scholarly journals KI‑Systeme

2021 ◽  
Vol 30 (3) ◽  
pp. 11-16
Author(s):  
Bernhard G. Humm ◽  
Stephan Lingner ◽  
Jan C. Schmidt ◽  
Karsten Wendland
Keyword(s):  
Big Data ◽  
Künstliche Intelligenz ◽  
Maschinelles Lernen

Künstliche Intelligenz (KI) ist – ebenso wie damit verknüpfte Techniken wie maschinelles Lernen und Big Data – in aller Munde. Die große Dynamik und Tragweite dieser Entwicklungen zeigen sich bereits in zahlreichen Anwendungsgebieten von Wirtschaft, Gesellschaft und Wissenschaft. Technikfolgenabschätzung (TA) von KI hat in diesem Zusammenhang zunächst die Aufgabe, etwaige überzogene öffentliche Erwartungen und Befürchtungen in sachliche, realistische Perspektiven zu transformieren. In einem zweiten Schritt kann TA entlang begründbarer Entwicklungsziele von KI und legitimer gesellschaftlicher Wertvorstellungen Impulse für die weitere, wünschbare Gestaltung von KI geben. Wenn TA diese Orientierungsaufgabe nah am technologischen Kern wahrnimmt, findet sie dabei große gestalterische Freiräume in frühen Phasen der Technikentwicklung vor. Die damit zusammenhängenden Gedanken werden im vorliegenden Einleitungskapitel konkretisiert und auf die Beiträge zu diesem Themenschwerpunkt angewendet.

Künstliche Intelligenz, Maschinelles Lernen und Big Data - Grundlagen, Marktpotenziale und wirtschaftspolitische Relevanz

2019 ◽  
Vol 48 (11) ◽  
pp. 34-41
Author(s):  
Volker Brühl
Keyword(s):  
Big Data ◽  
Künstliche Intelligenz ◽  
Maschinelles Lernen

Künstliche Intelligenz, maschinelles Lernen und Big Data sind zunehmend Gegenstand wirtschaftspolitischer Diskussionen, zuletzt auch im Zuge der Vorstellung der Industriestrategie 2030 durch das Bundeswirtschaftsministerium. Der Beitrag erläutert die wichtigsten Technologien und deren Bedeutung für die künftige Wettbewerbsfähigkeit der deutschen Wirtschaft. Da das globale Marktpotenzial „smarter“ Produkte und Dienstleistungen bei ca. 900 Mrd. USD im Jahr 2025 liegt, stellt sich die Frage, wie die Ergebnisse deutscher Spitzenforschung künftig rascher in marktfähige Produkte umgesetzt werden können.

Big Data‚ KI und Maschinenlernen auf dem Weg zur Precision-Psychiatry – wie verändern sie den therapeutischen Alltag?

2020 ◽  
Vol 88 (12) ◽  
pp. 786-793
Author(s):  
Nils Ralf Winter ◽  
Tim Hahn
Keyword(s):  
Big Data ◽  
Decision Support ◽  
Clinical Decision Support ◽  
Clinical Decision ◽  
Künstliche Intelligenz ◽  
Elektronische Patientenakte ◽  
Maschinelles Lernen ◽  
Individualisierte Therapie

ZusammenfassungDerzeit sehen wir verstärkt Ansätze in der psychiatrischen Forschung, die sich mit prognostischen Modellen und einer individualisierten Diagnosestellung und Therapieauswahl beschäftigen. Vor diesem Hintergrund strebt die Precision-Psychiatry, wie auch andere Teildisziplinen der Medizin, eine präzisere Diagnostik und individualisierte Therapie durch Big Data an. Die elektronische Patientenakte, Datenerfassung durch Smartphones und technische Fortschritte in der Genotypisierung und Bildgebung ermöglichen eine detaillierte klinische und neurobiologische Beschreibung einer Vielzahl von Patienten. Damit diese Daten tatsächlich zu einem Paradigmenwechsel in der Behandlung psychischer Störungen führen, braucht es eine Personalisierung der Psychiatrie durch Maschinelles Lernen (ML) und Künstliche Intelligenz (KI). Neben der Digitalisierung der Klinik müssen wir daher eine KI-Infrastruktur etablieren, in der maßgeschneiderte KI- und ML-Lösungen entwickelt und nach hohen Validierungsstandards evaluiert werden können. Zusätzlich müssen Modellvorhersagen und detaillierte Patienteninformationen in KI-basierte Clinical-Decision-Support-Systeme (CDSS) integriert werden. Nur so können Big Data, Maschinelles Lernen und Künstliche Intelligenz den Behandler im therapeutischen Alltag aktiv und effizient unterstützen und eine personalisierte Behandlung erreichen.

Künstliche Intelligenz und Maschinelles Lernen: Hintergrund, Anwendungsfälle und Chancen für Medienunternehmen

2018 ◽  
Vol 15 (3) ◽  
pp. 30-35
Author(s):  
Christoph P. Mayer
Keyword(s):  
Künstliche Intelligenz ◽  
Maschinelles Lernen

Künstliche Intelligenz bezeichnet den Versuch, menschliche Entscheidungsstrukturen in einem Computer nachzubilden. Beispiele dafür sind automatische Bild-Erkennung oder passende Produktvorschläge. Die Hürden zur Anwendung solcher Technologien sind deutlich gesunken und stellen kein K.O.-Kriterium für Medienunternehmen mehr dar. Oft werden mit ihrer Nutzung grundsätzlich neue Geschäftsmodelle in Verbindung gebracht – ein Fehler: Die Technologien bieten viele Ansatzpunkte, um bestehende Prozesse in Medienunternehmen effizienter und intelligenter zu machen.

Diginomics verstehen

2020 ◽  
Author(s):  
Thieß Petersen
Keyword(s):  
Big Data ◽  
Künstliche Intelligenz

Computer und Roboter sind auch aus der Ökonomie nicht mehr wegzudenken. Und: Ihre Bedeutung wächst durch künstliche Intelligenz und Big Data rasant. Das wirkt sich auch auf unsere ökonomische Denkweise aus, etwa auf die Preisbildung und die Produktivität. Monopolisierungstendenzen sind ebenso zu erwarten wie Arbeitsmarkt- und Verteilungseffekte. Darüber hinaus beeinflusst die Digitalisierung auch die Entwicklung der Wirtschaft, die Inflation und ganz allgemein, die Finanzlage des Staats. Auch die internationale Arbeitsteilung wird durch die Digitalisierung vorangetrieben. Der Autor geht auf die mikro- und makroökonomischen Effekte ein und erläutert diese mit Hilfe ökonomischer Begrifflichkeiten auf verständliche Art und Weise. Auch auf Chancen und Risiken, sowie die Auswirkungen auf die Industriepolitik wird in diesem Kontext eingegangen.

Künstliche Intelligenz und maschinelles Lernen in der Diabetesforschung

2021 ◽  
Author(s):  
Phong Nguyen ◽  
Alexander J. Ohnmacht ◽  
Ana Galhoz ◽  
Maren Büttner ◽  
Fabian Theis ◽  
...  
Keyword(s):  
Künstliche Intelligenz ◽  
Maschinelles Lernen

Wie KI den Energiemarkt verändert

BWK ENERGIE. ◽  
2019 ◽  
Vol 71 (07-08) ◽  
pp. 24-26
Keyword(s):  
Big Data ◽  
Künstliche Intelligenz

KÜNSTLICHE INTELLIGENZ | Der Einsatz neuer datenbasierter Anwendungen – allgemein Künstliche Intelligenz (KI) genannt – steht derzeit bei vielen Unternehmen der Energiebranche ganz oben auf der IT-Roadmap. Tatsächlich bietet das Teilgebiet der Informatik viel Potenzial für Wertschöpfung und ist zugleich Wachstumstreiber für die gesamte Technologiebranche. Für den Durchbruch der KI fehlten lange Zeit vor allem verfügbare Massendaten (Big Data) als Treibstoff. Durch die Digitalisierung werden diese Daten nun verfügbar – gerade in der Energiewirtschaft, die bereits heute zahlreiche Daten in Echtzeit erhebt.

scholarly journals Künstliche Intelligenz-unterstützte Behandlung in der Rheumatologie

2021 ◽  
Author(s):  
Thomas Hügle ◽  
Maria Kalweit
Keyword(s):  
Künstliche Intelligenz ◽  
Maschinelles Lernen ◽  
Rheumatologische Erkrankungen

ZusammenfassungComputergesteuerte klinische Entscheidungssysteme finden seit Längerem Einzug in die Praxis. Deren primäre Ziele sind die Verbesserung der Behandlungsqualität, Zeitersparnis oder Fehlervermeidung. Meist handelt es sich um regelbasierte Algorithmen, die in elektronische Patientenakten integriert werden, z. B. um Medikamenteninteraktionen zu erkennen. Durch künstliche Intelligenz (KI) können klinische Entscheidungssysteme disruptiv weiterentwickelt werden. Aus Daten wird durch maschinelles Lernen konstant neues Wissen geschaffen, um individuelle Krankheitsverläufe bei Patienten vorherzusagen, Probleme schneller zu erkennen, Phänotypen zu identifizieren oder die Therapieentscheidung zu unterstützen. Solche Algorithmen für rheumatologische Erkrankungen gibt es bereits. Am weitesten fortgeschritten hierbei sind die automatisierte Bilderkennung sowie Vorhersagen zum Krankheitsverlauf bei der rheumatoiden Arthritis. Von nutzerfreundlichen, durch Schnittstellen vernetzten KI-Entscheidungssystemen kann aber noch nicht gesprochen werden. Zudem sind die Algorithmen oft noch nicht genügend validiert und reproduzierbar. Anstatt die KI-unterstützte Wahl der Behandlung dem Arzt oder der Ärztin vorzugeben, wird KI eher als hybride Entscheidungsunterstützung dienen – immer unter Einbezug sowohl des Experten als auch des Patienten. Es gibt zudem ein großes Bedürfnis nach Sicherheit durch nachvollziehbare und auditierbare Algorithmen, um die Qualität und Transparenz von KI-unterstützten Therapieempfehlungen nachhaltig zu gewährleisten.

Steigerung von Effizienz und Sicherheit: Quo vadis, Digitalisierung?

2018 ◽  
Vol 23 (11) ◽  
pp. 3-3
Author(s):  
Peter Gocke
Keyword(s):  
Big Data ◽  
Künstliche Intelligenz ◽  
Quo Vadis

Alle Jahre im November ist MEDICA-Zeit. Und auch auf der diesjährigen MEDICA werden wieder Themen rund um die Digitalisierung des Gesundheitswesens einen breiten Raum einnehmen. Hier werden unverändert hohe Erwartungen geweckt: In diesem Jahr sind es vor allem Themen um die Schlagworte Big Data und künstliche Intelligenz, die wahre Wunder in Bezug auf Effizienzsteigerung und Sicherheit versprechen. Beschäftigt man sich näher mit diesen Lösungen, so stellt man schnell fest, dass die hierfür benötigten Daten in den meisten Einrichtungen nicht wirklich verfügbar sind: Klinische Daten liegen oftmals wenig strukturiert in voneinander separierten Abteilungssystemen, sind nicht selten nur als PDFs verfügbar – und somit für algorithmische Auswertungen nutzlos.

Sign in / Sign up

Export Citation Format

Share Document