2.3 Künstliche Intelligenz und maschinelles Lernen Flashcards
Künstlicher Intelligenz - Bedeutung
bedeutender Schritt in Richtung Digitalisierung
Künstlicher Intelligenz - Definition
Studie darüber, wie man Computer dazu bringt, Dinge zu tun, bei denen die Menschen im Moment besser sind
Digitalisierung - Möglichkeiten
- Entscheidungen auf Grundlage von Echtzeitdaten treffen
- darauf aufbauend Zukunftsszenarien simulieren
Künstlicher Intelligenz - Möglichkeiten
Unternehmen helfen transparentere Gestaltung der Lieferkette erzielen
Künstlicher Intelligenz - Möglichkeiten - konkret
- Szenarien und Prognosen in Echtzeit generieren
- große Datenmengen in Echtzeit analysieren und gegebenenfalls interpretiert
Künstlicher Intelligenz - echtzeitnahe Analysen
- Rückverfolgbarkeit über gesamte Lieferkette hinweg gewährleisten
- zusätzliches Maß an Transparenz schaffen
-> Optimierung der Lieferketten möglich
Entwicklung der künstlichen Intelligenz - Beginn
1950er-Jahre
Entwicklung der künstlichen Intelligenz - 1. Phase
Maschinen haben das in Regeln verfasste Expertenwissen ausgeführt
Entwicklung der künstlichen Intelligenz - 2. Phase
- aktuelle Phase
- wird durch datengetriebene künstliche Intelligenz und maschinelles Lernen charakterisiert
Entwicklung der künstlichen Intelligenz - 3. Phase
schwache künstliche Intelligenz hin zu einer starken künstlichen Intelligenz weiterentwickeln
Starke künstliche Intelligenz
- Technologie mit menschlichen Fähigkeiten in allen Bereichen
- handelt in einem breiten Spektrum an Problemstellungen
-> kann „in neue Leistungssphären“ vorstoßen
Schwache künstliche Intelligenz
führt lediglich eine domänen-spezifische Aufgabe auf dem Niveau eines Menschen aus
Künstlicher Intelligenz - als Querschnittstechnologie
alle Branchen und alle Wertschöpfungsstufen können dadurch profitieren
Künstlicher Intelligenz - Anwendungsfelder
- Texterkennung aus Sprache (Speech-to-text)
- Spracherkennung aus Text (Text-to-Speech)
- maschinelles Übersetzen
- Bedeutungserkennung im Kontext
- Grammatikverständnis und -korrektur
- Bilderkennung
- Bewegungsanalyse
Künstlicher Intelligenz - Umsetzungsbeispiele - Texterkennung aus Sprache
- Sprachassistenten
- z. B. Siri, Alexa oder Cortana
Künstlicher Intelligenz - Umsetzungsbeispiele - Spracherkennung aus Text
Ansagen in Telefon- und Navigationssystemen
Künstlicher Intelligenz - Umsetzungsbeispiele - maschinelles Übersetzen
- DeepL
- Google Übersetzer
- Microsoft Translator
Künstlicher Intelligenz - Umsetzungsbeispiele - Bedeutungserkennung im Kontext
- Autovervollständigung
- Suchmaschinen
- Chatbots
Künstlicher Intelligenz - Umsetzungsbeispiele - Grammatikverständnis und -korrektur
- Grammarly
- Office-Pakete
Künstlicher Intelligenz - Umsetzungsbeispiele - Bilderkennung
Klassifizieren von Bildinformationen
Künstlicher Intelligenz - Umsetzungsbeispiele - Bewegungsanalyse
Kundenströme
Künstlicher Intelligenz - Bedeutung für Supply-Chain-Management
- 360 Grad-Blick
- verschiedenen Datenquellen
-> zielgerichtete Entscheidungen treffen, sodass operativen Unternehmensabläufe abgesichert sind
Anwendungen von KI in Supply-Chain-Funktionen
- Optimiertes Ressourcenmanagement
- Intelligente Automatisierung
- Intelligente Assistenzsysteme
- Autonomes Fahren und Fliegen
- Predictive Analytics - Vorgehensweise
- Robotik
- Qualitätskontrolle
- Intelligente Sensorik
Anwendungen von KI in Supply-Chain-Funktionen - Optimiertes
Ressourcenmanagement
- Produktions-, Fertigungs- und Personalplanung
- Prozessoptimierung der Ein- und Ausgangslogistik
Anwendungen von KI in Supply-Chain-Funktionen - Intelligente Automatisierung
- von Routineprozessen in Fertigung und Montage durch selbstregulierende Anpassungen der Steuerungsparameter
- von lT-gestützten Unternehmensprozessen, z. B. E-Mail-Beantwortung
Anwendungen von KI in Supply-Chain-Funktionen - Intelligente Assistenzsysteme
- Einarbeitung in Verwaltungsprozesse
- Montageanleitungen
- Unterstützung bei Fertigungsprozessen und Weiterbildung
Anwendungen von KI in Supply-Chain-Funktionen - Autonomes Fahren und Fliegen
- fahrerlose Transportsysteme
- Reinigungsroboter
Anwendungen von KI in Supply-Chain-Funktionen - Predictive Analytics - Vorgehensweise
- Beschaffungsplanung unter Berücksichtigung von Absatzschwankungen
- Überwachung von Produktionsanlagen, um kritische Zustände vorherzusagen und auf Ausfälle zu reagieren
Anwendungen von KI in Supply-Chain-Funktionen - Robotik
- adaptive, lernende Systeme in Produktion, Fertigung und Service
- Greifsysteme und Montageroboter
Anwendungen von KI in Supply-Chain-Funktionen - Qualitätskontrolle
- Prüfung der Bauteilbeschaffenheit
- Überwachung von Montageprozessen
Anwendungen von KI in Supply-Chain-Funktionen - Intelligente Sensorik
- Umgebungswahrnehmung zur Kollisionsvermeidung
- Unterstützung bei der Überwachung von Produktionsanlagen
Künstlicher Intelligenz - Überwachung und Verbesserung
KI
-> Überwachung und nachhaltige Verbesserung der Prozesse in Echtzeit
-» indem gezielte Informationsverarbeitung zur Verbesserung des Prozesses vorgenommen wird
Künstlicher Intelligenz - Überwachung und Verbesserung - Folgen
- Kosten senken
- Prozesse beschleunigen
- Bestand verringern
- Lieferkette optimieren
- Wartungszeit reduzieren
- verschiedene Szenarien erstellen
- beste Lösung für diese verschiedenen Szenarien ermitteln
Künstlicher Intelligenz - Überwachung und Verbesserung - Beispiel
- Transport- und Treibstoffkosten senken
- Anzahl an Fahrten, Fahrern und Disponenten reduzieren
- gleichzeitig verbesserter Kundenservice
Künstlicher Intelligenz - Überwachung und Verbesserung - Probleme
- Kosten für Implementierung sehr hoch, da es Zeit erfordert, alle Mitarbeitenden einzuweisen
- Kalibrierung und Aufbau eines Modells, das tatsächlich für einen bestimmten Anwendungsfall geeignet ist, nimmt sehr viel Zeit in Anspruch
- ethische Bedenken und Wegfall von Arbeitsplätzen
- Bedenken der Überwachung der Beschäftigten
Künstlicher Intelligenz - Mitarbeiter einweisen
schwierig, angewandten KI-Techniken zu verstehen und nachzuvollziehen, wenn Mitarbeitende nicht über erforderliches KI-Fachwissen verfügt
Künstlicher Intelligenz - Vorteile
- weniger Fehleranfälligkeit
- 24/7-Einsatz
- Analyse großer Datensätze in Bruchteil der Zeit eines Angestellten
- unterstützt repetitive Aufgaben, Entscheidungsfindung
- identifiziert Muster und Verbesserungsmöglichkeiten
Künstlicher Intelligenz - Nachteile
- mangelnde Kreativität
- KI übernimmt Arbeitsplätze der Menschen/Arbeitslosigkeit
- ethisches Dilemma
- hohe Kosten
- keine Emotionen
Maschinelles Lernen - allgemein
- Teilgebiet der KI
- Für Unternehmen aktuell die relevanteste und am meisten eingesetzte Technologie innerhalb der KI
Maschinelles Lernen - Definition
- Disziplin der KI
- in der Verfahren und Algorithmen entwickelt werden,
- die Zusammenhänge in Daten analysieren und verallgemeinern,
- um Modelle für Vorhersagen oder automatisiertes Entscheiden abzuleiten
Maschinelles Lernen - Fähigkeiten
basierend auf vergangenen Daten:
* eigenständig Muster zu identifizieren
* Regeln zu lernen
-> sich dadurch selbstständig zu verbessern
Verfahren des maschinellen Lernens
- überwachtes Lernen
- unüberwachtes Lernen
- verstärkendes Lernen
Das überwachte Lernen (supervised learning) - allgemein
- am häufigsten angewandten Art des Lernens
- ähnelt dem Lernprozess des Menschen
Das überwachte Lernen (supervised learning) - Lernweise
Algorithmus werden im Lernprozess beschriftete Daten vorgegeben, mit denen er trainiert wird
Das überwachte Lernen (supervised learning) - Überprüfung
durch Testdatensatz
Das unüberwachte Lernen (unsupervised Learning) - Funktionsweise
- Algorithmus wird nichts vorgegeben (unbeschriftete Daten)
- Algorithmus soll selbstständig Muster aus den Daten erkennen und diese entsprechend anwenden
Das unüberwachte Lernen (unsupervised Learning) - Anwendung
wenn keine guten beschrifteten Daten zur Verfügung stehen
Das unüberwachte Lernen (unsupervised Learning) - Chance/Risiko
Ergebnisse können sich von den erwarteten Ergebnissen der Programmierer unterscheiden
-> sowohl Chance als auch Risiko
Das verstärkende Lernen (reinforcement learning) - Ziel
optimale Strategie soll für ein gegebenes Problem erlernt werden
Das verstärkende Lernen (reinforcement learning) - Funktionsweise
- Algorithmus enthält keine explizite Anleitung darüber, welcher Schritt zu welchem Zeitpunkt der bestmögliche ist
- ihm werden auf bestimmte Aktionen Rückmeldungen gegeben (Belohnungen oder Strafen) aus denen der Algorithmus wiederum selbstständig lernt
Maschinelles Lernen - Hype
- basiert auf einer Verschmelzung mehrerer Trends,
- die sich gegenseitig verstärken und ML zu einem leistungsstarken Werkzeug für eine Vielzahl von Bereichen und praktischen Anwendungsfällen machen
Maschinelles Lernen - Voraussetzung
- Verfügbarkeit großer Mengen digitaler Daten
- für Anwendung der meisten ML-Algorithmen
Maschinelles Lernen - Verfügbarkeit digitaler Daten
zunehmende Verfügbarkeit von Daten in den vergangenen Jahren
-> Anwendung von ML begünstigt
Maschinelles Lernen - Datenerzeugung in Lieferkettennetzwerken
- jeden Monat über 1,6 Milliarden neue Daten,
- die eine Reihe von Datenströmen liefern,
- die wiederum als Input für ein ML-System verwendet werden können
Triebkraft für den Fortschritt in der KI
- erhebliche Verbesserungen der Rechenleistung
- zunehmende Nutzung von Cloud Computing
- zunehmende Nutzung von Softwarebibliotheken
- zunehmende Nutzung des Internets der Dinge
