Intro
Dass Künstliche Intelligenz für die Wirtschaft enorme Chancen eröffnet, wird schon länger nicht mehr angezweifelt. In der auch 2021 wiederholten Studie des deutschen Digitalverbands Bitkom zum Einsatz von KI sehen fast 70% der 600 befragten Unternehmen KI überhaupt als die wichtigste Zukunftstechnologie. Über 60% sehen dabei auch direkte Chancen für das eigene Geschäft. Nur 11% glauben, selbst von KI-Technologien überhaupt nicht beeinflusst zu werden [1].
Wie in Abbildung 1 gezeigt, spiegeln sich diese Erwartungen allerdings nicht in den Strategien bzw. Maßnahmen der Unternehmen wider. Der Anteil an Unternehmen, welche die Künstliche Intelligenz bereits aktiv einsetzen liegt nach wie vor deutlich unter 10% und auch nur weitere 30% planen oder diskutieren den Einsatz.
Abbildung 1 – KI Nutzung in Deutschland (2021: n=603, 2020: n=603, 2019: n=606, 2018: n=604) [1]
Gründe für diese Diskrepanz gibt es mehrere. Einerseits zeigt sich, dass vorwiegend in Großunternehmen in KI investiert wird. Dort sind zum Teil auch eigene Teams mit der Technologie befasst. Je kleiner die Unternehmen, desto weniger passiert an Eigenentwicklung. Dennoch werden einzelne Potentiale durch Standard-Produkte gehoben. Konkreter heruntergebrochen fehlt es zumeist an zeitlichen Kapazitäten, eng verbunden mit Budgets, oder einer fehlenden Datenbasis.
Beim Lesen dieser Auswertung fällt die einseitige Betrachtung auf. Argumente wie „zu wenig Zeit“ oder „kein entsprechendes Budget“ berücksichtigen nur die Kosten-Seite. Was komplett außen vor gelassen wird ist die Nutzen-Seite mit dem entsprechenden Mehrwert, der geschaffen wird. Daraus leiten wir ab, dass diese Potentialanalyse vielerorts noch nie durchgeführt wurde.
Als Lösung, um diese Analyse effizient durchführen zu können, haben wir die Cloudflight AI Patterns entwickelt. Diese sind ein strukturierter Beratungsansatz, um von der reinen Kostensicht über die Identifikation der möglichen Einsatzbereiche von Künstlicher Intelligenz im Unternehmen zu einer ROI-Betrachtung zu kommen. Als offensichtlichen Mehrwert können Unternehmen Einzelmaßnahmen entsprechend wirtschaftlicher Kalkulationen treffen. Darüber hinaus werden mögliche Synergien sichtbar, was längerfristige Entscheidungen auf strategischer Ebene erleichtert.
KI Transformation
Neben Digitaler Transformation sprechen wir inzwischen häufig auch von KI-Transformation. Ähnlich wurde auch bereits der Begriff „AI native“ geprägt, für Unternehmen, welche ihre Geschäftsmodelle und Prozesse durchgängig auf den Möglichkeiten dieser Technologie aufbauen.
Was aber unterscheidet KI nun von anderen Technologien oder Innovationen, sodass eine derart umfangreiche Betrachtung gerechtfertigt oder sogar notwendig ist? Wichtig zu verstehen ist, dass Künstliche Intelligenz keine fertige Anwendung, sondern eine Basistechnologie ist. Als solche ist sie bereits mit der Elektrizität verglichen worden (Andrew Ng: „Just as electricity transformed almost everything 100 years ago, today I actually have a hard time thinking of an industry that I don’t think AI will transform in the next several years.“) [2]. Auch diese findet sich in unterschiedlichsten Anwendungen wieder, in welchen sie dann erst ihren Mehrwert liefert.
Natürlich gibt es KI-Produkte, die Unternehmen einfach zukaufen können und welche auch sofort einen Mehrwert liefern. Nehmen wir autonome Fahrzeuge als Beispiel, welche wir in absehbarer Zeit zur Verfügung haben werden. Dienstfahrten erfordern dann keine Aufmerksamkeit mehr für das Fahren an sich. Somit können die betroffenen Personen die Fahrtzeit für andere Tätigkeiten nutzen, wodurch unmittelbar ein positiver Effekt entsteht. Allerdings steht diese Möglichkeit allgemein zur Verfügung. Es wird sich also ein gewisser Effizienzgewinn ergeben, aber keine nachhaltige Möglichkeit zur Differenzierung.
Anders stellt sich die Situation dar, wenn es um die Kernprozesse eines Unternehmens geht. Hier liegt das Potential, sich am Markt zu profilieren, entsprechend höher. Es erfordert aber eine andere Art von Investment. Entscheidend ist hier, das eigene Geschäft vor dem Hintergrund der geänderten technologischen Möglichkeiten neu zu bewerten. Bereits heute werden arbeitsaufwändige Dienstleistungen zum Teil automatisiert. Das kann eine substanzielle Bedrohung für Unternehmen darstellen, aber umgekehrt auch entsprechende Chancen. Diese sind – etwa anhand bekannter Methoden wie einer SWOT-Analyse – zu bewerten und in der Unternehmensstrategie zu berücksichtigen.
Herausfordernd dabei ist, nicht nur den aktuellen Stand der Technik zu berücksichtigen, sondern auch die weitere Entwicklung zu antizipieren. Hier lohnt es sich, Fachleute hinzuzuziehen, welche auch die aktuellen Forschungsthemen mit ihren jeweiligen Innovationstempos kennen.
Nicht täuschen lassen darf man sich von Meldungen über die hohe Anzahl an KI-Projekten, welche es niemals in den Produktivbetrieb schaffen. Die gesamte Industrie hat aus solchen Fehlschlägen an Erfahrung gewonnen – und besonders jene Unternehmen, die hier früh investiert haben. Man hat gelernt, dass ethische Fragen bei KI-Transformation mitzudenken sind, dass die Einführung von größeren KI-Systemen auch ein Thema der Organisationsentwicklung ist, oder dass realistische Erwartungen und Akzeptanz so früh wie möglich gesichert sein müssen. Aber auch die Technik hat sich sehr schnell weiterentwickelt – anhand immer mächtigerer, öffentlich verfügbarer Frameworks, Modelle oder Services lassen sich bereits mit moderatem Aufwand beeindruckende Resultate erzielen.
-
AI Patterns Ansatz
Ein einzelnes AI Pattern definieren wir als ein wiederkehrendes Einsatzmuster von Künstlicher Intelligenz. Es ist beschrieben durch einen eindeutigen Namen, eine generische – von Branchen oder Unternehmensbereichen unabhängige – Beschreibung der Herausforderung, sowie mehrerer Einsatzbeispiele zum konkreteren Verständnis.
Sich an derartigen Mustern zu orientieren hat eine Vielzahl an positiven Effekten – angefangen vom gemeinsamen Verständnis über die Ausprägungen von KI und die relevanten Begriffe, über Erfahrungswerte zu den tatsächliche erreichbaren Kosten-/Nutzen-Effekten, bis hin zur effizienteren Umsetzung aufgrund von wiederverwendbaren Softwarekomponenten. Die Gesamtmenge der AI Patterns gewährleistet zudem, dass auch alle relevanten Bereiche durchgängig mit betrachtet werden.
Wichtig zu betonen ist dabei, dass das Orientieren an wiederkehrenden Mustern nicht der Individualisierung und einhergehenden Differenzierung im Weg steht. Hier gibt es ausreichend Gestaltungsspielraum in der eigentlichen Anwendung und Umsetzung der Muster, sodass hier sehr wohl auch Wettbewerbsvorteile erarbeitet werden können.
Die KI-Bereiche
Künstliche Intelligenz ist mittlerweile ein sehr breites Feld. Plakative Beispiele reichen von der medizinischen Forschung über Spracherkennung bis hin zu selbstfahrenden Autos. In Hinblick auf aktuelle Anwendungen haben wir folgende Bereiche abgegrenzt, um auch die AI Patterns zu strukturieren:
Sprachverarbeitung
Die Verarbeitung Natürlicher Sprache (NLP) ist ein aktuell sehr stark wachsendes Feld. Einerseits wird dies gestützt durch einige technische Durchbrüche in den letzten Jahren, sowie die immer mächtigeren verfügbaren Sprachmodelle auf welchen Anwendungen aufbauen können. Auf der anderen Seite ist es ein Einsatzgebiet von Künstlicher Intelligenz, welches – unabhängig von Branche oder Größe – jedes einzelne Unternehmen betrifft.
Selbst wenn Kernprozesse bereits sehr weit durchdigitalisiert sind, findet man in den meisten Unternehmen Modalitätsbrüche. Immer wieder kommt es vor, dass Personen Informationen aus Emails oder Dokumenten in ein weiterführendes System überführen müssen. Das bedeutet, Informationen die grundsätzlich, in natürlicher Sprache bereits vorhanden sind, müssen manuell strukturiert und ein weiteres Mal eingepflegt werden.
Neben diesem Muster der Informations-Extraktion gibt es eine große Menge ähnlich gelagerter Anwendungen, von einer einfachen Klassifizierung von Dokumenten bzw. auch nur kleinen Textausschnitten bis hin zu komplexen Chatbot Systemen.
Ein weiterer Aspekt rund um natürliche Sprache ist natürlich auch die gesprochene Sprache. Neben der Automatisierung von Diensten wie Telefonumfragen kommt Spracherkennung auch dort zum Einsatz, wo Maschinen bedient werden sollen während die Hände für andere Tätigkeiten – wie klassisch, das Lenken eines Fahrzeugs – benötigt werden.
Bild- / Video-Verarbeitung
Neben der Sprache ist die visuelle Wahrnehmung für uns Menschen eine extrem wichtige Einflussgröße unseres Handelns. Wir können Gefahren sehen und reagieren oder durch das Erfassen einer Szene auch frühzeitig abwenden. Ebenso können wir steuern, indem wir einen Gegenstand zielgerichtet greifen oder einer Straße folgen. Dies setzt sich nun auch in der Technologieanwendung fort. Ende 2020 etwa verkündete Tesla, in ihren Fahrzeugen rein auf Farb-Kameras zu setzen und alternative Technologien, wie etwas Laser nicht weiter zu benötigen [3].
Künstliche Intelligenz hilft auch hier mit deskriptiven Ansätzen, Modalitätsbrüche zwischen der realen Welt und in Software gegossene Prozesse und Entscheidungswege zu überwinden. Offensichtliche Anwendungen sind Maschinen und Roboter, welche sich anfänglich in wohldefinierten, abgegrenzten Umgebungen, mittlerweile aber auch in öffentlichen Räumen bewegen. Das sind nicht nur die viel zitierten autonomen Fahrzeuge, sondern etwa auch Reinigungsmaschinen oder allgemeine Assistenz-Roboter.
Neben mobilen Robotern gibt es auch eine Vielzahl an Einsatzbereichen in stationären Anlagen. Zutrittssysteme profitieren von visuellen, biometrischen Merkmalen. Co-Bots, welche mit Menschen zusammenarbeiten, müssen ihre Umgebung kennen um effizient, aber vor allem sicher zu arbeiten. Ein weiteres für die Industrie sehr wichtiges Thema ist die Qualitätssicherung.
Zeitreihenanalysen
Von Zeitreihenanalyse sprechen wir dann, wenn nicht nur ein aktueller Wert von Relevanz ist, sondern auch dessen Entwicklung. Das kann Trends in wirtschaftlichen Daten wie Nachfrage oder Preise betreffen. Kennt man die eigene Absatzentwicklung kann man Ressourcen effizienter planen, punktuell höhere Nachfrage durch Produzieren auf Lager abfedern, Rohmaterialen zeitgerecht bestellen ohne aber mehr als notwendig auf Vorrat halten zu müssen, etc. Weitere Dynamik bringt der Markt hier mit schwankenden Preisen mit ein. Jeder möchte so günstig wie möglich zukaufen und so teuer wie möglich verkaufen.
Im industriellen Umfeld kommen zudem Daten aus der Fertigung hinzu. Hier ist eine Vielzahl an Sensoren im Einsatz welche Temperaturen, Drücke, Geschwindigkeiten, etc. überwachen. In einfacheren Fällen kann man anhand eines einzelnen Sensorwerts bereits Rückschlüsse darauf ziehen, ob der dahinterliegende Prozess läuft wie gewollt. Oft ist es aber erst das mehr oder weniger offensichtliche Zusammenspiel unterschiedlicher Größen welches diese Erkenntnisse liefert. Ein wichtiger Anwendungsfall hier ist die vorausschauende Wartung. Hier führt man Wartungsintervalle nicht mehr präventiv in defensiv kurz gewählten Intervallen durch, sondern beobachtet den tatsächlichen Verschließ oder sich anbahnende Defekte und reagiert nach Bedarf.
Strategie-Lernen
Die bislang vorgestellten Einsatzfelder und Techniken Künstlicher Intelligenz sind einerseits deskriptiv – da bedeutet, sie helfen die reale Welt durch strukturierte Daten zu beschreiben – bzw. prädiktiv – das bedeutet, sie liefern Vorhersagen über die zukünftige Entwicklung bestimmter Zielgrößen. Was beide Varianten offenlassen, sind konkrete Handlungen, die daraus abzuleiten sind. Dies bleibt entweder nachfolgenden Softwaresystemen mit formalisierten Entscheidungsprozessen überlassen, oder dem Menschen, welcher in seiner Entscheidungsfindung unterstützt wird.
Ein Feld von Künstlicher Intelligenz beschäftigt sich mit so genannten präskriptiven Methoden, welche direkt Handlungen empfehlen bzw. längerfristige Strategien entwickeln. Angelehnt sind diese an der Verhaltenspsychologie und dem bestärkenden Lernen. Die Idee dahinter ist einfach: ein Akteur handelt innerhalb seiner Umgebung und bekommt dabei für einzelne Aktionen positives oder negatives Feedback. Mit der Zeit lernen wir Menschen, das positive Feedback zu maximieren und auch, dass dabei nicht immer kurzfristige Gewinne ausschlaggebend sind sondern vielmehr der langfristige Erfolg.
Anwendungen im Geschäftsbereich gibt es unzählige. Von Trading-Strategien an Finanzmärkten, über Anlagensteuerungen in wechselnder Umgebung reichen sie bis zur Optimierung von Konsum-Empfehlungen in andauernden Kundenbeziehungen.
Allgemeine Techniken
In einer abschließenden Sammlung an KI-Techniken fassen wir alle jene zusammen, welche allgemeingültig sind und sich nicht eindeutig in eine der Subkategorien einordnen lassen. Auf der anderen Seite gibt es auch spezialisierte Einsatzgebiete, die zwar für einzelne Branchen sehr relevant sind, allerdings nicht die ausreichende Breite besitzen eine eigene Kategorie zu begründen.
Unter die generischen Methoden fällt zum Beispiel die Anomalieerkennung. Diese kann man sowohl auf Text, Bild, als auch Zeitreihen an Finanz- oder Sensor-Daten durchführen. Sie soll hier nochmal explizit erwähnt sein, um in der Analyse auch auf übergreifende Anwendungen ausreichend einzugehen.
Ein anderes Beispiel sind generative KI-Methoden. Hier ahmt die Künstliche Intelligenz Kreativität nach und erzeugt Bilder, Text, Tonspuren, etc. die es in der Realität nie gab. Das reicht von künstlich generierten Fernsehsprechern bis hin zu tausenden, anhand definierbarer Anforderungen generierten, Entwürfen im Industrie-Design aus welchen die Fachexperten dann auswählen können.
Natürlich könnte man hier auch noch in weiteren Bereichen ins Details gehen. Neben Sprache und Bild, wäre etwas die Audioverarbeitung ein prädestiniertes Feld, wenn man von der menschlichen Wahrnehmung ausgeht. Die Praxis hat jedoch gezeigt, dass die unterschiedlichen Use Cases hier in Einzelfällen hoch relevant sind, jedoch über die Branchen hinweg weniger breit zum Einsatz kommen. Ähnliches gilt auch für die oben bereit erwähnten generativen KI-Ansätze. Diesen Sachverhalt decken wir mit den hier entsprechenden breiter gefassten AI Patterns ab.
Die Unternehmensbereiche
In jedem Unternehmen gibt es unterschiedliche Bereiche – von Produktentwicklung und Produktion bzw. Dienstleistung als oftmalige Kernthemen bis hin zu Personalwesen, Finanzen, Marketing, Sales, etc. Je größer das Unternehmen, desto mehr bzw. feiner gegliederte Einheiten kommen hier hinzu. Es ist naheliegend, eine Transformation in den Kernbereichen zu beginnen, um sich am Markt zu differenzieren bzw. in jenen Bereichen in welchen Optimierungen aufgrund hoher Volumina den größten Hebel erzielen.
Dennoch sind, wenn wir von KI-Transformation sprechen, alle Unternehmensbereiche mit einzubeziehen. Die unterschiedliche Relevanz und Art wie die Bereiche zum gemeinsamen Unternehmenserfolg beitragen, wirkt sich jedoch in differenzierten Zielsetzungen aus. Eine Stellgröße ist die bereits oben angesprochene Abwägung der notwendigen Differenzierung. Hier kann man auf die allgemeine Unternehmensstrategie zurückgreifen und daraus Kernbereiche ableiten, in welchen sich Investitionen in Individuallösungen rentieren bzw. diese vielleicht sogar notwendig sind. In anderen Bereichen kann auf Standard-Lösungen zurückgegriffen werden. Der KI-Markt ist so weit gereift, dass es mittlerweile ein sehr breites Angebot an KI-Produkten gibt.
Neben der Differenzierung gilt es auch abzuwägen, wie weit eine KI-Unterstützung, Automatisierung bzw. Autonomisierung aus Kosten-/Nutzen-Überlegung wirtschaftlich sinnvoll ist. Daneben spielen natürlich weitere Aspekte, wie etwa beschränkte Skalierungsmöglichkeiten aufgrund von Personalmangel bzw. der Arbeitsmarktsituation, evtl. höhere Durchlaufgeschwindigkeiten, nutzbare Synergieeffekte oder schlichtweg Marketingzwecke eine Rolle. Ziel eines Transformationsprojekts ist jedoch nicht, jeder Einsatzmöglichkeit hinterher zu laufen, sondern die Potentiale von KI zu kennen und beurteilen zu können. KI-nativ bezeichnet darüber hinaus das Mindset, rechtfertigen zu müssen, wieso KI in einem Unternehmensbereich nicht zum Einsatz kommen sollte, anstatt in die andere Richtung zu argumentieren.
Produktion
Produktion sieht in unterschiedlichen Branchen sehr divers aus. Im Sinne eines einheitlichen Vorgehens betrachten wir auch das Erbringen einer Dienstleistung als Produktion. Im klassischen, industriellen Sinne ist dieser Bereich jedoch oft verknüpft mit der Erhöhung des Automatisierungsgrads von Maschinen und Anlagen, sowie der frühzeitigen Erkennung und Behandlung von Fehlern, Qualitätsproblemen oder Zeitproblemen. Je geringer die Losgrößen, desto mehr wird auch die Unterstützung beim Produktdesign sowie der Festlegung und Optimierung des eigentlichen Produktionsprozesses und seiner Parameter zu einem relevanten Faktor.
Produkt
Immer mehr Produkte werden selbst intelligent. Das betrifft in erster Linie nativ digitale Produkte – Consumer-Apps und -Plattformen genauso wie Enterprise-Software. Aber auch ursprünglich analoge Produkte werden zunehmend mit Software und Intelligenz angereichert. Je nach Art des Produkts sind hier alle KI-Themenfelder zu betrachten.
Bei der Bewertung von KI-Potentialen gilt es auch, die Möglichkeiten neuer Produkte auszuloten. So können etwa besonders effizient umgesetzte Lösungen aus anderen Unternehmensbereichen zu einem eigenen Produkt werden.
Marketing, Sales, After-Sales
Marketing ist heute ein nicht zu unterschätzendes Anwendungsfeld Künstlicher Intelligenz. Zum einen geht es dabei um Themen wie Kundensegmentierung, gezielte Produktplatzierung und zielgruppengerechte Ansprache. Zum anderen spielen in der Kundenbetreuung Chatbots eine immer größere Rolle. Dabei ist zu beachten, dass sich die Technologie nicht nur auf Webseiten beschränkt, sondern ebenso Emails oder andere Formen der Kundenkommunikation behandeln und entweder selbst antworten oder themenabhängig an die richtige Fachabteilung weiterleiten kann. Auch die Erkennung relevanter Informationen zu einer Bestellung kann extrahiert und an die nachgelagerten ERP-Systeme übergeben werden.
Über Sprach-Schnittstellen können weiters Telefonate die einer gewissen Struktur folgen automatisiert werden. Beispiele dafür sind Telefonumfragen oder Terminreservierungen.
Logistik
Von Routenoptimierungen und selbstfahrenden Gabelstaplern über autonome Steuerung von Lagern und Überwachung gelagerter Güter bis hin zur Automatisierungen der „Papier-Arbeit“ wie dem Abgleich gescannter Lieferscheine mit Bestellungen und Rechnungen reichen die Anwendungen in der Logistik.
Bezieht man darüber hinaus die Supply Chain an sich in den Logistikbereich mit ein, so kommen noch Unterstützung bei der Lieferantenbewertung oder die optische Qualitätskontrolle gelieferter Rohstoffe bzw. Bauteile mit hinzu.
Weitere
Ähnliches lässt sich für die übrigen Unternehmensbereiche fortsetzen. Die Ausführung soll jedoch verdeutlichen, wie vielseitig Künstliche Intelligenz in unterschiedlichsten Prozessen genutzt werden kann. Auf welchen dieser Bereiche ein entsprechender Fokus gelegt werden soll, ist unternehmensspezifisch und hängt unter anderem vom Geschäftsgegenstand und -modell ab, dem allgemeinen Digitalisierungsreifegrad, signifikanten Personalengpässen und bestehenden Kostenstrukturen.
Vorgehen
Kernaspekt des AI Patterns Ansatzes ist das Identifizieren von Möglichkeiten, die unterschiedlichen Geschäftsbereiche durch den Baukasten an zur Verfügung stehenden Technologien zu verbessern. Neben harten Faktoren wie etwa der grundsätzlichen Machbarkeit anhand der vorhandenen Daten und Einflussgrößen, sind die „weichen“ Faktoren wie die Akzeptanz eines Systems bei den späteren Nutzern wesentliche Erfolgsfaktoren. In viel zu vielen Fällen bleiben vielversprechende Ansätze, Prototypen oder Insellösungen auf der Strecke liegen, weil sie nicht von den notwendigen Entscheidungsträgern und Anwendern aufgegriffen und genutzt werden.
Daher startet der AI Patterns Ansatz mit einem Workshop-Format in welchem Stakeholder aus den unterschiedlichen Unternehmensbereichen und Entscheidungsinstanzen zusammen die Potentiale herausarbeiten. Diese Workshops werden durch unsere KI- und Digitalsierungsexperten begleitet. Diese erstellen aufbauend auf den Ergebnissen der gemeinsamen Arbeitssitzungen eine Umsetzungs-Roadmap mit Machbarkeits- und Aufwandsindikationen auf dem zu diesem frühen Studium möglichen Granularitätsniveau.
Die Detaillierung der Kosten-/Nutzen- bzw. ROI-Abschätzung als Basis für die Priorisierung einzelner Maßnahmen erfolgt dann wieder im gegenseitigen Austausch.
Resultat
Nach dem hier beschriebenen Ansatz ist es möglich, bereits nach nur einer Woche intensiver Zusammenarbeit ein Bild möglicher und sinnvoller Maßnahmen zur KI-Einführung im eigenen Unternehmen zu haben, sowie diese Maßnahmen auch entsprechend priorisiert zu haben.
Die Dokumentation setzt sich zusammen aus den identifizierten anwendbaren AI Patterns zu jedem Geschäftsbereich mit einer Erklärung des AI Patterns an sich. Dazu kommt die Konkretisierung des Musters im spezifischen Unternehmenskontext – dem Prozess, in dem es zum Einsatz kommt, aktuellen Schwächen, die man verbessern kann, Ziel einer möglichen Umsetzung, Stakeholder und Entscheidungsträger, etc… Darauf baut eine grobe Return-on-Investment Abschätzung und in Folge die Priorisierung und Detaillierung der vielversprechendsten Muster auf.
Diese Umsetzungs-Roadmap dient als Basis für alle weiteren Schritte. Darunter fällt nicht nur eine software-technische Umsetzung und Einführung, sondern auch eine mögliche Neugestaltung der Geschäftsprozesse, Rollen und Aufgabenverteilungen.
Zusammenfassung
Wir haben Ihnen hier einen Einblick in unseren strukturierten Ansatz zur KI-Einführung bzw. -Durchdringung von Unternehmen vorgestellt. Der Prozess wird von KI-Experten unternehmensspezifisch vorbereitet und begleitet. Wesentlich ist jedoch auch die Mitwirkung der relevanten Stakeholder aus dem Unternehmen, nicht nur um die fachliche Sicht der Experten mit einzubringen, sondern auch um frühzeitig für die Akzeptanz und den maximalen Nutzen der entwickelten Systeme und Maßnahmen zu sorgen.
Kontaktieren Sie uns, um auch die KI-Potentialen in Ihrem Unternehmen nach dem Cloudflight AI Patterns Ansatz herauszuarbeiten und für sich zu heben! Wir freuen uns, gemeinsam mit Ihnen Ihren Erfolg durch Digitalisierung und Künstliche Intelligenz zu sichern
Quellen
[1] Bitkom Research (2021) – https://www.bitkom.org/sites/default/files/2021-04/bitkom-charts-kunstliche-intelligenz-21-04-2021_final.pdf
[2] Shana Lynch: Andrew Ng: Why AI Is the New Electricity – http://stanford.io/2mwODQU
[3] German Sharabok: – Why Tesla won’t use Lidar. And which technology is ideal for self-driving cars https://towardsdatascience.com/why-tesla-wont-use-lidar-57c325ae2ed5