Dipl. Betriebswirt Otto Geißler

Für den Geschäftserfolg von Unternehmen ist es heute entscheidend, den Zustand der Daten in jeder Phase des Datenlebenszyklus zu beobachten und zu verstehen. Dafür wird jedoch kein einzelnes Tool ausreichen.

Mittelständler wollen von den attraktiven Möglichkeiten des Internet of Things (IoT) profitieren, jedoch ohne die hohen Kosten der aufwendigen IoT-Plattformen. Mit Smart-Product-Plattformen erschließen sich die Vorteile des IoT nicht nur schneller, sondern auch deutlich kostengünstiger.

Mithilfe des Federated Learning (FL) ist es möglich, KI-Modelle auf dezentralisierten Daten zu trainieren, ohne sie zentralisieren oder teilen zu müssen. Dadurch lassen sich unter Einhaltung des Datenschutzes bessere Entscheidungen treffen.

Mit zunehmender Dezentralisierung verlagert Embedded Intelligence (EI) die Verarbeitung an die Edge, wo Sensoren die Daten sammeln und Technologien der Künstlichen Intelligenz (KI) nahezu vollständig autonom agieren. Damit wird eine Vielzahl von branchenübergreifenden Use Cases mit erhöhter Performanz geschaffen.

Das Internet of Behavior (IoB) nutzt die gesammelten persönlichen Daten der User aus dem Internet of Things (IoT), um deren Verhaltensmuster zu identifizieren und vorherzusagen. Diese Erkenntnisse sind unter anderem für die Bereiche Marketing, Vertrieb, Fertigung, Medizin und E-Commerce relevant.

Die zunehmende IT/OT-Konvergenz führt zu einer sich stark erweiternden Bedrohungslandschaft. Dadurch erhalten Hacker deutlich mehr Möglichkeiten, sich über durchlässige IT-Netzwerke Zugang zu älteren und daher unsicheren OT-Systemen zu verschaffen. Welche Optionen der Absicherung bieten sich an?

In den meisten Fällen scheitern Projekte für maschinelles Lernen (ML) nicht an einem „falschen“ Algorithmus, sondern an der mangelnden organisatorischen Unterstützung, einem klaren Fahrplan und einer einfachen Methode. Welche entscheidenden Vorüberlegungen müssen für ML-Projekte angestellt werden?

Das Konzept des Internets der Dinge (IoT), das an alles einen Sensor anheftet und Daten über das Internet an eine Datenbank sendet, ist im Grunde passé. Mit „Smart Dust“ sind Sensoren überall in der Luft und überwachen einfach alles – Temperatur, chemische Substanzen, Feuchtigkeit, Bewegungen, Körperfunktionen und sogar Gehirnwellen.

Datenmissmanagement ist der entscheidende kritische Faktor, der den zukünftigen KI-Erfolg eines Unternehmens ernsthaft gefährden kann. Das ist ein Ergebnis des globalen Forschungsberichts von MIT Technology Review Insights. Welche Schritte müssen CIOs für KI-Implementierungen jetzt ergreifen?

In der Lebensmittelbranche qualifizieren sich vor allem Anwendungen der Künstlichen Intelligenz (KI) bzw. des maschinellen Lernens (ML), für die komplexe Daten oft aus mehreren Quellen überprüft und nach subtilen Korrelationen gesucht werden müssen.

Das Sprachverständnis der Künstliche Intelligenz (KI) kann biomedizinische Inhalte klassifizieren und extrahieren, um dadurch verwertbare Erkenntnisse zu erzielen. Beispielsweise bei der Entdeckung von Arzneimitteln, Gestaltung klinischer Studien oder der Verfolgung unerwünschter Wirkungen im Prozess der Arzneimittelsicherheit.

Die Künstlichen Intelligenz (KI) und ihre Fähigkeiten, durch eingebaute Sensoren, physikalische Zustände in maschinellen Anlagen zu erkennen, eröffnen viele Möglichkeiten wie zum Beispiel Anwendungen zur vorausschauenden und vor allem vorbeugenden Wartung.

Big-Data-Analysen sind ein entscheidendes Instrumentarium für die Effizienz in der Öl- und Gasindustrie. Die Unternehmen profitieren unter anderem durch Verbesserung des ROI oder der Sicherheitsmaßnahmen. Welche Use Cases bieten sich an? Inwieweit nutzt die Branche bereits moderne Technologien?

Insbesondere im Kontext der IT-Security sind die Erwartungen übertrieben hoch, wenn es um das automatisierte Erkennen und Behandeln von Sicherheitsvorfällen geht. Die Möglichkeiten der Künstlichen Intelligenz (KI) sind gegenwärtig nicht allumfassend, sondern müssen zielgerichtet unter Einsatz des entsprechenden Know-hows implementiert werden.

Life-Science-Unternehmen werden in den nächsten Jahren verstärkt mit Technologien der Künstlichen Intelligenz (KI) in ihren Arbeitsabläufen experimentieren. Dafür sind verschiedene Use Cases für Teilbereiche wie der Forschung, Entwicklung von Medikamenten und der Vermarktung bereits angedacht oder schon im Einsatz.

Die Technologien der Künstlichen Intelligenz (KI) finden im Gesundheitswesen nur schleppend Akzeptanz. Überzeugende Nachweise von Mehrwerten in relevanten Szenarien sind daher unabdingbar. Mit welchen Widerständen ist zu rechnen? Wie lassen sich diese Hürden überwinden?

KI-basierte Lösungen tragen dazu bei, Kosten zu senken, die Mitarbeiterbindung und -loyalität zu verbessern, den Umsatz zu steigern und vor allem Kundenerlebnisse in verschiedener Hinsicht zu verbessern – bei richtiger Anwendung! Was müssen Unternehmen jetzt beachten?

Das Sammeln großer Datenmengen gestaltet sich heute relativ einfach. Entscheidend für die Entwicklung eines zielführenden Machine-Learning-Modells ist jedoch eine smarte Vorgehensweise bei der Datenkennzeichnung. Da Fehler für den Anwender kostenintensiv werden können, stellt sich die Frage: Wie generiert man möglichst effektiv hochwertige Datensätze?

Unternehmen agieren heute proaktiver, indem sie ausgeklügelte Vertragsmanagement-Tools auf riesige Volumina an Daten anwenden. Machine Learning (ML) und Künstliche Intelligenz (KI) helfen ihnen dabei, Verträge schneller zu überprüfen und auszuhandeln als auch Klauseln genauer zu identifizieren und analysieren.

Es genügt heute nicht mehr Daten zu lagern und bei Bedarf zu analysieren. Unternehmen müssen kontinuierlich Daten erfassen und auswerten, um dann sofort Maßnahmen ergreifen zu können. Aber wie? Die Lösung lautet Augmented Analytics.

Knowledge Graphs (Wissensgraphen) liefern für die Künstliche Intelligenz (KI) Verknüpfungen zwischen Informationen, Konzepten und Inhalten, die sich sonst nicht so leicht identifizieren lassen. In der Praxis können damit zum Beispiel Betrügereien schneller erkannt oder Lagerbestände besser verfolgt werden. Wie können Unternehmen neue Wege finden, davon zu profitieren?

Smart Homes können für Hacker buchstäblich zu einer Goldmine werden, wenn sie Bank-Kennwörter, Online-Konten, Schlösserkombinationen oder persönliche Daten erbeuten. Denn schlecht gesicherte IoT-Geräte sind ein leichtes Ziel für Cyber-Kriminelle.

Big Data und KI sollen insbesondere auch der Medizin neue Wege weisen. Dafür sind internationale Standards bzw. interoperable Systeme notwendig. Wie kann das Potenzial moderner KI-Anwendungen und digitaler medizinischer Daten voll ausgeschöpft werden?

Data Lakes sind unter anderem zur Auflösung von Datensilos und für Big-Data-Analysen bzw. Industrial Analytics im Einsatz. Was muss bei der Implementierung von Data Lakes beachtet werden, damit sich die Vorteile des Konzepts letztlich auch effektiv nutzen lassen?

Insbesondere für den Mittelstand eröffnen sich mit dem Einsatz von KI-Technologien große Chancen: intelligente Gestaltung entlang der gesamten Wertschöpfungskette, völlig neue Geschäftsmodelle und als Hidden Champion von enormen Effizienzsteigerungen profitieren. Welche Herausforderungen und Barrieren sind zu überwinden?

Die KI-Technologien entwickeln sich sehr schnell und werden den nächsten großen Wandel in der IT gestalten. Doch auch sie selbst unterliegen dem Wandel und erleben verschiedene Herausforderungen und Veränderungen. Dazu gehören die Forderungen nach einer eindeutigeren Nachvollziehbarkeit sowie reduzierten Datenintensität.

IIoT-Lösungen, die auf einer Cloud-basierten Infrastruktur aufbauen, eröffnen die Möglichkeit, bestehende Geschäftsmodelle weiterzuentwickeln oder neue erfolgreich zu etablieren und die Wertschöpfung zu steigern. Die Anwender können zudem ihre Ressourcen auf die Verwendung der Lösung konzentrieren.

Künstliche Intelligenz (KI) befähigt Unternehmen, nicht nur ihre Prozesse zu optimieren, sondern auch Kunden besser zu bedienen und letztlich ihre Wettbewerbsfähigkeit zu verbessern. Mit welchen Herausforderungen müssen CIOs bei der praktischen Umsetzung rechnen?

Langwierige Analytics-Projekte bringen eher selten die erhofften Erkenntnisse. Wer nicht nur mehr datengetriebene Entscheidungen in seinem Unternehmen möchte, sondern auch die Sicherheit, dass die getroffenen Entscheidungen richtig sind, muss sich mit Augmented Analytics befassen.

Die beliebte Shazam-App erkennt musikalische Darbietungen, Fernsehprogramme sowie Werbung und bietet Usern weiterführende Informationen – nicht zuletzt auch über Augmented-Reality (AR). Doch das Prinzip „Shazamen“ werden wir schon bald für Datenlösungen in Unternehmen erleben.

Big-Data-Anwendungen basieren nicht auf einer einzigen Technologie, sondern sind im Grunde ein Zusammenspiel verschiedener Innovationen. Dafür reichen jedoch herkömmliche Technologien wie zum Beispiel klassische Datenbanken, Data Warehouse- oder Reporting-Lösungen bei weitem nicht aus.

Googles TensorFlow bildet als Open-Source-Tool für verteilte Datenbanksysteme eine innovative Basis für neuronale Netze im Umfeld von Sprache und Bildverarbeitungsaufgaben. Damit setzt Google ein klares Signal, dass maschinelles Lernen nicht mehr nur als einer der vielen IT-Hypes stilisiert wird, sondern in der Realität angekommen ist. Und die Möglichkeiten sind gewaltig.

Langwierige Analytics-Projekte bringen eher selten die erhofften Erkenntnisse. Wer nicht nur mehr datengetriebene Entscheidungen in seinem Unternehmen möchte, sondern auch die Sicherheit, dass die getroffenen Entscheidungen richtig sind, muss sich mit Augmented Analytics befassen.

Die KI-Technologien entwickeln sich sehr schnell und werden den nächsten großen Wandel in der IT gestalten. Doch auch sie selbst unterliegen dem Wandel und erleben verschiedene Herausforderungen und Veränderungen. Dazu gehören die Forderungen nach einer eindeutigeren Nachvollziehbarkeit sowie reduzierten Datenintensität.

Big Data und Analytics sind eine wichtige Ressource für Unternehmen, um in einem hart umkämpften Wettbewerbsumfeld zu bestehen. Folgende Big-Data-Trends werden sich in diesem Jahr auf die aktuellen IT-Landschaften auswirken.

Die beliebte Shazam-App erkennt musikalische Darbietungen, Fernsehprogramme sowie Werbung und bietet Usern weiterführende Informationen – nicht zuletzt auch über Augmented-Reality (AR). Doch das Prinzip „Shazamen“ werden wir schon bald für Datenlösungen in Unternehmen erleben.

Chirurgen mit 3D-Datenbrillen, individuell angepasste Therapien oder per Gentest identifizierte Krankheiten – alles noch Science-Fiction? Mit Big Data und lernfähigen Computerprogrammen wird das bald Realität werden.

Künstliche Intelligenz (KI) befähigt Unternehmen, nicht nur ihre Prozesse zu optimieren, sondern auch Kunden besser zu bedienen und letztlich ihre Wettbewerbsfähigkeit zu verbessern. Mit welchen Herausforderungen müssen CIOs bei der praktischen Umsetzung rechnen?

Insbesondere für den Mittelstand eröffnen sich mit dem Einsatz von KI-Technologien große Chancen: intelligente Gestaltung entlang der gesamten Wertschöpfungskette, völlig neue Geschäftsmodelle und als Hidden Champion von enormen Effizienzsteigerungen profitieren. Welche Herausforderungen und Barrieren sind zu überwinden?

Knowledge Graphs (Wissensgraphen) liefern für die Künstliche Intelligenz (KI) Verknüpfungen zwischen Informationen, Konzepten und Inhalten, die sich sonst nicht so leicht identifizieren lassen. In der Praxis können damit zum Beispiel Betrügereien schneller erkannt oder Lagerbestände besser verfolgt werden. Wie können Unternehmen neue Wege finden, davon zu profitieren?

IIoT-Lösungen, die auf einer Cloud-basierten Infrastruktur aufbauen, eröffnen die Möglichkeit, bestehende Geschäftsmodelle weiterzuentwickeln oder neue erfolgreich zu etablieren und die Wertschöpfung zu steigern. Die Anwender können zudem ihre Ressourcen auf die Verwendung der Lösung konzentrieren.

Das quelloffene TensorFlow von Google gehört mittlerweile zu den angesagtesten Frameworks für die Programmierung Neuronaler Netze, Deep-Learning-Modelle sowie andere Machine-Learning-Algorithmen. Wie gelingt der Einstieg mit TensorFlow und was leistet die jüngste Version 1.5?

Die verteilte Streaming-Plattform Apache Kafka wurde für ein schnelles Verarbeiten und Speichern von Billionen von Datenströmen pro Tag entwickelt. Gleichzeitig stellt sie eine Schnittstelle zum Laden und Exportieren von Datenströmen zu Drittsystemen bereit.

Im Vergleich zu den Aktivitäten der US-Internetriesen und den massiven Förderungen des chinesischen Staates für Künstliche Intelligenz (KI) scheint es laut vieler Umfragen in Europa eher beschaulich zuzugehen. Spiegeln sie tatsächlich die Realität wider? Wir klären auf und differenzieren das Bild.

Smart Homes können für Hacker buchstäblich zu einer Goldmine werden, wenn sie Bank-Kennwörter, Online-Konten, Schlösserkombinationen oder persönliche Daten erbeuten. Denn schlecht gesicherte IoT-Geräte sind ein leichtes Ziel für Cyber-Kriminelle.

Die Technologien der Künstlichen Intelligenz (KI) finden im Gesundheitswesen nur schleppend Akzeptanz. Überzeugende Nachweise von Mehrwerten in relevanten Szenarien sind daher unabdingbar. Mit welchen Widerständen ist zu rechnen? Wie lassen sich diese Hürden überwinden?

Big Data und KI sollen insbesondere auch der Medizin neue Wege weisen. Dafür sind internationale Standards bzw. interoperable Systeme notwendig. Wie kann das Potenzial moderner KI-Anwendungen und digitaler medizinischer Daten voll ausgeschöpft werden?

Unternehmen agieren heute proaktiver, indem sie ausgeklügelte Vertragsmanagement-Tools auf riesige Volumina an Daten anwenden. Machine Learning (ML) und Künstliche Intelligenz (KI) helfen ihnen dabei, Verträge schneller zu überprüfen und auszuhandeln als auch Klauseln genauer zu identifizieren und analysieren.

Data Lakes sind unter anderem zur Auflösung von Datensilos und für Big-Data-Analysen bzw. Industrial Analytics im Einsatz. Was muss bei der Implementierung von Data Lakes beachtet werden, damit sich die Vorteile des Konzepts letztlich auch effektiv nutzen lassen?

Googles TensorFlow 2.0, eines der weltweit beliebtesten Open Source Frameworks für maschinelles Lernen, wurde unter anderem mit einer neuen Architektur, einfacherem Model Building mit Keras, vereinfachten API und neuer TF-Lite-1.0-Version umfassend aktualisiert.

Life-Science-Unternehmen werden in den nächsten Jahren verstärkt mit Technologien der Künstlichen Intelligenz (KI) in ihren Arbeitsabläufen experimentieren. Dafür sind verschiedene Use Cases für Teilbereiche wie der Forschung, Entwicklung von Medikamenten und der Vermarktung bereits angedacht oder schon im Einsatz.

Die Künstlichen Intelligenz (KI) und ihre Fähigkeiten, durch eingebaute Sensoren, physikalische Zustände in maschinellen Anlagen zu erkennen, eröffnen viele Möglichkeiten wie zum Beispiel Anwendungen zur vorausschauenden und vor allem vorbeugenden Wartung.

KI-basierte Lösungen tragen dazu bei, Kosten zu senken, die Mitarbeiterbindung und -loyalität zu verbessern, den Umsatz zu steigern und vor allem Kundenerlebnisse in verschiedener Hinsicht zu verbessern – bei richtiger Anwendung! Was müssen Unternehmen jetzt beachten?

Big-Data-Analysen sind ein entscheidendes Instrumentarium für die Effizienz in der Öl- und Gasindustrie. Die Unternehmen profitieren unter anderem durch Verbesserung des ROI oder der Sicherheitsmaßnahmen. Welche Use Cases bieten sich an? Inwieweit nutzt die Branche bereits moderne Technologien?

Beim Einsatz von Data Analytics kommen die Berater von McKinsey zu einem vernichtenden Urteil: Nur acht Prozent der Unternehmen können ihre Lösungen wirksam skalieren. Laut dem Befund der Berater liegen die Probleme nicht nur im technologischen, sondern auch im organisatorischen Bereich.

Torch ist ein wissenschaftliches Deep Learning Framework mit beachtlichem Support an Algorithmen für das maschinelle Lernen. Auf Grund der einfachen Skriptsprache Lua und der C/CUDA-Implementierung ist das Open-Source-Paket sehr anwenderfreundlich und sorgt für beschleunigte Prozesse.

Es genügt heute nicht mehr Daten zu lagern und bei Bedarf zu analysieren. Unternehmen müssen kontinuierlich Daten erfassen und auswerten, um dann sofort Maßnahmen ergreifen zu können. Aber wie? Die Lösung lautet Augmented Analytics.

Das Sammeln großer Datenmengen gestaltet sich heute relativ einfach. Entscheidend für die Entwicklung eines zielführenden Machine-Learning-Modells ist jedoch eine smarte Vorgehensweise bei der Datenkennzeichnung. Da Fehler für den Anwender kostenintensiv werden können, stellt sich die Frage: Wie generiert man möglichst effektiv hochwertige Datensätze?

Mithilfe Künstlicher Intelligenz (KI) treffen Maschinen bereits heute eigene Entscheidungen, die sogar viele Fachleute nicht mehr durchschauen können. Solche KI-Entscheidungen beeinflussen immer stärker auch das menschliche Leben. Droht ein Kontrollverlust? Sind Regeln ein Ausweg? Oder sind diese Bedenken einfach nur übertrieben

Insbesondere im Kontext der IT-Security sind die Erwartungen übertrieben hoch, wenn es um das automatisierte Erkennen und Behandeln von Sicherheitsvorfällen geht. Die Möglichkeiten der Künstlichen Intelligenz (KI) sind gegenwärtig nicht allumfassend, sondern müssen zielgerichtet unter Einsatz des entsprechenden Know-hows implementiert werden.

Datenmissmanagement ist der entscheidende kritische Faktor, der den zukünftigen KI-Erfolg eines Unternehmens ernsthaft gefährden kann. Das ist ein Ergebnis des globalen Forschungsberichts von MIT Technology Review Insights. Welche Schritte müssen CIOs für KI-Implementierungen jetzt ergreifen?

In der Lebensmittelbranche qualifizieren sich vor allem Anwendungen der Künstlichen Intelligenz (KI) bzw. des maschinellen Lernens (ML), für die komplexe Daten oft aus mehreren Quellen überprüft und nach subtilen Korrelationen gesucht werden müssen.

Das Deep Learning Framework Caffe ist auf Modularität, Skalierbarkeit und Schnelligkeit ausgelegt. Dadurch lassen sich unter anderem Modelle für Künstliche Intelligenz innerhalb nur weniger Stunden anstatt mehrerer Tage trainieren.

Das Microsoft Cognitive Toolkit, vormals als Computational Network Toolkit (CNTK) bekannt, ist ein Deep Learning Framework für das Erstellen, Trainieren und Evaluieren von neuronalen Netzen. Im Vergleich zu Googles TensorFlow ist die Open-Source-Lösung von Microsoft eher auf Spracherkennung ausgelegt. Doch letztlich ähneln sich viele Algorithmen oder sind gar identisch.

Das Sprachverständnis der Künstliche Intelligenz (KI) kann biomedizinische Inhalte klassifizieren und extrahieren, um dadurch verwertbare Erkenntnisse zu erzielen. Beispielsweise bei der Entdeckung von Arzneimitteln, Gestaltung klinischer Studien oder der Verfolgung unerwünschter Wirkungen im Prozess der Arzneimittelsicherheit.

Die Blockchain und IOTA sind beide Distributed-Ledger-Anwendungen – und dennoch könnten sie kaum unterschiedlicher sein. Denn beide verfolgen nicht nur andere Ziele, sie sind auch noch von ihrer Struktur her vollkommen verschieden. Was sie jedoch vereint, ist ihr Potenzial.

Was passiert, wenn Qualität „Made in Germany“ mit japanischem Know-how kombiniert wird? Es entsteht der Qualitätsstandort von Fujitsu in Augsburg. Mit seiner „Smart Factory“ kann das Unternehmen jederzeit individuelle Kundenanfragen bedarfsgerecht erfüllen.