Künstliche Intelligenz (KI) ist heutzutage in aller Munde. Aber wo stiftet der Einsatz einerseits den größten Nutzen für Unternehmen aber auch andererseits für den Kunden?
Kategorie: Allgemein
Machine Learning als Siebenmeilenstiefel für Innovation
Volker Bilgram, Oliver Gluth
Innovationen galten lange Zeit als Königsdisziplin menschlichen Schaffens. Schon heute entscheiden jedoch nicht mehr nur Menschen, sondern auch Maschinen das Wettrennen um die Innovationen, die unsere Zukunft prägen werden. Welche Kundenbedürfnisse besonders relevant sind, welche Trends ganze Branchen dominieren und Konsumentengewohnheiten ändern werden – diese zentralen Fragen entscheiden zwar heute meist immer noch Manager, doch Maschinen sind ihre „Souffleure“.
ePaper: Digitale Perspektiven für die Finanz- und Versicherungswirtschaft
KI ist in aller Munde und eines der großen Hype-Themen dieses Jahres. Wie sieht es jedoch mit klaren Informationen zur Umsetzung aus? Welche Erfolgsbeispiele gibt es bereits?
Wettlauf um künstliche Intelligenz: Wie kann Europa mithalten?
von Prof. Dr. Alois Knoll
Wir nehmen vor allen die Anwendungen von künstlicher Intelligenz wahr, sind diejenigen, die die großen US-Firmen Google, Amazon, Facebook unter großem Marketingaufwand in den Einsatz bringen, beispielsweise zur Vorhersage von Käuferverhalten aus Rückmeldungen von Kunden, zur Erkennung von sich anbahnenden Epidemien aus Anfragen an die Suchmaschine und – ganz neu – zur Berechnung von Nutzer-Suizidwahrscheinlichkeiten aus den Äußerungen im social network.
KI startet durch
Interview mit Daniel Saaristo
2017 wurde laut Wall Street Journal, Forbes und Fortune das Jahr der Künstlichen Intelligenz genannt. Inwiefern hat 2017 einen Durchbruch gebracht?
Es kamen in den letzten Jahren mehrere Faktoren zusammen, die das Feld der Künstlichen Intelligenz und speziell das Feld des Deep Learning massiv vorangebracht haben: neue und bessere KI Frameworks, eine größere und immer kostengünstigere Verfügbarkeit an Daten sowie die hohe Rechenleistung von Grafikprozessoren für das Trainieren von Neuronalen Netzwerken. Dazu eine steigende Akzeptanz aus der Industrie, Politik und Bevölkerung.
Künstliche Intelligenz wird alles ändern
Kaum 75 Jahre nach Zuses erstem programmgesteuerten Rechner erledigen unsere selbstlernenden künstlichen neuronalen Netze manche Aufgabe bereits besser als Menschen. Sie entdecken automatisch Tumorzellen in menschlichem Gewebe, erkennen Sprache, Handschrift, oder auch Verkehrszeichen für selbstfahrende Autos, sagen Aktienkurse vorher, übersetzen Texte, erteilen Ratschläge, oder steuern Roboter für die Industrie 4.0. Heute schon finden sich unsere seit den 1990ern in München und der Schweiz entwickelten tiefen Netze auf drei Milliarden Smartphones, und jeden Tag werden sie viele Milliarden mal genutzt. Auch die Versicherungswirtschaft ist stark betroffen, denn KI erlaubt z.B. bessere patientenspezifische Vorhersagen der zu erwartenden Kosten von Behandlungen.
Start-ups gesucht
Herr Saaristo, Sie bekleiden die Funktion eines Deep Learning Start-up Business Managers Central Europe. Ist das eine übliche Berufsbezeichnung? Was verbirgt sich dahinter?
Ich würde es eine an die technologische Entwicklung angepasste Berufsbezeichnung nennen. Dabei fungiere ich als Schnittstelle zwischen jungen Unternehmen mit Fokus auf Künstlicher Intelligenz auf der einen Seite sowie NVIDIA und weiteren Interessensvertretern auf der anderen Seite.
Künstliche Intelligenz – Hype oder ernst zu nehmende technologische Herausforderung?
Die Handelsblatt Journal Redaktion im Gespräch mit Jörg Bienert,
Gründer und CEO, aiso-lab
Wie neu ist Künstliche Intelligenz eigentlich?
Der Begriff „Künstliche Intelligenz (KI)“ wurde bereits in den 1950er Jahren geprägt. Die anfänglich sehr hohen Erwartungen konnten aber aufgrund fehlender Rechenleistungen nicht erfüllt werden, sodass ein langer sogenannter „KI-Winter“ folgte. Seit Anfang des Jahrtausends haben sich die Grundvoraussetzungen für KI erheblich verbessert. So stehen über diverse Quellen, vor allem über das Internet, große Datenmengen für das Trainieren von neuronalen Netzen zur Vergügung („Big-Data“). Die Rechenkapazitäten sind exponentiell gestiegen und durch den Einsatz von hochparallelen GPU-Architekturen auch universell verfügbar. Als dritte Komponente hat es enorme Fortschritte in der Algorithmik gegeben, unter anderem durch die von Prof. Schmidhuber und seinem Team erfundenen LSTM (long short-term memory) -Architekturen.