ID: 75288

Multimodale KI-Systeme: Text, Bild, Audio und Video kombiniert verarbeiten

Wie du verschiedene Datentypen in einer KI-Anwendung verbindest

Jetzt unverbindliches Angebot einholen

Fragen Sie die nächsten freien Termine für dieses Seminar an.
Wir führen dieses Seminar monatlich durch.

Übersicht

Die Welt ist nicht nur Text – und moderne KI auch nicht mehr. Multimodale Modelle verarbeiten Text, Bild, Audio und Video gemeinsam und eröffnen damit völlig neue Anwendungen. Dieses zweitägige Training zeigt, wie multimodale KI funktioniert und wie du verschiedene Datentypen in einer Anwendung verbindest. Multimodale KI ist einer der wichtigsten Entwicklungssprünge: Ein Modell, das ein Bild beschreibt, ein Dokument samt Diagrammen versteht oder Sprache und Text gemeinsam verarbeitet. Das ermöglicht Anwendungen, die mit reinen Textmodellen unmöglich wären. Dieses Training vermittelt, wie multimodale Systeme funktionieren und wie du sie einsetzt. Du lernst, wie Modelle verschiedene Datentypen verbinden, welche Anwendungsfälle entstehen und wie du multimodale Anwendungen baust und bewertest. Der Fokus liegt auf Verständnis und praktischer Anwendung. Du verlässt die zwei Tage mit einem klaren Bild, wie du das Potenzial multimodaler KI nutzt.

Wünschst du ein Inhouse Seminar?

Grundlagen multimodaler KI

  • Was multimodal bedeutet: Mehrere Datentypen gemeinsam
  • Der Sprung: Warum Multimodalität so mächtig ist
  • Modelle: Was aktuelle multimodale Modelle können
  • Anwendungsfelder: Wo Multimodalität Nutzen stiftet
  • Grenzen: Was heute noch nicht geht

Bild und Text verbinden

  • Bildverstehen: Inhalte beschreiben und analysieren
  • Dokumente: Text, Tabellen und Diagramme gemeinsam erfassen
  • Visuelle Fragen: Bilder befragen
  • Generierung: Aus Text Bilder erzeugen
  • Anwendung: Typische Bild-Text-Aufgaben

Audio und Video einbeziehen

  • Sprache: Audio verstehen und verarbeiten
  • Transkription und Analyse: Gesprochenes nutzbar machen
  • Video: Bewegtbild analysieren
  • Kombination: Audio, Bild und Text zusammenführen
  • Anwendung: Typische Audio- und Video-Aufgaben

Multimodale Anwendungen bauen

  • Architektur: Datentypen in einer Anwendung verbinden
  • Eingaben: Verschiedene Medien verarbeiten
  • Modelle nutzen: Multimodale APIs einbinden
  • Qualität: Ergebnisse über Modalitäten bewerten
  • Kosten: Multimodale Verarbeitung effizient gestalten

Daten, Recht und Grenzen

  • Datenschutz: Bild-, Audio- und Videodaten schützen
  • Persönlichkeitsrechte: Was bei Personen gilt
  • Genauigkeit: Wo multimodale KI trügt
  • Aufwand: Was multimodale Verarbeitung verlangt
  • Verantwortung: Wo der Mensch entscheidet

Projektvorgehen und Aktionsplan

  • Use-Case-Auswahl: Womit du startest
  • Machbarkeit: Aufwand und Nutzen einschätzen
  • Make-or-Buy: Fertige Modelle vs. Eigenentwicklung
  • Pilotierung: Klein starten und lernen
  • Dein Aktionsplan: Die erste multimodale Anwendung
  • Entwickler:innen und KI-Architekt:innen, die Anwendungen mit Text, Bild, Audio und Video bauen wollen.
  • Produkt- und Innovationsverantwortliche, die neue Anwendungen rund um multimodale KI erschließen möchten.
  • Verantwortliche in Medien, Dokumenten und Service, die verschiedene Medientypen automatisiert verarbeiten wollen.
  • Technische Projektverantwortliche, die das Potenzial multimodaler KI bewerten und nutzen möchten.

Dein Nutzen

Über Text hinaus denken

Du lernst, Text, Bild, Audio und Video gemeinsam zu verarbeiten – und erschließt Anwendungen, die mit reinen Textmodellen unmöglich wären.

Verstehen und umsetzen

Du lernst nicht nur, wie multimodale KI funktioniert, sondern auch, wie du entsprechende Anwendungen baust und bewertest.

Realistisch und verantwortungsvoll

Du lernst, Machbarkeit, Kosten und Grenzen einzuschätzen sowie Datenschutz und Persönlichkeitsrechte zu beachten.

Häufige Fragen zum Seminar

Etwa Dokumente mit Diagrammen verstehen, Bilder analysieren, Sprache verarbeiten oder mehrere Medien kombinieren. Diese behandeln wir praxisnah.
Meist nicht. Es gibt starke multimodale Modelle, die du über APIs nutzt. Wir behandeln Einsatz und die Make-or-Buy-Entscheidung.
Bei Bild-, Audio- und Videodaten gelten besondere Anforderungen. Ein eigenes Modul widmet sich Datenschutz und Persönlichkeitsrechten.
Bei Bild-, Audio- und Videodaten gelten besondere Anforderungen. Ein eigenes Modul widmet sich Datenschutz und Persönlichkeitsrechten.
Sie ist beeindruckend, aber nicht fehlerfrei. Wir ordnen ein, wo sie überzeugt und wo Grenzen und menschliche Kontrolle nötig bleiben.
Hier geht es um das technische Bauen multimodaler Anwendungen, nicht um die kreative Erstellung von Inhalten. Beide ergänzen sich.

Deine Frage war nicht dabei?

Du möchtest dieses Seminar als Inhouse Seminar buchen?

Nach oben scrollen