Einführung

Julia Vögtle M.A.
Wissenschaftliche Mitarbeiterin am FORUM, KIT

Vortrag

Prof. Dr. Senja Post
Lehrstuhl für Wissenschaftskommunikation mit Schwerpunkt Wirkung / Transfer und wissenschaftliche Leiterin des FORUM, KIT

Datenkompetenz ist als Schlüsselkompetenz des 21. Jahrhunderts von zunehmender Relevanz in der Berufs- und Alltagswelt. Der Eröffnungsvortrag der Ringvorlesung führt mit einem kritischen Blick auf den grundlegenden Umgang mit Zahlen und Statistiken in die Vorlesungsreihe ein und bildet somit die Basis für die nachfolgenden Vorträge.

Zahlen und Statistiken sind Mittel der Wissenschaft und Medienberichterstattung, komplexe Sachverhalte und übergreifende Zusammenhänge präzise und komprimiert darzustellen. Allerdings werden Zahlen und Statistiken in gesellschaftlichen Debatten häufig irreführend verwendet – sie werden überschätzt, unterschätzt, missverstanden oder zugunsten exemplarischer Fallbeispiele vermieden. 

Der Vortrag gibt, basierend auf empirischen Studien, einen Überblick über häufige Muster der Verwendung und Darstellung von Zahlen und Statistiken in öffentlichen Debatten und diskutiert ihre potenziellen Wirkungen auf die Vorstellungen der Menschen.

Prof. Dr. Pascal Friederich

Head of the AiMat (Artificial Intelligence for Materials Sciences) Group at the Institute of Nanotechnology & Department of Informatics, KIT

The lecture begins with a general introduction to the concepts of artificial intelligence (AI) and machine learning (ML) from a computer science perspective, followed by a brief historical overview. To provide a basic understanding of the technologies and methods, an overview of AI/ML developments and breakthroughs in recent years follows, including the technical basics explained in an intuitive and accessible manner: neural networks, transformers, and generative AI. The lecture concludes with a discussion of several critical aspects of AI – in particular, bias in AI systems, resource and energy consumption, and societal impacts – as well as a (non-exhaustive) overview of AI/ML research activities at KIT, primarily from a computer science perspective.

Prof. Dr. Matthias Uhl

Lehrstuhl für Wirtschafts- und Sozialethik, Universität Hohenheim

Der Vortrag gibt einen Überblick über ausgewählte aktuelle Fragen der KI-Ethik und beleuchtet den Beitrag, den empirische sozialwissenschaftliche Forschung zu ihrer Bearbeitung leisten kann. Es werden die Themenfelder der Maschinenethik und der Ethik der Mensch-Maschine-Interaktion angesprochen. Die Maschinenethik betrachtet KI als moralischen Agenten und reflektiert, welche Prinzipien dessen „Handeln“ leiten sollten. Im Vortrag werden hier beispielhaft Pflegeroboter und autonome Fahrzeuge betrachtet. Die Ethik der Mensch-Maschine-Interaktion hingegen analysiert die Rückwirkungen, welche die Mediation menschlichen Handeln durch KI-gestützte Systeme auf unsere Moral hat. Im Vortrag werden hier als Beispiel medizinische Empfehlungssysteme und Large Language Models diskutiert.

Patrick Brunner 

Research Associate, Intellectual Property Rights at FIZ Karlsruhe – Leibniz Institute for Information Infrastructure

The lecture focuses on the EU Artificial Intelligence Act, which came into effect on August 1, 2024. The main subjects of the regulation are AI systems and models, whose provision and use in the European Union are subject to specific obligations.

In particular, the lecture addresses the regulatory definition of AI systems and models, the risk-based classification of AI systems under the Act, and the obligations of providers and deployers of AI systems. It also discusses the establishment of a governance structure through the EU AI Act and the framework created by the AI Act to support innovation.
Finally, the lecture will examine the intersections between the AI Act and data- and digital-related legal frameworks.

The goal of the lecture is to provide the audience with an introduction to and overview of the EU AI Act and to raise their awareness of the subject matter.

Prof. Dr. Jörn Müller-Quade

Leiter der KASTEL-Forschungsgruppe „Kryptographie und Sicherheit“, Sprecher und Initiator des Instituts für Informationssicherheit und Verlässlichkeit (KASTEL) und Direktor für Innovation, Strategie und Transfer am FZI

Der Umgang mit Daten birgt auch Risiken für die Privatsphäre. Im Vortrag werden sogenannte „Privacy Enhancing Technologies“ (PETs) vorgestellt, die ein wichtiges Werkzeug für den effektiven Umgang mit sensiblen Daten sein können. Dabei wird der Frage nachgegangen, ob PETs den Widerspruch zwischen der Nutzung von (sensiblen) Daten und den Anforderungen des Datenschutzes lösen können.

Dr. Miriam Klöpper

Postdoktorandin in der Forschungsgruppe Wirtschaftsinformatik, Fakultät für Informationstechnik und Elektrotechnik an der Norwegian University of Science and Technology Trondheim (NTNU)

In weiten Teilen des Personalmanagements kommen immer häufiger sogenannte People-Analytics-Anwendungen zum Einsatz. Basierend auf algorithmischen Auswertungen sollen diese Anwendungen automatisiert beispielsweise Produktivität der Beschäftigten ermitteln, geeignete Teamzusammensetzungen und ungewollte Fluktuation prognostizieren oder auch Lebensläufe von Bewerberinnen und Bewerber auswerten. Dabei analysieren die Anwendungen sowohl historisch im Unternehmen gewachsene Datensätze, sammeln aber auch kontinuierlich von Arbeitnehmende ganz nebenbei generierte Daten, wie die Anzahl der gesendeten Emails oder geführten Telefonate bis hin zu Mausbewegungen oder Tastenanschlägen. Während Befürwortende der Systeme in diesen vor allem Neutralität und Fairness sehen, kommen einige Forschende zu dem Schluss, dass die Nachteile der Technologie die positiven Aspekte deutlich überwiegen. Im Vortrag werden die algorithmischen Systeme und die zugrundeliegenden Datensammlungen betrachtet und dabei deren Potentiale und Risiken erörtert.

Kevin Schumacher M.A.

Leitung des AInformationLiteracy Lab der KIT-Bibliothek

Dr. Jörg Meyer

Abteilungsleiter der Abteilung Data Analytics, Access and Applications (D3A), Scientific Computing Center (SCC), KIT

Big Data, Data Analytics, Künstliche Intelligenz und Cloud Computing bestimmen weiterhin viele Aspekte im heutigen Leben in Wissenschaft, Wirtschaft und Gesellschaft. Dieser Vortrag gibt einen Überblick über die Aktivitäten des Scientific Computing Center (SCC) des KIT in diesen Themenbereichen, welche die Generierung von Wissen aus Daten ermöglichen und unterstützen.

Dr. Ralf Loritz

KIT-Junior Research Leader & KIT Associate Fellow, Institute for Water and Environment – Hydrology (IWU/HYD), KIT

The lecture will demonstrate how machine learning (ML) is transforming hydrology – and why these technologies have become a key tool for predicting floods, droughts, and other hydrological extremes. 

Hydrology deals with the water cycle in all its facets – from precipitation to storage in the soil to runoff into rivers and lakes. Mathematical and physical models have been used for decades to understand these processes and predict future events. They represent the well-known laws of hydrology – such as infiltration, evaporation, and runoff formation – through equations, thereby enabling a quantitative description of water movement across the landscape.
But are new, data-driven approaches superior to these models? What are the respective advantages and disadvantages of each method? These questions are at the heart of the lecture.

Using examples from current research projects, such as the BMFTR-funded collaborative project KI-HopE, the talk will also demonstrate how current concepts are being implemented in practice – for instance, in the development of a Germany-wide, machine learning-based flood forecasting system in cooperation with the Deutscher Wetterdienst and the flood forecasting centers. 

This presentation invites us to rethink hydrology as a data science discipline – how can an understanding of physics and artificial intelligence help us better identify the risks of flooding and drought and address them earlier?

Angela Hühnerfuß, M.A.

Managing Director, KIT Graduate School Computational and Data Science, KIT

The KIT Graduate School Computational and Data Science | KCDS at KIT Center MathSEE is an English-language graduate school for all doctoral researchers at KIT who are working on interdisciplinary, data- and model-driven research projects.

What sets KCDS apart is the tandem principle: Each doctoral candidate has one advisor from the mathematical sciences with a focus on methodology and one from the SEE discipline (natural sciences, economics, and engineering) with a focus on application. The interdisciplinary training program at KCDS offers doctoral candidates the opportunity to pursue targeted professional and interdisciplinary development, expand their network, and organize their own projects and events.

Dr. Özge Çelikaslan

Media scholar, artist, researcher, and archivist, Germany

Digital technologies are often presented as neutral and progressive, yet their histories and infrastructures have long been shaped by patriarchal power relations. Moving from early computing in the twentieth century through the rise of the internet to today's AI, this lecture explores the contributions of women+ and feminist challenges to dominant narratives of technological progress. Phenomena such as the manosphere, online misogyny, and gender-based hate speech illustrate how digital cultures continue to reproduce inequalities. Yet the lecture draws on feminist media practices and initiatives that offer alternative approaches to knowledge production, collective memory, and participation. It considers their possibilities and limitations within an increasingly corporate digital landscape, asking how cultures of care might help us imagine more inclusive digital futures.

Carolin-Anna Achberger, M.A. 

Klimaschutzmanagerin, Hochschule Ravensburg-Weingarten

Künstliche Intelligenz verspricht effizientere Prozesse, intelligentere Mobilität und neue Lösungen für Klima- und Umweltschutz. Gleichzeitig benötigen leistungsfähige KI-Modelle enorme Rechenkapazitäten – mit wachsendem Strom-, Wasser- und Rohstoffverbrauch. Ist KI damit Teil des Nachhaltigkeitsproblems oder kann sie Teil der Lösung werden?

Der interaktive Vortrag nimmt KI kritisch unter die Lupe: Welche ökologischen und sozialen Kosten entstehen durch Rechenzentren, Trainingsprozesse, Hardware und globale Lieferketten? Und wo kann KI konkret helfen, Energie und Ressourcen zu sparen, Umweltveränderungen besser zu verstehen oder Klimaanpassung zu unterstützen?

Der Vortrag lädt dazu ein, KI weder pauschal als Klimaretterin noch als reine Energieverschwendung zu betrachten, sondern ihre Chancen, Grenzen und Voraussetzungen für einen verantwortungsvollen Einsatz kritisch zu diskutieren.

Prof. Dr. Tobias Siebenlist

Professor für Informatik, insbesondere Datenbanken, an der Hochschule Düsseldorf

Alles offen, alles gut? Offene Daten versprechen Transparenz, neue Erkenntnisse und vielfältige Möglichkeiten zur Weiterverwendung. Doch wie offen und nutzbar sind öffentlich bereitgestellte Daten tatsächlich? Wo findet man sie, wie lässt sich ihre Qualität beurteilen – und was kann man am Ende mit ihnen anfangen?

Der Vortrag gibt einen Einblick in die Idee und Praxis von Open Data. Dabei geht es nicht nur um die Bereitstellung von Daten durch Verwaltungen, Wissenschaft und andere öffentliche Einrichtungen, sondern insbesondere um ihre tatsächliche Auffindbarkeit, Zugänglichkeit, Qualität und Nachnutzbarkeit. Open Government und verwandte „Open“-Ansätze wie Open Science, Open Access, Open Educational Resources und Open Source bilden dabei den größeren Kontext.

Neben etablierten Open-Data-Portalen und zivilgesellschaftlichen Initiativen wird auch betrachtet, wie sich große Datenangebote systematisch untersuchen lassen. Anhand aktueller Arbeiten zur automatisierten Analyse von Open-Data-Portalen und ihrer Metadaten wird gezeigt, welche Qualitätsprobleme in der Praxis auftreten und wie sich Datenbestände vergleichbar machen und bewerten lassen.

Schließlich stellt sich mit der zunehmenden Verbreitung künstlicher Intelligenz eine neue Frage: Welche Rolle können offene Daten für KI-Anwendungen spielen – und umgekehrt, wie können KI-Verfahren dabei helfen, offene Daten zu finden, zu erschließen und nutzbar zu machen?

Der Vortrag verbindet damit Grundlagen von Open Data mit Beispielen aus Forschung und Praxis und wirft einen kritischen Blick darauf, was zwischen dem bloßen Veröffentlichen von Daten und ihrer tatsächlichen Nutzung liegt.