Künstliche Intelligenz (Artificial Intelligence)

Chronologie unserer Künstliche-Intelligenz-Geschichte in fünf Phasen:

Phase 1. Business Intelligence, Entscheidungen der Menschen auf Basis von Daten.

Phase 2. Data Mining, Entscheidungen ebenfalls durch Menschen

Phase 3. Die Maschinen entscheiden automatisiert, jedoch überwacht von Menschen (Machine Learning)

Phase 4. Die Maschinen wählen autonom aus mehreren Entscheidungsmodellen aus.

Phase 5. Deep Learning, selbstlernende Systeme, die miteinander und mit dem Menschen interagieren.

Wenn die KI-Experten von Künstlicher Intelligenz oder selbstlernenden Algorithmen sprechen, beziehen Sie sich (fast ausschließlich) auf die Techniken und Methoden des Machine Learning: Es geht um technische Systeme, künstliche Systeme sowie organische lebende Systeme.

Darüber wie die menschliche Selbstreferentialität und die damit zusammenhängende Sinnverarbeitung in der KI-Software lückenlos abgebildet werden können, findet man kaum Informationsquellen.

-> autonomous driving level 5

 

Wo hat unser Team in den vergangenenen Jahrzehnten Projekte im Themenbereich Artificial Intelligence gemacht?

Unsere KI-Geschichte begann 1980 mit einem Expertensystem-Projekt, in dem das Wissen eines bestimmten Fachgebiets in der Medizin in Form von Regeln und großen Wissensbasen repräsentiert wurde: Algorithmen

An unseren Anfängen gab es die Kategorisierung schwache KI - starke KI bereits, man denke z.B. an das Chinesische Zimmer, ein Gedankenexperiment des Philosophen John Searle. 

Die Data Science Aktivitäten allerdings schon. Die Objekte haben wir digitalisiert, die Algorithmen zur Datenzusammenstellung und Datenanalyse erstellt, die Datenbanken modelliert, Kommunikationskonzepte zur Visualisierung der Datenrelationen und der Ergebnisse entworfen. Kurz, wir haben die Software aufgebaut, um Menschen (Nutzer) in der Analyse von erfassten Daten zielführend zu unterstützen.   

Den ersten Erfahrungen mit den Expertenssystemen folgten die Anwendungen der neuronalen Netze: Der Konnektionismus.

Er orientierte sich anders als die symbolverarbeitende KI stärker am biologischen Vorbild des Gehirns. Die Frage, ob wir PROLOG oder LISP anwenden sollten, beschäftigte uns in unseren Projekten intensiv genug.

Ab 1990 befassten wir uns mit der verteilten Künstlichen Intelligenz Distributed AI, um den Robotern in der Automobil-Produktion mehr formale Autonomie zu ermöglichen.

KI-Anwendungen verließen ab Mitte der 90er des vergangenen Jahrhunderts die Produktionshallen, die Forschungslabors und machten sich in immer mehr alltäglichen Lebenslagen grenzenübergreifend breit.

Die zusammenhängenden Datenmengen wurden nach und nach größer.

Die Datenquellen waren sehr unterschiedlich: vom Papier über excel bis ERP-Tools wie SAP. 

Die Daten, die oft nicht vollständig und teilweise fehlerhaft waren, mussten kontextbezogen zusammengestellt und Business-Intelligence-Tools wie SAP BW, Cognos, SAS oft -in Echtzeit- zur Verfügung gestellt werden: OLAP, MOLAP, ROLAP.

Unser Ansatz für globale Datennetzwerke (2006)

Datennetzwerke in (global) verteilten Business Intelligence Landschaften (2010)

In Data Warehouse Systemen wurden Daten gelagert und verarbeitet.

Ende der 90er des vergangenen Jahrhunderst haben wir unser erstes Data Mining Projekt geplant, ausgeführt, abgeschlossen.

Aufgrund der technologischen Entwicklungen sind neue Techniken, Methoden, Tools entstanden, um Big Data Mengen noch präziser und für vielfältige Zwecke zu nutzen:

"Machine learning makes machines intelligent by enabling them to learn from Big Data sets.

Humans are actively involved here in the learning and analysis process.

machine learning in the four quadrants

Deep Learning is a subfield of machine learning, but it is inspired by the simulation of human neuronal networks.

Like living beings, intelligent systems are capable of learning from information such as images or sounds."

Diese Beschreibung kennen heute die meisten Grundschüler. Wenn sie sie nicht kennen, fragen sie alexa, siri und co.

knstliche intelligenz zitat 1

Business Ecosystems Landscape Level

Die Gesellschaft stellt Strukturen bereit, um die Anschlüsse zwischen den Funktionssystemen zu vereinfachen.

Ab Level 3 werden die Strukturen der Funktionssysteme und die strukturellen Kopplungen zwischen ihnen in der (Welt)Gesellschaft große Veränderungen erleben.

Beim Strategy Design erstellen wir Zukunftsbilder für die Level 3-, Level 4- und Level 5-Zeiten.

Toward Level 3, Level 4, Level 5: we need to rethink structures for structural coupling between functional systems

Backwards Rolling Wave Strategy Design by lorenzo tural.

Die Gesellschaft nähert sich dem Level 3 "Tipping Point".

Die Entwicklungen in der Disziplin Künstliche Intelligenz haben gravierende Auswirkungen auf die gesellschaftlichen Funktionssysteme, die wir beim Strategy Design konsequent mit berücksichtigen.

 

Für die Entwicklung der Zukunftsszenarien gelten die Zukunfstbilder für die einzelnen Levels als Anhaltspunkte.

Autonome Fahrzeuge in mobilen Ökosystemen sind Daten-Produzenten und Daten-Konsumenten in Personalunion.

Level 5 full automation and driverless:

- The system can take over the entire dynamic driving task in all use cases.

- The human driver is no longer required at all. But what kind of system is „the system“ replacing the human driver?

and

- what are the characteristics of the System´s Artificial Intelligence?

Künstliche Intelligenz (Artificial Intelligence): Why? Where? When? How? Who? What?

Bis die von menschlichen Fahrern gesteuerten Autos Auslaufmodelle sind und nur noch auf Nostalgieveranstaltungen bestaunt werden können, werden nach dem internationalen Verband der Automobilingenieure (SAE) sechs Automationsstufen erfolgen.

1. Wer steuert, beschleunigt/bremst? (Quer- und Längsführung Fahrer oder System)

2. Wer überwacht/beobachtet das Fahrumfeld? (Umgebungsbeobachtung Fahrer oder System)

3. Wer ist für die Rückfallebene verantwortlich? (Rückfallebene Fahrer oder System)

Auf der Suche nach den passenden Antworten für diese drei Fragen wird Künstliche Intelligenz Stufe für Stufe neu gedacht, neu definiert:

Stufe 0 (Level 0): Keine Automation (No Automation)

Quer- und Längsführung: Fahrer,

Umgebungsbeobachtung: Fahrer,

Rückfallebene: keine

Stufe 1 (Level 1): Fahrerassistenz (Driver Assistance)

Quer- und Längsführung: System,

Umgebungsbeobachtung: Fahrer,

Rückfallebene: Fahrer

Stufe 2 (Level 2): Teilautomation (Partial Automation), Hände weg (Hands off)

Quer- und Längsführung: System,

Umgebungsbeobachtung: System,

Rückfallebene: Fahrer

Stufe 3 (Level 3): Bedingte Automation (Conditional Automation), Augen weg (Eyes off)

Quer- und Längsführung: System,

Umgebungsbeobachtung: System,

Rückfallebene: Fahrer

Stufe 4 (Level 4): Hohe Automation (High Automation), Aufmerksamkeit weg (Mind off)

Quer- und Längsführung: System,

Umgebungsbeobachtung: System,

Rückfallebene: System

Stufe 5 (Level 5): Vollständige Automation (Full Automation)

Quer- und Längsführung: System,

Umgebungsbeobachtung: System,

Rückfallebene: System

KI-basierte Fahrerasisstenzsysteme werden das teilautomatisierte Fahren (Hände weg Stufe 2) und das bedingt automatisierte Fahren (Augen weg Stufe 3) emöglichen.

Ab Stufe 4 und 5 die Verantwortung für die Rückfallebene dem System zu übertragen, wird die bis dahin realisierten Artificial Intelligence Ansätze auf den Kopf stellen.

Für die ethisch-moralischen Entscheidungen werden ab Stufe 4 die "Maschinen" allein Verantwortung tragen.

- Wie definiert sich die Künstliche Intelligenz der autodynamischen Systemen? (Autodynamik Definition)

- Können Künstliche-Intelligenz-Maschinen durch Gedanken und Vorstellungen Sinn verarbeiten?

- Sind Künstliche-Intelligenz-Maschinen selbstrefenziell?

Interesse an unseren Projektbeispielen Künstliche Intelligenz?

Sprechen Sie uns an, wir informieren Sie gerne!

ai in medicine

Healthcare Services 2015

Wenn Sie einen ersten Eindruck bekommen möchten, wie meine Reise im Ökosystem der Gesundheitswesens begann, empfehle ich Ihnen folgende Videos:

Meine Gedanken über Healthcare Ecosystems im September 2015 als 13 Jahre alt war (ab Minute 10)

Ansichten eines 13 jährigen über Healtcare Ecosystem (September 2015)

Die reale Situation: Es existieren Silos entlang der horizontalen physischen und digitalen Leistungserbringung.

Die einzelnen Akteure versuchen innerhalb des Gesundheitssystems, möglichst in geschlossenen Systemen zu agieren.

Da dabei Interaktionen zwischen den Silos in der Regel bei Bedarf stattfinden, entsteht eine hohe Komplexität bei der Einführung innovativer Lösungen. Dies erschwert oder verhindert den Marktzugang für andere Marktteilnehmer.

Vor allem Innovationen können sich daher nur schwer und verbunden mit hohem finanziellem Aufwand etablieren. 

Smart Healthcare HEUTE

Was wird jetzt stattfinden:

1) Drei Daten-Silos werden zusammengelegt: für jeden ein Platz in der Cloud (z.B. Frau Heinen hat ihren eigenen Platz in der Cloud.)

2) Software Definierte Plattformen werden zusammengelegt: eine App Sammlung in jedem SmartPhone (z.B. Frau Heinen hat eine Art google play für ihre Healthcare Services in ihrem Smartphone) 

Services in Healthcare Ecosystems

ai in healtcare IIDie Akteure in modernen Healthcare Ecosystems sind

- Bürger, nicht nur Patienten,

- Anbieter von Gesundheitsdienstleistungen,

- Versicherungen,

- Ärzte,

- Hersteller von medizinischen Geräten und

- Anbieter von Internettechnologien wie z. B. Gesundheitsportale..

Die Serviceplattform organisiert die Angebote, indem sie Marktzugang ermöglicht, Schnittstellen bereitstellt und die generelle Nutzung vereinfacht, da sie alle User-Interfaces synchronisiert.

Smart Healthcare MORGEN

Die Serviceplattform Smart Healthcare soll eine Verbesserung der Diagnostik und Versorgung von Erkrankten ermöglichen, da diese einen effektiveren Zugang zu innovativen Angeboten erhalten.

Zusätzlich wird über die Serviceplattform Expertenwissen verfügbar gemacht.

Darüber hinaus werden über sie Kollaborationsmodelle der angebotenen Leistungserbringer ermöglicht und Mechanismen zur Optimierung von therapeutischen Maßnahmen bereitgestellt.

Dadurch könnten sich folgende Vorteile ergeben:

- Alle relevanten Stakeholder-Gruppen inkl. der Leistungserbringer werden über eine offene und neutrale Serviceplattform gekoppelt. Dadurch können Innovatoren wie auch kleinere Anbieter am Markt teilnehmen und den Bürgern von der Geburt an -und nicht nur den Erkrankten- wichtiges fachliches Know-how zugänglich machen.

- Auf Grundlage von Big Data und von den Bürgern selbst bereitgestellten Daten entstehen neue Korrelationen für Diagnosemethoden und Ergebnisse (z. B. Therapieerfolge) können optimiert werden (horizontale integration).

- Die Kollaboration und der Wissensaustausch zwischen Dienstleistern und sog. Payern können effizienter und effektiver realisiert werden.  

Mit welchen Fragestellungen in welchen Themenfeldern sollten z.B. die Schüler als Smart Talente von morgen befassen?

Wie können sie ihre Kompetenzen inkl. ihre Medienkompetenzen einbringen?

Welche neue Kompetenzen müssen sie besitzen, warum?

Und nicht vergessen: Auch in der Landschaft der Gesundheitservices gilt: "Alles, was technisierbar ist, wird mittels Computer technisiert."

Interesse an unseren Services Artificial Intelligence in Healthcare Ecosystems?

Don t hesitate contacting me!

I am looking forward to hearing from you. Lorenzo

Wir gestalten und etablieren in Ihrem Unternehmen Communities, um innovative Ideen zu erzeugen, z.B. Internet Ureinwohner Community mit Ihren Azubis. Wertschöpfungsökosysteme

Autodynamikkompetenz

ping pong thinking with lorenzo tural osorio 45

Im Rahmen der Community Bildung begleiten wir Sie bei der Einführung von Reverse Mentoring für Wissenstransfer und Ping Pong Thinking für Wissen-Erzeugen.

Ping Pong Thinking

  Stakeholder haben Ansprüche

  Stakeholder haben Bedürfnisse

  Stakeholder haben Interessen

Wie sehen die Artificial Intelligence Lösungen aus, um die Stakeholder-Bewegungen permanent im Radar zu haben?

stakeholder internet of services

Die Auswirkungen von Umweltdynamiken auf die Unternehmensprozesse mit Artificial Intelligence rechtzeitig erkennen

design value ecosystemsBei niedrigen Umwelt-Dynamiken überraschen die Ereignisse im Umfeld die Prozessorganisation kaum.

Structure follows Environment

Klare Hierarchien werden in den für Digital Business Value Ecosystems erforderlichen autodynamischen Organisationen mehr und mehr durch multidimensionale Mash-up Organisationsstrukturen überlagert.

Organisation Design for Digital Business

Autodynamik beschreibt die Fähigkeit, die die Unternehmensorganisationen zur Anpassung der Eigendynamik an die Umweltdynamiken besitzen müssen, um in dynamischen Unternehmensumwelten erfolgreich zu agieren. Artificial Intelligence ermöglicht die Autodynamik-Fähigkeit zu entwickeln und on going zu optimieren.

Carlos Valderrama

Dr. h. c. Carlos Valderrama "El Pibe" beschreibt im SZ-Interview (08.07.2010) die Autodynamikkompetenz:

Dimensionen der kohärenten Digital Business Management Strategien

Die Gesellschaft ist das soziale System, welches alle Kommunikationen einschließt und damit alle sozialen Systeme auf der Welt.

Die Gesellschaft macht sich durch ihre Subsysteme z.B. Wirtschaft sichtbar. Durch die Ausdifferenzierung von Funktionssystemen entwickelten sich Subsysteme wie die Wirtschaft, das Rechtssystem, das Bildungswesen.

Die Natur ist die Umwelt der Gesellschaft. Die Änderungen in der Natur wirken unmittelbar auf die Gesellschaft.

Es gibt keine Kommunikation außerhalb der Gesellschaft. Lebende und psychische Systeme gehören zur Umwelt der Gesellschaft.

Im Laufe des evolutionären Wandels der Gesellschaft haben sich vier Differenzierungsformen als Strukturen entwickelt:

Segmentäre Differenzierung in gleiche Teilsysteme
Differenzierung Zentrum | Peripherie
hierarchische Differenzierung in Schichten funktionale Ausdifferenzierung (s. Bild unten).