Anzeige

Anzeige

VERANSTALTUNGEN

CloudFest 2019
23.03.19 - 29.03.19
In Europa-Park, Rust

Blockchain Summit
26.03.19 - 26.03.19
In Frankfurt, Kap Europa

ELO Solution Day München
27.03.19 - 27.03.19
In Messe München

Hannover Messe 2019
01.04.19 - 05.04.19
In Hannover

SMX München
02.04.19 - 03.04.19
In ICM – Internationales Congress Center München

Anzeige

Anzeige

KI Kopf Shutterstock 567338095 700

Künstliche Intelligenz hat sich vom reinen Forschungsthema zur Anwendungstechnologie entwickelt. Unternehmen können heute mit Machine-Learning-Algorithmen oder neuronalen Netzen aus Rohdaten konkreten wirtschaftlichen Mehrwert erzielen. Die Rahmenbedingungen für den neuen IT-Standard sind so günstig wie nie zuvor.

 Künstliche Intelligenz, kurz KI oder AI (englisch für Artificial Intelligence), beeindruckt Technologie-Experten und Analysten schon seit vielen Jahren. Die Marktkenner überbieten sich geradezu darin, für diese Technologie ein explodierendes Geschäft vorherzusagen. So rechnete 2017 das Marktforschungsunternehmen Tractica vor, dass der weltweite Umsatz im KI-Software-Segment bis 2025 auf fast 60 Milliarden US-Dollar steigen wird. Die Euphorie der Analysten ist berechtigt, wenn man die KI-Technologie, ihre Anforderungen an eine IT-Infrastruktur und ihr potenzielles Anwendungsspektrum näher betrachtet.

Generell verfolgt KI das Ziel, Maschinen intelligent zu machen, das bedeutet, dass sie aus Erfahrung Wissen generieren können. Maschinelles Lernen fasst eine Klasse von Algorithmen zusammen, die aus historischen Daten komplexe Muster erkennen und Zusammenhänge lernen, um zum Beispiel aus Sensordaten in Echtzeit den Ausfall einer industriellen Anlage vorherzusagen. Einen Schritt weiter geht Deep Learning – spezielle Algorithmen, die auf „Deep Neural Networks“ beruhen: Sie sind auf neuronalen Netzen mit vielen Datenknoten und in vielen Schichten angeordnet. Deep-Learning-Algorithmen erbringen bei Bild- und Spracherkennung rekordverdächtige Leistungen und sorgen für große Fortschritte beim autonomen Fahren.

Künstliche Intelligenz als strategischer Ansatz

In allen Branchen eröffnet KI große Wachstumschancen. Bisher treten vor allem der Finanzsektor, das Gesundheitswesen oder die Werbebranche als Vorreiter in Erscheinung. Banken lassen KI in Hochgeschwindigkeit überprüfen, ob auffällige Transaktionen mit betrügerischer Absicht vorliegen, oder wenden komplexe Machine-Learning-Modelle an, um Risiken besser abzuschätzen. KI-fähige Kundenanalysen und Empfehlungssysteme optimieren im B2C- und B2B-Segment Up- und Cross-Selling-Möglichkeiten. Kunden erhalten dafür im richtigen Moment die passende Botschaft, etwa eine Kaufempfehlung für ein bestimmtes Produkt.

Der hohe Stellenwert der Technologie zeigt sich exemplarisch bei Google. CEO Sundar Pichai verkündete 2017 die „AI first“-Strategie. Mit künstlicher Intelligenz will der Konzern künftig Nutzerprobleme lösen und in diesem Sinne alle seine Produkte neu denken, versprach der Google-Chef damals. Eine erfolgversprechende Strategie, denn KI stellt allen Anwenderunternehmen in Aussicht, aus Rohdaten einen echten Mehrwert für das eigene Geschäft zu erzeugen. Über verwertbare Daten verfügen Unternehmen mittlerweile in rauen Mengen: Insbesondere das Internet of Things (IoT) erzeugt riesige Datenströme, übermittelt von zahlreichen Sensoren und Geräten. Parallel sorgen Modernisierungen von IT-Infrastrukturen sowie Entwicklungen auf dem Gebiet Data Science dafür, dass in vielen Unternehmen das Fundament für die Implementierung von KI-Technologien gelegt ist.

Der Big-Data-Hype der letzten Jahre hat für die nötigen Investitionen in Rechenleistung und Data Lakes in der Unternehmens-IT geführt. Diese bilden eine wichtige Voraussetzung, denn KI-Modelle werden durch die Analyse historischer Daten entwickelt. Sobald diese Modelle implementiert und einsatzbereit sind, wendet man sie auf neue Daten an. Data Scientists nutzen heute eine größere Anzahl von Modelltypen, um Datensätze als Lernstoff zu verarbeiten: Neben etablierten statistischen Algorithmen stehen ihnen neue Algorithmen, Support-Vector-Machines und neuronale Netze zur Verfügung. Das Experimentieren mit Modelltypen fällt ihnen wesentlich leichter, weil dafür ausgereifte Open-Source Data-Mining-Lösungen zur Verfügung stehen, die von einer Vielzahl von Organisationen genutzt werden.

Einfacher Austausch von Algorithmen zwischen Apps

Agilität erreichen Unternehmen, wenn sie auf einen offenen Branchenstandard wie Predictive Model Markup Language (PMML) setzen, der von allen gängigen Open-Source- und kommerziellen Data-Mining-Tools unterstützt wird. Fach-, IT-Abteilungen und Data Scientists können dank PMML Prognosemodelle, einschließlich Machine-Learning-Algorithmen, zwischen verschiedenen Anwendungen einfach übertragen, was die Implementierungszeit deutlich verkürzt und zu schnellen Erfolgen führt. Der so geschaffene einheitliche Standard und Prozess gewährleistet nicht nur Transparenz, sondern auch einen schnellen Return on Investment und setzt KI-Modelle zeitnah in betriebswirtschaftliche Aktivposten um.

Für die Inbetriebnahme, Ausführung und Integration von Machine-Learning-Modellen empfiehlt es sich, auf eine offene und skalierbare Plattform zu setzen. So lassen sich KI-Modelltypen einfach in vorhandene IT-Anwendungen integrieren und liefern umgehend Erkenntnisse für Geschäftsanwendungen. Zementis von der Software AG erfüllt beispielsweise diese Anforderung, mit PMML einen plattformunabhängigen KI-Einsatz zu realisieren. Neu erstellte KI-Modelle lassen sich auf diese Weise schnell in verschiedene Unternehmenssysteme im eigenen Rechenzentrum oder in der Cloud einbinden.

Das Veredeln der Daten

Die IT-Trends Big Data und IoT haben Datenströme in der Unternehmens-IT ausgelöst, die noch auf ihre Veredlung warten: Das Umwandeln der gesammelten Rohdaten in wertvolles Wissen. An dieser Stelle kommt KI als Tor zwischen Daten und Wertschöpfung ins Spiel. Gelingt es Unternehmen, dieses Tor zu öffnen, erschließen sie den Wert ihrer Unternehmensdaten. Sie gewinnen betriebswirtschaftliche Einblicke, die zu intelligenten Entscheidungen – auch in Echtzeit – befähigen. Dank offener Branchenstandards und skalierbarer Plattformen können sie Machine-Learning-Algorithmen und neuronale Netze einfacher in ihre Anwendungen integrieren. Die technischen Voraussetzungen sind gegeben, sodass sich KI zu einem defacto IT-Standard entwickelt, von dem zahlreiche Unternehmen in allen Branchen nachhaltig profitieren können.

Dr Jürgen KrämerDr. Jürgen Krämer, SVP Product Management & Marketing, Software AG
 

GRID LIST
Tb W190 H80 Crop Int B6c4c88f73a9270d69d96d767c594d48

IQ-Bot mit erweiterten KI-Fähigkeiten

Automation Anywhere, ein Unternehmen für Robotic Process Automation (RPA), stellt neue…
Handschlag

Digitalisierung: Das Beste aus einer Hand

Unter der Dachmarke Modula sind ab sofort vier etablierte und erfolgreiche…
Gérard Bauer, Vectra

Wa(h)re künstliche Intelligenz

Eine Studie von MMC Ventures hat für viel Aufsehen gesorgt: 40 Prozent der so genannten…
Roboter an Computer

Lichtblick RPA: Schluss mit dem Ärger über repetitive Aufgaben

Lange Excel-Tabellen oder ermüdendes Datenmanagement: Es gibt so manche Aufgabe im Büro,…
KI

Wie intelligent ist Künstliche Intelligenz?

Algorithmen der Künstlichen Intelligenz (KI) und des Maschinellen Lernens wie…
KI

KI als Mittel der Erleuchtung

Künstliche Intelligenz (KI) ist in aller Munde. Doch zur genauen Bedeutung – für den…