Pharma KI-Konferenz und Pre-Konferenz Workshop "Grundlagen der KI"

Programm

Gesamtes Programm als PDF herunterladen

• Geschichte der KI
• Verschiedene Formen der KI
• Beispielanwendungen: KI im Alltag
• Technologie und Grundlagen
• Prinzipien des maschinellen Lernens
• Verschiedene Lern- / Trainingsmethoden
• Beispielhafte Anwendungsgebiete in verschiedenen Industrien

• Übersicht über Modell- und Datentypen
• Datenaufteilung: Training, Validierung, Test
• Datenqualität, Repräsentativität und typische Herausforderungen bezüglich Daten
• Einsatz von synthetischen Daten
• Übersicht über Modell- und Datentypen
• Einblicke aus Anwendungsfällen

• Reifegradmodell: Wachsende Autonomie und Kontrolle
• Übersicht und Lenkung: Vom Konzept zur Lösung
• Grundlagen des ML Risiko- und Kontrollrahmens
• Anwendung von Q9 QRM bei KI-/ML-Lösungen
• Risikocluster als Orientierungshilfe
• GMLP: Good Machine Learning Practices

• Herausforderungen der Life Sciences Industrie im Umgang mit KI und ML
• Die KI/ML-Perspektive von GAMP® 5
• Anwendungsbeispiele in der Praxis

• Welche Voraussetzungen brauche ich als Organisation, um mit KI zu arbeiten
• Wie baue ich ein KI-Projekt auf und wie führe ich eine Idee bis zum produktiven Einsatz
• Die Beziehung von agilem Vorgehen und Entwicklung von KI-Modellen
• Beispiele

• Worauf muss man aufpassen?
• Welche Risiken gibt es?

• Pharmazeutische Regularien (AMG / AMWHV)
• EU-GMP Leitfaden Annex 11
• Revision of Annex 11 bzw. Annex 22 (KI)
• Software as Medical Device
• Inspektionsstrategien
• Was erwartet der Inspektor?

• Übersicht über unterstützende Prozesse: Datenmanagement, Risikomanagement, Change Management
• Dokumentation bereithalten – Begründungen liefern
• Planung von Probeinspektionen

• Freiheitsgrade der Regularien
• Das haben Sie doch sicherlich geregelt!?
• Anwendungsbeispiele und Bewertungskriterien

• Einführung in Deep Learning Modelle für die Bildgebung
• Deep Learning für Diagnose und Prognose am Beispiel Krebs
• Nachvollziehbarkeit von Künstlicher Intelligenz

• Einführung ChatGPT
• Einführung in das Prompt Engineering
• Prompt Techniken
  • Zero-shot prompting, Few shot prompting
  • Chain-of Thought
  • Reverse Engineering Prompting
• Risiken und Fehlanwendungen

• SAP Batch Release Hub - SaaS Lösung zur Chargen-Freigabe
• Effizienzsteigerung manueller Prüfungen mit generativer KI und RAG
• Aspekte entlang des Entwicklungsprozesses
  • Qualität, Vertrauenswürdigkeit und Nachvollziehbarkeit der KI
  • Datenschutz und Privatsphäre
  • KI gestützte autonome Entscheidungen
• Ausblick - Anwendung von Agenten

• Konzept des adaptiven Lernens
• Übersicht des technischen Basiskonzepts
• Vorstellung von zwei Use Cases
• Diskussion von Chancen und Risken anhand der Use Cases
• Ausblick

• Traditionelle Bildverarbeitung und ihre Grenzen
• Chancen durch den Einsatz Künstlicher Intelligenz
• Erwartungen, Risiken und Voraussetzungen für den Einsatz von KI
• Essentiell: Domänenkenntnis und daraus abgeleitete Trainingsdaten
• Realität und Herausforderungen der Qualifizierung und Anwendung

• Was ist ein Agent?
• Retrieval Augmented Generation (RAG)
• Azure Data Factory
• Beispiele für ein Agenten-Design
• Einsatz in der Praxis

• Prüfung und Korrektur von Anforderungen für einzelne Systeme oder Systemlandschaften
• Generierung von smarten Anforderungen
• Übertragung von User Requirements in User Stories und umgekehrt
• Funktionale Spezifikationen auf Basis von Anforderungen erstellen
• Ausblick: KI-gestützte Risikoanalysen ableiten
• Ausblick: Teilautomatisierte Erstellung von Funktions- bzw. Anwendertests

• Nutzen von Microsoft Power Platform
• Von der Vision bis zur Umsetzung - eine digitale Reise in Phasen
• Automatisierte Audit Unterstützung mittels der Kombination von Power App und Power Automate
• Digitalisierung und Strukturierung von „Audit Rohdaten“
• GenAI für die automatisierte Generierung von Auditberichten

• DRTwin, ein digitaler Zwilling eines Zerstäubers für flüssige Atemwegsmedikamente
• Warum ein digitaler Zwilling mit Vorhersage-Funktionen?
• Von der Idee zur IT-Applikation
• Überblick über den Business-Case
• User Requirements an das System
• Ableitung der Vorhersage-Modelle (Modellauswahl, Modellentwicklung, Modellbewertung)
• Modell-Monitoring
• Technische Realisierung: System Architektur
• Ausblick auf die weitere Entwicklung und Anwendung