Mit der Einführung der DSGVO wurde in der Öffentlichkeit ihr vorgeblich hinderlicher Charakter betont. Innovationen auch und gerade im Umfeld Künstlicher Intelligenz würden es künftig schwer haben in der EU, so der Grundtenor vieler medialer Berichte. Der Vortrag versucht, diesen Befund auf seinen Wahrheitsgehalt hin zu überprüfen. Maschinen werden immer intelligenter und schon jetzt sind zahllose Einsatzmöglichkeiten denkbar und im Einsatz. Künstliche Intelligenzen imitieren das menschliche Sinnempfinden und lösen mit ihren Fähigkeiten geradezu eine Goldgräberstimmung aus. Der weltweite wie der europäische Markt für KI wächst und wächst und mag auch dazu verführen, das eine oder andere Risiko einzugehen und Vertrauen in KI aufs Spiel zu setzen. Denn das Herz der meisten KI sind Daten, und oftmals geht es um persönliche Daten von Personen. Sie tauscht Daten aus, analysiert oder verarbeitet sie. Und das mit allen möglichen Informationen – von biometrischen bis hin zu komplexen Prognosedaten. Ohne Daten könnte KI nicht lernen, und: Je mehr Daten, desto besser der Lernprozess. Datenschutz steht hier im Weg, könnte man vereinfachend sagen und die Frage stellt sich, ob er überhaupt notwendig ist. Immerhin sind die USA und China, die nicht immer das gleiche Datenschutzniveau wie die EU aufweisen, führend im Bereich KI. Viele Algorithmen können schon jetzt mehr, als die DSGVO ihnen erlaubt und die Umsetzung der DSGVO ist teuer sowie aufwändig. Und nicht zuletzt stößt das Recht auch an seine Grenzen: Viele Technologien, die zum Zeitpunkt der Entwicklung der DSGVO noch nicht bekannt waren, können jetzt mit dem Gesetz schwer aufgefangen werden. Doch nicht nur der Stand der Technik, sondern mindestens ebenso wichtig für eine erfolgreiche Marktplatzierung ist das generelle Vertrauen der Bevölkerung in die Anwendungen. Dazu tragen hohe Datenschutzstandards, transparente Datenverarbeitungen und Kontrollrechte von Betroffenen über ihre Daten in hohem Maße bei. Zudem steigert Vertrauen die Bereitschaft, Daten von sich preiszugeben und ermöglicht so innovativere Produkte und Services. Ein verantwortungsvoller Umgang mit persönlichen Daten ist ebenso eine Frage des ethischen Ansatzes, der für Unternehmen mehr und mehr zu einem wichtigen Wettbewerbsvorteil im „Kampf“ um die Daten wird. Für einen Ausblick ist festzuhalten, dass die EU diesen Weg auch in Zukunft weitergehen wird und so ein innovativer und zugleich in der Breite akzeptierter Markt für KI entsteht.
Am Markt hört man immer wieder, dass digitale Assistenten in den Augen ihrer Benutzer versagen, selbst wenn die Konversationen mit Ihnen inhaltlich korrekt abgelaufen sind. Viele Unterhaltungen fühlen sich künstlich an. Die Benutzer fühlen sich nicht abgeholt, nicht verstanden. Es gibt viele Lösungen für Chatbots und die Technik an sich – KI-basierte NLU/NLP/NLC – ist inzwischen hinreichend ausgereift, und trotzdem misslingen in der Praxis viele Dialoge. Woran liegt das? Den Chatbots fehlt die notwendige Sozialkompetenz. Conversational Analysis, ein Teilgebiet der Soziologie, beschäftigt sich seit Langem damit, wie Unterhaltungen zwischen Menschen ablaufen und wann diese erfolgreich sind. Davon können und sollten Conversational Designer lernen, damit ihre digitalen Assistenten die Benutzer erreichen, emotional abholen, die Dialoge funktionieren und Ihre Chatbots erfolgreich sind. Lernen Sie in diesem Vortrag, was den Unterschied macht.
The usage of voice assistants is increasing steadily. Most recent available voice assistants talk with non-emotional tone. However, with technology becoming more humanoid, this is about to change. In human-human-interaction, people often catch the emotion of other people. With the increasing use of voice assistants, the question arises whether people also catch the expressed emotion of voice assistants. From a marketing perspective, this is especially interesting, as emotions play an important role while shopping. For example, happy customers tend to engage more in impulsive buying. Against this background, we explore how the tone of a voice assistant impacts consumers’ shopping attitude and behavior. In this talk, we present a new deep learning model to synthesize speech with different emotional tones (e.g. happy, uninvolved). Listening tests with experts, university students, and crowd workers prove that people can perceive the synthesized emotional tones. Afterward, we show the findings from a lab experiment, where we ask different groups of participants to test a voice shop with different emotional tones and we measure their emotion, shopping attitude, and shopping behavior. The results reveal, that the tone of the voice assistant in the shop impacts consumers’ emotional valence and arousal which in turn impact their trust in the shop, their satisfaction with the shop and the bought products and their impulsiveness of buying.
Künstliche Intelligenz (KI) und maschinelles Lernen (ML) dringen in immer mehr Anwendungsbereiche und unser tägliches Leben vor. Bei vielen Beispielen liefern die Methoden, die meist auf neuronalen Netzen basieren gute Ergebnisse. Problematisch sind hingegen Aufgabenstellungen, für die keine oder nur wenige Trainingsdaten vorliegen. Aber auch für diese Herausforderungen gibt es neuere Ansätze, wie Reinforcement Learning (RL) und Simulierte Evolution (SE). Dieser Vortrag zeigt, wie man mit simulierter Evolution Lösungen züchtet und über Belohnung bzw. Bestrafung optimiert. Hierfür führt er kurz in die Grundlagen der Evolution ein und überträgt die wesentlichen Elemente, der biologischen Evolution in einen generischen und simulierbaren Prozess. Zusätzlich stellt der Vortrag die wichtigsten genetischen Operationen, wie zum Beispiel Mutation, Rekombination und Inversion in ihrer Wirkung und Implementierung vor. Evolution funktioniert nur, wenn Lösungsversuche bewertet und verglichen werden können. Dazu ist eine effiziente Fitness-Funktion unabdingbar. Kern des Vortrags ist die Anwendung simulierter Evolution an zwei konkreten Live-Beispielen: Das erste Beispiel formulierte eine schematische Steuerung eines Haushaltsroboters vor, der sich in einer Umwelt orientieren muss. Konkret wird mit simulierter Evolution ein Steuerprogramm in einer einfachen Programmiersprache gezüchtet und in einer Umwelt simuliert. Dabei streift der Vortrag den Bereich der Software-Qualität der gezüchteten Programme: Wie züchtet man effiziente und „lesbare“ Programme? Das zweite Beispiel führt die Teilnehmer zurück in das Jahr 1969 und zeigt wie man mit neuronalen Netzen und Evolution die NASA bei der Mondlandung unterstützen könnte. Die Steuerung einer simulierten Landefähre wird optimiert. Dazu stellt der Vortrag die Prinzipien des Reinforcement Learning vor. Je nach vorhandener Zeit können die konkreten Implementierungen der Beispiele im Source Code (Java und Python) an Stichpunkten mit den Teilnehmern diskutiert werden.
Die automatische Textzusammenfassung gehört zu den komplexesten Aufgaben in der Computerlinguistik. Neben der Fähigkeit die relevanten Daten zu erkennen, wird auch eine Dosis Kreativität und Flexibilität von den Modellen gefordert. Durch den konstanten Fortschritt im Bereich Deep Learning werden neue Möglichkeiten eröffnet, um die künstlich erfassten Textsynopsen zunehmend leserlicher zu machen, was dem Benutzer wesentlich größere Textsammlungen zugänglich macht. In diesem Vortrag möchten wir einen Umriss der Thematik darstellen, in dem wir die ausgewählten Problemstellungen in praktischer Hinsicht zusammen mit einem produktionsreifen Anwendungsfall beschreiben. Die Modelle für automatische Textzusammenfassung können mit einem tieferen semantikorientieren Blick in Textdaten den Führungskräften und den Projektleitern zu den Entscheidungsprozessen und Geschäftsverfahren verhelfen.
Der Vortrag präsentiert aktuelle Entwicklungen in der Anwendung von AI im Gesundheitsbereich. Konkrete Einsatzszenarien zeigen auf, wie auf Basis einer (ggf. unternehmensübergreifenden) Analyse von Daten aus heterogenen Quellen neue Produkte und Services entwickelt und Prozesse und Planungen optimiert werden können. Data Science und Methoden der AI in datengetriebenen Geschäftsprozessen und technische Ansätze wie z.B. den Ansatz der „International Data Spaces“, sowie Erfahrungen aus der Praxis, zeigen die Potenziale für den Einsatz von AI im Gesundheitsbereich. Auswirkungen auf das Gesundheitswesen, sowie den Einfluss auf die IT-Architektur im Gesundheitsbereich, werden anhand von konkreten Beispiele für AI-basierte Produkte erläutert. Aktuelle Chancen und Herausforderungen des Einsatzes von AI in industriellen »Ecosystemen« werden diskutiert, insbesondere die zunehmenden Erwartungen an eine „Transparente AI“.
We present a machine learning algorithm able to analyse contracts and support lawyers during the legal decision making process. The developed algorithm estimates the legal effectiveness of certain contract clauses while providing the reason for its decision together with the relevant text passages. In the talk we discuss on the one hand high-level challenges related to the task, like the underlying decision process and the man-machine interface, and reveal, on the other hand, technical details of our solution such as the machine learning architecture used for the natural language processing of the contracts.
Many firms from diverse sectors increasingly use AI to strengthen their efficiency by replacing human work. However, many of these advanced automation procedures will become standard tools in the future, and their isolated application will not enable companies to gain a competitive advantage. This presentation develops an intelligence-based view of firm performance, which underscores the need to integrate AI with specific human expertise to outperform competitors. It further discusses the leadership implications for general managers and offers a systematic framework for generating growth and innovation beyond optimization and efficiency. The ‘I3 – Integrated Intelligence Incubator’ provides executives with a toolset for developing appropriate proactive and reactive strategic initiatives for intelligence-based future competition. The presentation further reveals how executives, even without technical expertise, can achieve a sustainable competitive advantage through intelligence-based business models.
Was hat der digitale Zwilling mit künstlicher Intelligenz zu tun? An digitale Zwillinge und an KI-Verfahren werden ähnliche Erwartungen herangetragen – wenn es z.B. darum geht, Störungen an Maschinen vorherzusagen oder Produktionsabläufe zu optimieren. Philosophie und eingesetzte Techniken sind dagegen sehr unterschiedlich und erschweren eine Vergleichbarkeit der Ansätze. Der Vortrag zeigt auf, wie sich digitale Zwillinge und KI-Verfahren verbinden lassen, sie voneinander profitieren können und neue Geschäftsmodell ermöglichen. Eine zentrale Rolle spielt dabei das Zusammenspiel zwischen Mensch und KI sowie die Integration isolierter KI-Leistungen in ein Gesamtmodell. Anschaulich gemacht wird die Zusammenarbeit von digitalem Zwilling und KI durch Projektbeispiele aus unterschiedlichen Industrien.