AI

Die Erwartungen an Machine Learning (ML) sind riesig. Dass viele ML-Projekte in der Pilot- oder Proofof-Concept-Phase stecken bleiben, liegt aber nur zum Teil an überzogenen Erwartungen. Es fehlt den Unternehmen oft an Infrastruktur, den richtigen Capabilities oder schlicht an Daten. Dieser Beitrag beschreibt, auf was Unternehmen achten sollten, damit ML-Lösungen tatsächlich produktiv eingesetzt w..

Sprachassistenten sind mittlerweile weit verbreitet. Integriert in Smartphones, Speakern oder Autos sind sie als „unsichtbare“ Interfaces allgegenwärtig. Neben Smarthome und Entertainment spielen sie im Gesundheitswesen und vielen weiteren Wirtschaftszweigen eine immer größere Rolle. In diesem Artikel zeigen wir auf, entlang welcher Fragen Designer einen Sprachassistenten gestalten, wo Chancen und..

Data Warehouse, Data Lake, Date Lakehouse, Data Mesh … in der Szene kursieren derzeit viele neue Namen für analytische Datenarchitekturen. Doch sind die diversen Ansätze wirklich so unterschiedlich? Dieser Beitrag versucht einen strukturierten Vergleich der verschiedenen Architekturparadigmen, methodisch basierend auf DAMA-DMBOK und ArchiMate. Es werden Unterschiede, Gemeinsamkeiten und Abhängigke..

Der Einsatz von Künstlicher Intelligenz (KI) in der Datenanalyse eröffnet neue Möglichkeiten, führt aber auch zu Verunsicherung und vielen ethisch relevanten Fragen. Die größte Aufmerksamkeit richtet sich dabei aktuell auf Machine Learning (ML), insbesondere auf die dabei verwendeten Algorithmen. Weil ML-Systeme weitgehend eigenständig anhand von Daten lernen und bei vielen Algorithmen die Wirkzus..

Daten sind ein wesentlicher Bestandteil aller Anwendungen auf Basis Künstlicher Intelligenz (KI). Um KI-Lösungen in Übereinstimmung mit gesellschaftlichen Wertevorstellungen zu gestalten, ist also auch ein ethischer und verantwortungsvoller Umgang mit den zugrunde liegenden Trainings-, Test- und Anwendungsdaten nötig. Das stellt neue Herausforderungen an bestehende Governance-Strukturen, für die i..