Dipl. Betriebswirt Otto Geißler

Freier Journalist

Artikel des Autors

Das Marktforschungsunternehmen Gartner stellte den Begriff Augmented Analytics in der Studie über den „Hype Cycle for Emerging Technologies“ vor. Augmented Analytics-Tools werden als der nächste Meilenstein in der intelligenten Datenanalyse gehandelt.

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.

„Das ,Shazamen von Daten' ist weniger als Produktankündigung zu verstehen, sondern als langfristiger Trend. Es ist eine Analogie: Shazam und die Datenerkennung. Für uns und andere Anbieter gibt es noch einiges zu tun, um diesen Trend voranzutreiben und Daten so nutzen zu können, wie es Shazam mit Musikstücken kann“, sagt Wolfgang Kobek, SVP EMEA beim Data-Analytics-Spezialisten Qlik.

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.

Zu den wichtigsten Trends für 2020 gehören Wide Data, DataOps und Self-Service Analytics sowie das „Shazamen“ von Daten.

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.

Während noch an künftigen Anwendungen der Bioinformatik für die Medizin geforscht wird, nimmt die Datenflut im medizinischen Bereich tagtäglich weiter zu. Die Entwicklung zielt in die Richtung einer digital-vernetzten und personalisierten Medizin.

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.

Noch stehen Daten- und KI-getriebene digitale Geschäftsmodelle in der deutschen Industrie vor allem bei kleineren Unternehmen in ihren Anfängen. Doch die Potenziale sind groß.

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.

Transaktions-Speichermechanismen wie IOTA sind eine echte Herausforderung für die bislang dominante Blockchain. Aber auch die Blockchain wird stetig weiterentwickelt.

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.

Seit der Einführung von TensorFlow im November 2015 wurde das Framework mehr als 41 Millionen Mal heruntergeladen. Weltweit arbeiten über 1.800 Entwickler daran.

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.

Blindes Vertrauen in die Ergebnisse, die KI-Systeme liefern, kann mitunter sehr gefährlich sein. Daher müssen die KI-Systeme kritisch im Auge behalten werden.

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

Das Management verfügt häufig über keine klaren Vorstellungen, was Datenanalysen bewirken sollen. So fehlt es beispielsweise am Verständnis für den Unterschied zwischen traditioneller Analytik (Business Intelligence und Reporting) und fortgeschrittener Analytik.

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.

Apache Kafka verbessert herkömmliche Message-Broker durch Optimierungen beim Datendurchsatz, bei der Partitionierung, Replikation, Latenz und Zuverlässigkeit.

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.

Welches Analyse-Tool eignet sich? Vor einer Implementierung sollten sich Unternehmen zunächst über den jeweiligen Anwendungsfall als auch die Art und den Umfang der zu analysieren Daten Klarheit verschaffen.

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.

Das Microsoft Cognitive Toolkit wurde aus einer Notsituation heraus geboren. Da die damals zur Verfügung stehenden Tools zur Erkennung von Sprache nicht leistungsfähig genug waren, suchte man im Hause Microsoft nach einer besseren Variante.

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.

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.

Das Open Source Deep Learning Framework Caffe zeichnet sich durch seine Schnelligkeit aus.

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.

TensorFlow, das Framework für die Programmierung Neuronaler Netze, basiert auf einem C++ Low Level-Backend, das über eine Python-Bibliothek gesteuert wird und sich sowohl auf CPU als auch GPU (Clustern) ausführen lässt. TensorFlow ermöglicht eine Darstellung von beliebigen Neuronalen Netzen durch gerichtete zyklenfreie Graphen, die auf verteilten Computer-Systemen abgebildet werden können.

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?

Der Eingang zum Fujitsu-Campus in Augsburg

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.

TensorFlow, Open-Source-Softwarebibliothek für maschinelles Lernen, soll die gesamte Community des maschinellen Lernens, von der wissenschaftlichen Forschung über Ingenieure bis hin zu privaten Nutzern, dazu befähigen, in kürzerer Zeit Ideen per Programm-Code miteinander auszutauschen.

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.