Fit for Artificial Intelligence

artificial intelligence

Zusammenfassung unserer KI-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.

Interesse an unseren Projektbeispielen?

Sprechen Sie uns an, wir informieren Sie gerne!

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 noch nicht.

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.

Wenn die KI-Experten gegenwärtig 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 Selbstrefenziellität und die dafür erforderliche Sinnverarbeitung in der KI-Software lückenlos abgebildet werden können, findet man kaum Informationensquellen. 

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 wie 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?

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

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.

  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

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: