Vorsprung durch Künstliche Intelligenz

Angesichts der vielfältigen Einsatzmöglichkeiten von Künstlicher Intelligenz und Machine Learning hat sich eine Diskussion über die möglichen wirtschaftlichen und sozialen Folgen dieser Technologien entwickelt. Heiß gestritten wird vor allem über die Frage, ob intelligente Systeme und Roboter mit KI-Funktionen Menschen überflüssig machen und zahlreiche Arbeitsplätze kosten werden.

KI im Auto: Virtuelle Assistenten mit Künstlicher Intelligenz etablieren sich im Auto. Hersteller wie Mercedes arbeiten dabei mit IT-Firmen wie Nvidia zusammen.

(Quelle: Daimler AG)

Tata Consultancy Services zählt dabei ganz klar zu der Fraktion, die solche Ängste für unberechtigt oder übertrieben hält. In seiner Trendstudie kommt TCS zu dem Schluss, dass bis 2020 je nach Branche und Unternehmens-Bereich zwischen 4 und 7 Prozent der Arbeitsplätze wegfallen, vor allem weil sich Tätigkeiten automatisieren lassen. Allerdings sagt TCS auch voraus, dass durch die Unternehmen, die frühzeitig auf KI setzen und daher in hohem Maß von diesen Technologien profitieren, drei- bis viermal so viele neue Arbeitsplätze geschaffen werden.

Dabei hält es TCS für wichtig, dass Unternehmen ihre Mitarbeiter„mitnehmen“, wenn sie KI-Lösungen implementieren, weil die Beschäftigten lernen müssen, den Entscheidungen und Hinweisen solcher Systeme zu vertrauen.

Handlungsbedarf auf gesellschaftlicher und politischer Ebene sieht der Digitalverband Bitkom: „KI wird dazu führen, dass zahlreiche Tätigkeiten – vor allem Routinetätigkeiten – nicht mehr auf den Arbeitsmärkten nachgefragt werden“, so die Autoren eines Thesenpapiers.

Auf der anderen Seite sei es jedoch zu erwarten, dass durch die Veränderungen auch neue Berufe und Berufsgruppen entstünden, etwa in Bereichen wie Kunst, Kultur, Ausbildung und Umwelt. Die Politik sei daher aufgerufen, die Prozesse zu steuern und voranzutreiben, die mit dieser gesellschaftlichen Transformation verbunden sind.

Machine-Learning-Lösungen (Auswahl)
Anbieter / Produkt	Bereitstellung	Details (Auswahl)
Amazon Web Services (AWS) / Amazon Machine Learning	Cloud-Plattform von AWS	– Unterstützt Machine-Learning-Frameworks wie TensorFlow, Apache MXnet, Caffe2 – Amazon Sagemaker: Tool zum Erstellen von ML-Modellen und Algorithmen – API-gesteuerte Services, etwa für Spracherkennung, Übersetzung, Bildanalyse, Chatbots – Zugang zu Rechnerressourcen: CPUs, GPUs, Field Programmable Gate Arrays (FPGAs) – Deep-Learning-Interface Gluon (mit Microsoft) für Deep-Learning-Projekte
Google / Google Cloud Machine Learning	Google Cloud Platform	– TensorFlow: Open-Source-Bibliothek zum Erstellen von Machine-Learning-Applikationen – Verknüpfung mit Google-Services Cloud Storage, Cloud DataLab und Cloud DataFlow – Anwendungen: Bild- und Sprachanalyse, Texterkennung, Videoanalyse, Übersetzung – Cloud Tensor Processing Unit: Hardware (CPUs, Grafik-CPUs) für KI/maschinelles Lernen – Zugriff auf Objektspeicher, Analytics-Lösungen und ETL-Dienste von AWS
Facebook / Caffe2	Download	– Open-Source-Framework für Deep Learning – Zielrichtung: KI-unterstützte Anwendungen für mobile Systeme
Facebook / Detectron	Download	– Open-Source-Software für Deep Learning im Bereich Bildanalyse auf Basis des Frameworks Caffe2
Facebook / Torch	Download	– Open-Source-Framework für das Erstellen von Machine-Learning-Applikationen – Unterstützung der Cuda-Architektur von Nvidia für parallele Berechnungen
IBM / Watson	IBM-Cloud	– Watson Discovery für die Analyse von Inhalten – Watson Conversation für die Entwicklung von Bots, virtuellen Agenten und Robotern – IBM Bluemix als Plattform für das Speichern und Staging von Datenmodellen – Textanalyse mit Watson Knowledge Studio – SPSS Modeler für Datenspezialisten
Microsoft / Microsoft Azure KI-Plattform	Microsofts Cloud-Plattform Azure	– KI-Dienste für Entwicklung von Bot-Services, Machine Learning und kognitiven Services – KI-Infrastruktur (u. a. Apache Spark für Azure HD Insight, virtuelle Data-Science-Rechner) – KI-Tools wie Machine Learning Studio und Visual Studio for AI – Deep-Learning-Interface Gluon: Entwicklungsschnittstelle für Deep-Learning-Projekte – Compute-Engine auf Basis von Nvidia-GPUs – Cognitive Toolkit: Open-Source-Bibliothek (Machine Learning, kundenspez. Algorithmen)
Oracle / Oracle AI Platform Cloud Service	Oracle-Cloud	– Cloud-Plattform für Entwicklung von Machine-Learning-Modellen, Tests und Trainings – Automatisiertes Packaging und Implementieren: Auto-Skalierungsfunktion – Zugang zu Tesla-Grafikprozessoren von Nvidia, Netzwerkfunktionen, Oracle-Storage- Service, Spark-Hadoop-Clustern, Datenbanken, cloudbasierten Big-Data-Anwendungen – Unterstützung von Deep-Learning-Frameworks wie TensorFlow, Caffe2 und Keras
Salesforce / Salesforce Einstein	Cloud-Plattform von Salesforce.com	– Trend-Analyse mit Analytics Cloud – Module, etwa für Vertrieb, Marketing, Service, Analytics, Communities und Apps – Fokus auf maschinellem Lernen; Kooperation mit IBM Watson – myEinstein: Plattform für Entwicklung von KI-Apps mit wenig Programmieraufwand – Prognosen mit Prediction Builder – Erstellen von Chatbots mittels Einstein Bots
SAP / SAP Leonardo Machine Learning Foundation	SAP-Cloud; geplant: Appliance für Imple-mentierung in Firmenrechenzentren	– „Bring Your Own Model“-Funktion für Import von TensorFlow-Modellen von anderen Plattformen und kundenspezifischen Algorithmen – Klassifizierung und Analyse von Videos und Bildinformationen, Extrahieren von Themen aus Dokumenten, Ermittlung der „Change Points“ von Daten – Geplant: Identifizierung von Gefühlsregungen, Unterstützung von Data Streaming – SAP Cash Application für KI-unterstützten Abgleich von Zahlungseingängen – SAP Customer Retention für Analyse und Risikobewertung von Transaktionen mit Kunden

Vorsprung durch Künstliche Intelligenz

Problem Arbeitsplätze

Mehr zum Thema