Automatisierung ist ein gesetztes Thema in der IT und alles andere als neu.
Neu hingegen sind die modernen Möglichkeiten der digitalen Datenverarbeitung sowie des „kognitiven“ Machine Learning / Deep Learning, welche weit über Stapelverarbeitung von gestern hinaus gehen.
Dieser Vortrag beleuchtet die Chancen, die sich daraus ergeben.
Das ehrgeizige Ziel eines Automobilherstellers ist es, den Großteil seiner Kunden im Händlernetz zu halten. Denn derzeit sind nur weniger als die Hälfte der Kunden im After-Sales-Bereich loyal und vor allem Besitzer älterer Fahrzeuge suchen zumeist aus Kostengründen lieber freie Werkstätten auf. Da es in den meisten Fällen keinen proaktiven Kundenkontakt bezüglich des Service- oder Reparaturbedarfs gibt und zudem die Kunden oft erst dann zum Händler kommen, wenn sie Probleme mit ihren Fahrzeugen haben, schöpft der OEM nur einen geringen Prozentsatz des Marktpotenzials aus. Durch ein Pilotprojekt mit rpc konnte auf Basis eines neu entwickelten prädiktiven Datenmodells ein erhebliches Konvertierungspotenzial aufgezeigt werden. Das Projekt fokussierte beispielhaft die Prognose der Lebensdauer der Starterbatterie. Deren Ausfall ist für den Kunden besonders kritisch und die Komponente bietet ein hohes Geschäftspotenzial für den Handel. Das Ergebnis der Pilotanwendung mit mehreren Handelsbetrieben bei Fahrzeugen außerhalb der Gewährleistung war eine deutlich gesteigerte Kundenzufriedenheit und -loyalität, sowie eine Optimierung der Werkstattabläufe durch bessere Planbarkeit der Kundentermine. Der Ansatz lässt sich dabei auch auf andere Fahrzeugkomponenten übertragen und wird vom OEM entsprechend weiter ausgebaut.
Bruce Jeong ist Principal und verantwortet den Bereich Digital Products & Solutions bei rpc - The Retail Performance Company, einem Joint Venture der BMW Group und der h&z Unternehmensberatung.
Er bringt langjährige Erfahrung mit, um Unternehmen bei der Hebung von Data Assets zur Optimierung von Geschäftsprozessen zu unterstützen und robust für die Zukunft auszurichten. Hierbei sind die Themen rund um die digitale Transformation ein treibender Faktor. Gerade in Zeiten, wo Wissen schnell an Wert verliert und volatile und disruptive Anforderungen die Positionierung und Erfolg eines Unternehmens stark beeinflussen, ist es notwendig eine fluide und lernende Organisation im digitalen Wandel intelligent auszurichten und die notwendige Transformation dazu umzusetzen.
Künstliche Intelligenz verspricht enorme Wertschöpfungspotenziale – doch auf dem Weg dahin begegnen Organisationen immer wieder ähnlichen Herausforderungen. Fehlende Akzeptanz und Erklärbarkeit der Technologie, hoher Ressourcenbedarf oder mangelnde Datenverfügbarkeit erschweren eine schnelle Umsetzung. Erfahren Sie anhand von erfolgreich durchgeführten Projektbeispielen aus der Automobilindustrie und dem Healthcare-Bereich, welche Erfolgsfaktoren bei der agilen KI-Entwicklung zu berücksichtigen sind.
Der Schaden für Unternehmen durch Online Betrug wird weltweit auf über 200Mrd USD bis 2024 geschätzt. Banken und andere Finanzinstitute haben eine starke Waffe im Kampf gegen diesen Betrug: Graph Analytics. Komplexe Analysen in Graph Datenbanken können in Echtzeit verdächtige Muster in Zahlungsströmen identifizieren - und so den Betrug stoppen bevor er Schaden anrichtet.
Viele konnten bereits die Erfahrung machen, das es sich bei Datenprodukten im Bereich der künstlichen Intelligenz bzw. dem Machine Learning zumeist um Softwareprodukte handelt.
Durch gezielte Wiederverwendung bestimmter Teile einer Adv. Analytics Pipeline kann die generelle Effizienz in der Entwicklung von Pipelines erhöht werden. Die dadurch gewonnene Zeit können für entsprechende Weiterentwicklungen und die Bearbeitung neuer Experimente genutzt werden.
Lastspitzen treten in vielen vernetzten Systemen auf, wie z.B. Rechenzentren, Logistik und Warenlieferungen, Verkehrssystemen oder Stromnetzen. Sie sorgen für überproportional hohe Kosten, da entweder Überkapazitäten vorgehalten oder Leistungen extern eingekauft werden müssen. Ein Lastspitzenmanagement kann hier Kosten sparen und Ressourcen effizienter auslasten. In diesem Vortrag zeigen wir, wie unsere Forecast Engine den Verbrauch innerbetrieblicher Stromnetze optimiert und damit Kosten reduziert.Innerbetriebliche Stromnetze sind hoch-komplexe Systeme mit vielen individuellen Verbrauchern, deren Energiebedarf sich nur schwer prognostizieren lässt. Künstliche Intelligenz ist in solchen Anwendungsfällen eine effiziente Lösung für ein energetisches Lastspitzenmanagement. Ausgangspunkt ist ein Verfahren, mögliche (teure) Lastspitzen automatisiert zu prognostizieren und damit eine Reduzierung der Energiekosten zu erwirken.
Mittels maschinellen Lernens wurde eine datenbasierte Mustererkennung trainiert, deren Ergebnis eine Betrachtung der maximalen täglichen Lastentnahme ist. Diese automatisierte Betrachtung bietet Unternehmen die Möglichkeit, eine verbesserte Laststromplanung zu entwerfen und umzusetzen, indem ausschlaggebende Energieverbraucher innerhalb eines Unternehmens trotz komplexen Stromnetzen ermittelt und aufgezeigt werden.
Computer vision, one of the hottest areas in Artificial Intelligence, is taking over the 'visual world'. In this talk we discuss about how does the computer interpret and understand the digital images to identify and classify objects. Further, we'll take a look into a very small aspect, i.e. distance measurement, and how impactful it can be in different usecases. We also talk about the current developments and future prospects of Computer Vision.