by HeiCAD
InsideHeiCAD ist ein Podcast aus der Serie "HeiCADPodcasts" - herausgegeben vom Heine Center for Artificial Intelligence and Data Science (HeiCAD) der Heinrich-Heine-Universität Düsseldorf. In Interviews mit Forscher*innen an der HHU versuchen wir nach und nach die Forschungslandschaft in den Bereichen Künstliche Intelligenz und Datenwissenschaften zu ergründen und sichtbar zu machen. Der Podcast wird von Dr. Joana Grah moderiert. Gerne nehmen wir Feedback unter heicad@hhu.de entgegen.
Language
🇩🇪
Publishing Since
6/30/2021
Pitch yourself as a guest, propose sponsorships, or reach out directly to the host.
November 9, 2022
<p>In einer neuen Folge "PhD Pitches" ist Manh Khoi Duong zu Gast. Er ist wissenschaftlicher Mitarbeiter und Doktorand am Lehrstuhl für Datenbanken und Informationssysteme am Institut für Informatik. Im Projekt <a href="https://rapp.hhu.de/" target="_blank">RAPP (Responsible Academic Performance Prediction)</a> arbeitet er zusammen mit Sozialwissenschaftler*innen an der HHU daran, Systeme zur Leistungs- und Abbruchsvorhersage an Hochschulen sozial verträglicher und ethischer zu gestalten.</p> <p>Wie Diskriminierung entstehen kann, wie man dagegen wirken kann und wie erklärbare Machine-Learning-Methoden dabei helfen können, erfahren wir in diesem Podcast. Manh Khoi Duong erläutert verschiedene Fairness-Metriken und warum er herausgefunden hat, dass "equalised odds" die Fairness Notion für Hochschulen sein sollte.</p> <p>1:14 Vorstellung Manh Khoi Duong & PhD Pitch 7:41 Welche KI-Methoden werden für die Vorhersagen verwendet und welche Features werden ausgewählt? 11:14 Gibt es eine Art Feedback-Loop um diskriminierende Attribute zu erkennen und zu eliminieren? 12:43 Was sind Decision Trees? 14:17 Interdisziplinäre Zusammenarbeit von Informatiker*innen mit Sozialwissenschaftler*innen 18:24 Wie quantifiziert man eigentlich Fairness? 27:24 Entweder-Oder-Fragen 30:32 PhD-Survival-Tipp</p> <p>Ein Gespräch mit Manh Khoi Duong und Dr. Joana Grah</p>
October 4, 2022
<p>In einer weiteren Folge "PhD Pitches" stellt Andreas Müller seine Promotions-Forschung vor. Er ist wissenschaftlicher Mitarbeiter und PhD-Student bei Prof. Dr. Johann Justus Vasel, der die Juniorprofessur für Öffentliches Recht unter besonderer Berücksichtigung von Rechtsfragen der künstlichen Intelligenz an der Juristischen Fakultät innehat.</p> <p>Andreas Müllers Doktorarbeit ist vom Leitsatz "von der Ethik zum Recht" geprägt. Im Gespräch erzählt er uns was problematisch am "Rundumschlag" der EU im Rahmen des Vorschlags für ein KI-Gesetz ist, wieso eine umgebaute "regulatory sandbox" eine Alternative darstellen könnte und dass Recht im Allgemeinen und KI-Werte im Speziellen eigentlich eine wortgewordene Abwägung sind.</p> <p>1:21 Vorstellung Andreas Müller 2:08 PhD Pitch 7:02 Erläuterung des Unterschieds zwischen Hard und Soft Law 9:34 Was ist an der europäischen und internationalen Ebene besonders relevant? 12:11 Sollte die Regulierung von KI noch viel differenzierter und fallbezogener festgelegt werden? 16:18 Die vier Risiko-Kategorien im KI-Verordnungsvorschlag der Europäischen Kommission 20:15 Zusammenspiel und Balance von Werten im Zusammenhang mit KI 28:18 Entweder-Oder-Fragen 24:42 PhD-Survival-Tipp</p> <p>Ein Gespräch mit Andreas Müller und Dr. Joana Grah</p>
May 4, 2022
<p>Unser heutiger Gast im Podcast ist Sebastian Scharf. Er ist wissenschaftlicher Mitarbeiter am Institut für Medizinische Mikrobiologie und Krankenhaushygiene und forscht im Use Case Gesundheit der Manchot Forschungsgruppe "Entscheidungsfindung mit Hilfe von Methoden der Künstlichen Intelligenz”.</p> <p>Dort beschäftigt er sich mit der Analyse von Daten hämatologischer Patient*innen nach der Stammzelltransplantation mit dem langfristigen Ziel den Heilungsprozess zu verbessern und Begleiterscheinungen zu vermeiden. In einem prospektiven Projekt wird DNA aus Stuhlproben von Patient*innen extrahiet und eine Darm-Mikrobiom-Analyse mittels Next-generation-sequencing durchgeführt. Wir erfahren, warum es nicht nur interessant ist, sich die Bakterien anzuschauen, sondern auch die Pilze. Es sollen Techniken entwickelt werden um mögliche Komplikationen frühzeitig vorherzusagen. Im zweiten retrospektiven Projekt werden klinische Daten von ca. 1000 Patient*innen mit Hilfe von Machine-Learning-Methoden analysiert um Korrelationen zu finden. Hier ist die Frage, ob es möglich ist, vor den Ärzt*innen zu sehen, wenn es Patient*innen schlecht geht, und dementsprechend frühzeitig in die Behandlung einzugreifen.</p> <p>1:14 Vorstellung Sebastian Scharf 2:48 Projekt zu Stammzelltransplantationen im Use Case Gesundheit 7:01 Machine-Learning-Methoden im Projekt 9:04 Funktionieren ML-Methoden für das retrospektive Projekt besser als herkömmliche Methoden? 10:41 Verfügbarkeit der klinischen Daten 12:57 Nutzung von Deep-Learning-Methoden 14:30 Beispiele zur Transparenz von DL-Methoden 16:19 Mikrobiomanalyse mit datenwissenschaftlichen Methoden 20:41 Herausforderungen der Arbeit mit klinischen Daten 24:02 Interdisziplinäre Arbeit an der HHU 27:39 Gibt es im Jahr 2035 das voll digitalisierte Krankenhaus? 28:53 Entweder-Oder-Fragen 31:01 PhD-Survival-Tipp</p> <p>Ein Gespräch mit Sebastian Scharf und Dr. Joana Grah</p>
Have a different question and can't find the answer you're looking for? Reach out to our support team by sending us an email and we'll get back to you as soon as we can.
InsideHeiCAD ist ein Podcast aus der Serie "HeiCADPodcasts" - herausgegeben vom Heine Center for Artificial Intelligence and Data Science (HeiCAD) der Heinrich-Heine-Universität Düsseldorf.
In Interviews mit Forscher*innen an der HHU versuchen wir nach und nach die Forschungslandschaft in den Bereichen Künstliche Intelligenz und Datenwissenschaften zu ergründen und sichtbar zu machen.
Der Podcast wird von Dr. Joana Grah moderiert.
Gerne nehmen wir Feedback unter heicad@hhu.de entgegen.
This podcast updates daily.
This podcast is available on 4 platforms including Apple Podcasts, Spotify, and more. You can also use the RSS feed directly.
Yes, this podcast regularly features guests.
Pod Engine is not affiliated with, endorsed by, or officially connected with any of the podcasts displayed on this platform. We operate independently as a podcast discovery and analytics service.
All podcast artwork, thumbnails, and content displayed on this page are the property of their respective owners and are protected by applicable copyright laws. This includes, but is not limited to, podcast cover art, episode artwork, show descriptions, episode titles, transcripts, audio snippets, and any other content originating from the podcast creators or their licensors.
We display this content under fair use principles and/or implied license for the purpose of podcast discovery, information, and commentary. We make no claim of ownership over any podcast content, artwork, or related materials shown on this platform. All trademarks, service marks, and trade names are the property of their respective owners.
While we strive to ensure all content usage is properly authorized, if you are a rights holder and believe your content is being used inappropriately or without proper authorization, please contact us immediately at hey@podengine.ai for prompt review and appropriate action, which may include content removal or proper attribution.
By accessing and using this platform, you acknowledge and agree to respect all applicable copyright laws and intellectual property rights of content owners. Any unauthorized reproduction, distribution, or commercial use of the content displayed on this platform is strictly prohibited.