27 Unglaubliche Beispiele für KI und maschinelles Lernen in der Praxis

Es gibt so viele erstaunliche Möglichkeiten, wie künstliche Intelligenz und maschinelles Lernen hinter den Kulissen eingesetzt werden, um unseren Alltag zu beeinflussen, Geschäftsentscheidungen zu treffen und den Betrieb für einige der weltweit führenden Unternehmen zu optimieren. Hier sind 27 erstaunliche praktische Beispiele für KI und maschinelles Lernen.

Konsumgüter

Hello Barbie verwendet die Verarbeitung natürlicher Sprache, maschinelles Lernen und erweiterte Analysen und hört und reagiert auf ein Kind. Ein Mikrofon an Barbies Halskette zeichnet das Gesagte auf und überträgt es an die Server von ToyTalk. Dort wird die Aufzeichnung analysiert, um aus 8.000 Dialogzeilen die passende Antwort zu ermitteln. Server übertragen die richtige Antwort in weniger als einer Sekunde an Barbie zurück, damit sie auf das Kind reagieren kann. Antworten auf Fragen wie das Lieblingsessen werden gespeichert, damit sie später im Gespräch verwendet werden können.Der globale Markt und die umfangreiche Produktliste von Coca-Cola — mehr als 500 Getränkemarken, die in mehr als 200 Ländern verkauft werden — machen Coca-Cola zum größten Getränkeunternehmen der Welt. Das Unternehmen erstellt nicht nur viele Daten, sondern hat auch neue Technologien eingeführt und setzt diese Daten in die Praxis um, um die Entwicklung neuer Produkte zu unterstützen, Bots mit künstlicher Intelligenz zu nutzen und sogar Augmented Reality in Abfüllanlagen zu testen.

Obwohl das niederländische Unternehmen Heineken seit 150 Jahren ein weltweit führendes Brauunternehmen ist, wollen sie ihren Erfolg speziell in den USA katapultieren, indem sie die große Menge an Daten nutzen, die sie sammeln. Von datengesteuertem Marketing über das Internet der Dinge bis hin zur Verbesserung des Betriebs durch Datenanalyse setzt Heineken auf KI-Augmentation und Daten, um seine Betriebsabläufe, sein Marketing, seine Werbung und seinen Kundenservice zu verbessern.

Kreative Künste

Kochkunst erfordert die menschliche Note, oder? Ja und nein. Der KI-fähige Küchenchef Watson von IBM bietet einen Einblick, wie künstliche Intelligenz zum Sous-Chef in der Küche werden kann, um Rezepte zu entwickeln und ihre menschlichen Kollegen bei Lebensmittelkombinationen zu beraten, um völlig einzigartige Aromen zu kreieren. Gemeinsam können KI und Mensch in der Küche mehr schaffen als allein.Eine weitere Möglichkeit, wie KI und Big Data die Kreativität steigern können, ist die Welt der Kunst und des Designs. In einem Beispiel wurde IBMs maschinelles Lernsystem Watson mit Hunderten von Bildern der Arbeit des Künstlers Gaudi zusammen mit anderem ergänzendem Material gefüttert, um der Maschine zu helfen, mögliche Einflüsse für seine Arbeit zu lernen, einschließlich Barcelona, seiner Kultur, Biografien, historischen Artikeln und Liedtexten. Watson analysierte alle Informationen und lieferte Inspiration für die menschlichen Künstler, die mit der Schaffung einer Skulptur „informiert“ von Watson und im Stil von Gaudi beauftragt wurden.

Musikgenerierende Algorithmen inspirieren jetzt zu neuen Songs. Bei genügend Input – Millionen von Gesprächen, Schlagzeilen und Reden — werden Erkenntnisse gewonnen, die dazu beitragen können, ein Thema für Texte zu erstellen. Es gibt Maschinen wie Watson BEAT, die mit verschiedenen musikalischen Elementen aufwarten können, um Komponisten zu inspirieren. KI hilft Musikern zu verstehen, was ihr Publikum will, und genauer zu bestimmen, welche Songs letztendlich Hits sein könnten.

Energie

BP, der weltweit führende Energiekonzern, ist führend bei der Realisierung der Möglichkeiten, die Big Data und künstliche Intelligenz für die Energiewirtschaft bieten. Sie nutzen die Technologie, um neue Leistungsniveaus zu erreichen, den Ressourceneinsatz sowie die Sicherheit und Zuverlässigkeit der Öl- und Gasproduktion und -raffination zu verbessern. Von Sensoren, die die Bedingungen an jedem Standort weiterleiten, bis hin zur Verwendung von KI-Technologie zur Verbesserung des Betriebs stellt BP Ingenieuren, Wissenschaftlern und Entscheidungsträgern Daten zur Verfügung, um die Leistung zu steigern.Um Energie ins 21.Jahrhundert zu bringen, nutzt GE Power Big Data, maschinelles Lernen und Internet der Dinge (IoT), um ein „Internet der Energie“ aufzubauen.“ Fortschrittliche Analysen und maschinelles Lernen ermöglichen vorausschauende Wartung sowie Strom-, Betriebs- und Geschäftsoptimierung, um GE Power bei der Umsetzung seiner Vision eines“digitalen Kraftwerks „zu unterstützen.“

Finanzdienstleistungen

Mit rund 3,6 Petabyte an Daten (und wachsenden) über Einzelpersonen auf der ganzen Welt bezieht die Kreditauskunftei Experian ihre außergewöhnliche Datenmenge aus Marketingdatenbanken, Transaktionsdatensätzen und öffentlichen Informationsdatensätzen. Sie integrieren maschinelles Lernen aktiv in ihre Produkte, um eine schnellere und effektivere Entscheidungsfindung zu ermöglichen. Im Laufe der Zeit können die Maschinen lernen, zu unterscheiden, welche Datenpunkte wichtig sind und welche nicht. Erkenntnisse aus den Maschinen ermöglichen es Experian, seine Prozesse zu optimieren.American Express verarbeitet Transaktionen im Wert von 1 Billion US-Dollar und hat 110 Millionen AmEx-Karten in Betrieb. Sie verlassen sich stark auf Datenanalysen und Algorithmen für maschinelles Lernen, um Betrug nahezu in Echtzeit zu erkennen und so Verluste in Millionenhöhe zu vermeiden. Darüber hinaus nutzt AmEx seine Datenflüsse, um Apps zu entwickeln, die einen Karteninhaber mit Produkten oder Dienstleistungen und Sonderangeboten verbinden können. Sie geben Händlern auch Online-Business-Trendanalysen und Branchen-Peer-Benchmarking.

Gesundheitswesen

KI und Deep Learning werden von Infervision eingesetzt, um Leben zu retten. In China, wo es nicht genug Radiologen gibt, um mit der Nachfrage Schritt zu halten, jedes Jahr 1,4 Milliarden CT-Scans zu überprüfen, um nach frühen Anzeichen von Lungenkrebs zu suchen. Radiologen müssen jeden Tag Hunderte von Scans überprüfen, was nicht nur mühsam ist, sondern auch zu Fehlern führen kann. Infervision schulte und lehrte Algorithmen, um die Arbeit von Radiologen zu verbessern, damit sie Krebs genauer und effizienter diagnostizieren können.Die Neurowissenschaften sind die Inspiration und Grundlage für Googles DeepMind, das eine Maschine entwickelt, die die Denkprozesse unseres eigenen Gehirns nachahmen kann. Während DeepMind Menschen bei Spielen erfolgreich geschlagen hat, sind die Möglichkeiten für Anwendungen im Gesundheitswesen wirklich faszinierend, z. B. die Verkürzung der Zeit für die Planung von Behandlungen und die Verwendung von Maschinen zur Diagnose von Krankheiten.

Fertigung

Autos sind zunehmend vernetzt und generieren Daten, die auf vielfältige Weise genutzt werden können. Volvo verwendet Daten, um vorherzusagen, wann Teile ausfallen oder wann Fahrzeuge gewartet werden müssen, seine beeindruckende Sicherheitsbilanz durch Überwachung der Fahrzeugleistung in gefährlichen Situationen aufrechtzuerhalten und den Komfort für Fahrer und Beifahrer zu verbessern. Volvo betreibt auch eigene Forschung und Entwicklung für autonome Fahrzeuge.BMW hat Big Data-bezogene Technologie im Herzen seines Geschäftsmodells und Daten leiten Entscheidungen im gesamten Unternehmen von Design und Engineering bis hin zu Vertrieb und Nachsorge. Das Unternehmen ist auch führend in der fahrerlosen Technologie und plant, dass seine Autos bis 2021 Autonomie der Stufe 5 bieten — das Fahrzeug kann ohne menschliches Eingreifen selbst fahren.

Die Revolution der KI-Technologie hat auch die Landwirtschaft getroffen, und John Deere bringt datengesteuerte Analysetools und Automatisierung in die Hände der Landwirte. Sie erwarben Blue River Technology für seine Lösung, fortschrittliche Algorithmen für maschinelles Lernen zu verwenden, damit Roboter basierend auf visuellen Daten Entscheidungen darüber treffen können, ob ein Plan ein Schädling ist oder nicht, um ihn mit einem Pestizid zu behandeln. Das Unternehmen bietet bereits automatisierte landwirtschaftliche Fahrzeuge zum Pflügen und Säen mit punktgenauen GPS-Systemen an, und sein Farmsight-System soll die Entscheidungsfindung in der Landwirtschaft unterstützen.

Medien

Das BBC-Projekt Talking with Machines ist ein Hörspiel, das es den Hörern ermöglicht, über ihren intelligenten Lautsprecher mitzumachen und sich in beide Richtungen zu unterhalten. Die Zuhörer werden Teil der Geschichte, da sie aufgefordert werden, Fragen zu beantworten und ihre eigenen Zeilen in die Geschichte einzufügen. Die BBC wurde speziell für intelligente Lautsprecher wie Amazon Echo und Google Home entwickelt und erwartet, dass sie in Zukunft auf andere sprachaktivierte Geräte ausgeweitet wird.Die britische Nachrichtenagentur Press Association (PA) hofft, dass Roboter und künstliche Intelligenz lokale Nachrichten retten können. Sie haben sich mit dem Nachrichtenautomatisierungsspezialisten Urbs Media zusammengetan, um Roboter jeden Monat 30.000 lokale Nachrichten in einem Projekt namens RADAR (Reporter und Daten und Roboter) schreiben zu lassen. Gespeist mit einer Vielzahl von Daten von Behörden, öffentlichen Diensten und lokalen Behörden verwendet die Maschine die Technologie zur Erzeugung natürlicher Sprache, um lokale Nachrichten zu schreiben. Diese Roboter füllen eine Lücke in der Berichterstattung, die nicht von Menschen gefüllt wurde.

Big Data Analytics hilft Netflix, vorherzusagen, was seine Kunden gerne sehen werden. Sie sind auch zunehmend ein Content-Ersteller, nicht nur ein Distributor, und verwenden Daten, um zu bestimmen, in welche Inhalte sie investieren werden. Aufgrund des Vertrauens, das sie in die Datenergebnisse haben, Sie sind bereit, sich der Konvention zu widersetzen und mehrere Staffeln einer neuen Show in Auftrag zu geben, anstatt nur eine Pilotfolge.

Einzelhandel

Wenn Sie zum ersten Mal an Burberry denken, denken Sie wahrscheinlich an seine Luxusmode und nicht zuerst an ein digitales Geschäft. Sie waren jedoch damit beschäftigt, sich neu zu erfinden und nutzen Big Data und KI, um gefälschte Produkte zu bekämpfen und den Verkauf und die Kundenbeziehungen zu verbessern. Die Strategie des Unternehmens zur Steigerung des Umsatzes besteht darin, tiefe, persönliche Verbindungen zu seinen Kunden zu pflegen. Als Teil davon haben sie Belohnungs- und Treueprogramme, die Daten erstellen, um das Einkaufserlebnis für jeden Kunden zu personalisieren. Tatsächlich machen sie das Einkaufserlebnis in ihren stationären Geschäften genauso innovativ wie ein Online-Erlebnis.Als zweitgrößter Einzelhändler der Welt ist Walmart auf dem neuesten Stand, Wege zu finden, den Einzelhandel zu transformieren und seinen Kunden einen besseren Service zu bieten. Sie nutzen Big Data, maschinelles Lernen, KI und das IoT, um eine nahtlose Erfahrung zwischen der Online-Kundenerfahrung und der In-Store-Erfahrung zu gewährleisten (mit 11.000 stationären Geschäften ist Amazon nicht in der Lage. Zu den Verbesserungen gehören die Verwendung der Scan- und Go-Funktion in der App, Pick-up-Türme und sie experimentieren mit Gesichtserkennungstechnologie, um festzustellen, ob Kunden glücklich oder traurig sind.

Service

Im Mittelpunkt von allem, was Microsoft tut, steht die Nutzung intelligenter Maschinen. Microsoft hat Cortana, einen virtuellen Assistenten; chatbots, die Skype ausführen und Kundendienstanfragen beantworten oder Informationen wie Wetter- oder Reise-Updates liefern, und das Unternehmen hat intelligente Funktionen in seinem Office Enterprise eingeführt. Andere Unternehmen können die Microsoft AI-Plattform nutzen, um ihre eigenen intelligenten Tools zu erstellen. In Zukunft möchte Microsoft intelligente Maschinen mit generalisierten KI-Funktionen sehen, mit denen sie jede Aufgabe erledigen können.

Wenn Sie Cloud Computing, Geo-Mapping und maschinelles Lernen zusammenbringen, können einige wirklich interessante Dinge passieren. Google nutzt KI- und Satellitendaten, um illegale Fischerei zu verhindern. An jedem Tag werden 22 Millionen Datenpunkte erstellt, die zeigen, wo sich Schiffe auf den Wasserstraßen der Welt befinden. Google-Ingenieure fanden heraus, dass sie bei der Anwendung von maschinellem Lernen auf die Daten erkennen konnten, warum sich ein Schiff auf See befand. Sie haben schließlich Global Fishing Watch erstellt, die zeigt, wo gefischt wird, und dann feststellen kann, wann illegal gefischt wurde.

Immer an der Spitze der Lieferung außergewöhnlicher Service, Disney wird dank Big Data noch besser. Jeder Besucher erhält sein eigenes MagicBand-Armband, das als Ausweis, Hotelzimmerschlüssel, Tickets, FastPasses und Zahlungssystem dient. Während der Gast den Komfort genießt, erhält Disney viele Daten, die ihm helfen, die Bedürfnisse der Gäste zu antizipieren und ein erstaunliches, personalisiertes Erlebnis zu bieten. Sie können Staus auflösen, Gästen, die möglicherweise durch eine geschlossene Attraktion belästigt wurden, zusätzliche Dienstleistungen anbieten, und Daten ermöglichen es dem Unternehmen sogar, Mitarbeiter effizienter zu planen.

Google ist seit seinem ersten Vorstoß mit dem Google Brain Project im Jahr 2011 einer der Pioniere des Deep Learning. Google hat zuerst Deep Learning für die Bilderkennung verwendet und kann es jetzt zur Bildverbesserung verwenden. Google hat Deep Learning auch auf die Sprachverarbeitung angewendet und bessere Videoempfehlungen auf YouTube bereitgestellt, da es die Gewohnheiten und Vorlieben der Zuschauer beim Streamen von Inhalten untersucht. Als nächstes nutzt Googles selbstfahrende Autoabteilung auch Deep Learning. Google nutzte auch maschinelles Lernen, um die richtige Konfiguration von Hardware und Kühlern in seinen Rechenzentren zu ermitteln und den Energieverbrauch für den Betrieb zu reduzieren. KI und maschinelles Lernen haben Google geholfen, neue Wege der Nachhaltigkeit zu erschließen.

Social Media

Von dem, was Tweets empfehlen unangemessene oder rassistische Inhalte zu bekämpfen und die Benutzerfreundlichkeit zu verbessern, hat Twitter begonnen, künstliche Intelligenz hinter den Kulissen zu verwenden, um ihr Produkt zu verbessern. Sie verarbeiten viele Daten durch tiefe neuronale Netze, um im Laufe der Zeit zu lernen, was die Vorlieben der Benutzer sind.Deep Learning hilft Facebook dabei, einen größeren Teil seiner unstrukturierten Datensätze zu nutzen, die von fast 2 Milliarden Menschen erstellt wurden, die ihren Status 293.000 Mal pro Minute aktualisieren. Der größte Teil der Deep-Learning-Technologie basiert auf der Torch-Plattform, die sich auf Deep-Learning-Technologien und neuronale Netze konzentriert.