- Business Intelligence

- Market Intelligence

- Sales Intelligence

- Production Intelligence

- Cognitive Robotics

- Programmable Logic Controller

- Intelligent Agent

and many more ...

Geschichte der künstlichen Intelligenz

"Künstliche Intelligenz basiert auf der Annahme, dass der Prozess des menschlichen Denkens formalisiert werden kann.

Das Studium des mechanischen – oder formalen – Denkens hat eine lange Geschichte: Die chinesischen, indischen und antiken griechischen Philosophen entwickelten im ersten Jahrtausend v. Chr. strukturierte Methoden der formalen Deduktion. Ihre Ideen wurden im Laufe der Jahrhunderte weiterentwickelt von Philosophen wie Aristoteles, der eine formale Analyse des Syllogismus lieferte, und Euklid, dessen Elemente ein Modell des formalen Schließens waren.

Al-Chwarizmi, der dem Algorithmus seinen Namen gab, entwickelte die Algebra, europäische Philosophen der Scholastik wie Wilhelm von Ockham und Johannes Duns Scotus trugen zum Verständnis von Logik, Deduktion und Induktion bei.

..."

Unsere Künstliche-Intelligenz-Geschichte:

Unsere KI-Geschichte begann mit einem Expertensystem-Projekt, in dem das Wissen eines bestimmten Fachgebiets in der Medizin in Form von Regeln und großen Wissensbasen repräsentiert wurde: Algorithmen

Die medizinischen Maschinen haben wir mit Fachwissen der Ärzte und weiteren Experten*innen gefüttert, bis sie selbstständig auf Fragen der Nutzer*innen antworten konnten.

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

Phase 6 now! Gesellschaftliche Auswirkungen von Artificial Intelligence

Unseren aktuellen Schwerpunkt beschreibt die Frage:

"Welche Auswirkungen hat die Künstliche Intelligenz (KI) auf die Funktionssysteme der Gesellschaft?"

Was uns unterscheidet?

Wenn die KI-Experten (w/d/m) 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 (von Menschen angefertigte) Systeme sowie

- organische lebende Systeme.

Darüber wie die menschliche Selbstreferentialität und die damit zusammenhängende Sinnverarbeitung in der KI-Tools lückenlos abgebildet werden können, findet man kaum Informationsquellen:

Die Suche nach den Antworten bildet einen besonderen Schwerpunkt unserer Artificial-Intelligence-Consulting-Services

Beispiele:

>>> Impacts of ChatGPT, google Gemini, Baidu Ernie Bot

>>> autonomous driving level 5

Wo hat unser Team in den vergangenenen Jahrzehnten Projekte im Themenbereich Artificial Intelligence gemacht?

An unseren Anfängen gab es die Kategorisierung schwache KI - starke KI bereits, man denke z.B. an das Chinesische Zimmer, ein Gedankenexperiment des Philosophen John Searle.

Die Data Science Aktivitäten waren ebenfalls im Gange. 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 Anfang der 90er 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.

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, chatGPT oder google BARD ...

knstliche intelligenz zitat 1

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 wir 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