis zur Implementierung

Due Diligence

Training Data: Auswahl und Verwendung
Model Selection: Unterschiede und Auswahlkriterien
Open Source vs. AI as a Service
Einkauf / Procurement / Vergabe: Was zu beachten ist

AI Model training

Data Labelling: Prozesse und Herausforderungen
Einführung in die technischen Aspekte
Model Updates: Notwendigkeit und Risiken

Qualitative Anforderungen

Transparenz: Was bedeutet das in der Praxis?
Erklärbarkeit: Wie kann die erreicht werden?
Counterfactual Explanations: Erläuterung und Praxisbeispiele

Risikobewertung

AI Bias Audit: Verständnis des Konzepts, praktische Beispiele
AI Impact Assessment: rechtliche, ökonomische und soziale Auswirkungen, Fallstudie
AI Risk Assessment: Methoden zur Risikobewertung, Fallbeispiel

Datenschutzrecht