Jump to section

Use Cases für KI/ML

URL kopieren

Künstliche Intelligenz (KI) bezeichnet im Allgemeinen Prozesse und Algorithmen, mit denen menschliche Intelligenz simuliert werden kann, einschließlich der Nachahmung kognitiver Funktionen wie Wahrnehmung, Lernen und Problemlösung. Maschinelles Lernen (ML) und Deep Learning (DL) sind Unterkategorien von KI. Dabei werden Algorithmen verwendet, um innerhalb eines Datensatzes Muster zu erkennen und Vorhersagen zu treffen. Unter idealen Bedingungen ermöglicht maschinelles Lernen eine schnellere und präzisere Interpretation von Daten, als es uns Menschen selbst möglich wäre.

KI/ML sorgt derzeit für eine schnelle Transformation der Art und Weise, wie Unternehmen betrieben werden. Dies hat branchenweit und auch innerhalb der Unternehmen weitreichende Auswirkungen. Es ist wichtig, die Vorteile von KI/ML zu kennen und sich auf die spezifischen Herausforderungen für Ihre Geschäftsprozesse und Workloads vorzubereiten.

KI/ML wird zunehmend zum Vereinfachen, Verbessern und Skalieren verschiedener geschäftlicher Funktionen genutzt, darunter:

  • Daten und Analysen: KI/ML kann die Eingabe, Speicherung und Sicherheit von Daten automatisieren und auch prädiktive geschäftliche Analysen sammeln. 
  • Kundensupport: Chatbots und Klassifizierungssysteme für Anrufe nutzen Natural Language Processing (NLP), um Kunden schnell zu bedienen und komplexe Anfragen an die richtigen Kanäle weiterzuleiten. 
  • Betriebsabläufe: Bei der Robotic Process Automation (RPA) werden Softwareroboter verwendet, um sich wiederholende Aufgaben auszuführen, die zuvor von Menschen erledigt wurden. In Kombination mit KI können damit unstrukturierte Datensätze mit einer Geschwindigkeit und Genauigkeit analysiert werden, die mit menschlichen Prozessen nicht möglich ist.
  • Marketing und Vertrieb: DL-Algorithmen können Marketingteams dabei unterstützen, Analysen über Kunden zu sammeln, um informationsbasierte Strategien und personalisierte Marketingkampagnen zu entwickeln. Vertriebsteams können KI zur Informationsverarbeitung nutzen und so Leads schnell entwickeln. 
  • Personalwesen: Bots, die mit KI-Basismodellen trainiert werden, können sich beim Bewerten von Bewerberprofilen im Einstellungsprozess als nützlich erweisen. Umfragen zur Mitarbeiterzufriedenheit können auch mithilfe von künstlichen neuronalen Netzwerken durchgeführt und analysiert werden, wodurch sich positive Veränderungen schnell umsetzen lassen. 

Beim Implementieren dieser oder ähnlicher Lösungen ist es wichtig, häufigen Herausforderungen beim Einsatz von KI/ML entgegenzuwirken, darunter Verzerrungen und Black Box-Effekte in KI. Diese Nachteile können besonders in regulierten Branchen wie dem Gesundheitswesen, der Strafjustiz und dem Finanzsektor problematisch sein. Der Einsatz von KI/ML-Programmen in Unternehmen zur Verbesserung von Produktivität und Performance nimmt stetig zu. Daher ist es entscheidend, dass dafür Strategien eingesetzt werden, um Verzerrungen zu minimieren und die Transparenz zu erhöhen. Dies beginnt bereits mit häufigem Retraining und regelmäßiger Wartung, inklusiven Design-Prozessen und einer sorgfältigen Berücksichtigung von repräsentativer Diversität innerhalb der erfassten Daten.

Neue Fortschritte in KI können die Ergebnisse für Patientinnen und Patienten verbessern, da ärztliches und anderes medizinisches Fachpersonal dadurch genauere Diagnosen stellen und besser abgestimmte Behandlungspläne entwickeln kann. KI im Gesundheitswesen kann Kranken, Anbietern und Administrationsteams auf vielfältige Weise zugutekommen. Dazu zählen:

  • Schnellere Diagnosen: Datenbasierte Erkenntnisse, die mit KI-Algorithmen und prädiktiven Analysen verarbeitet werden, können Diagnosen beschleunigen, wodurch Kranke schneller behandelt werden können. 
  • Erweiterter Zugriff auf Versorgungsangebote: KI-gestützte Diagnosen können die Patientengruppen vergrößern, die bestimmte Gesundheitsservices erhalten. So kann beispielsweise im Bereich Radiologie und medizinische Bildgebung mithilfe von KI eine größere Anzahl von Fachleuten Ultraschallaufnahmen interpretieren. Dadurch ließe sich der Engpass überwinden, der aus der geringen Anzahl von Expertinnen und Experten resultiert. Gleichzeitig könnten damit mehr Kranke Zugang zu dieser Technologie erhalten.
  • Arzneimittel- und klinische Forschung: KI-gestützte Berechnungstools können traditionelle Trial-and-Error-Methoden in klinischen Studien und in der pharmazeutischen Entwicklung optimieren. Außerdem werden damit schnellere und effizientere Modelle möglich, mit denen der gesamte Prozess überwacht werden kann. 

KI/ML wird in der Telekommunikationsbranche zunehmend zur Optimierung verschiedener Bereiche genutzt, etwa zur Verbesserung der Performance von 5G-Netzwerken oder der Qualität von Produkten und Services. Zu den Anwendungsbereichen zählen:

  • Servicequalität: KI wird zur Optimierung der Netzwerk-Performance genutzt. Dabei werden die von Telekommunikationsanbietern erfassten Daten auf Trafficvolumen, Verlangsamung und Ausfälle hin analysiert. Anhand dieser Daten kann KI dann auch notwendige Maßnahmen empfehlen. 
  • Audiovisuelle Verbesserungen: Natural Language Processing und maschinelles Sehen können die Videoschärfe und die Sprachverständlichkeit optimieren und so die Qualität von Anrufen verbessern. 
  • Abwanderungsprävention: Spracherkennungstechnologie kann Anrufe mit aktuellen und potenziellen Kunden anhören und dabei eine Stimmungsanalyse vornehmen, um zu verstehen, welches Verhalten auf ein Gesprächsende oder eine Vertragserneuerung hindeutet. Dies lässt sich auch auf andere Branchen anwenden. 

Intelligente Automatisierung transformiert die Fertigung von Produkten – von der Werkshalle bis hin zu Lagerräumen und Versandrouten.

  • Roboter: Industrielle Roboter werden branchenweit in Fabriken und Herstellungszentren installiert, um die dort arbeitenden Menschen von repetitiven oder gefährlichen Aufgaben zu entlasten, etwa das Sortieren von Paketen oder das Bedienen von Schwermaschinen. Dadurch sinkt das Risiko menschlicher Fehler.
  • Lieferkettenmanagement: Mit maschinellem Lernen kann die Lieferkettenlogistik geprüft und das Bestandsmanagement durchgeführt werden, um optimale Liefer- und Lagerzeiten vorherzusagen.
  • Industrielle Analysen: Industrielle Analysen können mithilfe von KI/ML-Algorithmen die Produktions-Performance von Anfang bis Ende prüfen, um Engpässe zu identifizieren und effektivere Workflows zu implementieren.

Künstliche Intelligenz und maschinelles Lernen unterstützen Regierungsbehörden auf der ganzen Welt dabei, wichtige Herausforderungen zu bewältigen und den Interessen der Öffentlichkeit zu dienen. 

  • Bessere öffentliche Dienstleistungen: KI/ML-Tools können Daten über die Nutzung und Effizienz von öffentlichen Dienstleistungen wie Transport, Abwasser- und Abfallentsorgung sowie Sozialdienste erfassen. Basierend auf diesen Daten können dann neue Dienstleistungen angeboten und vorhandene verbessert werden. 
  • Datenmanagement: Natural Language Processing ist ein nützliches Tool, wenn es um das Sortieren und Verwalten von öffentlich verfügbaren Daten geht, da damit qualitative Daten schneller und mit weniger Aufwand erfasst und verstanden werden können. KI-basierte Cybersicherheitslösungen können außerdem die Angriffsfläche für Bedrohungen verringern und die Reaktionszeit bei Vorfällen verkürzen, wodurch öffentliche Daten besser geschützt werden. 
  • Datengestützte Richtliniengestaltung: Dank der prädiktiven Möglichkeiten von künstlicher Intelligenz und maschinellem Lernen kann bei der Gestaltung von Richtlinien auf datengestützte Vorhersagen und evidenzbasierte Lösungen zurückgegriffen werden. 

Menschen interagieren im Einzelhandel und auf E-Commerce-Websites tagtäglich mit KI/ML. Sie begegnet uns beim Online-Shopping wie folgt:

  • Personalisierte Empfehlungen: KI/ML verfolgt das Kundenverhalten online und kann diese Informationen dafür nutzen, personalisierte Empfehlungen über digitale Werbung zu geben oder direkt mit den Kundinnen und Kunden in Interaktion zu treten. 
  • Chatbots: Chatbots können nicht nur nützliche Tools für das Kundenerlebnis sein, sondern auch als automatisierte Vertriebspartner dienen. Chatbots nutzen Natural Language Processing, um die Bedürfnisse von Nutzenden zu verstehen und ihnen dabei zu helfen, das Gesuchte zu finden. 
  • Automatisierte Checkouts: Einige Unternehmen setzen KI-Technologie ein, um Selbstbedienungskassen noch weiter zu optimieren, indem sie Artikel visuell scannen lassen und die entsprechenden Beträge auf dem Kundenkonto verbuchen.

Die Beliebtheit von elektrischen und autonomen Fahrzeugen hat zugenommen und damit auch der Bedarf an sicheren und innovativen Programmen, die die Menschen ans gewünschte Ziel bringen.  

  • Fahrzeugwahrnehmung und Fahrassistenz: Tools für maschinelles Sehen wie intelligente Bremssysteme und die Totwinkelassistenz helfen der Person am Steuer, Objekte wie Straßensperren, andere Autos oder Menschen zu Fuß auch im toten Winkel zu erkennen und entsprechend zu reagieren. 
  • Selbstfahrende Autos: Sowohl für die Personen am Steuer als auch die außerhalb des Fahrzeugs sind KI/ML-Technologien für die Sicherheit von autonomen Fahrzeugen wesentlich – vom adaptiven Tempomat und Navigationssystemen bis hin zu Spurassistenz und automatischen Bremssystemen. 
  • Prädiktive Wartung: ML-Algorithmen erfassen Fahrzeugdaten, um vorherzusagen, welche Komponenten wahrscheinlich bald ausfallen, und empfehlen dann frühzeitig die entsprechende Wartung. 

NLP-Technologien wie ChatGPT sind in der wissenschaftlichen Forschung und beim Verfassen von Texten beliebt. KI/ML bietet jedoch noch viele weitere Anwendungsmöglichkeiten, die das Lernen unterstützen.

  • Intelligente Kurserstellung: Generative KI kann Lehrende beim Finden und Organisieren von notwendigen Kursbestandteilen unterstützen. Außerdem können damit Kursinhalte und Aufgaben erstellt werden. 
  • Wissenschaftliche Assistenz: KI-Tools können beim Recherchieren von Themen als virtuelle Assistenten agieren und das Internet oder Datenbanken auf relevante Lernmaterialien hin durchforsten und dabei interessante Bereiche oder Aspekte hervorheben.  
  • Nachhilfe: KI/ML kann für Lernende mit Unterstützungsbedarf Lernmaterialien und personalisierte Wissenstests erstellen und ihnen so einen besseren Zugang zu Nachhilfemöglichkeiten verschaffen. 

Moderne Finanzdienstleistungsunternehmen nutzen KI/ML zur Entwicklung von Anwendungen, die messbare Ergebnisse liefern – von höherer Kundenzufriedenheit und vielseitigeren Serviceangeboten bis hin zu mehr Business Automation. 

  • Betrugserkennung: Banken setzen auf maschinelles Lernen, um damit betrügerische und unsichere Transaktionen zu erkennen und Kunden in Echtzeit darüber zu informieren. Stimmauthentifizierung erlernt die besonderen Stimmmuster von Nutzenden, um deren Konten zu schützen und nur autorisierten Personen Zugriff zu gewähren. 
  • Rechnungsstellung: KI automatisiert die repetitive Rechnungsstellung und andere administrative Aufgaben, was Kosten und Fehler reduziert. 
  • Investitionen: Investmentfirmen nutzen Deep Learning, um Investitionsmöglichkeiten zu recherchieren und Algorithmen so zu verbessern, dass diese genauere Vorhersagen treffen.

Für die verschiedenen Branchen sind jeweils verschiedene KI/ML-Anwendungen von Vorteil, aber die richtige Basis zu haben ist branchenübergreifend von entscheidender Bedeutung. 

Red Hat OpenShift ist eine einheitliche Plattform, mit der Sie Anwendungen in großem Umfang entwickeln, modernisieren und bereitstellen können. OpenShift bietet eine Basis, mit der Sie KI- und ML-Lifecycles und die Bereitstellung intelligenter Anwendungen beschleunigen. Dadurch erhalten Ihre Data Scientists die dringend benötigte Agilität, Flexibilität, Portierbarkeit und Skalierbarkeit, um Modelle in der Produktion trainieren, testen und bereitstellen zu können.

Red Hat OpenShift AI ist ein auf KI fokussiertes Portfolio, das Tools für den gesamten Lebenszyklus von KI/ML-Experimenten und -Modellen enthält. Red Hat OpenShift Data Science beinhaltet eine auf Open Source basierende ML-Plattform für die Hybrid Cloud. Sie bietet eine vollständig unterstützte Umgebung für die Einführung von Best Practices nach MLOps, in der Data Scientists und Entwicklungsteams schnell ML-Workloads und -Modelle On-Premise sowie in der Public Cloud trainieren, bereitstellen und überwachen können.

Mehr über OpenShift Data Science erfahren

Mit dem zertifizierten Partnernetzwerk von Red Hat können Sie die gewünschten KI/ML- und Anwendungsentwicklungstools in diese Architektur integrieren, sodass Sie KI/ML erfolgreich für intelligente Anwendungen mit besseren Geschäftsergebnissen einsetzen können.

Unser KI-Partnernetzwerk erkunden

Erfahren Sie, wie Unternehmen Lösungen von Red Hat in der Praxis einsetzen, um ihre KI/ML-Workloads zu unterstützen – vom Gesundheits- und Bildungswesen bis hin zur Automobil- und Telekommunikationsbranche.

Success Stories durchsuchen

Weiterlesen

Artikel

Was sind Red Hat OpenShift Operatoren?

Red Hat OpenShift Operatoren automatisieren die Erstellung, Konfiguration und Verwaltung von Instanzen Kubernetes-nativer Anwendungen.

Artikel

Was für Red Hat OpenShift Serverless spricht

Red Hat OpenShift Serverless erweitert Kubernetes auf die Bereitstellung und Verwaltung serverloser Workloads.

Artikel

Warum Red Hat OpenShift Service Mesh?

Mit dem Red Hat OpenShift Service Mesh können Sie Anwendungen, die auf Microservices basieren, auf einheitliche Weise verbinden, verwalten und überwachen.

Mehr über OpenShift erfahren

Produkte

Eine Plattform, die es Ihnen ermöglicht, Anwendungen in Ihrem Unternehmen schnell und effizient über die von Ihnen gewünschte Infrastruktur bereitzustellen.

Softwaredefinierter Storage sorgt für einen permanenten Datenspeicher, während Container in mehreren Umgebungen hoch- und heruntergefahren werden.

Eine KI-Plattform, die Tools zum schnellen Entwickeln, Trainieren, Bereitstellen und Überwachen von Modellen und KI-gestützten Anwendungen bietet.

Eine zentrale Konsole mit integrierten Sicherheitsrichtlinien, mit der Sie Kubernetes-Cluster und -Anwendungen verwalten können.

Ressourcen

Training

Kostenloser Trainingskurs

Running Containers with Red Hat Technical Overview

Kostenloser Trainingskurs

Developing Cloud-Native Applications with Microservices Architectures

Kostenloser Trainingskurs

Containers, Kubernetes and Red Hat OpenShift Technical Overview