Künstliche Intelligenz - Mit Algorithmen zum wirtschaftlichen Erfolg
von: Peter Buxmann, Holger Schmidt
Springer Gabler, 2018
ISBN: 9783662575680
Sprache: Deutsch
208 Seiten, Download: 5895 KB
Format: PDF, auch als Online-Lesen
Vorwort | 5 | ||
Inhaltsverzeichnis | 7 | ||
Abbildungsverzeichnis | 11 | ||
Tabellenverzeichnis | 14 | ||
Teil I Künstliche Intelligenz als Basistechnologie des 21. Jahrhunderts | 15 | ||
1 Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens | 16 | ||
1.1 Die Geschichte der Künstlichen Intelligenz | 16 | ||
1.2 Grundlagen des Maschinellen Lernens | 20 | ||
1.2.1 Zurück in die Zukunft | 20 | ||
1.2.2 Wie funktioniert Maschinelles Lernen? | 21 | ||
1.2.3 Verfahren des Maschinellen Lernens | 22 | ||
1.2.4 Das Black-Box-Problem | 28 | ||
Literatur | 30 | ||
2 Ökonomische Effekte der Künstlichen Intelligenz | 33 | ||
2.1 Investitionen in Künstliche Intelligenz | 33 | ||
2.2 Auswirkungen der Künstlichen Intelligenz auf Produktivität und Wachstum der Volkswirtschaften | 36 | ||
2.2.1 Künstliche Intelligenz: Das Produktivitätsparadox | 36 | ||
2.2.2 Produktivitätssteigernde Automatisierung in allen Sektoren | 37 | ||
2.2.3 Die Wachstumseffekte der Künstlichen Intelligenz | 41 | ||
2.3 Auswirkungen der Künstlichen Intelligenz auf den Arbeitsmarkt | 42 | ||
Literatur | 47 | ||
Teil II Künstliche Intelligenz: Cases aus der Praxis | 50 | ||
3 Das intelligente Unternehmen: Maschinelles Lernen mit SAP zielgerichtet einsetzen | 51 | ||
3.1 Innovationsstrategie von SAP | 51 | ||
3.1.1 Die Evolution von Unternehmenssystemen | 52 | ||
3.1.2 Maschinelles Lernen bei SAP | 54 | ||
3.2 KI-Anwendungsbeispiele bei SAP | 56 | ||
3.2.1 Maschinelles Lernen für repetitive Aufgaben | 56 | ||
3.2.1.1 SAP Cash Application | 57 | ||
3.2.1.2 Weitere Anwendungsmöglichkeiten | 58 | ||
3.2.2 Maschinelles Lernen für Kundenbeziehungen (Customer Relationship Management, CRM) und E-Commerce | 58 | ||
3.2.3 Maschinelles Lernen im Marketing | 59 | ||
3.2.4 Maschinelles Lernen im Service und Vertrieb | 61 | ||
3.2.5 Maschinelles Lernen im Personalwesen | 62 | ||
3.2.5.1 Effiziente Einstellungsprozesse | 62 | ||
3.2.5.2 Lernen im Unternehmen | 63 | ||
3.3 Die Plattform von SAP für Maschinelles Lernen | 63 | ||
3.3.1 Die SAP Leonardo Machine Learning Foundation | 64 | ||
3.3.2 Anwendungsbeispiel | 65 | ||
3.4 Maschinelle Verarbeitung natürlicher Sprache | 66 | ||
3.4.1 Der Wert von Conversational UX im Unternehmen | 67 | ||
3.4.2 Technologien für Conversational UX | 68 | ||
3.5 Gesellschaftliche Implikationen | 69 | ||
3.5.1 Lebenslanges Lernen | 69 | ||
3.5.2 Partnerschaften von SAP im Bereich der Künstlichen Intelligenz | 70 | ||
Literatur | 71 | ||
4 Künstliche Intelligenz bei Amazon Spitzentechnologie im Dienste des Kunden | 73 | ||
4.1 Eine Schachpartie verändert das Spiel | 73 | ||
4.2 Künstliche Intelligenz und Maschinelles Lernen – Grundlagen und Definitionen | 74 | ||
4.3 Technologische Grundlagen für die Künstliche Intelligenz | 74 | ||
4.4 Künstliche Intelligenz im Einsatz bei Amazon | 75 | ||
4.5 Leitgedanke der KI-Forschung | 76 | ||
4.5.1 Beispiel: Supermarkt der Zukunft | 76 | ||
4.5.2 Beispiel: Neuer Weg der Paketzustellung | 77 | ||
4.5.3 Wie Algorithmen Obst sortieren | 78 | ||
4.5.4 Nachfrageprognose | 79 | ||
4.5.5 Alexa, die digitale Sprachassistentin | 80 | ||
4.5.6 X-Ray-Funktion im Kindle | 81 | ||
4.6 Chancen und Grenzen von Künstlicher Intelligenz | 81 | ||
4.6.1 Interessantere und vielfältigere Jobs durch Künstliche Intelligenz | 82 | ||
4.6.2 Mensch und Maschine | 83 | ||
4.6.3 „Partnership on AI“ adressiert Risiken von KI | 84 | ||
4.7 Fazit und Ausblick | 84 | ||
Literatur | 84 | ||
5 Anwendung eines sprachbasierten KI-Dienstes in der Gesundheitsbranche am Beispiel der Entwicklung eines Alexa-Skills | 86 | ||
5.1 Einleitung | 86 | ||
5.2 Grundlagen und Anwendungen der Spracherkennung | 87 | ||
5.2.1 Spracherkennung in der Praxis | 88 | ||
5.2.2 Sprachassistenzsysteme und Sprachdialogsysteme | 88 | ||
5.2.3 Beispiel Amazon „Alexa“ | 90 | ||
5.2.4 „Custom Skill“-Datenfluss | 92 | ||
5.2.5 Programmiersprachen und -konzepte | 93 | ||
5.2.5.1 Produkte bestellen | 96 | ||
5.3 Entwicklung des Skills | 96 | ||
5.3.1 Überblick über die Funktionalitäten des Skills | 96 | ||
5.3.1.1 Versandinformationen abfragen | 96 | ||
5.3.1.2 Benachrichtigungen abfragen | 97 | ||
5.3.1.3 Anruf anfordern | 98 | ||
5.3.1.4 Notfall melden oder abbrechen | 98 | ||
5.3.1.5 Zusätzliche Funktionen | 98 | ||
5.3.2 Programmierung | 99 | ||
5.3.2.1 Erklärung des Intent-Schemas | 99 | ||
5.4 Zusammenfassung und Ausblick | 99 | ||
Literatur | 101 | ||
6 Künstliche Intelligenz als Weg zur wahren digitalen Transformation | 103 | ||
6.1 Eine Gesellschaft im Wandel | 103 | ||
6.1.1 KI heute | 104 | ||
6.1.2 Hohe Investitionen … | 105 | ||
6.1.3 … und hohe Erwartungen | 106 | ||
6.2 Sicherheit & Risiken | 107 | ||
6.2.1 Die Kontrolle liegt im Design | 107 | ||
6.2.2 Cyber- und Datensicherheit | 108 | ||
6.2.3 Ein empfindliches Gut: Vertrauen | 108 | ||
6.3 KI in der Praxis | 109 | ||
6.3.1 Tools und Services | 109 | ||
6.3.2 KI – nützlicher Helfer in vielen Lebenslagen | 110 | ||
6.3.2.1 Wie Emma ihr Leben zurückbekam | 110 | ||
6.3.2.2 Digitalisierung der Landwirtschaft: KI schlägt Erfahrung | 110 | ||
6.3.2.3 Das intelligente Auto lernt die Straße kennen | 111 | ||
6.3.2.4 Die sehende App | 112 | ||
6.3.2.5 Die Industrie holt die KI aus der Cloud | 112 | ||
Literatur | 112 | ||
7 Offene Plattformen als Erfolgsfaktoren für Künstliche Intelligenz | 114 | ||
7.1 Einleitung | 114 | ||
7.2 Der Wettlauf um KI | 115 | ||
7.3 Die Anforderungen der Unternehmens-IT an die KI | 116 | ||
7.4 Von Big Data zur Wertschöpfung | 117 | ||
7.5 Time to Insight ist entscheidend | 118 | ||
7.6 PMML: Ein einheitlicher Branchenstandard für alle Stakeholder | 119 | ||
7.7 Plattformunabhängiges KI-Deployment | 120 | ||
7.8 Eine digitale Geschäftsplattform für KI | 121 | ||
7.9 Branchenbezogene Anwendungsfälle | 122 | ||
7.10 Vielversprechende Zukunft der KI | 123 | ||
Literatur | 124 | ||
8 Künstliche Intelligenz im Jahr 2018 – Aktueller Stand von branchenübergreifenden KI-Lösungen: Was ist möglich? Was nicht? Beispiele und Empfehlungen | 125 | ||
8.1 Einleitung: KI ist jetzt handlungsrelevant | 125 | ||
8.1.1 Gründe für die aktuellen Durchbrüche | 126 | ||
8.1.2 Narrow AI, General AI und Super AI | 127 | ||
8.1.3 Hollywood legt falsche Fährten | 128 | ||
8.1.4 Aktuelle Machbarkeiten | 128 | ||
8.2 Standortbestimmung: KI verleiht Superkräfte | 128 | ||
8.3 Chancen der KI: Disruptive Steigerung der Effizienz und Qualität | 131 | ||
8.4 Ängste vor KI: Sie werden durch Antizipation beherrschbar | 133 | ||
8.5 KI-Systeme: Es gibt Standards für das Allgemeinwohl | 134 | ||
8.5.1 Werte, Prinzipien und Standards | 135 | ||
8.6 Die IBM-Strategie: KI wird zur Kernkompetenz | 135 | ||
8.6.1 Watson: Eine modular aufgebaute KI-Plattform | 136 | ||
8.6.2 Ein System für unterschiedliche Anwender | 137 | ||
8.7 Entscheidungen: KI verbessert Entscheidungen und verhindert Fehler | 138 | ||
8.7.1 KI als Trendscout | 138 | ||
8.7.2 KI als Ratgeber zur Fehlerbehebung | 139 | ||
8.8 Wissen: KI macht komplexes Wissen beherrschbar | 139 | ||
8.8.1 Mehr Wissen für die Medikamentenentwicklung | 139 | ||
8.8.2 Mehr Wissen für die Genforschung | 140 | ||
8.8.3 Mehr Wissen zur Optimierung des Energieverbrauchs | 140 | ||
8.9 Kundenservice: KI macht den Service besser und preiswerter | 141 | ||
8.9.1 Chatbot statt Betriebsanleitung | 141 | ||
8.9.2 Chatbot statt Suchfeld | 142 | ||
8.9.3 Chatbot statt Call-Center | 142 | ||
8.10 Produktivität: KI erhöht Effizienz und Effektivität | 143 | ||
8.10.1 KI bei kniffeligen Fragen am Check-In | 143 | ||
8.10.2 KI im Input-Management | 143 | ||
8.10.3 KI in der Bilderkennung | 144 | ||
8.11 Empfehlungen für Entscheider: KI mit einem Team in kleinen Schritten angehen | 144 | ||
8.12 Fazit | 146 | ||
Literatur | 147 | ||
9 Mit Künstlicher Intelligenz immer die richtigen Entscheidungen treffen | 149 | ||
9.1 Einleitung | 149 | ||
9.2 Ein fiktives Beispiel: Wie man frei verfügbare Informationen und Künstliche Intelligenz für die Finanzindustrie nutzen kann | 152 | ||
9.3 Praxisbeispiel: Early Loss Detection (ELD) von Munich Re | 153 | ||
9.4 Notwendige Grundlagentechnologien | 155 | ||
9.4.1 Semantische Suche | 155 | ||
9.4.2 Web Mining | 156 | ||
9.4.3 Natural Language Processing | 158 | ||
9.5 KI wird unsere Wirtschaft tiefgreifend verändern | 162 | ||
Literatur | 165 | ||
10 Künstliche Intelligenz schafft neue Geschäftsmodelle im Mittelstand | 166 | ||
10.1 Einleitung | 166 | ||
10.2 Neue Geschäftsmodelle dank Künstlicher Intelligenz | 167 | ||
10.3 Daten sind der gemeinsame Nenner | 168 | ||
10.4 Sam Digital Hub | 170 | ||
10.5 Samsons interne Transformation | 171 | ||
10.6 Ventildiagnose mit Trovis Solution | 171 | ||
10.7 Allgemeine Erfahrungen mit Künstlicher Intelligenz | 172 | ||
10.8 Fazit | 176 | ||
Literatur | 176 | ||
11 KI-Innovation über das autonome Fahren hinaus | 178 | ||
11.1 Die Bedeutung von Künstlicher Intelligenz in der Automobilindustrie | 178 | ||
11.1.1 Innovation braucht Struktur – Data:Lab Munich | 179 | ||
11.1.2 Arbeitsweise | 181 | ||
11.1.3 Anwendungsbereiche | 181 | ||
11.2 Machine Learning im Rennsport | 181 | ||
11.3 Natural Language Processing | 183 | ||
11.3.1 Funktionsweise | 183 | ||
11.3.2 Erprobung von Bots im Einkauf | 183 | ||
11.3.3 NLP-Unterstützung in der Logistik | 185 | ||
11.4 Quantum Computing | 185 | ||
11.4.1 Quantum Computing bei Volkswagen | 186 | ||
11.4.2 Ausblick | 188 | ||
Literatur | 188 | ||
Teil III Künstliche Intelligenz: Fortschritt mit Leitplanken | 191 | ||
12 Singularity und weitere kritische Debatten über Künstliche Intelligenz | 192 | ||
Literatur | 197 | ||
13 Wettbewerbsvorteile durch Künstliche Intelligenz | 200 | ||
Literatur | 203 | ||
Sachverzeichnis | 205 |