Εφαρμογές Τεχνητής Νοημοσύνης σε Οργανισμούς και Επιχειρήσεις

Σικλαρλής Θέμης

Ο Θέμης Σικλαρλής είναι Πιστοποιημένος Εισηγητής από την Oracle, την Microsoft, την IBM και την PeopleCert. Έχει περισσότερα από 25 χρόνια Πρακτικής εμπειρίας στον χώρο της Πληροφορικής, της Πιστοποιημένης Εκπαίδευσης και της Διαχείρισης Έργων. Έχει διατελέσει Διευθυντής σε Μεγάλες Εταιρείες του ευρύτερου τομέα της Πληροφορικής και έχει συμμετάσχει σε Μεγάλης Κλίμακας Έργα τόσο στην Ελλάδα, όσο και στο Εξωτερικό. Είναι κάτοχος Διδακτορικού από το LSE και εκτός των άλλων Πτυχίων, Μεταπτυχιακών και Πιστοποιήσεων, κατέχει το Oracle Certified Master.

Εισαγωγή στο πρόγραμμα
Οι σύγχρονες τεχνολογικές εξελίξεις και η ραγδαία ανάπτυξη της τεχνητής νοημοσύνης φέρνουν συνεχώς νέες προκλήσεις και ευκαιρίες. Η τεχνητή νοημοσύνη επηρεάζει πολλούς τομείς της καθημερινής μας ζωής και η κατανόηση των βασικών αρχών της είναι απαραίτητη για την αποτελεσματική χρήση της.

Ο σκοπός του προγράμματος είναι να ενημερώσει και να εκπαιδεύσει τους συμμετέχοντες σχετικά με τα εξής θέματα:

1.Θεωρητική Εισαγωγή στην Τεχνητή Νοημοσύνη

1.1 Εννοιολογικοί Προσδιορισμοί και Ιστορική Εξέλιξη

1.1.1Κατανόηση του Ορισμού και της Έννοιας της Τεχνητής Νοημοσύνης

• Τι είναι Τεχνητή Νοημοσύνη
• Παραδείγματα πρώιμης ΤΝ
• Ορόσημα (Turing Test, Deep Blue, AlphaGo κλπ)

1.2. Βασικές Έννοιες και Τεχνολογίες

1.2.1Κατανόηση των Βασικών Εννοιών της Μηχανικής Μάθησης

• Τι είναι Machine Learning (Μηχανική Μάθηση)
• Διαφορές με τη Συμβατική Προγραμματιστική Λογική

1.2.2. Αναγνώριση των Διαφορετικών Κατηγοριών Μηχανικής Μάθησης

• Επιβλεπόμενη Μάθηση (Supervised Learning)
• Μη-Επιβλεπόμενη Μάθηση (Unsupervised Learning)
• Ενισχυτική Μάθηση (Reinforcement Learning)

1.2.3. Κατανόηση της Σημασίας της Ποιότητας Δεδομένων

• “Garbage In, Garbage Out” – η σημασία καθαρών, Ποιοτικών Δεδομένων
• Προβλήματα Bias στα Datasets

1.2.4. Γνώση των Βασικών Αρχών Επεξεργασίας Φυσικής Γλώσσας (NLP)

• Πώς τα συστήματα καταλαβαίνουν κείμενο και φωνή
• Εφαρμογές όπως Chatbots, ΜΕΤΑΦΡΑΣΕΙΣ, Sentiment Analysis

1.2.5. Κατανόηση των Εφαρμογών Όρασης Υπολογιστή (Computer Vision)

• Ανάλυση και αναγνώριση εικόνων και βίντεο
• Χρήσεις σε ασφάλεια, βιομηχανία, ιατρική

1.2.6. Αναγνώριση των Βασικών Εννοιών Γενικής Τεχνητής Νοημοσύνης (AGI)

• Τι είναι η Γενική Τεχνητή Νοημοσύνη
• Διαφορές από τη Στενή (Narrow) Τεχνητή Νοημοσύνη
• Συγκριτικός Πίνακας Narrow, General, Super AI

1.3 Επιμέρους Τεχνολογίες Τεχνητής Νοημοσύνης

• Φυσική Γλώσσα (NLP): Chatbots, Voice Assistants, LLMs
• Όραση Υπολογιστή: Αναγνώριση Αντικειμένων, Πρόσωπα, Κείμενα
• Συστήματα Σύστασης (Recommendation Systems)

1.4 Αλγόριθμοι Μηχανικής Μάθησης

• Αλγόριθμοι Μηχανικής Μάθησης
• Τι είναι Αλγόριθμος Ταξινόμησης (Classification)
• Κύριοι Αλγόριθμοι Ταξινόμησης (π.χ. Decision Trees, k-NN, SVM)
• Πώς χρησιμοποιούνται στην Πράξη (π.χ. Ταξινόμηση Πελατών)
• Εφαρμογές Τεχνητής Νοημοσύνης σε Επιχειρήσεις και Οργανισμούς

2.1 Χρήση Τεχνητής Νοημοσύνης στο Risk Management, και Human Resource

2.1.1 Αναγνώριση των Εφαρμογών ΤΝ στη Λήψη Αποφάσεων

• Ορισμός “Απόφαση με Τεχνητή Νοημοσύνη”
• Πώς υποστηρίζει η Τεχνητή Νοημοσύνη τις Στρατηγικές Αποφάσεις
• Παραδείγματα: Credit Scoring, HR Hiring, Marketing Automation

2.1.2 Η Τεχνητή Νοημοσύνη στη Διαχείριση Κινδύνου και την Εφοδιαστική Αλυσίδα

• Predictive Analytics στη Διαχείριση Ρίσκου
• Παρακολούθηση εφοδιαστικής αλυσίδας με Τεχνητή Νοημοσύνη
• Παραδείγματα: Προβλέψεις αποθεμάτων, Προειδοποιήσεις Διακοπών

2.1.3 Ανάλυση Περιπτωσιολογικών Μελετών Επιχειρηματικών Εφαρμογών

• Χρήση Τεχνητή Νοημοσύνη σε Τράπεζες για Αξιολόγηση Ρίσκου
• Χρήση Τεχνητή Νοημοσύνη σε Logistics (Amazon, Maersk)

2.2 Χρήση της Τεχνητής Νοημοσύνης στην Ανάλυση Δεδομένων, Πρόβλεψη και Αυτοματοποίηση Επιχειρησιακών Διαδικασιών

2.2.1 Ανάλυση Δεδομένων με χρήση Τεχνητή Νοημοσύνη

• Τι σημαίνει “Data-Driven Decision-Making”
• Τεχνητή Νοημοσύνη για Data Cleaning και Visualization

2.2.2 Πρόβλεψη τάσεων και αναγκών μέσω Τεχνητή Νοημοσύνη

• Predictive Modeling: Τι Είναι και Πώς χρησιμοποιείται
• Παραδείγματα: Πρόβλεψη Πωλήσεων, Πρόβλεψη Αναγκών Πελατών

2.2.3 Αυτοματοποίηση Επιχειρησιακών Διαδικασιών μέσω RPA και Τεχνητή Νοημοσύνη

• Ορισμός RPA (Robotic Process Automation)
• Συνδυασμός RPA με Machine Learning
• Παραδείγματα: Αυτόματα Invoice Processing, HR Onboarding

2.3 Προγνωστικά Analytics, Ρομποτική Αυτοματοποίηση (RPA) και Ψηφιακοί Βοηθοί

2.3.1 Προγνωστικά Analytics και Τεχνητή Νοημοσύνη

• Τι είναι τα Προγνωστικά Analytics
• Παραδείγματα: HealthTech, FinTech, Marketing Forecasting

2.3.2 Ρομποτική Αυτοματοποίηση Διαδικασιών (RPA) και Τεχνητή Νοημοσύνη

• Πού χρησιμοποιείται
• Πλεονεκτήματα και μειονεκτήματα

2.3.3. Ψηφιακοί Βοηθοί και Εικονικοί Σύμβουλοι

• Τι είναι: Chatbots, Virtual Assistants (ChatGPT, Alexa, Google Assistant)
• Πώς υποστηρίζουν επιχειρήσεις σε Customer Support, Internal Help Desks, HR

Η TÜV Austria Hellas παρουσιάζει το εκπαιδευτικό πρόγραμμα «Εφαρμογές Τεχνητής Νοημοσύνης σε Οργανισμούς και Επιχειρήσεις»

ΠΙΣΤΟΠΟΙΗΣΗ
Μετά την ολοκλήρωση του εκπαιδευτικού προγράμματος δίνεται η δυνατότητα συμμετοχής σε εξετάσεις πιστοποίησης για την απόκτηση του πιστοποιητικού «Εφαρμογές Τεχνητής Νοημοσύνης σε Οργανισμούς και Επιχειρήσεις» που χορηγείται από την ACTA – Τεχνοβλαστός Α.Π.Θ.  Το πιστοποιητικό είναι διαπιστευμένο από το ΕΣΥΔ με βάση το Διεθνές Πρότυπο ISO 17024 και διεθνώς αναγνωρισμένο.

Η κατοχή του εν λόγω πιστοποιητικού επιβεβαιώνει τις βασικές γνώσεις στις διάφορες εφαρμογές της Τεχνητής Νοημοσύνης στους οργανισμούς και τις επιχειρήσεις.