The travel expense appraisal process is at the operational heart of any professional services firm, and relevant to many other large organisations. To put the importance of this process into perspective – alone, each of the Big 4 professional services firms employ more than 200,000 employees, most of which are travelling on a daily basis to provide their clients with a personal on-site advisory service and they’re submitting an overwhelming number of expenses every day. Any issues arising in this process will have detrimental effects on daily operations, and, because of the sheer volume of new expense reports being submitted daily, blockages in this process could very easily create an insurmountable backlog. In the example covered in this talk, this process was executed by 20 FTEs in the GSA region alone. This is where the value of AI can shine – through Deep Learning (DL), an AI can be trained to perform human-like activities, such as deciding the outcome of an expense claim from both structured data, e.g. the expense amount, and unstructured data, e.g. the description of and reason for an expense. The presented use case can thus be seen as an example of how DL can be used to automate data-centric processes, as long the AI system is tailored with care to the existing business process and expert logic. The two resulting key benefits are reduced operational costs (estimated at -70%) and an actual improvement in decisioning accuracy measured at ca. +25%.
22.06.2020 - Montag
The adoption of the Internet of Things (IoT) in industry provides the opportunity to gather valuable data. Nevertheless, this amount of data must be analysed to identify patterns in the data, model behaviors of equipment and to enable prediction. In this talk, we present a concept for metadata representation that tackles some of the challenges posed by big data ecosystems to data interpretation and analysis. By combining big data technologies (e.g. Spark on Hadoop) with semantic approaches, the processing and analysis of large volumes of data coming from heterogeneous sources becomes reliable. The metadata representation approach is adopted for defining the structure and the relations (i.e., the connections) between the various data sources. This enables the development of a generic, reusable and responsive data analytics framework, which is ensuring data validity and trustful analytics results.
The integration of artificial intelligence – especially in the field of image processing – allows users an exceptional level of quality, flexibility, and efficiency in automation.Within our talk, However, within industrial applications based on machine learning, all advantages are above all the lack of traceability and the immense need for large amounts of data of neural networks. The application of AI methods in the industry often fails due to the cost of data acquisition or lack of availability of appropriate training data to ensure robust and accurate models. Our talk addresses the issues of data hunger & understandability and introduces tools, methods, and standards, enabling the effective and efficient use of artificial intelligence in industrial environments in a traceable and data-efficient manner.
Seit den letzten Jahren erleben wir einen immer stärker steigenden Einsatz von Computer Vision in den verschiedensten Bereichen. Die Bandbreite an Anwendungsfällen scheint fast grenzenlos. In der praktischen Umsetzung sehen wir aber doch gewisse Schranken. Ein Hauptproblem ist, dass sich die meisten Computer Vision Modelle nur mithilfe von ausreichend Trainingsbildern trainieren lassen. Dabei zählt vor allem deren Varianz, das heißt: „zeigen meine Trainingsbilder eine möglichst große Bandbreite an Realität“. Bei vielen potenziellen Anwendungsfällen liegt genau hier die Hürde, um die Idee zum Fliegen zu bringen. Dabei lässt sich die Hürde umgehen – und zwar natürlich mithilfe von AI. Im Vortrag sprechen wir zum einen darüber wie sich durch den Einsatz von GANs Trainingsbilder künstlich erzeugen lassen, zum anderen wie wir durch die Nutzung von CAD-Daten gänzlich auf das Sammeln von Bildern verzichten können. Durch GANs lassen sich bereits aus einer geringen Anzahl von Bildern fotorealistisch künstliche Bilder erzeugen, die eine große Bandbreite an Varianz abdecken. Dieser Prozess lässt sich in vielen Fällen sogar automatisieren. Dieser Prozess kann komplementär zur klassischen Image Augmentation genutzt werden, erzeugt aber eine andere Art von Varianz. Sollten zudem CAD-Daten des wiederzuerkennden Objekts vorhanden sein, geht das Ganze noch ein Stück weiter. Denn dann kann bereits ein Computer Vision – Modell trainiert werden, obwohl das Objekt womöglich noch gar nicht real existiert. Dabei kann man aus den 3D-Modellen bereits fotorealistische Bilder des Objekts erzeugen und damit ein Modell anlernen. Durch die Kombination des Renderings und von GANs lassen sich täuschend echte Abbildungen der Zielobjekte generieren. Sind die Abbildung so realistisch, dass ein Mensch sie nicht von echten unterscheiden kann, sind sie auch gutes Trainingsmaterial für die Computer Vision Modelle. Durch diese Technik lassen sich Anwendungsfälle abbilden, die bisher aufgrund zu geringem Bildmaterial unmöglich waren.
Analytische Anwendungen sollen in der Regel Antworten auf mehrere Fragen finden. Die verschiedenen Zielgrößen zu ermitteln, erfordert häufig mehrstufige, sequenzielle Analysen mit unterschiedlichen Modellen. Was aber, wenn die Ergebnisse der ersten Analyse eine zu große Varianz aufweisen? Oder nicht alle Parameter, die eigentlich für die nachfolgende Analyse erforderlich wären, überhaupt erfasst und weitergegeben werden? Ein Beispiel dafür ist die Analyse von Gebäudeschäden anhand von Fotografien. Ein erstes Modell A erkennt auf mehreren Fotografien, welche Teile der Fassade betroffen und wie schwer diese beschädigt sind. Ein zweites Modell B soll ermitteln, wie und mit welchem Aufwand die Schäden behoben werden können. Diese Auswertung basiert auf dem vorher ermittelten Schweregrad und wird schnell zu einem Information Bottleneck: Unter Umständen fehlen auf den Fotografien notwendige Details, eine Schadensart erfordert bei unterschiedlichen Materialien eine eigene Behandlung, oder es sind mehrere Schadensarten gleichzeitig aufgetreten. Die Folge: Der Handlungsspielraum beim Verbessern der Modelle wird eingeschränkt, Fehlerraten steigen, die Operationalisierung und Verwaltung der Modelle wird deutlich aufwendiger und es entstehen zeitraubende Diskussionen zwischen Kooperationspartnern. Das Problem existiert auch für OCR-Schnittstellen, die Informationen über Kontext und Struktur eines Scans beim Übersetzen verlieren. Die Praxis zeigt: Solche Information Bottlenecks entstehen und dürfen keinesfalls vernachlässigt werden. Der Vortrag zeigt verschiedene Ausprägungen von Information Bottlenecks auf, bewertet diese und erläutert Methoden und Innovationen, diese zu vermeiden.
Machine Learning (ML) can be used to enrich existing products and services by introducing novel ML-based features. However, these products or services are often used by several customers. In order to train the required ML models, providers need to get their hands on customer data and centralize it – which is often not possible due to data sensitivity. In such situations where data is scattered across distributed IT systems, new techniques like sequential transfer learning can help to train high performing ML models. In this talk, we show a solution for creating and deploying ML models on federated systems using an innovative sequential transfer technique that outperforms existing federated learning frameworks. We present the case of an ERP provider who utilizes this technique to introduce a sales forecast as an ML-based feature in their software. Users of that system experienced a significant decrease in forecast error of up to 30%.
Künstliche Intelligenz weckt bei vielen Menschen Ängste. Die genutzten Algorithmen und Modelle bilden oftmals Blackboxes. Wie können intransparente oder als unethisch empfundene Ergebnisse verhindert werden? Wie sind gesellschaftliche und soziale Werte in KI integrierbar? In Politik, Wissenschaft, Wirtschaft und Gesellschaft wird der Ruf nach ethischen Leitlinien immer lauter. Erste Initiativen und Regelwerke beschränken sich jedoch meist auf wenige, allgemein formulierte Grundsätze. Konkrete Methoden, Tools und Arbeitshilfen für die Implementierung in Unternehmen fehlen. In diesem Vortrag wird eine neu entwickelte Gesamtkonzeption von der Ableitung der ethischen Anforderungen über die Strategieentwicklung bis zur konkreten Umsetzung vorgestellt. Die Toolbox umfasst u.a. einen Ethik-Canvas, interaktive Formate für die Entwicklung von Leitlinien, ein Lifecycle-Modell und Workbooks mit Leitfragen, Bewertungsskalen und Mikromethoden.
Die Frage, ob Daten personenbezogen oder anonym sind, ist eine wegweisende Frage im Zusammenhang mit der Anwendbarkeit der Datenschutzgrundverordnung („DSGVO“). Mit dem Personenbezug steht und fällt die Anwendbarkeit der DSGVO – ohne Personenbezug ist sie nicht anwendbar. Anonymisierte Daten im Sinne der DSGVO sind nicht personenbezogen. Die Frage, ob personenbezogene Daten wirklich anonym sind, ist nicht nur eine technische Frage, sondern vor dem Hintergrund der DSGVO auch eine rechtliche. Nach der DSGVO sollen alle „Mittel“ berücksichtigt werden, die von dem Datenverarbeiter „nach allgemeinem Ermessen wahrscheinlich genutzt werden, um eine natürliche Person direkt oder indirekt zu identifizieren“. Die Prozesse der Datengenerierung in der Praxis sowie die entsprechenden Anonymisierungstätigkeiten berücksichtigen diese Wertungen häufig nicht. Es ist auch fraglich, welche Maßnahmen implementiert werden müssen, um diese Voraussetzungen zu erfüllen. Der Vortrag erläutert hierzu zunächst den typischey Entwicklungsprozess einer „Connected Car“-KI und beleuchtet dabei Besonderheiten beim Einsatz von Sensordaten und Trainingsdaten. Sodann wird der Prozess der Anonymisierung beschrieben und dieser sodann unter Berücksichtigung der datenschutzrechtlichen Anforderungen der Anonymisierung beleuchtet. Hierbei wird insbesondere auch auf Fallkonstellationen eingegangen, in denen Foto- und Videodaten erhoben werden und welche besonderen Auswirkungen dies auf die Persönlichkeitsrechte von Betroffenen haben kann.
Mit Videos ist jeder schon einmal in Berührung gekommen. Und bei künstlicher Intelligenz (KI) im Videobereich denken die meisten vermutlich an Gesichtserkennung. Welche Arten von KI-Anwendungen werden heute von den Medienproduktionen schon bei der Videoanalyse eingesetzt und was wird in Zukunft alles noch möglich sein? Um die Anwendungen von KI im Videobereich und dessen enormes Potential zu verstehen, wird den Teilnehmern der Begriff und die Bedeutung „zeitbezogener Metadaten“ in Videos erläutert. Dies erfolgt anhand einer Präsentation und einer Live-Demo. In der Live-Demo wird gezeigt, wie per Mausklick aus einem deutschsprachigen Videoclip mittels einer „Speech-to-text“-KI ein Transkript erzeugt wird. Das Transkript erlaubt die wortweise Suche innerhalb des Textes und kann zur Navigation innerhalb des Videos verwendet werden. Auch dient es als Grundlage zur Darstellung von Untertiteln. Mit einem weiteren Mausklick kann das Transkript in eine beliebige Fremdsprache übersetzt werden. Die Übersetzung kann wiederum zum einen zur Erzeugung einer neuen synthetischen Sprachfassung und zum anderen zur Generierung der dazugehörigen Untertitel verwendet werden. Letztendlich ist es nun dem Betrachter überlassen, in welcher Sprachfassung und mit welcher Untertitelfassung er das Video ansehen bzw. anhören möchte. Außerdem wird anhand der KI „Gesichtserkennung“ gezeigt, warum der Zeitbezug bei Metadaten in Videos so wichtig ist. Der Vortrag endet mit einem Ausblick auf zukünftige KI-Anwendungen im Videobereich.
Die Plausibilisierung von Zählerständen ist für einen Netzbetreiber ein aufwändiger Massenprozess. Die KI Lösung für diesen Anwendungsfall verspricht ein sehr hohes Automatisierungspotenzial. Es wird die verwendete Methodik des KI-Fast-Prototypings vorgestellt. Die Präsentation gibt Einblicke in den Zyklus der ML-Implementierung bzgl. Prozessverständnis, Datenverständnis, Datenaufbereitung, Modellierung, Evaluation und Produktivsetzung. Die verwendeten Werkzeuge und Plattformen werden dargestellt, ebenso die KI-bezogenen Ergebnisse (Modellart, Metriken). Es werden die besonderen Herausforderungen einer hybriden Architektur aus on premise SAP System und MS Azure beschrieben und über die Erfahrungen berichtet, die bei der Einbindung der Organisation und der Gremien innerhalb des Konzerns gesammelt werden konnten. Zum Schluss wird auf den Stand der Produktivsetzung eingegangen und ein Ausblick auf weitere KI Use Cases gegeben.