Zum Inhalt springen

Nur-Lesen-Fassung: Das Forschungsinformationssystem (FIS) ist aus Sicherheitsgründen vorübergehend durch diese Nur-Lesen-Fassung ersetzt. Alle öffentlichen Inhalte und Volltexte sind weiterhin abrufbar; Anmeldung, Bearbeitung, Einreichung und Statistiken stehen nicht zur Verfügung. Bei Fragen: fis@uni-bamberg.de

Start › Forschungsdaten › Künstliche Intelligenz - Prof. Ute Schmid

Forschungsdaten

Künstliche Intelligenz - Prof. Ute Schmid

Details

Publikationsdetails

Einrichtung
ErstellerIn
Rosen, Patrick
Sonstige beteiligte Person
Verlagsangabe
Otto-Friedrich-Universität Bamberg
Erscheinungsjahr
2023
Erstellungsdatum
13.01.2023
Sprache(n)
Deutsch
DOI
ist Teil von
Ethik & Künstliche Intelligenz - Prof. Dr. Christoph Benzmüller
Chatbots & Dialogsysteme - Prof. Dr. Stefan Ultes
Abstract

Zu Beginn des Gesprächs räumt unser Podcastgast Prof. Dr. Ute Schmid erst einmal mit vorherrschenden Vorurteilen gegenüber KI auf: So erscheint es fraglich, ob Maschinen per Algorithmen grundsätzlich überhaupt schneller und besser entscheiden können als Menschen!

Ute Schmid ist Diplom-Psychologin und Diplom-Informatikerin. Seit 2004 ist sie Professorin für Angewandte Informatik insbesondere Kognitive Systeme an der Universität Bamberg. Sie lehrt und forscht in den Bereichen Künstliche Intelligenz, maschinelles Lernen und kognitive Modellierung. Seit 2020 ist Ute Schmid Mitglied im Direktorium des Bayerischen Instituts für Digitale Transformation. Sie leitet die Fraunhofer IIS Projektgruppe "Erklärbare KI".

In diesem Podcast erklärt Prof. Schmid zunächst, was eine starke und eine schwache KI ist. Und, in welcher Beziehung KI mit den Begriffen "wissensbasierte Systeme", "Neuronale Netzwerke" und "Robotik" steht.

In Ihrer Arbeit beschäftigt sich Prof. Schmid auch KI-Anwendungen fernab der Universität: So hält sie Fortbildungen zum Thema Informatik für Vorschule und Grundschule und ist aktiv im Bereich "KI und Schule". Für ihr Engagement zum Wissenstransfer, insbesondere im Bereich KI wurde sie 2020 mit dem Rainer-Markgraf-Preis ausgezeichnet.

Dokumenttyp
sound
DDC-Klassifikation
004 Computer science
Schlagwort(e)
Podcast
Umfang
32.7 MB
Format
audio/mpeg
Projekt

Permalink: https://fis.uni-bamberg.de/handle/uniba/59472 · Daten als JSON

Datenstand: 15.11.2026

Eingeschränkter Lesezugriff: Anmeldung, Bearbeitung und Einreichung sind vorübergehend deaktiviert.