Cloud Computing

Forrester stellt Cloud-Computing Prognosen für 2022 vor

AWS & KI – Wie Cloud Computing die Entwicklung von KI-Anwendungen vereinfacht

Massive Fortschritte auf dem Gebiet der künstlichen Intelligenz (KI) machen Machine Learning, Deep Learning & Co. attraktiv für KMUs und Konzerne. Arbeitet ein Unternehmen bereits mit Cloud-Lösungen wie AWS, ist KI eine reizvolle Ergänzung. Wir Cloud Mates stellen Ihnen das Thema KI & Cloud vor und zeigen Ihnen 7 Vorteile auf, die AWS-Nutzer von KI-Anwendungen haben.

Drei Fakten, die Sie über KI wissen sollten

Damit Sie für Ihr Unternehmen eine informierte Entscheidung in Sachen KI, Cloud und AWS treffen können, haben wir zunächst die wichtigsten Begrifflichkeiten umrissen. Auf diese Weise können Sie Ihr KI-Wissen auffrischen.

1. Machine Learning (ML):

ML ist ein Teilgebiet auf dem weiten Feld der künstlichen Intelligenz (KI). Hier wurden in den letzten 30 Jahren die größten Forschungsfortschritte gemacht. Besonders im Deep Learning (DL) – einem Bereich des ML, das mit neuronalen Netzen (NN) arbeitet – gelangen Wissenschaftlern in den letzten Jahren die meisten und spektakulärsten KI-Durchbrüche.

2. Training & Prediction:

Um neuronale Netze in der Unternehmenspraxis anwenden zu können, werden sie zunächst mit einem geeigneten Datensatz „trainiert“. Das kann z. B. ein großer Datensatz „gelabelter” Bild-Dateien sein. Das fertig trainierte NN kann dann beispielsweise in einen (Web-)Server integriert werden. Hier steht es für die Klassifizierung (d. h. „(Label-)Prediction”) von online erhaltenen Bild-Dateien zur Verfügung.

3. KI & Grafikprozessoren (GPUs):

Das Trainieren von NN ist sehr rechenaufwendig. Insbesondere weil dabei unzählige Matrix-Operationen durchgeführt werden. Glücklicherweise gibt es für Matrix-Operationen eine spezielle Hardware, die ursprünglich für Videospiele entwickelt wurde: die GPUs.

Mitte der 2000er-Jahre begannen Nvidia und andere GPU-Hersteller damit, ihre GPUs auch für NN-Training (und NN-Prediction) anwendbar zu machen. Seitdem sind GPUs im Bereich der KI fast unverzichtbar geworden.

7 Vorteile von Cloud Computing für KI-Projekte

KI bietet in Verbindung mit Cloud Computing – ob nun mit AWS oder einem anderen Anbieter – einige spannende Vorteile für große, mittlere und kleine Unternehmen.

1. Keine Investitionskosten für Grafikprozessoren

Die Public Cloud bietet eine preiswerte Lösung für alle Unternehmen, die mit KI und DL experimentieren wollen – besonders, wenn sie noch nicht sicher sind, ob sie DL auf Dauer betreiben wollen.

AWS und andere Cloud-Anbieter bieten die dauerhafte Verfügbarkeit von stärkeren GPUs bzw. mehreren Grafikprozessoren gleichzeitig an – ohne sie selbst anschaffen zu müssen. Auch Unternehmen, die ihre eigenen DL-fähigen GPUs haben, profitieren von Cloud Computing, wenn z. B. Zeit ein kritischer Faktor ist. Dieser Punkt ist vor allem für NN-Trainings vorteilhaft, jedoch auch für das Prediction-Stadium relevant.

2. Keine Investitionskosten für (Web-)Server

Unternehmen, die ein bereits fertiges KI-Produkt (also z. B. ein fertig trainiertes NN) im Internet verfügbar machen wollen, profitieren von der Möglichkeit, beliebig auf die digitalen Server ihres Cloud-Anbieters zugreifen zu können. Und zwar ohne dafür selbst in die nötige Hardware investieren zu müssen.

3. Autoscaling

Cloud-Betreiber können die Zahl der Cloud-Rechner, die dem Kunden zur Verfügung stehen, dynamisch an den aktuellen Bedarf anpassen. In diesem Bereich ist KI je nach Projekt sinnvoll einsetzbar und steuert die benötigten Rechenkapazitäten. Steigt also z. B. die Rechner-Auslastung plötzlich, werden zusätzliche Cloud-Rechner freigeben. Sinkt die Rechner-Auslastung dagegen, wird die Zahl der Cloud-Rechner und damit auch die Kosten reduziert.

4. Autohealing

Der Cloud-Betreiber kümmert sich um alle Hardware- und Software-Probleme der Cloud-Rechner: er führt z. B. regelmäßig Software-Updates durch, fährt abgestürzte Rechner hoch oder ersetzt sie. Das spart Public Cloud-Nutzern Zeit und Geld, besonders im Prediction-Stadium.

5. Besserer Zugriff auf GPUs

Dank Cloud Computing wird der Zugriff auf GPUs mit allen internetfähigen Geräten möglich. Das ist insofern von Vorteil für KI-Projekte, als dass es Forschern oder Mitarbeitern die Arbeit erleichtert. Sie können dank KI mit jedem Endgerät – sogar dem Smartphone – NN-Training-Skripte in der Cloud starten und verfolgen.

Ein weiterer Bonus: der Zugriff auf GPUs ist auch von unterwegs möglich. Gerade in Zeiten von Remote Work und Home Office ein nicht zu unterschätzender Vorteil für Unternehmen, die im KI-Bereich tätig sind: Arbeitnehmer können von jedem Standort aus weiterhin ihre NN-Training-Skripte mit GPU-Unterstützung in der Cloud laufen lassen.

6. Gemeinsames Debugging

Wenn Mitarbeiter A auf seinem lokalen Rechner ein NN-Training-Skript laufen lässt und dabei Fehler auftreten, so ist es nicht leicht für Person B, eine Ferndiagnose durchzuführen. Läuft das NN-Training-Skript von A dagegen in der Cloud, kann B parallel dasselbe Skript laufen lassen. So sehen beide exakt die gleichen Fehlermeldungen. Person B sieht live, was passiert, wenn die eine oder andere Code-Zeile geändert wird. Gemeinsam können sie den Fehler effektiver beheben.

7. Erleichterung beim Datenaustausch

Die einfachste Möglichkeit, einen großen KI-Trainings-Datensatz von einem lokalen Rechner an eine andere Person zu transferieren, besteht darin, ihn in die Cloud hochzuladen – und ihn dann einfach zu „sharen”.

Wie profitieren deutsche KMUs von KI + (AWS-)Cloud?

KI unterstützte Prozesse bieten Unternehmen (genau wie auch deren Kunden) enorme Vorteile. Gerade bei E-Commerce-Lösungen kann bei jedem Klick eine KI im Hintergrund mitarbeiten: sie schlägt dem Endkunden unter anderem Produkte vor, die zu dessen Kaufverhalten passen und erzielt so Zusatzverkäufe. Ebenso können Firmen die Suchfunktion ihrer Website oder ihres Online-Shops durch KI optimieren. Das führt Kunden schneller zu passenden Produkten oder Dienstleistungen.

Doch nicht nur Shops können von künstlicher Intelligenz profitieren. Betreiber von Websites aller Art sowie Unternehmen mit Intranets können dank KI ihre Prozesse optimieren. AWS bietet hierfür bereits vortrainierte Services an. Diese können mit einer kurzen Einarbeitung an den eigenen Anwendungsfall angepasst werden.

Im Webbereich verbinden Unternehmen KI und Cloud Computing unter anderem im Bereich Security, um verdächtige Aktivitäten schneller zu erkennen und blockieren zu können. Außerhalb des Webs existieren weitere KI-Services, die Unternehmen von der Ressourcenplanung bis hin zur Dokumentanalyse unterstützen. Einige dieser Services, die AWS im Bereich KI anbietet stellen wir im folgenden Absatz vor.

KI-Tools in AWS Wir Cloud Mates arbeiten mit verschiedenen AWS-eigenenen Machine Learning-Diensten. Hier ist eine Übersicht unserer Favoriten in den unterschiedlichen Anwendungsgebieten. KI-Entwicklung Amazon SageMaker und Amazon SageMaker Studio sind zwei der Hauptdienste wenn man sich mit KI in AWS beschäftigen möchte. SageMaker lässt sich am ehesten als ein Pendant zu einem Jupyter Notebook oder Google Colab beschreiben. SageMaker Studio verbindet SageMaker mit einer nutzerfreundlichen integrierten Entwicklungsumgebung (IDE) und Verbindungen zu weiteren AWS Diensten. In Amazon SageMaker Studio arbeiten Programmierer mit einer Oberfläche, die Jupyter Notebook ähnelt. Diese ist mit einem Filesystem kombiniert, wie man es von IDEs wie Visual Studio kennt.

Amazon SageMaker JumpStart ist einer der Dienste, welcher sich direkt über die IDE bedienen lässt. Es ermöglicht bereits designte und trainierte Modelle als Vorlage zu importieren und weiter zu entwickeln. Dadurch lassen sich in einigen Fällen repetitive Arbeiten vermeiden. Übersicht von Projekten aus Amazon SageMakerJumpstart, die man in SageMaker Studio auswählen und initialisieren kann.

Amazon SageMaker Autopilot ist ein weiterer Dienst zum einfachen Erstellen neuer Modelle. Er ist geeignet, wenn gelabelte Datensätze (nicht Bilddaten) vorhanden sind und ein möglichst genaues Modell erstellt werden soll. Autopilot benötigt die Angabe der Daten und der Targetspalte. Hieraus wird automatisch eine Reihe von Modellen mit unterschiedlichen Parametern erstellt und trainiert. Autopilot liefert ein Leaderboard von den Modellen, die am besten performt haben.

Preprocessing

Amazon SageMaker Data Wrangler ist eine Erweiterung von Amazon SageMaker Studio. Sie vereinfacht das Verwenden und Aufbereiten von Daten. Data Wrangler funktioniert in Kombination mit anderen AWS-Diensten.

So lassen sich beispielsweise Daten aus S3, Athena, Redshift oder anderen AWS-Services importieren. Die Vorbereitung der Daten funktioniert ohne Code. So können Schaltflächen verwendet werden, um beispielsweise eine One-Hot-Kodierung, -Konvertierung oder weitere Aufbereitungen durchzuführen. Zuletzt ermöglicht Data Wrangler die visualisierte Analyse der Daten.

Training

Amazon SageMaker ermöglicht das Distributed Training. Das bedeutet eine parallele Verwendung mehrerer Ressourcen zum NN-Training und der Verarbeitung von KI-Daten. SageMaker stellt hierzu Libraries wie Model Parallelism zur Verfügung.

Überwachung

Der Amazon SageMaker Model Monitor erlaubt es den Entwicklern, die Performanz der Modelle zur Laufzeit zu untersuchen. Ebenso ist es möglich einen Alarm auszulösen, sollte eine gewünschte Genauigkeit unterschritten werden.

erlaubt es den Entwicklern, die Performanz der Modelle zur Laufzeit zu untersuchen. Ebenso ist es möglich einen Alarm auszulösen, sollte eine gewünschte Genauigkeit unterschritten werden. Eine weitere Hilfe beim Training ist der Amazon SageMaker Debugger. Der speziell auf Machine Learning angepasste Debugger von AWS benachrichtigt die Entwickler sofort über häufige Trainingsfehler beim Training, sowie modellspezifische Fehler wie bei der Datenerfassung.

Sonstige Anwendungsfälle

AWS bietet KI-Services für verschiedenste Anwendungsgebiete an. Einige Beispiele hierfür sind

AWS Personalize: eine business bezogene Erweiterung zur Kundenanalyse.

eine business bezogene Erweiterung zur Kundenanalyse. AWS Kendra: damit lässt sich eine intelligente Suche implementieren.

damit lässt sich eine intelligente Suche implementieren. AWS Fraud Detector: ein Sicherheitstool, das auffälliges Verhalten erkennt und meldet.

ein Sicherheitstool, das auffälliges Verhalten erkennt und meldet. AWS Forecast: erleichtert die Ressourcenplanung.

erleichtert die Ressourcenplanung. AWS DeepLens: eine Kamera, die mit AWS Lambda voll programmierbar ist. Dieser AWS-Service ist für DL-Projekte optimiert und eignet sich unter anderem für Gesichts- oder Emotionserkennung.

DAS CLOUD MATES-FAZIT ZU AWS & KI

Gerade für Firmen, die bereits mit Amazon Web Services arbeiten, kann es sich lohnen, die KI-Services von AWS zu nutzen. Wenn Ihr Unternehmen bereits Daten in AWS speichert, kann eine Machine Learning-Anwendung über Amazon SageMaker und dessen Erweiterungen eine gute Alternative zu einer reinen Python-Anwendung darstellen.

Für Klein-, Test- und Übungsprojekte können wir KI-Lösungen mit AWS nicht uneingeschränkt empfehlen. Dadurch, dass jedes einzelne Preprocessing, Training und Modell in AWS gesichert wird, ist zwar stets eine genaue Analyse aller Prozesse möglich. Allerdings entstehen dabei auch viele Daten, die nicht immer leicht zu organisieren sind. Das kann gerade bei kleineren Projekten zu unnötigen Kosten führen.

Gerne beraten wir Sie zu einer individuellen AWS/KI-Lösung, die Ihr Unternehmen weiterbringt.

Was ist Cognitive Computing und welche Potenziale hat es?

Cognitive Computing verspricht, unser Leben und unsere Arbeitswelt zu revolutionieren. Indem Computersysteme lernen kontextuell zu denken, verringert sich der Abstand zwischen Mensch und Maschine. Erfahren Sie, was genau Cognitive Computing ausmacht und welche spannenden Einsatzgebiete es für Unternehmen gibt.

Schön, dass Sie hier sind! Wie Ihnen vielleicht schon aufgefallen ist, verwenden wir aus Gründen der Lesbarkeit in erster Linie die männliche Form in unseren Texten. Im Sinne der Gleichbehandlung meinen wir damit selbstverständlich immer alle Geschlechter (m/w/d). Und jetzt wünschen wir Ihnen viel Spaß beim Lesen.

Definition: Was ist Cognitive Computing?

Beim Cognitive Computing wird der menschliche Denkprozess durch Computermodelle simuliert. Auf diese Weise kann ein Algorithmus auch in komplexen, mehrdeutigen Zusammenhängen Entscheidungen treffen, welche die binäre Logik herkömmlicher Algorithmen übersteigen. Cognitive-Computing-Systeme führen unterschiedliche Datenquellen zusammen, um ein möglichst breites Set von Informationen zu erhalten. Das beinhaltet sowohl strukturierte als auch unstrukturierte Daten. Der Anspruch ist, eine Datengrundlage zu schaffen, die vergleichbar mit der gewaltigen Menge an Informationen ist, über die das menschliche Gehirn verfügt. Außerdem werden unterschiedliche Kontexte einbezogen und abgewogen sowie Informationskonflikte verglichen. Dies geschieht unter Verwendungen von Data-Mining, Mustererkennungssoftware und Natural Language Processing (NLP). Mit der Zeit wird der Algorithmus besser und besser darin, Informationen korrekt einzuordnen, Probleme vorherzusagen und intelligente, menschenähnliche Lösungen zu finden. Der Begriff Cognitive Computing wird vor allem mit dem Megarechner Watson von IBM assoziiert. Es gibt in der Zwischenzeit aber auch andere Systeme, die zu ähnlichen Leistungen in der Lage sind. Cognitive Computing ist stark mit der künstlichen Intelligenz (KI) verwandt; viele derselben Technologien kommen zum Einsatz. Das betrifft unter anderem künstliche neuronale Netzwerke, Roboter und Virtual Reality.

Die 4 wichtigsten Merkmale

Das Cognitive Computing Consortium, ein Zusammenschluss von KI-Experten, hat vier Eigenschaften definiert, welche Cognitive Computing auszeichnen.

1. Adaptiv

Cognitive-Computing-Systeme müssen in der Lage sein, auf sich verändernde Informationslagen zu reagieren. Daten müssen dynamisch in Echtzeit gelesen und verarbeitet werden können, um beispielsweise neue Unternehmensziele oder Umweltveränderungen zu berücksichtigen.

2. Interaktiv

Eine weitere wichtige Eigenschaft von Cognitive Computing ist die sogenannte Human-Computer Interaction (HCI). Das bedeutet, dass Menschen intuitiv mit dem Algorithmus interagieren können, um ihm neue Anforderungen mitzuteilen. Genauso muss sich der Algorithmus auch mit anderen Rechnern, Maschinen und Cloud-Plattformen austauschen können.

3. Iterativ

Cognitive-Computing-Systeme sind in der Lage selbstständig neue Fragestellungen zu entwickeln oder zusätzliche Daten einzuholen, falls ein existierendes Problem zu unklar ist. Dafür greift das System auf vorangegangene Situationen zurück und vergleicht das aktuelle Problem mit diesen.

4. Kontextuell

Cognitive-Computing-Systeme müssen wie der Mensch kontextuelle Informationen identifizieren und minen können. Das betrifft Daten wie die sprachliche Syntax, Uhrzeit, geographische Orte, User-Profile oder Unternehmensziele. Dafür werden insbesondere unstrukturierte Daten herangezogen, wie visuelle, akustische oder sensorische Informationen.

Typen von kognitiven Systemen

Es gibt mehrere Typen von kognitiven Systemen, die sich zum Teil überlappen. Die wichtigsten davon sind:

Deep Learning

Deep-Learning-Systeme imitieren die Fähigkeit des menschlichen Gehirns, neue Informationen aufzunehmen, zu vergleichen und einzusetzen. Deep Learning kann Sprache und sogar Bilder verstehen. Das macht die Technologie zum idealen Tool für die Organisation und Bewertung von unstrukturierten Daten. Deep Learning kommt bereits als Spracherkennungslösung bei Smartphones, Tablets und IoT-Geräten zum Einsatz. Auch für das autonome Fahren dient Deep Learning als wichtige Grundlagentechnologie, um in Echtzeit zu beurteilen, wann der Abstand erhöht oder ein Bremsmanöver eingeleitet werden sollte.

Machine-Learning

Beim Machine-Learning wird einem System beigebracht, wie es sich selbst ohne oder nur mit geringer menschlicher Hilfe weiterentwickeln kann. Dafür muss das System zu Beginn ein Set von Daten zur Verfügung gestellt bekommen, das als initialer Referenzrahmen dient. Machine-Learning-Systeme können Daten selbstständig klassifizieren, Vorhersagen machen und Entscheidungen treffen. Bereits heute kommt Machine-Learning in vielen Industrien zum Einsatz, unter anderem in der Produktion, im Marketing und im Gesundheitswesen.

Neuronale Netzwerke

Ein künstliches neuronales Netzwerk ist ein Computersystem, welches die biologischen Strukturen des Gehirns nachbildet. Der primäre Einsatzzweck besteht darin, riesige Mengen unstrukturierter Daten zu organisieren, auf Muster zu untersuchen und Querverbindungen herzustellen. Solche Systeme werden zum Beispiel beim Filtern von E-Mails oder in der Krebsbehandlung eingesetzt.

Welche Unterschiede es zu KI gibt

Der Begriff Cognitive Computing wird oft synonym mit künstlicher Intelligenz verwendet. Aber es gibt feine Unterschiede im Hinblick auf den Einsatzzweck und die Anwendung. Beide Methoden konzentrieren sich darauf, Muster zu erkennen. Beim Cognitive Computing liegt der Schwerpunkt aber darauf, menschliche Denkstrukturen nachzuahmen. Die menschliche Wahrnehmung zeichnet sich durch die Echtzeitanalyse von Ereignissen, Kontexten und Intentionen aus. Alle diese Faktoren werden herangezogen, um Probleme zu lösen und Entscheidungen zu treffen. Cognitive Computing simuliert dieses mehrschichtige Interpretationsverfahren durch digitale Systeme. Insofern stellt Cognitive Computing einen Spezialfall von KI dar. Außerdem ist Cognitive Computing dafür gedacht, in direktem Kontakt Menschen bei ihrer Tätigkeit zu helfen; das trifft nicht auf alle künstliche Intelligenzen zu. So unterstützen Cognitive-Computing-Systeme Ärzte dabei, Diagnosen zu treffen und machen sogar Behandlungsvorschläge. Cognitive Computing überwindet also die Grenze zwischen Mensch und Maschine. Sie ist eine KI, mit der wir ohne technische Umwege kommunizieren können.

Die bekanntesten Anbieter

Keine Frage – das bekannteste Beispiel für Cognitive Computing ist nach wie vor der Watson von IBM. Zum heutigen Zeitpunkt hat das Unternehmen bereits 26 Milliarden US-Dollar in die Entwicklung investiert; aktuell geht fast ein Drittel aller R&D-Ausgaben an den Supercomputer. Aber auch Microsoft und Google sind mit starken Angeboten im Markt vertreten. Im Folgenden erfahren Sie mehr über die wichtigsten Anbieter.

IBM Watson

Der Superrechner Watson von IBM kombiniert künstliche Intelligenz mit ausgeklügelter Analytics-Software. Berühmtheit erlangte das System, als es in der TV-Show “Jeopardy” gegen mehrere ausgezeichnete menschliche Spieler antrat und gewann. Der Watson ist zu natürlicher Sprachverarbeitung in der Lage, kann Bilder erkennen und einordnen, analysiert selbstständig Texte und stellt virtuelle Assistenten bereit. Unternehmen nutzen das, um bessere Lagebeurteilungen vorzunehmen, Prozesse zu optimieren und Kosten zu reduzieren.

Microsoft Cognitive Services

Microsoft Cognitive Services sind eine Mischung aus APIs, SDKs und Cognitive Services, die sich insbesondere an Entwickler richten. Das Angebot war ursprünglich als Project Oxford bekannt. Die Programmierer verwenden die Tools, um Sprache und Bilder zu erkennen, menschliche Emotionen abzulesen oder um Suchanfragen besser zu verstehen. Diese Funktionen können dann in das jeweilige Programm integriert werden.

Google DeepMind

Das Unternehmen DeepMind wurde im Jahr 2014 von Google gekauft und fungiert seitdem als dessen Cognitive-Computing-Aushängeschild. Die künstliche Intelligenz erlangte im Jahr 2015 Berühmtheit, als sie in der Programmversion “AlphaGo” einen professionellen Go-Spieler besiegte. Bis dahin war es keinem anderen Algorithmus gelungen, das komplexe chinesische Brettspiel so zu dominieren. Das DeepMind-Team ist auf neuronale Netzwerke, verstärkendes Lernen (Reinforcement Learning) und neurowissenschaftliche Modelle spezialisiert.

CognitiveScale

CognitiveScale wurde von ehemaligen IBM-Watson-Teammitgliedern gegründet. Die Zielgruppe sind Unternehmen, welche Cognitive Services über die Cloud beziehen möchten. Insbesondere werden Anwendungen für den Einzelhandel, das Gesundheitswesen, die Finanzindustrie und die Tourismus-Branche geboten. Der Fokus liegt auf der Aufbereitung von „Dark Data“. Das sind verstreute, uneinheitliche Daten, die aus ganz verschiedenen Quellen stammen. Mit CognitiveScale können auch aus diesen Informationen Einsichten und Handlungsempfehlungen gewonnen werden.

SparkCognition

Das Startup aus Austin in Texas begann seine Arbeit im Jahr 2014. Die Services richten sich an die herstellende Industrie und hier besonders an IoT-Applikationen. Sensordaten von internetfähigen Geräten können so besser ausgewertet und nutzbar gemacht werden. Der Fokus liegt auf der Risikobewertung und -minimierung. So können Katastrophenfälle im Ansatz abgewendet werden.

Diese Einsatzgebiete gibt es

Cognitive Computing verfügt über zahlreiche interessante Einsatzgebiete. Einige Beispiele stellen wir Ihnen im Folgenden vor.

Cognitive Analytics

Einer der wichtigsten Einsatzzwecke von Cognitive Computing besteht darin, sogenannte unstrukturierte Daten aufzubereiten. Dies sind Informationen, die bisher nur schwer von herkömmlichen Systemen verstanden und ausgewertet werden können. Ein Beispiel ist die Interpretation der menschlichen Körpersprache oder von Gesichtsausdrücken. Das ist insbesondere für die Analyse von Bild- und Videodateien relevant, wie sie für die digitale Videoüberwachung benötigt werden. Weitere Beispiele für solche Daten sind Audioinformationen, Texte, E-Mails und Social-Media-Daten. Bisher mussten solche Informationen umständlich mit Tags versehen werden, um dann von automatisierten Systemen weiterverarbeitet werden zu können. Cognitiv Analytics macht diesen zeitintensiven Zwischenschritt überflüssig.

Spracherkennung

Cognitive Computing bildet die Grundlage von fortschrittlichen Spracherkennungssystemen. Das machen sich Unternehmen für Chatbots und virtuelle Assistenten zunutze. Diese Roboter verstehen Fragen und können Zusammenhänge selbstständig erklären. Der User hat das Gefühl, mit einem anderen Menschen zu interagieren, nicht mit einer Maschine.

Bildungssektor

Auch im Bildungsbereich bieten sich zahlreiche Einsatzzwecke. So können virtuelle Lehrer den menschlichen Lehrer je nach Bedarf unterstützen. Das ist insbesondere hilfreich, wenn bestimmte Schüler mehr Aufmerksamkeit benötigen, um den Lernstoff zu bewältigen. Der kognitive Assistent kann hier separate Lernangebote machen, zugeschnitten auf die Bedürfnisse der jeweiligen Person. Hinzu kommt ein psychologischer Vorteil: Vielen Schülern fällt es schwer, sich einem menschlichen Lehrer gegenüber zu öffnen; Lernschwächen werden als Makel empfunden. Einem virtuellen Assistenzlehrer gegenüber bestehen solche Vorbehalte normalerweise nicht.

Gesundheitswesen

Cognitive-Computing-Applikationen sind sehr relevant für das Gesundheitswesen. Beispielsweise greifen Radiologen auf Systeme zurück, die Röntgenbilder oder MRT-Befunde analysieren. Dies geschieht, um die Wahrscheinlichkeit von menschlichen Fehlern zu verringern; Krankheitsbilder werden so seltener übersehen. Dafür müssen die Systeme zu Beginn mit einer Vielzahl von radiologischen Bildern trainiert werden.

Betrugsprävention

Insbesondere in der Finanzindustrie eignet sich Cognitive Computing dazu, ungewöhnliche Vorgänge auszumachen, beispielsweise im Bereich Geldwäsche. So könnten kriminelle Aktivitäten gestoppt werden, die im Moment noch ungestraft bleiben.

Tourismus

Derzeit haben Tourismus-Kunden zwei Optionen: Sie können sich an ein klassisches Reisebüro wenden, um sich individuell beraten zu lassen. Oder sie können ihre Reise im Internet selbst planen, haben dann aber deutlich mehr Aufwand. Cognitive Computing könnte diese Lücke schließen. Virtuelle Reiseberater würden dann selbstständig Flüge und Hotels aufeinander abstimmen, Ausflüge planen und lokale Reisebestimmungen berücksichtigen.

Vorteile

Das IT-Marktforschungsinstitut Gartner geht davon aus, dass KI und Cognitive Computing diejenigen neuen Technologien sind, welche in den nächsten Jahren die größten Disruptionen verursachen werden. Das liegt an den folgenden Vorteilen:

Genauere Datenanalyse

Kognitive Systeme sind sehr gut darin, Informationen zu sammeln, zu vergleichen und zu indexieren. Ein Beispiel ist die Gesundheitsindustrie: Der IBM Watson analysiert für menschliche Ärzte Krankheitsberichte, Fachpublikationen, Diagnosedaten sowie Familiengeschichten. Auf diese Weise lassen sich wesentlich genauere Diagnosen erstellen, die zu besseren Behandlungen beitragen. Cognitive Computing ersetzt den menschlichen Arzt also nicht, sondern assistiert ihm.

Schlankere Geschäftsprozesse

Cognitive Computing unterstützt Unternehmen dabei, neue Trends im Markt auszumachen und entsprechende Geschäftsmodelle zu entwickeln. Seine große Stärke entfaltet es aber bei der Optimierung von Prozessen. Der Algorithmus erkennt Verbesserungspotenziale, betreibt Risikominimierung und stellt sich auf neue Gegebenheiten ein, wenn beispielsweise eine Maschine oder ein Supplier ausfallen. Unternehmen können sich so schneller auf schwer zu kontrollierende Faktoren einstellen als bisher. Das Resultat sind schlanke, robuste Prozesse.

Bessere Customer-Experience

Eine weitere Stärke kognitiver Systeme: Sie verbessern die Customer-Experience. Das geschieht insbesondere durch den Einsatz von Robotern. Das bekannteste Beispiel sind intelligente Chatbots auf den Websites von E-Commerce-Unternehmen. Sie helfen dem Kunden bei Fragen und Problemen weiter. Aber auch als virtuelle Präsentatoren lassen sich die menschenähnlichen Systeme einsetzen, beispielsweise um erklärungsbedürftige Produkte zu erläutern. Die große Stärke der Technologie besteht darin, dass dem Kunden ausschließlich relevante, kontextbezogene Daten zur Verfügung gestellt werden. Das führt zu mehr Zufriedenheit, als wenn sich der Kunde selbst umständlich die benötigten Daten zusammensuchen muss.

Herausforderungen

Bei allen Chancen, die Cognitive Computing bietet – es gibt auch einige Herausforderungen, die es in Zukunft zu lösen gilt.

Sicherheitsrisiken

Kognitive Systeme haben Zugriff auf gewaltige Datenmengen, die häufig auch sensible Kundeninformationen einschließen. Das Internet of Things verstärkt dieses Problem: Durch Alltagsgeräte, die mit Sensoren fortlaufend Daten erheben, kommt zu einer regelrechten Datenflut. Dies geht mit Sicherheitsrisiken einher, weil exorbitant mehr Informationen bewacht werden müssen. Insofern stellt sich die Frage, wie sich Unternehmen am besten vor externen Angriffen schützen können. Optionen sind zum Beispiel bessere Verschlüsselungsverfahren, die Erkennung ungewöhnlicher Aktivitäten durch Big-Data-Analytics oder das Legen falscher Fährten, Stichwort Honeypot. Auch die Zusammenarbeit mit einem Managed-Security-Services-Provider stellt eine gute Option dar.

Aufwendige Implementierung

Viele Unternehmen scheuen sich aktuell noch davor, Cognitive Computing einzusetzen: Die Anwendungsfälle sind zum Teil unklar und die Komplexität der Technologie überfordert. Deshalb wird die Implementierung immer wieder aufgeschoben. Hier gilt es eine Langzeit-Vision zu entwickeln: Es ist unbestritten, dass Cognitive Computing viele Industrien in den nächsten Jahren revolutionieren wird. Unternehmen, die sich hier früher positionieren, erhalten einen entscheidenden Marktvorteil. In der Praxis gelingt das am besten, indem alle Stakeholder – Mitarbeitende, Führungsebene, Kunden, Zulieferer – sich zusammensetzen und Möglichkeiten der Implementierung diskutieren. Machen Sie sich frei von Erwartungshaltungen; es geht nur darum, den Stein ins Rollen zu bringen.

Angst vor Veränderungen

Change-Management ist immer ein großes Thema, wenn es um die Einführung einer neuen Technologie im Unternehmen geht. Für Cognitive Computing gilt das in besonderem Maße: Das System ist dafür ausgelegt, die menschliche Denkweise möglichst genau nachzuahmen und selbstständig neue Wissensgebiete zu erlernen. Das löst bei vielen Mitarbeitenden die Befürchtung aus, dass Cognitive Computing ihnen den Arbeitsplatz streitig machen könnte. Tatsächlich wird Cognitive Computing aber meist so eingesetzt, dass es dem Menschen zuarbeitet, nicht ihn ersetzt. Mensch und Maschine gehen hier eine Synthese ein. Wird dieser Aspekt ausreichend kommuniziert und durch proaktives Change-Management begleitet, hat Cognitive Computing aber gute Chancen, auch von Ihren Mitarbeitenden angenommen zu werden.

Lange Entwicklungszyklen

Aktuell haben viele Cognitive-Computing-Lösungen noch das Problem, dass sie zu allgemein konzipiert sind. Sie verfügen zwar über erstaunliche Fähigkeiten, sind aber nicht für spezifische Industrien trainiert worden. Unternehmen müssen sich also zuerst viel Zeit nehmen, um dieses Training durchzuführen. Hierfür muss meist ein komplettes Team abgestellt werden. Große Unternehmen können diesen Aufwand leisten, kleinen und mittleren Unternehmen fehlen dagegen häufig die Ressourcen. Es steht jedoch zu erwarten, dass in Zukunft mehr und mehr “vortrainierte” Lösungen auf den Markt kommen, die auch für KMUs erschwinglich sein werden.

Wie die Einführung von Cognitive Computing gelingt

Hier einige Tipps, um Ihnen die Einführung von Cognitive Computing zu erleichtern.

Optimieren Sie Ihr Datenmanagement

Ein solides Datenmanagement bildet die Grundlage für Cognitive Computing. Schließlich sind Daten der Rohstoff, um den Algorithmus erfolgreich trainieren zu können. Befassen Sie sich deshalb mit unterschiedlichen Organisationsformen wie Data Lakes und Data Warehouses.

Schaffen Sie die Infrastruktur

Um riesige Mengen Daten zu analysieren, benötigen Sie eine leistungsfähige IT-Infrastruktur. Ein klassisches On-Premises-System stößt hierbei schnell an seine Grenzen. Besser geeignet sind skalierbare Cloud-Lösungen für Unternehmen, die unkompliziert über einen Managed-Services-Provider bezogen werden können.

Starten Sie mit einem Pilotprojekt

Testen Sie Cognitive Computing zunächst an einem isolierten Anwendungsfall. So machen Sie sich nicht von der neuen Technologie abhängig, falls es am Anfang technische Schwierigkeiten gibt. Das Pilotprojekt dient Ihnen als risikofreie Lernumgebung.

Bilden Sie ein Cognitive-Computing-Team

Cognitive Computing ist ein komplexes Projekt, das nicht mal so nebenbei umgesetzt werden kann. Stellen Sie deshalb ein Team von Mitarbeitenden ab, welches die Einführung und die fortlaufende Betreuung übernimmt. Dabei besteht die Herausforderung nicht nur darin, diese Teammitglieder entsprechend weiter zu qualifizieren, sondern auch, ihnen den Rücken freizuhalten. Hier können externe Service-Provider eine Lösung sein, die Ihrer IT-Abteilung zeitintensive Routineaufgaben abnehmen.

Schaffen Sie mit der ahd die Grundlage für Cognitive Computing!

Forrester stellt Cloud-Computing Prognosen für 2022 vor

Inhaltsverzeichnis

Dominierende Cloud Trends

Die Möglichkeiten der Cloud und ihre Bedeutung für moderne Unternehmen aller Branchen stehen in den letzten Jahren mehr denn je im Fokus der Öffentlichkeit. Die Pandemie zwang Organisationen weltweit, ihre Geschäftsmodelle und die unterstützenden Technologien neu zu bewerten. Unter den sich schnell ändernden Umständen ermöglichte die Skalierbarkeit und Flexibilität der Cloud Unternehmen, ihre digitale Transformation zu beschleunigen oder sogar innovative Lösungen einzuführen und zu testen.

Cloud-Tools und -Services sind heute aus dem Home-Office oder der virtuellen Verwaltung von Geschäftsprozessen nicht mehr wegzudenken. Während sich die Welt jedoch auf die Realität nach der Pandemie zubewegt, beginnen Unternehmen wieder einmal, ihre aktuellen Strukturen und Modelle genauer zu betrachten. Dieser Prozess umfasst die Prüfung der Möglichkeiten oder Notwendigkeit einer Neugestaltung ihrer Strategien und die Nutzung von gerade erst verfügbar gewordenen Funktionen und Tools. Forrester hat die jüngsten Trends im Cloud-Computing analysiert und eigene Prognosen für den Cloud-Markt im Jahr 2022 formuliert.

Cloud-Native als zentrales Paradigma der Cloud-Strategien

Forrester berichtet, dass im Jahr 2022 die Cloud-Native-Akzeptanz auf die Hälfte der Unternehmen steigen wird. Dies steht im Einklang mit dem zuvor beobachteten Trend der Container- und Serverless-Technologien, der von 33 % im Jahr 2020 auf 42 % im Jahr 2021 gestiegen ist. Cloud-native Technologien durchdringen alle wichtigen Technologiebereiche wie Big Data, künstliche Intelligenz oder das Internet der Dinge und Unternehmen werden jetzt wahrscheinlich ihre Cloud-Strategien ändern und Cloud-Native in ihren Mittelpunkt stellen. Diese Ansicht wird von Gartner geteilt - Cloud-native Plattformen als die Antwort auf die zunehmende Dringlichkeit, digitale Initiativen zu verfolgen, mit denen viele Unternehmen konfrontiert sind. „Bis 2025 werden Cloud-native Plattformen als Grundlage für mehr als 95 % neuer digitaler Initiativen dienen – gegensätzlich von weniger als 40 % im Jahr 2021“, prognostiziert das Unternehmen in seinem Bericht über strategische Technologietrends. Angesichts dieser Prognose empfiehlt Gartner, dass IT-Führungskräfte danach streben, die Markteinführungszeit zu verkürzen, indem sie Cloud-native Plattformen zur ersten Wahl für die Entwicklung neuer Anwendungen machen. Sie sollten auch vorhandene Anwendungen modernisieren, die von Cloud-nativen Attributen profitieren können.

Globale Skalierung mit Cloud-nativen Plattformen

Cloud-native Plattformen bieten Entwicklern die Möglichkeit Workloads global zu skalieren. Auch wenn Cloud-Plattformen derzeit die automatische Skalierung von Clustern und automatisierte Bereitstellungen ermöglichen, müssen Entwickler immer noch überlegen, wo sie ihre Workloads bereitstellen. Wenn sie global agieren wollen, müssen sie planen, wie viel Infrastruktur sie benötigen. Prognosen zufolge wird sich die Situation im Jahr 2022 dank einer Kombination aus einer neuen Generation von Entwickler-Frameworks, Platform-as-a-Service, verteilten Datendiensten und Edge-Computing verändern. Laut dem Forrester-Bericht zu Cloud-Computing-Trends wird dies Entwicklern die Möglichkeit geben, schnell effiziente, kostengünstige Workloads auf globaler Ebene zu erstellen und bereitzustellen.

Industriespezifische Cloud

Industriespezifische Clouds vereinen bislang separat zu erwerbende Cloud-Services und Tools und optimieren diese für die besonderen Anforderungen vertikaler Branchen. Für Unternehmen, die in Branchen mit vielen Vorschriften oder sehr spezifischen Anforderungen tätig sind, schaffen Branchen-Clouds einen Mehrwert, indem sie maßgeschneiderten Support und technische Fähigkeiten bieten. Microsoft Azure und AWS bieten bereits diese Cloud-Optionen an, aber für 2022 wird eine regelrechte Explosion dieser Dienste prognostiziert. Sowohl Forrester als auch Gartner berichten, dass die Industrie-Cloud im Jahr 2022 zu den wichtigsten Cloud-Trends gehören wird und wir können davon ausgehen, dass große Cloud-Service-Anbieter ihre branchenspezifischen Cloud-Lösungen erweitern werden. Führende Unternehmen in diesem Bereich werden nach effizienten Wegen suchen, um Branchen-Clouds zu erstellen, die sowohl modular als auch wartbar sind. Gartner prognostiziert außerdem, dass „bis 2024 über 50 % der führenden Cloud-Anbieter vertikale Geschäftsanwendungsfälle adressieren werden, indem sie Composable Industry Clouds bereitstellen“.

Der globale Cloud-Markt

Die Kartellreform und Datenschutzbestimmungen wirkten sich bereits 2021 auf den Cloud-Markt aus und zwangen große Cloud-Anbieter zu reagieren und ihre Strategien an regionale Anforderungen anzupassen. Im Jahr 2022 werden die Marktführer voraussichtlich weitere Anpassungen vornehmen, um lokale Vorschriften einzuhalten und gleichzeitig die Bedürfnisse ihrer globalen Kunden zu erfüllen. Forrester berichtet, dass in China die Zukunft des Cloud-Marktes in den Händen staatlicher Unternehmen liegen wird, während wir in Europa die ersten Reaktionen auf die GAIA-X-Richtlinien erleben werden. Gaia-X ist eine Initiative, die darauf abzielt, einen europäischen Verband von effizienter, sicherer und vertrauenswürdiger Dateninfrastruktur- und Dienstanbieter zu entwickeln. Sein Framework bietet eine Reihe von Richtlinien und Regeln, die für mehr Transparenz, Kontrolle und Interoperabilität auf jede vorhandene Cloud-Plattform angewendet werden können.

Wenn es um die Hauptakteure auf dem Markt geht, wird nicht erwartet, dass Google Cloud Platform (GCP) Amazon Web Services (AWS) und Microsoft Azure übertrifft. Das bedeutet, dass GCP sein erklärtes Ziel, bis 2023 einer der beiden führenden Cloud-Anbieter zu sein, nicht erfüllen wird. Der Bericht von Forrester stellt jedoch fest, dass GCP in mehreren Bereichen Vorteile erzielt und erhebliche Fortschritte beim Unternehmenssupport und bei vertikalen Lösungen erzielt hat. Daher wird das Verfehlen des kurzfristigen Ziels den langfristigen Gesamterfolg nicht beeinträchtigen.

Zusammenfassung

Die Cloud-Nutzung in Unternehmen hat während der Pandemie erheblich zugenommen. Jetzt führen Unternehmen weltweit neue Wege ein, um das Potenzial der Cloud zu nutzen. Dazu gehört die Suche nach Optimierungsmöglichkeiten, neuen Anpassungsebenen und zusätzlicher Skalierbarkeit. Der Cloud-Markt im Jahr 2022 wird Cloud-native Lösungen als Kern der Strategien vieler Unternehmen betrachten und die neuen Funktionen werden eine einfachere globale Skalierung ermöglichen. Der Bedarf an maßgeschneiderten Lösungen wird zum Aufstieg von Branchen-Clouds führen. Laut den diesjährigen Cloud-Computing-Prognosen müssen die großen Cloud-Anbieter reagieren und sich an regionale Vorschriften anpassen, um ihre Kunden weiterhin auf globaler Ebene bedienen zu können. Die prognostizierten Veränderungen auf dem Cloud-Markt geben IT-Führungskräften die Möglichkeit, ihre Cloud-Strategien zu überdenken und neu zu gestalten, um das volle Potenzial der neu verfügbaren Funktionen und Fähigkeiten auszuschöpfen und den Mehrwert der Cloud zu maximieren.