Data Conference Databasea Query.Farm index
Conferences / Minds Mastering Machines (M3)

Minds Mastering Machines 2022

Jun 1–3, 2022 · IHK Haus der Wirtschaft, Karlsruhe, Baden-Württemberg, Germany

Conference
Minds Mastering Machines (M3) Data science & ML
Dates
Jun 1, 2022 – Jun 3, 2022
Venue
IHK Haus der Wirtschaft
Place
Karlsruhe, Baden-Württemberg, Germany
Format
In person
Status
Past
Attendance
—
Website
mastering-ai.eu
Recorded
2 sponsors · 47 speaker appearances
Notes
Workshop day 1 Jun, conference 2-3 Jun. Fifth M3 and first in-person edition since 2019. Speakers: full programme as published. Prices are those in the shop on 23 May 2022 (regular prices).

Ticket prices

TicketPriceValid untilNotesSource
Workshop (1 Jun)€495—Net price, excl. 19% VAT.web.archive.org
Conference ticket€980—Net price, excl. 19% VAT.web.archive.org
Combo: conference + workshop€1,430—Net price, excl. 19% VAT.web.archive.org

Sponsors 2

Gold 2

Speakers and talks 47

SpeakerCompanyRoleTalkLinks
Frank KraemerIBMKeynoteKeynote: Aktuelle Entwicklung und Test autonomer Fahrzeuge mit großen Datenmengen—
Jonas AndrulisAleph AlphaKeynoteKeynote: Beginning 2 Count – Moderne Deep-Learning-Weltmodelle und Symbolic Reasoning—
Alexander KiesFraunhofer IPTTalkVon der Spielwiese in die Umsetzung – Deployment von ML in der Batteriefertigung—
Andreas PrawitteodaTalkKI in der Rechnungsprüfung: Herausforderungen und Möglichkeiten von MLOps—
Antje FitznerFraunhofer FFBTalkVon der Spielwiese in die Umsetzung – Deployment von ML in der Batteriefertigung—
Christian WinklerdatanizingTalkSentence Embeddings in der Praxis—
Florence LopezscieneersTalkPredictive Maintenance bei Windenergieanlagen—
Florian SchmolleodaTalkKI in der Rechnungsprüfung: Herausforderungen und Möglichkeiten von MLOps—
Georg MerzDeutsche BahnTalkExtending Mobility – Wie Reinforcement Learning mehr Kapazität in Bahnsystemen ermöglicht—
Gerhard HausmannBarmeniaTalkIntelligent Document Processing in der Praxis—
Harald BoschNovatecSponsored talkWie man ein Gewächshaus mit ML überwachen kann—
Harald BoschNovatecWorkshopAnomalieerkennung und Zeitreihen—
Hauke BrammerDeepUp GmbHTalkKeep an eye on AI – ML-Modelle in Produktion überwachen—
Hauke BrammerDeepUp GmbHTalkKotlin? Für Machine Learning?—
Joerg HeidrichHeise MedienTalkML und die Gesetze: Was gilt heute ... und was kommt morgen?—
Johannes Hötteronetask.aiTalkEffizientes Datenlabeling zur Performanceoptimierung und Qualitätsprüfung—
Jonas MayerTNGTalkFake-Debatten mit NLP – Eine ironische KI-Lösung für Online-Diskussionen—
Karl-Philipp KortmannUniversität HannoverTalkTransferlernen und Domänenadaption von KI-Modellen—
Lars Röwekampopen knowledgeWorkshopMLOps mit Python und TensorFlow—
Lars Röwekampopen knowledgeTalkMaschinen ohne Gewissen: Wenn KI auf Ethik trifft—
Manuel HartenfelsWürth-IT ItalyTalkDas Kind im Algorithmus – Unsupervised Learning für die Bearbeitung von Kundenanfragen nutzen—
Marcel KurovskiinovexTalkYour Rediscover Past: Spotify-Personalisierung selbstgemacht—
Marcel TillyTH RosenheimTalkTinyML – Vom Herzfehler zum Triggerwort und das ganz ohne Internet—
Marco HuberFraunhofer IPATalkZuverlässige KI – Absicherung künstlicher neuronaler Netze—
Martin DannerscieneersTalkData Science in Production – Wärmebedarfsprognosen in der Cloud—
Martin FörtschTNGTalkFake-Debatten mit NLP – Eine ironische KI-Lösung für Online-Diskussionen—
Martin SchieleAI-UITalkKI am Tatort—
Matthias NiehoffcodecentricTalkContinuous Integration für ML-Anwendungen – ein Praxisbeispiel—
Matthias NiehoffcodecentricTalkData Mesh – Marketing, Hype oder tatsächlich der "nächste Schritt"—
Mikio Braun—TalkDer Entwicklungsprozess eines Machine-Learning-Projekts—
Mikio Braunopen knowledgeTalkWie kann man Weltwissen ins Machine Learning einbringen?—
Mirko RossasvinTalkData Poisoning: den vergifteten Apfel erkennen und Risiken für ML-Anwendungen minimieren—
Nico KreilingscieneersTalkBeyond Notebooks: Interaktive Datenverarbeitung mit Dashboards—
Oliver Zeigermannopen knowledgeTalkWie kann man Weltwissen ins Machine Learning einbringen?—
Oliver Zeigermannopen knowledgeWorkshopMLOps mit Python und TensorFlow—
Oliver Zeigermann—TalkDer Entwicklungsprozess eines Machine-Learning-Projekts—
Patrick BaierHochschule KarlsruheWorkshopEinführung in das Reinforcement Learning—
Philipp BachUniversität HamburgTalkEinführung in die Kausale Inferenz und Kausales Maschinelles Lernen—
Qi WuontoluxTalkRessourceneinsparung bei KI-Modellen mittels Knowledge Destillation—
Simeon MendgenNovatecSponsored talkWie man ein Gewächshaus mit ML überwachen kann—
Stefano SignorielloinfoteamSponsored talkReinforcement Learning oder: Warum mich mein Arbeitgeber fürs Spielen bezahlt!—
Steffen MünzenmaierControlExpertTalkBildbasierte Betrugsprävention im Kfz-Schadenmanagement—
Thomas EndresTNGTalkFake-Debatten mit NLP – Eine ironische KI-Lösung für Online-Diskussionen—
Thomas StadelmanndeepsetTalkEvaluierung von Neural-Search- und Question-Answering-Ansätzen—
Thomas ThieleDeutsche BahnTalkExtending Mobility – Wie Reinforcement Learning mehr Kapazität in Bahnsystemen ermöglicht—
Tim Freyiunera GmbH & Co. KGTalkVorhersage von ÖPNV-Belegungen bei veränderten Verhaltensmustern—
Timo MöllerdeepsetTalkEvaluierung von Neural-Search- und Question-Answering-Ansätzen—

Sources