Die Kommunikation mit Kunden besteht bei vielen Unternehmen nach wie vor zum Großteil aus manueller Arbeit. Und das, obwohl die Kommunikationskanäle mittlerweile zunehmend digital werden. Wie kann Künstliche Intelligenz hier helfen?
Künstliche Intelligenz und Machine Learning sind nicht nur in den USA und der internationalen Tech-Szene gerade wichtige Themen: Auch in Deutschland und Europa sind Anwendungen, die auf maschinellem Lernen beruhen, gefragter denn je. Um gemeinsam an Projekten aus diesem Bereich zu arbeiten, haben Olly Salzmann und Rupprecht Rittweger das Netzwerk KI Park Deutschland gegründet. Wir sprachen mit den beiden über ihr Netzwerk, die richtigen Werkzeuge für maschinelles Lernen und Anwendungen, bei denen KI eine gewichtige Rolle spielt.
Wir Menschen sind üblicherweise gut im Erkennen von Anomalien: Oft reicht ein schneller Blick auf Monitoringcharts, um ein Performanceproblem zu erkennen (oder im besten Fall vorherzusagen). Eine Kurve steigt unnatürlich rasch an, ein Wert fällt unter ein gewünschtes Minimum oder es gibt Schwankungen, die rational nicht erklärbar sind. Manches davon würde sich technisch durch ein simples if automatisiert erkennen lassen, aber mehr Spaß macht es mit dem neuen Metrics Advisor der Azure Cognitive Services.
Die Data-Science-Community Kaggle hat unter ihren Mitgliedern eine Umfrage zum Thema Machine Learning und Data Science durchgeführt. Darin wird unter anderem der spannenden Frage nachgegangen, wieviel Data Scientists in verschiedenen Ländern verdienen und welche ihre beliebtesten Tools sind.
Enterprise Search verfolgt andere Ziele als eine Google-Suche. Darum benötigt man auch heute noch eigene Konzepte für diesen Bereich. Wie haben KI und Big Data Einfluss auf Enterprise Search genommen?
Der rasante Bedeutungszuwachs von KI bedeutet auch, dass die Technologie immer mehr Entscheidungen trifft, ohne dass wir diese hinterfragen. Ob bei Kreditbewilligungen, Bewerberauswahl oder Gesichtserkennungen – Unternehmen müssen heute mehr denn je sichergehen, dass ihre KI-Applikationen keinen Menschen diskriminieren. Damit das Risiko des KI-Bias – sprich der unbeabsichtigten Verzerrung von Entscheidungen durch künstliche Intelligenz – minimiert wird, müssen Entwickler eine Reihe von Dingen beachten.
Künstliche Intelligenz (KI) ist allgegenwärtig und beeinflusst die Art zu leben, zu arbeiten und sich zu unterhalten. KI-Assistenten für Verbraucher wie Alexa und Siri haben die Technologie nach Hause gebracht und sie so bekannt gemacht. Doch das Potenzial von KI-Assistenten geht über die Bitte hinaus, ein Lied zu spielen oder den Wetterbericht zu überprüfen – die Einführung der Technologie in die Geschäftswelt bietet neue Möglichkeiten.
Heutzutage implementieren viele Unternehmen bereits künstliche Intelligenz (KI) oder Robotic Process Automation (RPA), um punktuell bestimmte Teile ihres Geschäfts zu automatisieren. Allerdings fehlt häufig eine übergreifende Unternehmensstrategie, um diese Technologien zu verbinden und mit bestehenden Prozessen zu vereinen. Anstatt KI und RPA als Silos innerhalb der IT zu implementieren, sollten Unternehmen End-to-End-Geschäftsprozesse über die gesamte Belegschaft – Menschen, intelligente Systeme und Bots – ganzheitlich orchestrieren.
Die KI-Schmiede OpenAI wartet wieder einmal mit bis dato unbekannten Möglichkeiten auf: Das GPT-3-basierte neuronale Netzwerk DALL·E erstellt Bilder auf Basis von Text- und Bildeingaben. Die Beispiele zeigen etwa anthropomorphisierte Tiere und Gegenstände in ungewöhnlichen Situationen. Schauen wir sie uns an, denn Bilder sagen bekanntlich mehr als Worte.
Die Durchführung von ballistischen Berechnungen, orbitalen Flugmanövern und die Handhabung der Flugkontrolle von autonom landenden Raumfahrzeugen sind Herausforderungen, die uns mitnichten nur im Rahmen von Computerspielen begegnen. Im heutigen Artikel werden wir uns anschauen, wie sich verhältnismäßig einfach aufgebaute neuronale Netzwerke bei der Bewältigung der besagten Probleme schlagen, was in Anbetracht ihres Stellenwerts gleich doppelt interessant sein dürfte.
Machine Learning muss gar nicht schwer sein: Wer ML.NET schon immer mal ausprobieren wollte, bekommt hier die richtigen Tipps von Thomas Claudius Huber. In diesem Video seines Talks von der BASTA! Spring 2020 zeigt er, welche Möglichkeiten ML.NET bietet.
Der dritte und letzte Teil unserer Artikelserie zu Machine Learning mit ML.NET behandelt den praktischen Einsatz eines ML-Modells. Es wird gezeigt, wie TensorFlow- und ONNX-Modelle z. B. zur Bildklassifizierung mit Hilfe von Deep Learning verwendet werden können.
