No full-text available
To read the full-text of this research,
you can request a copy directly from the authors.
Künstliche Intelligenz zwischen Utopie und Realität: Aktuelle und zukünftige Entwicklungen von KI am Beispiel von Human-Machine-Interaction, Blockchain, Green Tech und Mobilität
Abstract
Der vorliegende Beitrag wagt auf der Basis vergangener und aktueller Entwicklungen von Künstlicher Intelligenz (KI) einen Ausblick auf zukünftige Leistungen von KI in spezifischen Gebieten. Es wird argumentiert, dass KI ein eigenständiger Megatrend mit zahlreichen Auswirkungen auf die Gesellschaft und v. a. auch auf die Wirtschaft in unterschiedlichen Bereichen und Ebenen mit zahlreichen Anknüpfungspunkten diverser Geschäftsbereiche und -modelle ist. Es wird gezeigt, dass die wesentliche Stärke von KI einerseits die exakte Analyse und das zur Erreichung von vordefinierten Zielen optimale Inbeziehungsetzen spezifischer Parameter ist. Andererseits vermag KI bestimmte Prognosen zu fundieren. Aus diesem Grund wird der Chatbot ChatGPT des Entwicklers OpenAI zur Zukunft von KI befragt – eine KI trifft also Vorhersagen über KI. Dieser vielversprechende Ansatz wird dennoch kritisch reflektiert und der Beitrag mit einer Beleuchtung von starker und schwacher KI im Unternehmenskontext sowie einer prüfenden Deskription der bevorstehenden KI-Evolution abgeschlossen.
ResearchGate has not been able to resolve any citations for this publication.
Forscher*innen gehen davon aus, dass der zunehmende Einsatz von künstlicher Intelligenz (KI) weitreichende Auswirkungen auf Arbeit, Organisation und Gesellschaft haben wird. In diesem Kapitel untersuchen wir, welche Anzeichen wir hierzu schon jetzt beim Einsatz von KI feststellen können. Zu diesem Zweck haben wir Interviews mit Beschäftigten aus 19 unterschiedlichen Organisationen geführt, die KI entweder in der Anwendung selbst nutzen oder KI-basierte Lösungen anbieten. Unsere Auswertung der Interviews ergibt, dass der Einsatz von KI vier unterschiedliche Typen von Auswirkungen auf Arbeit haben kann, die wir als Ersatz, Entlastung, Einschränkung sowie als Entstehung neuer, maschinell ausgeführter Arbeit bezeichnen. Wir veranschaulichen jede Kategorie anhand eines konkreten Anwendungsfalls und erläutern die Implikationen unserer Erkenntnisse für menschliche Arbeit, Organisationen und Gesellschaft.
Die thermische Verwertung von Abfällen in Abfallverbrennungskraftwerke gestaltet sich als komplexe Aufgabe, da das vorrangige Ziel die Abfallbehandlung vor dem Ziel der Energiegewinnung steht. Insbesondere die Heterogenität des aus verschiedenen Abfällen bestehenden Brennstoffes stellt vielseitige Anforderungen an den Betrieb. Zur Optimierung der Betriebsführung von Dampferzeugern in Abfallverbrennungskraftwerken auf Basis der Maximierung des Durchsatzes, der Optimierung der Strom-und Wärmeproduktion sowie der Maximierung der Standzeit der Kraftwerkskomponenten unter Berücksichtigung der Emissionsgrenzwerte werden die im Kraftwerk erhobenen Messdaten eingesetzt sowie Bilddaten erhoben. Diese werden aufbereitet und vortrainierten neuronalen Netzen zugeführt, mit dem Ziel verschiedene Materialien zu klassifizieren, um Informationen über die Abfallzusammensetzung und dem Heizwert zu erhalten.
Intelligent vehicle technology has made tremendous progress due to Artificial Intelligence (AI) techniques. Accurate behavior prediction of surrounding traffic actors is essential for the safe and secure navigation of the intelligent vehicle. Minor misbehavior of these vehicles on the busy roads may lead to an accident. Due to this, there is a need for vehicle behavior research work in today’s era. This research article reviews traffic actors’ behavior prediction techniques for intelligent vehicles to perceive, infer, and anticipate other vehicles’ intentions and future actions. It identifies the key strategies and methods for AI, emerging trends, datasets, and ongoing research issues in these fields. As per the authors’ knowledge, this is the first systematic literature review dedicated to the vehicle behavior study examining existing academic literature published by peer review venues between 2011 and 2021. A systematic review was undertaken to examine these papers, and five primary research questions have been addressed. The findings show that using sophisticated input representation that includes traffic rules and road geometry, artificial intelligence-based solutions applied to behavior prediction of traffic actors for intelligent vehicles have shown promising success, particularly in complex driving scenarios. Finally, the paper summarizes the most widely used approaches in behavior prediction of traffic actors for intelligent vehicles, which the authors believe serves as a foundation for future research in behavior prediction of surrounding traffic actors for secure and accurate intelligent vehicle navigation.
Zusammenfassung
In jüngster Zeit findet innerhalb der politiktheoretischen Forschung eine vermehrte Auseinandersetzung mit algorithmenbasierten Systemen statt. Diese ist geprägt von der Behauptung einer neuen algorithmischen Regierungsweise, die aufgrund ihrer reduktionistisch-formalen Logik sowohl plurale Sinnzusammenhänge untergräbt als auch die individuelle Entfaltung reflexiver Urteilsbildung unterminiert. Entgegen dieser Annahmen argumentiert der vorliegende Beitrag, dass der Einsatz dieser digitalen Technologien im politischen Kontext nicht zwangsläufig in eine post-politische Verfasstheit von Gesellschaft münden muss. Algorithmische Systeme lassen sich als spezifische epistemische Verfahren verstehen, deren operativer Gebrauch symbolischer Inputs zwar einer schließenden, ontologisierenden Logik folgt und für sich genommen kontingenzreduzierende und latent anti-politische Wirkungen zeitigt. Demokratische Gesellschaften zeichnen sich aber hinsichtlich ihrer kontingenztheoretischen Verfahren gerade dadurch aus, dass ihre befragende Logik eine Inkorporation solcher Ontologisierungen ermöglicht. Es geht dann vielmehr darum, die Bedingungen ihrer Politisierung in den Blick zu nehmen.
Die Digitalisierung birgt drastische Veränderungspotenziale für die Entwicklung von Leistungsangeboten und der dazugehörigen Geschäftsmodelle in sich. Vor allem maschinelles Lernen und künstliche Intelligenz verändern die Anforderungen an Kompetenzen, Partner oder Ressourcen und machen es erforderlich, die Weiterentwicklung von Produkten und Dienstleistungen hin zu intelligenten Leistungsangeboten neu zu denken. Der vorliegende Beitrag zeichnet ein umfassendes Bild der Zusammenhänge und Erfordernisse von Soft Skills über die technische Umsetzung bis hin zu Erlösmodellen.
Manual traffic surveillance can be a daunting task as Traffic Management Centers operate a myriad of cameras installed over a network. Injecting some level of automation could help lighten the workload of human operators performing manual surveillance and facilitate making proactive decisions which would reduce the impact of incidents and recurring congestion on roadways. This article presents a novel approach to automatically monitor real time traffic footage using deep convolutional neural networks and a stand-alone graphical user interface. The authors describe the results of research received in the process of developing models that serve as an integrated framework for an artificial intelligence enabled traffic monitoring system. The proposed system deploys several state-of-the-art deep learning algorithms to automate different traffic monitoring needs. Taking advantage of a large database of annotated video surveillance data, deep learning-based models are trained to detect queues, track stationary vehicles, and tabulate vehicle counts. A pixel-level segmentation approach is applied to detect traffic queues and predict severity. Real-time object detection algorithms coupled with different tracking systems are deployed to automatically detect stranded vehicles as well as perform vehicular counts. At each stages of development, interesting experimental results are presented to demonstrate the effectiveness of the proposed system. Overall, the results demonstrate that the proposed framework performs satisfactorily under varied conditions without being immensely impacted by environmental hazards such as blurry camera views, low illumination, rain, or snow.
Soziale Roboter, die primär konzipiert sind, um mit menschlichen Akteuren zu interagieren, müssen sich an die Bedarfe und Anforderungen dieser menschlichen Akteure anpassen können. Für den Einsatz in der Pflege bedeutet dies, dass diese Assistenzroboter durch Pflegekräfte individuell an Bedarfe von Pflegebedürftigen adaptiert werden können und diese Roboter in der Lage sein müssen, aus der Interaktion mit Pflegebedürftigen, wie auch mit Pflegekräften zu lernen. Unter Verwendung eines partizipativen Designansatzes entwickeln und detaillieren wir Einsatzszenarien und diskutieren deren Möglichkeiten und Grenzen mit den wesentlichen Stakeholdern. Aus den so charakterisierten Einsatzszenarien leiten wir die Anforderungen an KI-Elemente ab und können so jeweils einen Minimalkatalog erforderlicher Fähigkeiten des robotischen Systems bestimmen. Auf diese Weise können einerseits die Hürden bzgl. eines Einsatzes robotischer Systeme gesenkt und andererseits die zugedachte Rolle des Roboters als Assistenzsystem für Pflegekräfte entschiedener manifestiert werden.
Ausgehend vom Wissenschaftsfeld der Zukunftsforschung werden Voraussetzungen und Rahmenbedingungen eruiert, damit Ausblicke in die Zukunft für Unternehmer belastbare Prognosen darstellen. Dies ist notwendig, um Erfahrungen der Vergangenheit mit Handlungen der Gegenwart zu synchronisieren und auf die zukünftige Wettbewerbsfähigkeit des Unternehmens auszurichten. Ein wesentliches Konzept bilden hierbei neben dem Geschäftsmodell die sog. Megatrends. Vorgestellt und zueinander in Beziehung gesetzt werden die Typologien des Zukunftsinstituts (2021) sowie von Grömling und Haß (2009). Anschließend wird der Megatrend ‚Technologischer Fortschritt‘ fokussiert und es werden vor diesem Hintergrund drei Thesen im Hinblick auf die Geschäftsmodellentwicklung formuliert. Abschließend werden die Kapitel des vorliegenden Bandes kurz vorgestellt und in die Landschaft der Megatrends eingeordnet.
Traffic accident anticipation is a vital function of Automated Driving Systems (ADS) in providing a safety-guaranteed driving experience. An accident anticipation model aims to predict accidents promptly and accurately before they occur. Existing Artificial Intelligence (AI) models of accident anticipation lack a human-interpretable explanation of their decision making. Although these models perform well, they remain a black-box to the ADS users who find it to difficult to trust them. To this end, this paper presents a gated recurrent unit (GRU) network that learns spatio-temporal relational features for the early anticipation of traffic accidents from dashcam video data. A post-hoc attention mechanism named Grad-CAM (Gradient-weighted Class Activation Map) is integrated into the network to generate saliency maps as the visual explanation of the accident anticipation decision. An eye tracker captures human eye fixation points for generating human attention maps. The explainability of network-generated saliency maps is evaluated in comparison to human attention maps. Qualitative and quantitative results on a public crash data set confirm that the proposed explainable network can anticipate an accident on average 4.57 s before it occurs, with 94.02% average precision. Various post-hoc attention-based XAI methods are then evaluated and compared. This confirms that the Grad-CAM chosen by this study can generate high-quality, human-interpretable saliency maps (with 1.23 Normalized Scanpath Saliency) for explaining the crash anticipation decision. Importantly, results confirm that the proposed AI model, with a human-inspired design, can outperform humans in accident anticipation.
„Der Himmel ist frei“ und „über den Wolken, muss die Freiheit wohl grenzenlos sein.“ Diese romantisch verklärte Sicht auf die Fliegerei entstammt den 70er-Jahren und hat nur noch wenig gemein mit der heutigen Luftfahrt. Harter Wettbewerb und damit einhergehender Kostendruck hat aus einer elitären Branche ein auf Effizienz getrimmtes Dienstleistungssegment mit weitgehend kommodisierten Produkten gemacht.
Der nachfolgende Beitrag setzt sich mit dem Einfluss von Künstlicher Intelligenz (KI) auf das Wesen einer Prüforganisation, hier konkret TÜV Rheinland, im Bereich Mobilität auseinander. TÜV Rheinland sieht in Künstlicher Intelligenz enormes Potenzial für die Tätigkeiten seiner Geschäftsbereiche. Im Bereich Mobilität betrifft dies insbesondere folgende Kerngeschäfte: Periodische Hauptuntersuchung von Kraftfahrzeugen, die neutrale Fahrzeug-Begutachtung im Schadenfall sowie die Erstzulassung von Neufahrzeugen. KI revolutioniert dabei nicht nur Prüf- und Begutachtungsprozesse, die mit Hilfe von Machine Learning Technologien beispielsweise in der Analyse von Schadenbildern effektiver strukturiert werden können. KI kann auch Teil des Prüfgegenstands – des Fahrzeugs – an sich werden. Wenn KI zur Steuerung hoch automatisierter Fahrzeuge eingesetzt wird, muss sie den Nachweis funktionaler Sicherheit erbringen. Wie die Prüfung von KI funktionieren kann und wie KI neue Lösungen in der Schadenbegutachtung ermöglicht, zeigt dieser Beitrag anhand entsprechender Fallbeispiele.
Kosten sind die wichtigste Wettbewerbsgröße auf dem Energiemarkt, da sie Investitions- und Kaufentscheidungen steuern. Digitale Lösungen im Bereich Windenergie können zu wesentlichen Kosteneinsparungen und Effizienzsteigerungen führen und somit die Energiewende beschleunigen. Angebote im Bereich predictive maintenance (dt. vorausschauende Wartung) ermöglichen zuverlässige Vorhersagen über die Lebensdauer und das Ausfallverhalten von Windturbinenkomponenten wie zum Beispiel von Getrieben. Somit können Betriebs- und Ersatzteillagerkosten reduziert, Wartungsintervalle optimiert und die Lebensdauer von gesamten Anlagen verlängert werden. Die Konzipierung, Entwicklung und Industrialisierung solcher digitalen Produkte, in deren Mittelpunkt meist Datenanalytik oder maschinelles Lernen stehen, ist eine Herausforderung für die Windindustrie. Dieser Beitrag beschreibt, warum Schlüsselfaktoren wie eine digitale Infrastruktur und eine agile Mentalität notwendig sind und zeigt am Beispiel von ZF Wind Power auf, wie Herausforderungen auf diesem Weg bewältigt werden können.
Dieser Artikel zeigt häufige Probleme in der Entwicklung von KI-Systemen (künstliche Intelligenz) auf, wie beispielsweise grundsätzliche Missverständnisse zwischen Anwenderseite und KI-Entwicklungsseite. Diese entstehen durch Defizite an interdisziplinärer Kollaboration sowie Kommunikation und können langfristig zu unerwünschten Folgen für Beschäftigte oder die Gesellschaft als Ganzes führen. Als Strategie zur Vermeidung dieser und anderer Missverständnisse und der Umsetzung von KI im Sinne eines verantwortungsvollen Innovationsprozess wird ein Prozessmodell vorgeschlagen, welches als Praxisleitfaden für den Einsatz von KI in der Arbeitswelt dienen kann.
Eine Vielzahl unterschiedlicher Anwendungen von Künstlicher Intelligenz (KI) in Form komplexer Algorithmen und Datenanalytik wird von den meisten von uns täglich genutzt. Trotz zahlreicher Erfolgsbeispiele scheitern jedoch viele KI-Initiativen oder die Firmen erreichen zumindest nicht ihre selbst gesetzten Ziele bei der Umsetzung. Der vorliegende einleitende Beitrag des Buchs verdeutlicht die Relevanz von KI für Firmen aus allen Branchen. Unter Rückgriff auf den Intelligence-Based View, d. h. eine intelligenzbasierte Perspektive des Unternehmenserfolgs, wird der ‚Integrated Intelligence‘ Ansatz erläutert und aufgezeigt, wie Firmen durch die gezielte Kombination von menschlicher und künstlicher Intelligenz neue Kernkompetenzen aufbauen und aufrechterhalten können. Anhand einer Unterscheidung von Erfolgsfaktoren bei den Voraussetzungen, der Skalierung sowie der eigentlichen Anwendung von KI-Lösungen werden die weiteren Beiträge in diesem Buch sowie die sich daraus ergebende Gesamtperspektive auf eine integrierte Intelligenzarchitektur in Unternehmen erläutert. Den Abschluss bildet ein kurzer zusammenfassender Ausblick.
Künstliche Intelligenz (KI) verbreitet sich rasant und durchdringt nahezu alle Bereiche unseres Lebens – ob in Form von Chatbots, Newsfeeds, Sprachassistenten oder selbstfahrenden Autos. Auch in der wirtschaftlichen Arbeitswelt findet KI immer mehr Anwendungsfelder. Neben der Ausnutzung der Vorteile von KI-Technologie zur Verbesserung der Geschäftsleistung sollten sich Unternehmen in Zukunft auch intensiv mit den damit verbundenen Risiken auseinandersetzen. Vor dem Hintergrund der Anwendung von KI bei der Deutschen Telekom erläutern die Autoren in diesem Beitrag, warum Vertrauen in KI so wichtig ist und welche Ansätze für Unternehmen in Zukunft entscheidend sein werden, um Risiken zu minimieren und KI vertrauenswürdig einzusetzen.
Der nachfolgende Beitrag setzt sich mit der Herausforderung auseinander, Künstliche Intelligenz durch Berücksichtigung des Dateneffizienzaspekts, nachhaltig erfolgreich umzusetzen. Die Rückbesinnung auf das Wesentliche und die Umsetzung von Basisanforderungen wie die der Digitalisierung sind entscheidend für den Prozess eines Unternehmens, Datenstrategien zu entwickeln und darauf aufbauend Künstliche Intelligenz voranzutreiben. Innerhalb eines Kriterienkatalogs werden die relevanten Aspekte, welche bei der Überlegung für die Umsetzung von Künstlicher Intelligenz entscheidend sind, erläutert. Anhand von Praxisbeispielen wird die Bedeutsamkeit von Dateneffizienz als Grundlage für Künstliche Intelligenz betont. In einer Wechselwirkung stehen Dateneffizienz und Künstliche Intelligenz zueinander, Dateneffizienz trägt zur Realisierung von Künstlicher Intelligenz in der Praxis bei und Künstliche Intelligenz fördert die genauere Analyse und Entwicklung der Dateneffizienz.
KI in der Luftfahrt wird heute schon in ganz unterschiedlichen Bereichen eingesetzt und bietet auch zukünftig vielfache Anwendungsmöglichkeiten. So transformiert KI das gesamte Luftfahrtgeschäft und damit auch die Arbeitswelten des Luftfahrtpersonals.
Menschliche Emotionen spielen in allen Bereichen des Lebens eine zentrale Rolle. Auch deshalb haben Emotionen und deren Messung schon lange das Interesse verschiedener Forscher geweckt. In unserem Beitrag bauen wir auf bestehenden Emotionstheorien auf und erläutern das Konzept der emotionalen künstlichen Intelligenz, auch bekannt als Emotion AI. Der Fokus dieses Beitrags liegt insbesondere auf dem Vergleich traditioneller und moderner, KI-basierter Methoden zur Emotionserkennung. Anhand eines Experiments im Onlineshopping werden dafür eine klassische Selbstauskunftsmethode mit der automatisierten und KI-basierten Emotionserkennungssoftware TAWNY verglichen, die gleichermaßen zur Messung des Nutzererlebnisses eingesetzt werden. Außerdem zeigen wir auf, wie sich, insbesondere in der Markt- und Konsumentenforschung, zahlreiche Einsatzmöglichkeiten für die Emotion AI Technologie ergeben.
Aufgaben der Intralogistik werden traditionell mit Hilfe von Algorithmen optimiert. Im Gegensatz zu Verfahren des Operations Research kann KI starre Zielfunktionen überwinden und flexibel auf eintretende Ereignisse reagieren. Die Verfügbarkeit von Echtzeitdaten und deren Auswertung ermöglicht darüber hinaus die Vorhersage von Ereignissen auf Basis von Mustererkennung und damit verbunden eine größere Kundenorientierung. Zudem wird in 2030 die Simulation im digitalen Zwilling in Echtzeit zum Normalfall und die Intralogistik wird mit übergreifenden Logistikketten verschmelzen. Des Weiteren wird durch den Einsatz von Drohnen der Lösungsraum für Wegstrecken dreidimensional, was zu bisher nicht möglichen Effizienzsteigerungen führen wird. Dennoch bleibt der Mensch der Schlüsselfaktor in der Logistik. Wearables und Exoskelette ermöglichen die freie Zusammenarbeit mit Corobots auf engem Raum, der Mensch wird integraler Bestandteil eines vernetzten Logistiksystems.
KI kann die zukünftige Arbeitswelt positiv verbessern indem sie den menschlichen Arbeitenden repetitive Aufgaben abnimmt und neue Zusammenhänge aufzeigt. Das wird möglich durch intelligente Algorithmen, schnelles Rechnen und große Speichermöglichkeiten. Anhand von drei Beispielen aus dem Bereich Mobilität wollen wir aufzeigen, wie durch KI mehr Kreativität und ganzheitliche Entscheidungen ermöglicht und höhere Zuverlässigkeit erreicht werden kann.
Künstliche Intelligenz ist eines der großen Gegenwarts- und Zukunftsthemen unserer Zeit. Die Technologie hat bereits Einzug in unsere Gesellschaft gehalten und wird diese noch weiter verändern. Weltweit werden derzeit Mittel bereitgestellt und Wege eröffnet, um Künstliche Intelligenz und ihre Potenziale zu erforschen. Welche Chancen bietet KI? Welche Risiken sind damit verbunden?
Dieser Band wirft einen umfassenden Blick auf das Phänomen. Wissenschaftler:innen aus unterschiedlichen Disziplinen befassen sich u. a. mit dem Einfluss von Künstlicher Intelligenz auf Diskriminierung und Rassismus, Wissenschaft und Werbung. Dabei stehen medien-, gesellschafts- und kulturwissenschaftliche, narratologische, wissenschaftstheoretische sowie wirtschaftswissenschaftliche Perspektiven auf KI im Vordergrund.
Mit Beiträgen von Nicole Brandstetter, Josephine D'Ippolito, Ralph-Miklas Dobler, Philip Hauser, Martin Hennig, Daniel Jan Ittstein, Gudrun Schiedermeier, Jens Schröter und Alicia Sommerfeld.
Es wird dringend Zeit, die künstliche Intelligenz (KI) zu entmystifizieren. Anders lässt sich keine zielführende Diskussion über eine sogenannte KI-Ethik führen, denn: KI-Ethik unterliegt den gleichen Herausforderungen wie jede anderen Technologieethik auch. Die ethische Dimension ist stark abhängig vom Anwendungsfall. Der KI kommt jedoch insofern eine besondere Bedeutung zu, als dass diese Technologie kognitive Prozesse substituieren und dabei schnell skalieren kann, sodass deren Anwendung potenziell sehr viele Menschen unmittelbar betrifft und dabei ihr Leben positiv oder negativ beeinflusst. Hierbei gilt es, Verantwortlichkeiten zu definieren und ethische Entscheidungen transparent abzuwägen. Je nach Industrie sind diese Prozesse zum Teil bereits reguliert. Insofern erscheint eine spezifischere Ethikdiskussion sinnvoller, anstatt sie über KI im Allgemeinen zu führen. KI-Ethik ist kein Privileg der Softwareentwicklung, sondern betrifft alle Stakeholder einer bestimmten KI-Anwendung. Ein fundiertes Fach- und Erfahrungswissen der beteiligten Akteure ist hierfür unerlässlich.
Nachhaltigkeit und somit auch die gesellschaftliche Verantwortung von Unternehmen, CSR, gewinnen in Gesellschaft und Wirtschaft an Wichtigkeit. Dem Mittelstand, als Innovationstreiber Deutschlands, kommt somit auch eine wichtige Rolle beim nachhaltigen Wirtschaften zu. Um der Verantwortung nachzukommen, stehen kleinen und mittleren Unternehmen (KMU) digitale Technologien als Unterstützungsmöglichkeit zur Verfügung – so auch künstliche Intelligenz (KI). Es stellt sich demzufolge die Frage, welche Potenziale für CSR durch den Einsatz von KI in KMU verbunden sind und welche Rahmenbedingungen für den KI-Einsatz im Mittelstand zu schaffen sind, damit sich das volle Potenzial entfalten kann.
Der Einsatz von künstlicher Intelligenz (KI) wird auf nahezu alle Lebensbereiche der Menschen und alle Unternehmen und Organisationen in einer mittel- bis langfristigen Perspektiven gravierende Auswirkungen haben. Für das Management stellen sich hier Herausforderungen für passende Formen der Entscheidungsfindung – wo entscheidet die KI allein, wo bietet sie eine Entscheidungsunterstützung – zu diskutieren. Die Verbindung von KI mit Robotik, Chatbots, dem Internet of Things oder der additiven Fertigung wird nahezu alle Branchen aber auch öffentliche Einrichtungen wie Behörden und Gesundheitseinrichtungen zum Teil radikal verändern. Die Entwicklung von Use Cases und der Aufbau sowie die Gestaltung von datenbasierten Ökosystemen stellen zentrale Herausforderungen im zukünftigen Wettbewerb dar.
Eine essenzielle Voraussetzung beim Einsatz von Künstliche-Intelligenz(KI)-Systemen ist deren Unvoreingenommenheit und Vorurteilsfreiheit. Dazu spielt die Datenqualität beim Paradigmenwechsel zu KI-getriebenen Programmen eine ausschlaggebende Rolle. Diese muss gewissen Mindestanforderungen entsprechen, um Trainingsdaten für die Entwicklung einer qualitativen KI heranziehen zu können. Negativbeispiele wie die Gesichtserkennung im öffentlichen Raum oder selbstlernende Systeme, die sich über die Zeit in eine ungewollte Richtung entwickeln, unterstreichen die Wichtigkeit des methodisch korrekten Trainingsprozesses von KI-Systemen, um deren Fairness und Unvoreingenommenheit sicherzustellen. Als zusätzliche Herausforderung lässt sich Fairness in Bezug auf KI-Systeme nicht allgemein definieren, sondern muss individuell für jeden Use Case definiert werden. Dabei liegt ein besonderes Augenmerk auch auf der korrekten Interpretation von Kennzahlen, um ein Fehlverhalten zu vermeiden. Lösungsansätze für unvoreingenommene KI-Systeme reichen von der grundsätzlichen Bewusstseinsschaffung über systematisches Qualitätsmanagement von Trainings- und Evaluierungsdaten bis hin zu erklärbarer KI, die auch den Menschen in den Prozess einbezieht.
Seit etwa fünfzig Jahren setzen Menschen modell- und datenbasierte Unterstützungssysteme zur Entscheidungsfindung ein – vorwiegend bei komplexen Entscheidungsproblemen. Menschen haben nicht nur beschränkte kognitive Fähigkeiten und Kapazitäten, sondern auch bewusste und unbewusste Vorurteile, die die Qualität ihrer Entscheidungen vermindern können. Der Einsatz von Entscheidungssystemen wird daher damit gerechtfertigt, dass mit ihrer Hilfe Entscheidungen nicht nur effizienter, sondern auch unparteiisch getroffen und damit mehr Fairness und Gerechtigkeit erzielt werden können.
Daten gelten als das neue Öl oder das neue Gold. Insbesondere in der Entwicklung der künstlichen Intelligenz (KI) sind Daten ein nahezu verschwenderisch eingesetzter Rohstoff. Wir zeigen, dass die immer weiter wachsende Datenflut nicht zu immer weiter wachsenden KI-Systemen führen darf, wenn wir eine nachhaltige Entwicklung anstreben. Diese Nachhaltigkeit in der Datenwirtschaft bezieht sich auf soziale, ökologische und ökonomische Aspekte gleichermaßen. Wir wollen Datenminimalismus als Weg zu einer Postwachstumsstrategie für KI in der Data Economy etablieren: Es gilt, möglichst wenige Daten so gezielt einzusetzen, dass keine Qualitätseinbußen zu erwarten sind. Um das zu erreichen, muss zunächst der Wert von Daten detailliert bestimmt werden, damit die Datengrundlagen auf ihre wirklich gewinnbringenden Teile reduziert werden können. Wie dieser Datenwert bestimmt und wie viele Daten dadurch eingespart werden könnten, zeigen wir anhand eines Experiments mit einem KI-System für Produktempfehlungen im E-Commerce.
Vor dem Hintergrund der unstrittigen Relevanz der Künstlichen Intelligenz (KI) beleuchtet der Beitrag Handlungsempfehlungen für eine erfolgreiche Implementierung der KI im deutschen Mittelstand. Hierzu werden zum einen Deutschlands KI-Strategie dargestellt und zum anderen Experteninterviews durchgeführt. Befragt wurden drei Experten aus dem Transfer sowie drei KI-Anbieter. Die umfangreichen Experteninterviews erlauben einen kundigen Einblick in beide Perspektiven, um die dargestellten Handlungsempfehlungen fundiert herzuleiten.
Künstliche Intelligenz – ein Trendthema, welches stetig an Interesse dazu gewinnt und neben vielen unterschiedlichen Branchen auch die Energiewirtschaft vor neue Herausforderungen stellt. Der vorliegende Beitrag verfolgt das Ziel, den Einsatz von KI in der Energiewirtschaft literaturbasiert aufzuarbeiten. Der Fokus liegt im Speziellen auf dem Einsatz von KI im Dienstleistungsmanagement. Zusätzlich werden deutsche Energieversorger auf den aktuellen Stand des Einsatzes von KI, am Beispiel von Chatbots, näher untersucht.
In diesem Buch haben wir viele Anwendungsbeispiele für Künstliche Intelligenz in unterschiedlichen Branchen vorgestellt. Wir haben zum Beispiel gelernt, wie auf der Basis der Künstlichen Intelligenz neue Geschäftsmodelle entwickelt werden, wie KI-Strategien aussehen oder auf welche Weise maschinelles Lernen für Anwendungen wie Predictive Maintenance eingesetzt werden kann. Die Möglichkeiten gehen aber weit darüber hinaus. KI-Algorithmen können Bilder malen, Musik komponieren, Texte schreiben und künftig in der Diagnostik fast alles, was Ärzte können. Für viele Fragestellungen ist das Potenzial der Künstlichen Intelligenz allerdings noch lange nicht ausgeschöpft.
Künstliche Intelligenz (KI) ist auf dem Weg, Gesellschaft und Wirtschaft nachhaltig zu verändern, wie das Zitat von Tim Cook, dem CEO von Apple, oben zeigt. Viele Umfragen sprechen heute dafür, dass die Verbreitung von KI-Algorithmen weiter zunehmen wird. Beispielsweise hat Forbes eine Befragung unter mehr als 300 Führungskräften durchgeführt. Demnach glauben 95 Prozent der Befragten, dass KI zukünftig eine wichtige Rolle in ihren Unternehmen spielen wird (Forbes 2018). Gemäß einer Studie des McKinsey Global Institute (MGI) können durch die KI-Analyse auch erhebliche Wachstumseffekte erzielt werden. Insgesamt sei bis 2030 ein zusätzlicher globaler Wertschöpfungsbeitrag in Höhe von 13 Billionen US-Dollar möglich (Gandorfer 2018). Das Wachstum wird voraussichtlich vor kaum einer Branche oder einem Land haltmachen. Auch in Deutschland und den einzelnen Bundesländern wird KI in den kommenden Jahren dazu beitragen, dass sich das Bruttoinlandsprodukt signifikant erhöht. Eine Veröffentlichung der PwC aus dem Jahr 2018 kommt dabei zu dem Ergebnis, dass das BIP in Deutschland, allein aufgrund der Einführung von KI in den einzelnen Branchen, von 2017 bis zum Jahr 2030 um 11,3 Prozent steigen wird. In absoluten Zahlen entspricht dies einem Plus von 430 Milliarden Euro (PwC 2018).
Künstliche Intelligenz gilt als wichtigste Basistechnologie unserer Zeit, verbunden mit einem starken Einfluss auf die Wirtschaft quer durch alle Branchen, wie ihn die Dampfmaschine oder die Elektrizität früher ausgelöst hatten. Ähnlich wie damals, stellen sich die ökonomischen Effekte aber nicht über Nacht ein. Mussten damals zunächst Maschinen gebaut oder Schienen verlegt werden, müssten für die KI heute zuerst die notwendigen Daten aufbereitet, Spezialisten ausgebildet und die KI-Modelle entwickelt werden. In alle drei Aufgaben muss zunächst investiert werden, bevor sich die Früchte in Form höherer Produktivität und neuer Geschäftsmodelle ernten lassen.
Die Logistik-Branche ist mit zahlreichen Herausforderungen konfrontiert, darunter steigenden Kundenanforderungen, sich verändernden Geschäftsfeldern und einem steigenden Einfluss neuer Technologien. Vor diesem Hintergrund gewinnt die Digitalisierung in der Branche eine zunehmende Bedeutung und Innovationen wie die Blockchain und die Künstliche Intelligenz werden im Transportwesen eingeführt. Die Blockchain stellt ein dezentrales Transaktionssystem dar, welches einen sicheren Datenaustausch ohne Vermittler ermöglicht.
Discourses advocating a focus on green technologies that promote ecological sustainability are changing the business environment significantly. Despite its contribution to transforming contemporary business practices in an ecologically sustainable manner, there is not enough information on the various types of green technologies and their applications. Therefore, it is essential to identify and classify business models that focus on green technologies, in order to promote the creation and establishment of these technologies. Although the literature on green technology business models has gained increasing attention during the past decade, the multidisciplinary research on this growing phenomenon is still nascent and fragmented. Particularly, there is no overarching green technology business model framework that integrates the existing approaches and provides an understanding of their practical implications and future research prospects. Here, we present the first study to address this gap by incorporating the three pillars – the ecological environment, technology, and entrepreneurship. This study proposes a novel typology of green technology business models by outlining twelve distinctive business model archetypes based on two relevant concepts, namely, the sustainable business model archetypes and technological entrepreneurship activities. This framework is underpinned and illustrated by a variety of relevant green technology solutions that the authors have identified through a systematic review of existing, empirically grounded literature on the subject. The authors believe that this framework would be useful for future research on policy making based on cleaner production.
Das Buch zeigt Anwendungspotenziale von Künstlicher Intelligenz in verschiedenen Branchen und stellt Einsatzszenarien vor, wie eine praktische Umsetzung erfolgen kann. Ausgangsbasis ist die Beschreibung rechtlicher Aspekte, die eine europäische Regelung für Künstliche Intelligenz umfasst und die Frage nach der Zulässigkeit automatisierter Entscheidungen zum Gegenstand hat.
Die Beschreibung verschiedener meist branchenbezogener Anwendungspotenziale und die Vorstellung einiger Einsatzszenarien bilden den Schwerpunkt des Themenbandes.
Das Buch basiert auf der Fragestellung, wie Künstliche Intelligenz in der unternehmerischen Praxis eingesetzt werden kann.
Es bietet wichtige Informationen, die für Praktiker ebenso relevant sind wie für Studierende und Lehrende.
Der Inhalt
• Künstliche Intelligenz
• rechtliche Aspekte
• Anwendungspotenziale
• Branchen
• Einsatzszenarien
Die Zielgruppen
• IT-Berater und Unternehmensberater
• Projektleiter und Projektmitarbeiter
• Studierende der Wirtschaftsinformatik, der Informatik und der BWL
• Lehrende der Wirtschaftsinformatik, der Informatik und der BWL
Die Herausgeber
Prof. Dr. Thomas Barton ist Professor an der Hochschule Worms. Seine Schwerpunkte liegen in den Bereichen Entwicklung betrieblicher Anwendungen, E-Business, Cloud Computing und Data Science.
Prof. Dr. Christian Müller ist Professor an der Technischen Hochschule Wildau. Seine Schwerpunkte liegen in den Bereichen Operations Research, Simulation von Geschäftsprozessen und Internet-Technologien
In diesem Kapitel wird ein innovatives zweistufiges Klassifikationsframework vorgestellt, das auf Basis multipler Modelle für den Sprechausdruck qualitätsinduzierende Kriterien bei Callcentergesprächen mit erklärungsfähigen Regeln prognostizieren kann. Durch diese Basisklassifikation wird eine symbolische Repräsentation des Sprechausdrucks erzeugt, die sowohl für Experten verständlich ist als auch von Klassifikationsalgorithmen verarbeitet werden kann. In der zweiten Stufe werden mit Lernverfahren die erkannten sprecherisch-stimmlichen Merkmale zu einer Klassifikation der Qualitätsfaktoren zusammengeführt. Regeln und Entscheidungsbäume bilden die funktionalen Beziehungen zu den relevanten Merkmalen ab und können so anhand der erkannten sprecherisch-stimmlichen Merkmale die wahrgenommenen Qualitätsfaktoren erklären.
Dieses Buch öffnet Ihnen die Augen, wie Künstliche Intelligenz die Automobilindustrie nachhaltig disrumpieren wird. Um diese Disruption zu meistern, müssen Automobilhersteller das volle Potential aus ihren Daten schöpfen, und in der Lage sein, täglich neue Dienste an ihre Kunden auszuspielen. Dieses Buch zeigt die dazu notwendigen Transformationen auf: Vom Aufbau einer tragfähigen Vision bis hin zur technologischen und organisatorischen Umsetzung im Unternehmen. Auf dieser Basis können sich die Automobilhersteller vom Blechbieger zum Techgiganten transformieren. In über 100 Fallbeispielen entlang der automobilen Wertschöpfungskette wird aufgezeigt, wo Künstliche Intelligenz einen Mehrwert liefern kann. Auf das autonome Fahren als wichtiger Enabler wird eingegangen sowie auf die wichtigsten Verfahren der Künstlichen Intelligenz, die für die Automobilindustrie relevant sind.
Das Buch richtet sich an Entscheider in der Automobilindustrie, Studierende, Dozenten und alle, die sich ein Bild über eine der vielleicht größten industriellen Transformationen dieses Jahrhunderts machen möchten.
Der Autor
Dr.-Ing. Michael Nolting ist Leiter des Bereichs für Digital Services & Data Analytics bei Volkswagen Nutzfahrzeuge, Berater, KI-Experte und Keynote-Speaker für die Themen Künstliche Intelligenz, DevOps und Leadership. Er lehrt als Honorardozent an der Leibniz Universität Hannover.
Steigende Komplexität und Dynamik in der Logistik bei der wachsenden Anforderung an die Effizienz der Prozesse stimuliert die Suche nach intelligenten, digitalen und nachhaltigen Lösungen. Um die Anforderungen der Transportlogistik zu bewältigen, wurde ein Selbststeuerungssystem auf Grundlage von Methoden der verteilten künstlichen Intelligenz entwickelt, das in der Lage ist, die Routenplanung und Fahrzeugbelegung in Echtzeit dezentral zu planen. Die dezentralen Ressourcen und die verteilte Auftragsstruktur von Ganz- und Teilladungen werden mittels autonom agierender Agenten abgebildet. In diesem Beitrag wird zunächst auf die Eigenschaften von Agenten und Multiagentensystemen eingegangen und es werden Interaktionsformen und Mechanismen erläutert. Es erfolgt eine Zuordnung in das Forschungsfeld der verteilten künstlichen Intelligenz. Die Vorteile der Methodenanwendung in der Logistik werden diskutiert. Anschließend wird ein Multiagentensystem als Beispielanwendung dieser Technik vorgestellt.
Die Beförderung von Personen belastet die natürlichen Lebensgrundlagen, wobei das Potenzial besteht, Mobilität durch intelligente Verkehrssysteme nachhaltiger zu gestalten. Es stellt sich die Frage, inwieweit künstliche Intelligenz (KI) zur Nachhaltigkeit von Mobilität beitragen kann. Unternehmen können ihre Mobilitätsangebote auf digitalen Plattformen aggregiert bereitstellen und durch Servitization (Carsharing, Ride-Pooling) Verkehrsmittelkapazitäten effizienter einsetzen. Diese On-Demand-Mobility führt zu einer Entmaterialisierung von Mobilität, da sich Konsumenten kein Fahrzeug kaufen müssen und bestehende Kapazitäten unter den Verkehrsteilnehmern geteilt werden können. Mit KI kann eine Optimierung von Routen gelingen, damit sich die Mobilität der Menschen reduziert. Mit KI lassen sich jedoch nicht alle Probleme lösen: Konsumenten müssen gemäß der Suffizienz im Rahmen der ökologischen Nachhaltigkeit vereinzelt auf Fahrten und Reisen verzichten, um die Biokapazität zu schonen.
Künstliche Intelligenz revolutioniert Gesellschaften, Branchen, Unternehmen und Wertschöpfungsketten. Von Human Resources über Produktion bis hin zu Marketing und Sales: KI wird in jedem Bereich einschneidende Veränderungen nach sich ziehen, die ein grundlegendes Umdenken erfordern. Worauf müssen sich Unternehmen und einzelne Abteilungen einstellen? Wo und wie kann künstliche Intelligenz heute bereits die Effizienz von Prozessen steigern? Und wie sehen praktische Anwendungsszenarien für einzelne Unternehmensbereiche oder ganze Branchen aus?
Dieses Buch zeigt auf, wie künstliche Intelligenz in Unternehmen gewinnbringend eingesetzt werden kann, welche Fallstricke und Chancen auf Organisationen zukommen und wo sie von KI profitieren können. Der Autor gibt einen kompakten und gut verständlichen Einblick in die Geschichte und Hintergründe der KI und erläutert die wichtigsten Player der KI-Welt. Zudem beschreibt er, was künstliche Intelligenz im Marketing, im HR-Bereich oder der Logistik schon jetzt bewirken kann und nimmt einzelne Branchen exemplarisch unter die Lupe.
Ein Werk für Entscheider und alle Interessierten, die die Potenziale von KI verstehen und in ihrem Verantwortungsbereich vorantreiben wollen.
Der Inhalt
• Künstliche Intelligenz (KI) – Eine kurze Geschichte
• Machine Learning und künstliche neuronale Netze
• KI im Marketing und in den Human Resources
• KI in Logistik, Lieferkette und Inventar Management
• KI im Gesundheitssystem, in der Landwirtschaft, in der Sicherheitstechnik und im Bereich Finanzen
• KI in der Industrie und im Einzelhandel
Der Autor
Phil Wennker ist Co-Founder und AI Engineer des Start-ups Mnemonic AI, wo er im Bereich Deep Learning mit Schwerpunkt Psychographie forscht. Vorher leitete er Forschungsinitiativen im Bereich Natural Language Processing und Fraud Detection bei Deep Data Analytics. Zudem ist er viel gefragter Speaker zum Thema Künstliche Intelligenz auf internationalen Events.
