Vertiefung Data Engineering and Industrial AI

Die Vertiefung Data Engineering and Industrial AI ist eine ideale Grundlage für alle, die an der Schnittstelle von Technologie und Nachhaltigkeit einen Unterschied machen möchten. Wir bereiten Sie darauf vor, in einer Welt, die zunehmend von Daten und Künstlicher Intelligenz geprägt ist, führend, kompetent und innovativ zu handeln.

Unternehmen suchen nach Fachkräften die in der Lage sind, grosse Mengen an Daten zu verarbeiten und damit intelligente Entscheidungen zu treffen. Diese Daten können verwendet werden, um Produkte und Prozesse zu optimieren und effizienter zu gestalten.

Die Vertiefungsrichtung Data Engineering and Industrial AI wird in St.Gallen angeboten. Studierende aus Buchs können in St.Gallen teilnehmen. Sie reisen dafür ab dem 3. Semester (Vollzeitstudium) bzw. dem 5. Semester (Teilzeitstudium) an einem Tag in der Woche während der Vorlesungszeit nach St.Gallen. 

Datenanalyse beschäftig sich mit dem systematischen Untersuchen, Interpretieren und Schlussfolgern aus Datensätzen, um Erkenntnisse zu gewinnen und Entscheidungen zu unterstützen. Dabei spielt die Datenvisualisierung eine zentrale Rolle, um die wesentlichen Dinge, die sich in den Daten verbergen, für Menschen sichtbar und erkennbar zu machen. Sie lernen verschiedenste Formen von Visualisierungen für quantitative, kategoriale und Zeitreihen-Daten an Beispielen und Datensätzen kennen und im Rahmen eines  Projekts selbst zu erstellen. Dabei arbeiten wir mit Darstellungsformen wie Diagrammen und Grafiken, Karten, Heatmaps und interaktiven Visualisierungen. 

Wissenschaftliches Rechnen ist das grundlegende Werkzeug für Ingenieur/innen, um komplexe mechatronische Systeme zu modellieren, zu analysieren und zu optimieren. Stellen Sie sich vor, Sie entwickeln einen Algorithmus zur Bahnplanung für einen Manipulator eines Operationsroboters. Hier kommen numerische Methoden ins Spiel, um präzise Bewegungsabläufe zu berechnen und zu simulieren. Bei der Optimierung von Windturbinen oder Elektrofahrzeugen können dank numerischer Simulation und Optimierung massive Effizienzsteigerungen erzielt werden. Algorithmen bilden das Fundament der Numerik. Sie können iterativ, rekursiv oder funktional implementiert werden.

Tiefe Neurale Netzwerke (DNN) sind die treibende Kraft hinter Fortschritten in Bereichen wie der Bilderkennung und Sprachverarbeitung. Ohne die Fortschritte im Deep Learning wären Large Language Models wie ChatGPT nicht möglich. Neuronale Netze erkennen komplexe Muster in Daten und sind in der Lage, Vorhersagen zu treffen, die traditionelle Methoden weit übertreffen. In diesem Modul lernen Sie, wie das Gradientenabstiegsverfahren und die Backpropagation neuronale Netze trainieren und wie diese Methoden auf GPUs implementiert werden, um komplexe Berechnungen effizient durchzuführen. Mit Techniken wie Explainable AI (XAI) beginnen Sie zu verstehen, wie neuronale Netze Entscheidungen treffen.

Seit Jahren revolutionieren intelligente Geräte, die miteinander kommunizieren, unseren Alltag. Mit über 50 Milliarden verbundenen Geräten im Jahr 2020 ist das Internet der Dinge nicht nur eine technologische Meisterleistung, sondern auch von strategischer Bedeutung. Es formt die Zukunft und beeinflusst unser Leben auf nachhaltige Weise. Vernetzte intelligente Geräte steuern und überwachen Geschäftsprozesse in allen Lebensbereichen. IoT ist die Grundlage für die vierte industrielle Revolution. Von der Mechanisierung über Elektrifizierung und Informatisierung bis hin zur Vernetzung von allem – das Internet der Dinge treibt den Fortschritt voran.

Predictive Modelling ist eine Reise ins Herz der modernen Entscheidungsfindung, der Produktentwicklung und des technologischen Fortschritts – ein Schlüsselbereich, der die Zukunft der Technik und DataScience gestaltet. Mathematik, Statistik und Informatik bilden hier ein mächtiges Werkzeug für Ingeniuer/innen, um Unsicherheiten oder Rauschen nicht zu verbannen, sondern sie zu verstehen und zu modellieren. Im Zentrum dieses Bereichs steht die Wahrscheinlichkeitstheorie. Sie erkunden die Geheimnisse hinter Zufallszahlen und erlernen, wie man aus scheinbar unzusammenhängenden Daten wertvolle Erkenntnisse zieht. 

Im Modul «Agentenbasierte Systeme» tauchen Sie tief in die Welt des Reinforcement Learnings (RL) ein, einer Schlüsseltechnologie der KI,  die insbesondere in der Robotik Anwendung findet. Hierbei agieren RL-Agenten in dynamischen Umgebungen, treffen Entscheidungen und lernen durch Belohnungen und Bestrafungen, optimale Strategien zu entwickeln. Das Ziel ist es, durch geschicktes Abwägen von Exploration und Exploitation langfristig maximale Belohnungen zu erzielen. Sie werden sich mit zentralen Konzepten wie Wertfunktionen, Q-Learning und Deep Q-Networks (DQN) vertraut machen. Darüber hinaus erlernen Sie policy-basierte Methoden, die es ermöglichen, das Entscheidungsverhalten der Agenten zu steuern.