4. #ABOUT_US
0.0.4
UNSERE KUNDEN (AUSWAHL)
Seit 15 Jahren bereitet es uns Freude, unsere Geschäftskunden
zufrieden zu stellen.
Und diese Erfolgsgeschichte setzen wir fort.
Automoti
ve
o AUDI
o BMW
o KTM
o VW
o MAN
o ZF
Manufactur
ing
o Adidas
o BASF
o HENKEL
o Linde
o Miele
Finance
o BMW-FI
o Deutsche Bank
o DZ Bank
o Finanz
Informatik
o Post Finance
Media
o APA
o GEMA
o UNITYMEDIA
o RBB
Other
o ATOS
o POST (AT)
o SIEMENS
o VISTA JET
o POCZTA POLSKA
Construct
ion
o CAW
o KNAPP
o WACKER NEUSON
Retail
o AMAG
o MPREIS
o COOP
o REWE DIGITAL
o SPAR
Insuranc
e
o Allianz
o AOK
o AXA
o BARMER
o CSS-
Versicherung
o SUVA
Pharma
o BAYER
o BOEHRINGER
o INGELHEIM
o HEEL
o ROCHE
Healthc
are
o MED EL
o SIEMENS
o SASIS
8. 0.0.8
GenKI Lösungen …
1. verwenden Techniken des maschinellen Lernens wie neuronale Netzwerke, um neue Inhalte zu
generieren, die auf den Mustern und Strukturen der Daten basieren, mit denen sie trainiert wurden,
2. zielen darauf ab, Inhalte, Daten oder Medien zu erstellen, anstatt einfach vorhandene Daten zu analysieren
oder zu klassifizieren,
3. sind in der Lage, die Eigenschaften und Muster von Daten für eine Vielzahl von Anwendungen zu erlernen
und wiederzuverwenden.
4. haben das Potenzial, kreative Prozesse zu automatisieren, Inhalte schneller zu erstellen und neue
Möglichkeiten für die künstliche Erzeugung maßgeschneiderter Inhalte.
Gen AI ermöglicht es, kreative Aufgaben auszuführen, von denen man bisher annahm, dass sie nur dem
Menschen vorbehalten sind.
9. 0.0.9
GenKI Lösungen …
… werden sich wahrscheinlich am stärksten auf Wissensarbeit auswirken, insbesondere auf
Tätigkeiten, die mit Entscheidungsfindung und Zusammenarbeit zu tun haben und bei denen das
Automatisierungspotenzial bisher am geringsten war.
Zusätzlich zu dem potenziellen Wert, den GenKI spezifischen Anwendungsfällen, könnte die
Technologiekönnte die Technologie den Wert für gesamte Organisationdurch die
Revolutionierung internen Wissensmanagement-Systeme revolutioniert.
Source: McKinsey, 2023
12. 0.0.12
Vier KI-Trends in 2021
Source: Gartner, 2021
Vier Trends dominieren die KI-
Landschaft in 2021:
1. Operationalisierung von KI-
Initiativen
2. Effiziente Nutzung von Daten und
Modellen
3. Verantwortungsvolle KI
4. Daten für KI
Das Hauptaugenmerk der
Unternehmen liegt jedoch darauf, die
Geschwindigkeit zu erhöhen, mit der
die Proofs of Concept in die
Produktion überführt werden.
13. 0.0.13
Wo stehen wir bei der Einführung von KI
aktuell?
Source: Gartner, 2023
Zwei Arten von GenKI-Innovationen
dominieren
1. Innovationen, die durch GenKI
vorangetrieben werden.
2. Innovationen, die Fortschritte bei
GenKI vorantreiben werden.
GenKI dominiert die Diskussionen über
KI, da sie die Produktivität von
Entwicklern und Wissensarbeitern durch
Systeme wie ChatGPT auf sehr reale
Weise gesteigert hat.
Geschäftsprozesse und der Wert von
Humanressourcen werden überdacht,
was GenKI auf den Gipfel der überhöhten
Erwartungen im Hype Cycle gebracht hat.
14. 0.0.14
Innovationen, die durch GenKI vorangetrieben werden
1. Kunst und Design: Generative KI-Modelle ermöglichen die Erstellung neuer Bilder und Kunstwerke basierend auf
textuellen Beschreibungen. Dies eröffnet neue Möglichkeiten für Künstler und Designer, Konzepte schnell zu visualisieren.
2. Unterhaltung und Medien: GenKI-Modelle werden unterstützend eingesetzt, um Musik, Videospiele, Filme und Literatur
zu erstellen oder zu bearbeiten. KI kann beispielsweise neue Musikstücke komponieren, Drehbücher schreiben oder
Charaktere für Videospiele generieren.
3. Forschung und Entwicklung: In der Wissenschaft nutzen Forscher generative KI-Modelle, um neue Moleküle für
Medikamente zu entdecken, Materialerforschungen voranzutreiben und komplexe Daten zu analysieren.
4. Bildung: Generative KI kann personalisierte Lerninhalte erstellen. KI-generierte Tests, Lehrbücher und interaktive
Lernmodule können auf die Bedürfnisse einzelner Lernender zugeschnitten werden.
5. Sprachverarbeitung: Modelle wie GPT (Generative Pre-trained Transformer) revolutionieren die Art und Weise, wie wir
mit Computern interagieren, durch die Erstellung von Texten, die von menschlichem Schreiben kaum zu unterscheiden
sind. Dies ermöglicht Fortschritte in der automatischen Textgenerierung, Übersetzung, Zusammenfassung und mehr.
6. Architektur und Ingenieurwesen: Generative KI-Modelle unterstützen Architekten und Ingenieure bei der
Entwurfsoptimierung, indem sie Entwurfsalternativen generieren und bewerten, um die besten Lösungen für spezifische
Anforderungen zu finden.
7. Nachhaltigkeit und Umweltschutz: KI wird eingesetzt, um Lösungen für Umweltprobleme zu generieren, beispielsweise
durch die Optimierung von Energieverbrauchsmustern, die Vorhersage von Klimaänderungen oder die Entwicklung neuer
Materialien für die Kreislaufwirtschaft.
15. 0.0.15
Innovationen, die den Fortschritt von GenKI
vorangetreiben
1. Verbesserungen in der Hardware: Schnellere und effizientere GPUs, TPUs und spezialisierte Hardware wie
neuromorphe Chips könnten das Training komplexer KI-Modelle beschleunigen und effizienter machen.
2. Datenverfügbarkeit und -qualität: Größere und vielfältigere Datensätze sowie verbesserte Methoden zur
Datenbereinigung und -verarbeitung können die Qualität der von generativen KI-Systemen produzierten Ergebnisse
verbessern.
3. Neue Algorithmen und Architekturen: Fortschritte in der Entwicklung von KI-Algorithmen, beispielsweise durch tieferes
Verständnis von Transformer-Modellen oder die Entdeckung neuer neuronaler Netzwerkarchitekturen, sind entscheidend.
4. Ethische und rechtliche Rahmenbedingungen: Entwicklung von Richtlinien und Standards, die sicherstellen, dass
generative KI verantwortungsvoll und zum Wohle der Gesellschaft eingesetzt wird.
5. Open-Source-Initiativen: Der freie Zugang zu fortschrittlichen KI-Modellen und -Bibliotheken kann die Innovation fördern,
indem er Forschern und Entwicklern ermöglicht, auf vorhandenen Arbeiten aufzubauen.
6. Benutzerfreundliche KI-Plattformen: Werkzeuge, die es auch Nicht-Experten ermöglichen, KI-Modelle zu trainieren und
zu nutzen, könnten die Verbreitung und Anwendung von generativer KI erweitern.
7. Energieeffizienz: Angesichts der hohen Energiekosten des KI-Trainings könnten Innovationen, die den Energieverbrauch
reduzieren, die Nachhaltigkeit von KI-Operationen verbessern.
8. Automatisierung des KI-Designs: AutoML (Automated Machine Learning) und ähnliche Ansätze, die das Design von KI-
Systemen automatisieren, könnten es ermöglichen, schnellere und effektivere Modelle zu entwickeln.
9. Integration mit anderen Technologien: Die Kombination von KI mit anderen Technologien wie IoT, Blockchain und
17. 0.0.17
Bessere Ergebnisse bei akademischen und
beruflichen Prüfungen
GPT-4 übertrifft GPT-3.5
bei den meisten
getesteten Prüfungen.
GPT-4 fehlt im
Allgemeinen die Kenntnis
von Ereignissen nach
September 2021 und lernt
nicht aus seinen
Erfahrungen.
Nov. 23: GPT 4 Turbo
berücksichtigt Daten bis
April 23
Source: Open AI
19. 0.0.19
35% höhere Produktivität der Wissensarbeiter
durch ChatGPT
Eine MIT-Studie zeigt,
• dass gut ausgebildete Wissensarbeiter in der Verwaltung, im Marketing, HR oder
Beratung
• ihre Produktivität um 35 Prozent erhöht haben.
Sie erledigten ihre Aufgaben aber nicht nur
• schneller -
• auch die Qualität und die
• Arbeitszufriedenheit stiegen an.
Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence
Shakked Noy MIT Whitney Zhang MIT March 2, 2023 Working Paper (not peer reviewed)
21. 0.0.21
Die Vorteile des Einsatzes von generativer KI
überwiegen die damit verbundenen Risiken
74% glauben, dass die
Vorteile der
generativen KI die
damit verbundenen
Risiken überwiegen
capgemini Research Institute, Generative AI
Executive Survey, April 2023, N = 800
organizations.
22. 0.0.22
Top-20-Branchen mit hoher Betroffenheit durch
ChatGPT
How will Language Modelers like ChatGPT Affect
Occupations and Industries?
Ed Felten et al., 6 March 2023
23. 0.0.23
Seven Best Practices To Improve Your
Chances Of AI Success 7
7. Kill zombie AI projects.
Companies are always looking to trim the fat — especially when they’re feeling the pinch
of challenging macroeconomic conditions. Despite the desire to cut deadweight, AI
projects can persist in limbo, either because powerful executive sponsors have set ill-
conceived goals for them or because too few people in the organization understand AI well
enough to spot the lack of progress. They lurch forward in perpetuity, consuming time and
resources and reducing the appetite for future innovation in the organization. Tech
leaders should empower their teams to kill these “zombie” projects but also capture the
learnings to resurrect them in new, more viable incarnations.
24. 0.0.24
Die KI-Nutzung
in Österreich hat
sich innerhalb
von 2 Jahren um
23% erhöht
Unternehmen
mit mehr als 250
Beschäftigten
setzen KI am
stärksten ein
Statistik Austria Okt. 2023
26. 0.0.26
In welchen Geschäftsbereichen sehen Sie das größte
Potenzial für generative KI-Modelle, um Innovationen
voranzutreiben und Mehrwert für Ihr Unternehmen zu
schaffen?
67%der
Führungskräfte
sehen in
generativer KI das
größte Potenzial
für die IT als
Enabler für die
Förderung von
Innovationen über
alle Funktionen
hinweg.
capgemini Research Institute, Generative AI
Executive Survey, April 2023, N = 800
organizations.
27. 0.0.27
TOP USE CASES FÜR KI
Welche der folgenden Szenarien sind die wichtigsten Anwendungsfälle für künstliche
Intelligenz für Ihr Unternehmen in den nächsten 12 Monaten?
Forrester Research: Data And Analytics
Survey, 2023 Base:
3,019 data and analytics decision makers
28. 0.0.28
Vielfältige KI Anwendungsgebiete im
Unternehmen
Logistik
– Lagerhaltung, Sortierung, Lieferung
durch autonome Fahrzeuge/Roboter
– KI-basierte Bedarfs- und
Routineplanung
Produktion
– Anomalieerkennung
– Vorausschauende Wartung
– KI-gestützte Roboterassistenten für
Beschäftigte
– Weiterentwicklung smarter Produkte für
neue Geschäftsmodelle Lieferkette
– Optimierung der Lieferkette
– Intelligente
Absatzvorhersageprognosen
– Bedarfsprognosen zur Vorhersage von
Umsätzen
– Sprachsteuerung der Maschinen
– KI im 3D-Druck
– KI und kollaborative Robotik
Beschaffung/Einkauf und Bestellung
– Automatisierte Lagerhaltung durch
autonome Fahrzeuge
– KI-basierte Abwicklung: Übernahme
von Bestellvorgang bis Lieferung
Unternehmensinfrastruktur und
Personalwesen
– Übernahme von Routineaufgaben
– Teilautomatisiertes
Bewerbermanagement
Service und Kundenmanagement
– Automatisierte Kunden-Review-
Analysen
– Unterstützung bei Kundeninteraktion
(z. B. Chatbots)
Forschung und Entwicklung
– KI-gestützte Simulation von
Produktverhalten
– Analysen für Produktentwicklung
Marketing und Vertrieb
– Automatisierte Datenerfassung und -
auswertung
– KI-Unterstützung für Kundeninteraktion
– Dynamische Preisoptimierung;
Optimierung Produktportfolio
– Zielgenaue Werbung/Promotion
Qualitätskontrolle und -sicherung
– Sichtprüfung von Bauteilen auf
Fehlerhaftigkeit
– Predictive Quality: optische und
akustische Qualitätssicherung
30. 0.0.30
Projekt Beispiel - Ziele
Kunde
Internationales Fertigungsunternehmen mit klarem Fokus auf datengesteuerte Entscheidungen und einer IoT-Strategie
Business-Ziele
• Anreicherung und Gruppierung relevanter Datensätze durch effizientes Abrufen und Erstellen von Playlists (statisch und
dynamisch)
• Normalisierung von Datensätzen zur Gruppierung relevanter atomarer Datenstrukturen.
• Anreicherung von Datensammlungen mit Standard-CSP-Funktionen (Aufbewahrung, Berechtigung, Versionierung, Relationen,
Sammlungen, Abruf, Vererbung, ...)
• Speicherunabhängige Lösung - Inhaltsdateien können dort bleiben, wo sie sich befinden
• Die Plattform kann verschiedene Arbeitsgruppen (Orga-Einheiten) verwalten, indem sie ein entsprechendes
Berechtigungsmodell auf Mieter- und Rollenbasis bereitstellt
• Nahtlose Integration in nahezu jede Cloud-Infrastruktur mit allen Unternehmensfunktionen wie SSO, ...
31. 0.0.31
Projekt Beispiel - Lösung
Solution
• AI Data Collection Plattform ist für alle datengesteuerten, auf KI fokussierten Unternehmen gedacht, die
Datensätze organisieren und strukturieren müssen, um KI-Modelle zu trainieren, zu bewerten und
abzustimmen.
• Die AI Data Collection Plattform ist eine skalierbare, Cloud-native und voll ausgestattete Content-Service-
Plattform, die leistungsstarke Ingestion-Funktionen sowie Funktionen zur Datenanreicherung, Normalisierung
und Abfrage bietet.
• Im Gegensatz zu anderen KI-Speicherplattformen basiert unsere Lösung auf einem modernen Open-Source-
Produktstack, unabhängig von der Anzahl der Nutzer oder der Speichergröße.
Tech-Stack
Open Source, Scalable Solution, API First, Full featured CSP Stack (Versioning, Permission, Data
Dictionary, …)
33. 0.0.33
7 Best Practices für erfolgreiche KI-Projekte
1.
Zu ehrgeizige
Anwendungsfälle
vermeiden
2.
Richtige Priorisierung
zwischen geschäftlichem
Nutzen und technischer
Machbarkeit
3.
Planung der KI-Projekte in
Hinblick auf den gesamten
KI-Lebenszyklus.
4.
Iterative Verbesserung
der Daten
5.
Quick Wins, zur Motivation
und Plausibilität
6.
Menschlichen Vorurteile
beachten und
voreingenommene KI
berücksichtigen
7.
Zombie-KI-Projekte
beenden
34. 0.0.34
7 Best Practices für erfolgreiche KI-Projekte
1. Vermeiden Sie zu ehrgeizige KI-Anwendungsfälle.
Wenn sich Ihr KI-Anwendungsfall wie ein Science-Fiction-Film anfühlt, wird er
wahrscheinlich scheitern. Erfolgreiche KI-Anwendungen greifen einen bestehenden
Prozess auf und machen ihn besser, effizienter und/oder billiger. Die Ergänzung
komplexer menschlicher Aufgaben durch KI, z. B. durch KI-Tools, die Krankenschwestern
bei der Überwachung und Identifizierung von Risikopatienten helfen, kann
außerordentliche Vorteile bringen, erscheint aber für Branchenfremde vielleicht nicht
ganz so innovativ. Neue genAI-Anwendungsfälle oder Projekte, die sich zu futuristisch
anfühlen, sollten Technologieführer innehalten lassen. Auch wenn Sie schnell
vorankommen wollen, steckt diese Technologie noch in den Kinderschuhen. Achten Sie
also darauf, dass Sie Projekte, insbesondere kundenorientierte Anwendungen, nicht
überstürzt in die Produktion überführen.
2. Priorisieren Sie Projekte, die sich im Spannungsfeld zwischen geschäftlichem Nutzen
und technischer Machbarkeit bewegen.
Viele Unternehmen verfolgen dank des Medienhypes und des überschwänglichen Marketings
der Anbieter KI-Projekte, die weder wertvoll noch machbar sind. Um dies zu vermeiden,
sollten Sie Projekte auf der Grundlage ihres Wertes und ihrer Durchführbarkeit in
Ihrem Unternehmen gleichzeitig planen. Das Zusammenbringen von Geschäfts- und
Technikexperten ist ein Anfang, aber Sie können den Erfolg verbessern, wenn Sie
"Dolmetscher" haben, die Erfahrung in beiden Welten haben. Bei der Festlegung des
Projektumfangs sollten Sie den geschäftlichen Nutzen (einschließlich des erwarteten
Nutzens in einem bestimmten Zeithorizont) mit Kennzahlen versehen und berücksichtigen,
was mit den vorhandenen Daten und dem vorhandenen Personal im gleichen Zeithorizont
getan werden kann.
35. 0.0.35
7 Best Practices für erfolgreiche KI-Projekte
3. Planen Sie KI-Projekte mit Blick auf den gesamten KI-Lebenszyklus.
Neue KI-Lösungen sind nicht wertvoll, wenn die Endnutzer sie nicht annehmen und nutzen.
Der Einsatz Ihrer KI-Lösung bedeutet mehr, als sie nur in die Hände der Endnutzer zu
geben. Es bedeutet auch, dass Sie fortlaufend Support und Wartung der Produktionsmodelle
anbieten und neue Benutzer oder bestehende Benutzer für neue Anwendungsfälle schulen
müssen. Wenn Sie das nicht eingeplant haben, müssen Sie mit langen Verzögerungen oder mit
Implementierungen rechnen, die im Dunkeln treiben. Planen Sie Ihr KI-Projekt von Anfang
bis Ende und nehmen Sie sich die Zeit, von Anfang an Vertrauen zu den vorgesehenen
Endnutzern der Lösung aufzubauen, um die Wahrscheinlichkeit eines späteren Erfolgs zu
erhöhen.
4. Verbessern Sie Ihre Daten iterativ.
Wenn es um KI-Projekte geht, ist die Verwaltung von Daten ein fortlaufender Prozess und
kein einmaliges Projekt, das Sie auf einer Liste abhaken können. Sie werden nicht wissen,
welche Daten Sie benötigen und in welcher Form Sie sie benötigen, bis Sie wissen, wie Sie
sie verwenden werden. Wenn Sie Ihre KI-Projekte zurückhalten, um auf ein
Informationsarchitekturprojekt zu warten, wird das nicht funktionieren, denn selbst wenn
36. 0.0.36
7 Best Practices für erfolgreiche KI-Projekte
5. Nutzen Sie Quick Wins, um Ihre KI-Fähigkeiten auszubauen.
Die meisten erfolgreichen KI-Initiativen nutzen die vorhandenen Fähigkeiten, um schnell
einen Mehrwert zu schaffen, und verwenden diesen Wert dann, um Investitionen in bessere
Fähigkeiten, Plattformen und Prozesse zu rechtfertigen. Das bedeutet oft, dass man
zunächst horizontale oder vertikale Punktlösungen mit eingebetteten KI-Funktionen kauft,
bevor man zu individuellen Modellen und Anwendungen übergeht.
6. Bekämpfen Sie aktiv Ihre menschlichen Vorurteile und machen Sie sich dann Gedanken
über voreingenommene KI. Voreingenommenheit in der KI ist ein großes Problem, das das
Vertrauen in die KI auf breiter Ebene beeinträchtigt, von Unternehmensnutzern bis hin zu
Verbrauchern. Um zu vermeiden, dass Ihre Modelle verzerrt sind, sollten Sie aktiv nach
Verzerrungen in den Daten suchen, auf deren Grundlage Sie Ihre Modelle trainieren wollen,
und diese aus verschiedenen Perspektiven von technischen und fachlichen Experten in Ihre
Projekte einbeziehen. Testen Sie vor allem mehrere Hypothesen, validieren Sie die Modelle
und überwachen Sie sie im Laufe der Zeit auf Verzerrungen und ggf. auf Fairness. Wenn Sie
37. 0.0.37
7 Best Practices für erfolgreiche KI-Projekte
7. Beenden Sie Zombie-KI-Projekte. Unternehmen sind immer auf der Suche nach
Einsparungen - vor allem, wenn sie die schwierigen makroökonomischen
Bedingungen zu spüren bekommen. Trotz des Wunsches, Ballast abzubauen, können
KI-Projekte in der Schwebe bleiben, entweder weil mächtige Sponsoren aus der
Führungsetage ihnen schlecht durchdachte Ziele gesetzt haben oder weil zu
wenige Mitarbeiter im Unternehmen KI gut genug verstehen, um den Mangel an
Fortschritt zu erkennen. Sie schleichen sich unaufhörlich voran, verschlingen
Zeit und Ressourcen und verringern den Appetit auf zukünftige Innovationen im
Unternehmen. Technische Führungskräfte sollten ihre Teams befähigen, diese
"Zombie"-Projekte zu beenden, aber auch die Lehren daraus zu ziehen, um sie
in neuen, tragfähigeren Formen wieder aufleben zu lassen.
Enrich and group relevant data sets by efficient retrieval and playlists generation (static and dynamic)
Normalize data sets to group relevant atomic data structures.
Enrich data collections with standard CSP features (retention, permission, versioning, relations, collections, retrieval, inheritance, …)
Storage independent solution – content files can stay where they are located
Platform can maintain different work groups (orga units) by providing appropriate tenant and role based permission model
Seamless integration into almost any cloud infrastructure with all enterprise features like SSO, …