AI
AI
KI / AI mit Machine Learning intelligent nutzen.
Zu wissen, was man machen kann. Zu wissen, wie.
Künstliche Intelligenz (KI) ist nicht so neu, wie man denken könnte. Aber erst jetzt sind ausreichend Entwicklungsdaten verfügbar, hohe Rechenleistung erschwinglich und die Algorithmen und Software so ausgereift, dass KI für eine breite Anwendungspalette nutzbar ist.
Aktuell sind es oft kleine, integrierte Anwendungen, die in einem Prozess Fehler ausmerzen und Menschen stupide, gleichförmige Arbeit abnehmen. Das kann künstliche Intelligenz inzwischen sehr gut. Aber wirklich interessant wird es, wenn durch maschinelles Lernen und Deep Learning tatsächlich Dinge erlernt werden, die Prozesse verbessern. Der Fokus unseres KI-Teams, bestehend aus Informatikern, Mathematikern und Physikern liegt deshalb seit einigen Jahren auf Machine Learning. Hier konzentrieren wir uns auf:
Unser Schwerpunkt:
NLP Natural Language Processing
Unser Anspruch an KI war es von Anfang an, sie in unseren Kundenprojekten sinnvoll einsetzen zu können. Wir haben uns auf Machine Learning fokussiert, da sich die Modelle im Rahmen dieser KI-Disziplin hervorragend auf individuelle Anwendungen auf Kundenseite trainieren lassen. Wir trainieren Maschinen auf das Erkennen und Verarbeiten von Sprache, beispielsweise mit Retrieval-Augmented Generation (RAG). Hier ein Praxis-Beispiel.
Unser Schwerpunkt: Computer Vision
Wir arbeiten in der Computer Vision, der KI-Lösung zur automatisierten Verarbeitung und Analyse von visuellen Daten, mit den unterschiedlichsten Modellen. Wir wenden je nach Aufgabenstellung Classification, Object Detection oder Image Segmentation traditionelle CNNs (Convolutional Neural Networks) oder moderne multi-modale Deep Learning Modelle (z. B. LLaVA) oder Vision Transformer an.
Wir bieten in diesem Kontext:
- Beratung, Kurse und Seminare in allen technischen Flughöhen, ob für KI-Techies, normale Softwareentwickler oder nicht-technische Außendienstmitarbeiter
- Automatisierte Informationsextraktion aus Dokumenten mittels KI zur Reduktion händischer, repetitiver Arbeiten
- Bau eines KI-Assistenten, der auf Basis interner Dokumente oder Dokumentation Fragen beantworten und Ratschläge geben kann (Stichwort “Retrieval-Augmented Generation”)
- Eigenes Feintuning lokaler KI-Modelle für kundenspezifische Aufgabenfelder und lokale Ausführung innerhalb der Kundeninfrastruktur
- Systemspezifische KI-Assistenten mit programmatischem Zugriff auf kundenspezifische, interne Schnittstellen, die auch autonom intelligente Anfragen an Kundensysteme absetzen können (Stichwort Function Calling oder Agentic AI).
- Beratung beim Kauf von KI-relevanter Hardware, für Training und Deployment des trainierten Modells
Warum lohnt es sich, seine KI selbst zu trainieren?
Natürlich sind die Datenmengen mit denen ChatGPT oder Claude trainiert wurden sehr umfangreich. Für sehr spezielle Aufgaben wird das Ergebnis besser, wenn ein lokales KI-Modell mit anwendungsspezifischen Daten trainiert wird. Der Aufwand für ein Training mit eigenen Daten und lokalen Modellen ist allerdings weniger aufwändig, als meistens angenommen wird, so unsere Erfahrung bei unseren Kunden
Eine zentrale Rolle in einer zukunftsfähigen Architektur kommt den großen Enablern der digitalen Transformation zu: Exemplarisch seien hier die Begriffe Cloud, In-Memory, Big Data oder Predictive Analysis genannt..
entspricht genau allen spezifischen Anforderungen
sichert die Datenhoheit
bietet mehr Genauigkeit und Effizienz
Lassen Sie sich jetzt beraten, wie sich mit KI in Ihrem IT-Projekt eine ganz neue Stufe der Optimierung realisieren lässt.
Künstliche Intelligenz (KI) / Artificial Intelligence (AI), Machine Learning und Deep Learning. Wo liegt der Unterschied?
Künstliche Intelligenz
Machine Learning
Deep Learning
KI bezeichnet das Konzept von Computern, die Aufgaben ausführen, für die normalerweise menschliche Intelligenz erforderlich ist. Oft ist der Programmieraufwand sehr hoch, weil Regeln, Logiken auch in Form von Algorithmen festgelegt und programmiert werden müssen.
Machine Learning ist eine Teildisziplin der KI, die einen andern Ansatz wählt: Machine Learning basiert auf großen Datenmengen, aus denen die Maschine nach bestimmten Algorithmen lernt. Art der Daten und die Regeln der Modelle müssen genau festgelegt werden, um die gewünschten Ergebnisse zu erhalten. Im Rahmen dieser Regeln lernt die Maschine selbst. Sie korrigiert und verbessert ihre Vorgehensweise im Laufe des Trainings.
Deep Learning ist eine Teildisziplin des Machine Learnings, die sich besonders gut für komplexe Aufgaben wie Bild- und Spracherkennung. Es werden neuronale Netze definiert und trainiert. Damit kann die Maschine Bilder und Sprache erkennen und Interpretieren.
Anwendungsbeispiele aus Kundenprojekten
Beispiel Chatbot: Ein Chatbot soll Kunden bestimmte Fragen beantworten, die mit Details des angebotenen Produkts zu haben (z. B. Funktionen bestimmter Modellbaureihen eines Elektroprodukts, Freischalten eines Codes, Erkennen von Kundennummern etc.). Der Chatbot wird auf die typischen Fragen genau dieses Kundenkreises trainiert und gibt ausschließlich Antworten, die zu Baureihen dieses Unternehmens passen.
Beispiel Dokumentenablage: Bestimmte Dokumente sollten innerhalb der internen Datenbank automatisch in passende Bereiche gezogen werden. Mit Hilfe einer trainierten KI kann diese die Dokumente anhand vom Inhalt identifizieren und automatisch zuordnen.
KI-Potenzial identifizieren
Das Optimierungspotenzial durch KI-Anwendungen und die individuellen Trainingsmöglichkeiten sind so vielfältig wie die IT-Projekte unserer Kunden. Die größten Vorteile sind:
- Ressourcen sparen (Kosten, Zeit und Manpower)
- Qualität verbessern (Fehlerquote senken, Reaktionszeiten verkürzen)
- Planungsgrundlagen präzisieren (große Datenmengen interpretieren, Vorhersagen treffen)
Oft erkennen Unternehmen KI-Potenzial nicht, da sich Prozesse seit vielen Jahren eingeschliffen haben. Es lohnt sich deshalb, einen KI-Check zu buchen. Unsere KI-Experten durchleuchten den aufzusetzenden Prozess und machen – wenn sinnvoll – Vorschläge, KI zu integrieren.
Ich möchte den KI-Check machen
Kleines KI Glossar:
- Ein Algorithmus ist eine eindeutige Abfolge von Schritten oder Anweisungen, die ausgeführt werden, um ein bestimmtes Problem zu lösen oder eine Aufgabe zu erfüllen.
- Generative AI / generative KI bezeichnet die Disziplin, in der die KI dazu befähigt wird, Gelerntes nicht nur 1:1 wiederzugeben, sondern eigene Inhalte zu erzeugen. Das können neue Bilder, Texte, Musik, Videos und alle anderen Arten von Dateien sein.
- NLP (Natural Language Processing) befasst sich mit der Interaktion zwischen Computern und menschlicher Sprache. Ziel ist es, natürliche Sprache in einer Weise zu verstehen, zu interpretieren und zu erzeugen, die sich für menschlich anfühlt und aus menschlicher Sicht vernünftig reagiert.
- RAG (Retrieval-Augmented Generation) ist eine Methode, um die erzeugten Ausgaben der Modelle zu lenken und faktische Korrektheit zu garantieren. RAG kombiniert die Abfrage (engl. retrieval) großer Dokumentenmengen mit der Generierung von Antworten, präzise aus den Inhalten, die in den Dokumenten zur Verfügung gestellt wurden.
- Computer Vision beschäftigt sich mit der visuellen Verarbeitung von Daten durch die KI: Gesichtserkennung und Erkennung von Verkehrszeichen in modernen Autos sind bekannte Anwendungen. Im realen Unternehmensalltag ist die visuelle Erkennung oft mit trivialen Aufgaben betraut: Sichtung von Produkten zur Qualitätskontrolle, Unkrauterkennung in der Landwirtschaft.
