des Zentrums für Künstliche Intelligenz in MV
Ausgabe 1
Was ist Künstliche Intelligenz?
von Ole Fenske, Anne Gutschmidt & Hannes Grunert
Mit der Digitalisierung fallen in Unternehmen viele neue Daten an. Häufig verwenden wir den Begriff Big Data, um sehr große Mengen von Daten zu umschreiben. Hinzu kommt, dass diese Daten unter Umständen in unterschiedlichen Formaten vorliegen und sehr dynamisch sind, d.h., sie ändern sich fortlaufend. Um diese Daten nutzbar zu machen und wertvolle Informationen daraus zu gewinnen, reichen herkömmliche Auswertungsverfahren in der Regel nicht mehr aus. Es bedarf Verfahren der Künstlichen Intelligenz (KI). Sie sind der Schlüssel, um z. B. Dienstleistungen oder Produkte zu verbessern oder sogar Innovationen hervorzubringen. KI setzt also dort an, wo Probleme der Datenauswertung schwer lösbar oder sogar unlösbar erscheinen.
Ausgabe 2
Einführung von KI in Unternehmen
von Kurt Sandkuhl
Die Erwartungen an die Künstliche Intelligenz sind groß, wenn man Marktstudien, Prognosen von Experten oder Umfragen unter Unternehmen glaubt. Es herrscht aber Einigkeit unter Experten, dass KI auch hier zur Steigerung der Wettbewerbsfähigkeit, Schaffung neuer Produkte und Dienstleistungen oder Verbesserung der Arbeitsqualität dienen kann. Viele Unternehmen beschäftigen sich mit den Möglichkeiten von KI oder planen die Realisierung betrieblicher Lösungen. Die Einführung von KI in Unternehmen ist daher ein aktuelles und relevantes Thema, auf das sich dieses Whitepaper konzentrieren soll. Im Folgenden werden wir zunächst auf Voraussetzungen eingehen, die in Unternehmen idealerweise schon bestehen sollten, wenn Künstliche Intelligenz eingeführt werden soll, um danach den eigentlichen Einführungsprozess grob zu skizzieren.
Ausgabe 3
mlr³ Shiny: Machine Learning ohne Programmierkenntnisse
von Gero Szepannek, Laurens Tetzlaff & Alexander Frahm
Verfahren des Predictive Modelling haben in der jüngeren Vergangenheit in unterschiedlichste Bereiche der Industrie Einzug gehalten. Hierbei werden datengestützt Prognosemodelle entwickelt, um zukünftige Geschäftsentscheidungen bewerten zu können. Alle diese Anwendungen eint, dass die Eintretenswahrscheinlichkeit eines zukünftigen Ereignisses (z.B. Kaufentscheidung: ja/nein) vorhergesagt werden soll. Die hierfür verwendeten Verfahren aus dem Bereich des Machine Learning sind dabei die Gleichen. In den vergangenen Jahren wurden zahlreiche frei verfügbare Softwarelösungen entwickelt, die es Unternehmen ermöglichen, kostengünstig Vorhersagemodelle auf Basis Ihrer eigenen Daten zu erstellen. Dies setzt dabei jedoch in der Regel Programmierkenntnisse voraus. Das hier vorgestellte, an der Hochschule Stralsund entwickelte mlr3shiny bietet einen einfachen Einstieg auch ohne Programmierkenntnisse.
Ausgabe 4
Assistenzsysteme
von Mario Aehnelt, Michael Fellmann & Thomas Kirste
Mit der Verbreitung der Technologien des Mobile und des Wearable Computing – wie etwa Smartphones und Smartwatches – ist es möglich geworden, spezifische assistive Unterstützung auf einfache und unaufdringliche Weise praktisch jederzeit und an jedem Ort kostengünstig zur Verfügung zu stellen. Prominente Beispiele für derartige Assistenzsysteme sind Apps zum Fitness-Training, Stress-Management oder zur Routenfindung. Sie alle nutzen Sensoren, um Daten aufzuzeichnen, zu analysieren und ihre Funktion an die aktuelle Situation anzupassen. Methoden der künstlichen Intelligenz ermöglichen diese Anpassung selbst dann zu realisieren, wenn das Assistenzsystem die Situation mit Hilfe seiner Sensoren nur unscharf erfassen kann. Dies ist intelligente, situationsadaptive Assistenz. Ziel dieses Whitepapers ist, eine Vorstellung davon zu vermitteln, was ubiquitäre und situationsadaptive Assistenzsysteme sind und welche technischen Herausforderungen für ihre Realisierung adressiert werden müssen. Dazu stellen wir zur Illustration konkrete Anwendungsbeispiele aus unserem Projekt- und Forschungsumfeld vor.
Ausgabe 5
Knowledge Graphs
von Achim Reiz
In den letzten Jahren sind riesige Datensammlungen entstanden. Ein Mehrwert entsteht meist dann, wenn diese Daten für datenbasierte Entscheidungen genutzt werden können. Voraussetzung dafür ist die Integration und Verknüpfung der Daten untereinander. Dies gestaltet sich jedoch aufgrund heterogener Strukturen und einer Vielzahl von Systemen oft schwierig. Einen Lösungsansatz bieten Knowledge Graphs, die Daten in einer vernetzten Graphenstruktur modellieren. Durch formale Regeln, die in einer Ontologie zusammengefasst sind, können komplexe Zusammenhänge erklärt und neues Wissen automatisch erkannt werden. Diese Kombination aus Ontologie und Daten bildet die regelbasierte künstliche Intelligenz. Dieses Whitepaper soll eine kurze Einführung in das Themengebiet geben. Es stellt die Grundbausteine der Technologie vor und zeigt, warum wir auch in Zeiten von Sprachmodellen weiterhin strukturiertes Wissen benötigen.