• Daten für und mit Large Language Models (LLMs) aufarbeiten und persistieren: Die Teilnehmer werden lernen, wie man Daten für die Verarbeitung mit LLMs vorbereitet und wie man sie effektiv persistiert, um den Trainingsprozess zu unterstützen.
• Verarbeitung von (Text)daten mit LLMs: Die Teilnehmer werden die Grundlagen der Verarbeitung von Textdaten mit LLMs kennenlernen. Dies umfasst das Einlesen, Vorbereiten und Anwenden von LLMs auf Textdaten.
• Erfahrungen mit Large Language Models sammeln: Durch praktische Übungen und Beispiele werden die Teilnehmer Erfahrungen im Umgang mit LLMs sammeln, um ein besseres Verständnis für deren Funktionsweise und Anwendungsmöglichkeiten zu entwickeln.

• Warum brauchen wir auch im LLM-Kontext standardisierte Entwurfsmuster
• Was sind generische Prompts und (indirekte) LLM-Prozesse
• Wie kann man diese Konzepte verwenden um Aufgaben zu strukturieren und die Anzahl verschiedener Prompts zu reduzieren
• Für welche Anwendungsfälle ist das vorgestellte Entwurfsmuster nutzbar
• Welche Erfahrungen haben wir damit in der Praxis gesammelt (wir haben den Ansatz in mehrere große Produktivsysteme integriert)

In diesem Vortrag zeigten Stephan Sauer und Dr. Markward Britsch, wie sie bei BASF mit Explainable AI (XAI) Zeitreihenprognosen verständlicher machen. Business User wollten wissen, warum sich Vorhersagen ändern – mit SHAP-Werten aus der Spieltheorie haben sie diese Frage adressiert.

SHAP-Werte quantifizieren den Einfluss einzelner Variablen auf Vorhersagen, sowohl in Stärke als auch Richtung. So konnten wir Unterschiede zwischen Modellen nachvollziehbar machen und die treibenden Faktoren identifizieren. Das Ergebnis ist eine XAI-Erweiterung der Forecasting-Plattform, die Vorhersagen für Business User transparent und nachvollziehbar macht.

Der Vortrag untersucht Parallelen zwischen Wittgensteins Sprachtheorie und modernen Large Language Modellen. Er stellt Fragen zur Faszination solcher Modelle, zu Unterschieden zwischen Agenten-Systemen und Gehirn-Netzwerken, und zur Rolle von Sprache bei der Vorhersage chaotischer Systeme. Außerdem wird der Zusammenhang zwischen Datensatzauswahl und Oligopolmärkten beleuchtet. Ziel ist es, Erkenntnisse aus anderen Disziplinen auf künstliche Intelligenz anzuwenden und Lücken im aktuellen Wissen aufzuzeigen.