Analytische Labore erzeugen große Mengen an Messdaten, Metadaten, Protokollen und Berichten. Für KI-Anwendungen sind diese Daten jedoch oft nur eingeschränkt nutzbar: Sie liegen in unterschiedlichen Systemen, Formaten und Kontexten vor.
Der Kurs zeigt, welche Voraussetzungen für KI im Labor erforderlich sind: geeignete Datenstrukturen, klare Datenmodelle, definierte Schnittstellen und nachvollziehbare Datenflüsse. Er ist kein Programmierkurs und kein Produkttraining, sondern unterstützt die fachliche Bewertung und Planung von KI-Vorhaben im Laborumfeld.
- Einsteiger:innen in das Thema "KI-Einsatz im Labor"
- Mitarbeitende in Laboren ohne etablierte digitale Struktur
- Personen, deren Fokus auf dem Einsatz "generischer" KI-Tools liegt wie z.B. ChatGPT, Copilot, etc.
Zielgruppe
Dieses Seminar richtet sich an
- Laborleitung, Labor-IT, Qualitätsfunktionen und Projektverantwortliche, die KI-Anwendungen im Labor fachlich bewerten, priorisieren und umsetzbar planen wollen und Erfahrung mit Digitalisierungsansätzen und Systemen (LIMS, ERP, etc.) haben.
Lernziele
Nach dem Seminar
- kennen Sie die grundlegenden Konzepte und Entscheidungskriterien, um die bestehende IT- und Datenlandschaft Ihres Labors hinsichtlich KI-relevanter Voraussetzungen einzuordnen.
- sind Sie in der Lage, Labordaten nach Herkunft, Struktur, Kontext und Nutzbarkeit für KI-Anwendungen zu klassifizieren.
- verstehen Sie, wie geeignete KI-Use-Cases aus Laborprozessen abgeleitet und bewertet werden können.
- können Sie Architekturansätze wie Data Warehouse, Data Lake, ETL/ELT, Schnittstellen und Datenmodelle fachlich einordnen.
Programm
Datenstrukturen und Datenmodelle für Labor-KI
- Typische Labordaten: Messdaten, Metadaten, Methoden, Protokolle, Ergebnisse und Berichte
- Grundlagen des Datenmanagements: Datenqualität, Kontext, Datenmodelle und Datenflüsse
- Bedeutung strukturierter und semistrukturierter Daten für KI-Anwendungen
- Begriffe und Konzepte: Data Warehouse, Data Lake, ETL/ELT, Schnittstellen und Datenintegration
- Klassifizierung von Daten nach Quelle, Struktur, Kritikalität und Nutzbarkeit
Wie KI-Modelle mit Labordaten interagieren
- Ableitung von Automatisierungspotenzialen aus Labor-Use-Cases
- Einordnung von LIMS, ELN, CDS, SDMS, DMS, MES und weiteren Quellsystemen
- Beschreibung typischer KI-Anwendungen (z.B. Texterkennung) und deren Anforderungen an Infrastruktur (Cloud, Service Provider, etc.)
- Auswirkungen von KI-Anwendungen auf Systementscheidungen, Schnittstellen und Betriebsmodelle
Von Labordaten zur ersten KI-Anwendung
- Bewertung von KI-Use-Cases nach Nutzen, Datenbedarf, Komplexität und Umsetzbarkeit
- Auswirkungsanalyse bei Einführung neuer KI-Technologien
- Agile Entwicklung, Meilensteine und Lebenszyklus von KI-Anwendungen
- Kosten-Nutzen-Betrachtung einschließlich Projektaufwand, Betrieb und Skalierbarkeit
KI-Agenten im Labor - Hype oder schon Praxis
- Grundprinzipien agentischer KI-Systeme: Aufgaben, Werkzeuge und Kontextverarbeitung
- Datennutzung, Verantwortung, Nachvollziehbarkeit und rechtliche Rahmenbedingungen
- Einsatzmöglichkeiten und Grenzen von KI-Agenten in Laborprozessen
- Validierungs- und Kontrollansätze für agentische KI-Systeme im regulierten Umfeld
Referent
Referent
Das fanden Teilnehmende besonders gut:
Das direkte Ansprechen einzelner Personen hat sehr gut zur Interaktion aller beigetragen. Man konnte jederzeit Fragen stellen, die ausführlich beantwortet wurden.
Der Tag war super! Die Geschwindigkeit perfekt! Teamarbeit kam super an und alles konnte direkt umgesetzt werden.
Besonders gut war Interaktivität, persönlicher Austausch, motivierter und engagierter Referent!
Sie haben Fragen?
Rufen Sie uns an
+49 681 98210-0
Mo - Do von 8:00 - 17:00 Uhr
und Fr von 8:00 - 16:00 Uhr
Elke Bonny
Seminarbetreuung
Fragen und Antworten
In unserem Bereich Fragen und Antworten (FAQ) finden Sie schnell und bequem Antworten auf Ihre Fragen!