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

Minds Mastering Machines 2023

May 9–11, 2023 · IHK Haus der Wirtschaft, Karlsruhe, Baden-Württemberg, Germany

Conference
Minds Mastering Machines (M3) Data science & ML
Dates
May 9, 2023 – May 11, 2023
Venue
IHK Haus der Wirtschaft
Place
Karlsruhe, Baden-Württemberg, Germany
Format
In person
Status
Past
Attendance
—
Website
mastering-ai.eu
Recorded
3 sponsors · 47 speaker appearances
Notes
Workshop day 9 May, conference 10-11 May. Speakers: full programme as published.

Ticket prices

TicketPriceValid untilNotesSource
Combo: conference + workshop (early bird)€1,349Mar 21, 2023Net price, excl. 19% VAT.web.archive.org
Conference ticket (blind bird)€799—Net price, excl. 19% VAT. Available until the programme went online (approx. mid-February).web.archive.org
Conference ticket (regular)€899—Net price, excl. 19% VAT; price after the blind-bird period as stated in the shop.web.archive.org
Combo: conference + workshop (regular)€1,499—Net price, excl. 19% VAT; price after the early-bird deadline as stated in the shop.web.archive.org

Sponsors 3

Gold 3

Speakers and talks 47

SpeakerCompanyRoleTalkLinks
Anne LauscherUni HamburgKeynoteKeynote: Ethische Fragestellungen um Conversational AI — A Search for the “Truth”?—
Christian WinklerdatanizingKeynoteKeynote: Ein Sprachmodell für die Westentasche—
André BackesTECOSIMTalkSimulationsmodelle in der Fahrzeugentwicklung besser verstehen durch ML—
Barbara FuchsControlExpertTalkErkennung von Bildmanipulationen am Beispiel von Kfz-Schadenbildern—
Bernd FondermannkappavanoTalkData Products in Machine Learning—
Bertram SändigontoluxTalkMachine Learning mit domänenspezifischer Ontologie für die IT-Sicherheitsbranche—
Christoph BergemannTNGTalkDer Powerpoint Ghostwriter – Foliensätze mit KI erzeugen—
Clemens GutknechtBettercallPaulTalkLessons Learned aus einem NLP-Projekt mit der Landeshauptstadt München—
Florian Dalwigk—TalkKI trifft Cybersecurity! Rettung oder Untergang?—
Gerhard RunzeimbusTalkQualitätssicherung in KI-basierten System – damit KI-Projekte nicht scheitern—
Hauke BrammerDeepUp GmbHTalkMLOps mit Argo Workflows und Kubernetes—
Herbert WoisetschlägerTU MünchenTalkFöderiertes Lernen: Eine Reise von der Theorie bis zur Umsetzung—
Jonas MayerTNGTalkDer Powerpoint Ghostwriter – Foliensätze mit KI erzeugen—
Joshua RansiekFZI Research Center for Information TechnologyTalkAdversarial Reinforcement Learning für sicherheitskritische Szenarien—
Lars Röwekampopen knowledgeTalkDie „5 goldenen Regeln“ zur Vermeidung von Bias—
Lea PettersinovexTalkWhat Could Possibly Go Wrong: ein (unvollständiger) Leitfaden zum Umgang mit Verzerrungen in Datenprodukten—
Leon LukasStadt MünchenTalkLessons Learned aus einem NLP-Projekt mit der Landeshauptstadt München—
Leon Marius SchröderHdM StuttgartTalkLessons Learned aus einem NLP-Projekt mit der Landeshauptstadt München—
Leonard PüttmannKern AISponsored talkNatural Language Processing im Zeitalter von GPT – wie kann ich das meistern?—
Marcel TillyTH RosenheimTalkML von Anfang an – eine Landkarte im ML-Dschungel!—
Mark HastenteufelHochschule MannheimTalkDer Artificial Intelligence Act – Erfahrung aus anderen Bereichen—
Martin DannerscieneersTalkModellkomprimierung mit Open-Source-Bibliotheken: Optimierung neuronaler Netze in Kundenprojekten—
Martin DannerscieneersTalkTransformer Meets Time-Series: Temporal Fusion Transformer im Einsatz—
Matthias NiehoffcodecentricTalkKomplexität reduzieren - Machine Learning einfacher & schlichter—
Melanie B. SiglProdatoTalkMLOps made easy: Probleme erkennen und endlich produktiv gehen—
Mikio BraunFreelanceTalkArtificial General Intelligence – die fehlenden 3%—
Mirko RossasvinTalkHintertüren in KI-Systemen—
Nico KreilingscieneersTalkEine Einführung in Polars von einem Pandas-Fan—
Nils RöttgerimbusTalkQualitätssicherung in KI-basierten System – damit KI-Projekte nicht scheitern—
Oliver Zeigermannopen knowledgeTalkResilientes Machine Learning—
Oliver Zeigermannopen knowledgeWorkshopMLOps – wie bringt man ein ML-Modell in Produktion und hält es dort?—
Oliver Zeigermannopen knowledgeTalkArtificial General Intelligence – die fehlenden 3%—
Pavol BauerT-SystemsSponsored talkBetrieb einer Kubeflow-basierten Plattform für Enterprise-Data-Science-Teams—
Raphael SkuzainovexTalkData Orchestration: Worauf es in Zukunft ankommt—
René SchwermerTU MünchenTalkFöderiertes Lernen: Eine Reise von der Theorie bis zur Umsetzung—
Sascha DittmannGoogleTalkDevOps für Maschinelles Lernen mit Kubeflow—
Sebastian BlankinovexTalkConversational AI – Dead or Alive?—
Sebastian SchoenenControlExpertTalkErkennung von Bildmanipulationen am Beispiel von Kfz-Schadenbildern—
Siegfried EckstedtAikuTalkYou build it, you run it! Gängige Herausforderungen und Lehren aus der CI/CD-Praxis für ML-Anwendungen—
Stefano SignorielloinfoteamTalkSpieglein an der Wand, welches ist das beste Modell im ganzen Land?—
Thomas EndresTNGTalkDer Powerpoint Ghostwriter – Foliensätze mit KI erzeugen—
Thomas StadelmanndeepsetTalkLarge Language Models auf eigenen Daten: Herausforderungen und Lösungen—
Tim Freyiunera GmbH & Co. KGTalkActive-Active Architekturen zum kontinuierlichen Training von KIs—
Tobias Kurzydymopen knowledgeWorkshopMLOps – wie bringt man ein ML-Modell in Produktion und hält es dort?—
Valentin KuhnAccsoSponsored talkVom monolithischen ML-PoC zur flexiblen Architektur—
Xenija NeufeldAccsoSponsored talkVom monolithischen ML-PoC zur flexiblen Architektur—
Yannick Habeckeropen knowledgeWorkshopMLOps – wie bringt man ein ML-Modell in Produktion und hält es dort?—

Sources