Nach Mobile-First folgt die nächste Digitalisierungsphase: AI-First
Seit 10 Jahren sind Smartphone in unserem Alltag angekommen. Die Mobilisierung war so allumfassend, dass Mobile-first die strategische Priorität für Unternehmen bei der Planung Ihrer Produkte und Services widerspiegelte.
AI-Lösungen (KI – Künstliche Intelligenz) werden von Großunternehmen bereits seit vielen Jahren eingesetzt. Amazon, Google, Apple, Tesla, IBM entwickeln Branchenlösungen für einen wachsenden Markt. Mit zunehmender Rechenpower und Marktdurchdringung werden AI-Lösungen in den nächsten Jahren so günstig und zugänglich, dass auch kleine und mittelständische Unternehmen AI-Lösungen in Ihre Workflows einbinden können. Besonders agile Unternehmen – Startup´s, planen Produkte und Services von Anbeginn unter Einbezug von AI.
Die folgende Übersicht zeigt die Marktgröße in Relation zu den einzelnen Branchen in denen AI zum Einsatz kommt.
Im Kontext von AI / KI existiert eine Flut von Begrifflichkeiten und Konzepten, deren Abgrenzung erst durch die Kenntnis dieser möglich ist. So wird heute immer häufiger von „Predictive Machines„ gesprochen. AI / KI wird im Wesentlichen in 2 Ansätze unterteilt – den traditionellen Machine Learning Ansatz und den in den letzten Jahren entwickelten Deep-Learning Ansatz. Predictive Machines sind Anwendungen des Machine Learnings – Texterkennung, Bilderkennung, Spracherkennung, Mustererkennung basieren auf Algorithmen des maschinellen Lernens und werden daher Predictive Machines genannt.
Machine Learning wird als AI / KI bezeichnet, weil das Ergebnis – die Vorhersage / Prediction eine Schlüsselkompetenz für Intelligenz ist. Wir nutzen unsere Erfahrungen um Vorhersagen machen zu können. Maschine Learning hingegen berechnet Prediction basierend auf Daten, die zur Verfügung stehen und generiert so Informationen und Daten die nicht zur Verfügung stehen. Vorhersagen haben Auswirkungen auf unser Verhalten, sie beeinflussen Entscheidungen.
Empfehlungen auf einer Website, Entscheidungen über Konditionen für Kredite und Versicherungen, CRM-Prioritäten, das nächste Urlaubsziel oder die nächste Serie … wir sind umgeben von Prediction Machines.
Artificial Intelligence
Künstliche Intelligenz (KI) ist ein weitreichender Zweig der Informatik, der sich mit dem Bau intelligenter Maschinen befasst, die Aufgaben erfüllen können, die normalerweise menschliche Intelligenz erfordern. Die KI ist eine interdisziplinäre Wissenschaft mit vielfältigen Ansätzen, aber die Fortschritte im maschinellen Lernen und das tiefe Lernen bewirken einen Paradigmenwechsel in praktisch jedem Sektor der Technologieindustrie.
Maschinelle Lernalgorithmen erkennen Muster und lernen, wie Vorhersagen und Empfehlungen durch die Verarbeitung von Daten getroffen werden können ohne, explizite Programmieranweisungen zu erhalten. Die Algorithmen passen sich auch an neue Daten an und steigern über die Zeit die Genauigkeit der Vorhersagen – Prediction accuracy.
ML wird in folgende 3 Ansätze unterschieden:
Supervised Learning Menschen trainieren Algorithmen indem Sie durch Trainingsdaten und Feedback mit dem Algorithmus interagieren. So lernt dieser z. B. durch Texterkennung Rechnungen zu klassifizieren und zuzuordnen.
Unsupervised Learning Algorithmen analysiert und klassifiziert Daten und erkennt so Muster – z. B. Zielgruppen aus den demografischen Kundendaten zu identifizieren.
Reinforcement Learning: Ein Algorithmus lernt eine Aufgabe zu erfüllen, indem er mit jeder Berechnung seinem vorgegebenen Ziel – z. B. der Rendite eines Anlageportfolios, näher kommt.
Machine Learning
Deep Learning
Deep Learning ist eine Art des maschinellen Lernens, das eine große Menge an Daten verarbeiten kann. Es erfordert weniger Datenvorverarbeitung durch den Menschen und liefert genauere Ergebnisse als traditionelle maschinelle Lernansätze liefern. Beim maschinellen Lernen bilden miteinander verbundene Schichten von softwarebasierten Rechnern, die als „Neuronen“ bezeichnet werden, ein neuronales Netzwerk. Das Netzwerk kann riesige Mengen an Eingabedaten aufnehmen und über mehrere Schichten verarbeiten, die auf jeder Schicht immer komplexere Merkmale der Daten lernen. Bilderkennung ist eine Anwendung, bei dem ein bereits erlerntes Objekt in einem anderen Bild erkannt wird.
