1

"Technology Adoption" bezieht sich auf den Prozess, in dem Einzelpersonen, Unternehmen oder Organisationen neue Technologien kennenlernen, bewerten, akzeptieren und schließlich in ihren Alltag oder Arbeitsabläufen integrieren.“

Das kann sowohl auf individueller als auch auf kollektiver Ebene stattfinden und umfasst verschiedene Stufen, wie zum Beispiel das Interesse, die Bewertung, den Test und schließlich die vollständige Implementierung und Nutzung der Technologie. Ziel der Technologieakzeptanz ist es, Innovationen effektiv zu nutzen, um Produktivität, Effizienz und Wettbewerbsfähigkeit zu steigern

Interne + externe Faktoren:

Das Framework dient dazu, aufkommende Technologien und Innovationen zu identifizieren, zu analysieren und zu bewerten, um Organisationen bei der Entscheidungsfindung und der Priorisierung ihrer Technologieinvestitionen zu unterstützen

ist ein Trend, der insbesondere auf Sensorik und Robotik aufsetzt. Es ist eine Sammlung an Technologien, die es ermöglicht, Dinge der physischen Welt (things) mit IT-Netzen zu verknüpfen und somit in digitale Prozesse zu integrieren.

Beispiel: Smartwatch mit Puls/Blutdruck für RotesKreuz etc.

Collect: Daten und Informationen werden an unterschiedlichen Stellen gesammelt (Geräte/Sensoren)

Communicate: Gesammelte Daten werden über ein Netzwerk an eine zentrale Stelle übermittelt (On-Premise Speicher/ Cloud, …)

Analyze: Durch Kombination und Analyse von Daten werden aus Daten Informationen (Filter zur Selektion relevanter Daten)

Act: Zuletzt werden auf Basis der Daten Maßnahmen ergriffen (Treffen von Entscheidungen durch Menschen, Auslösen automatisierter Prozesse (bspw. Sicherheitsmechanismen) auf Basis der Daten, schlussendlich à Ableiten von Optimierungspotentialen)

Datenmenge: Die gesammelten Daten können große Mengen annehmen, die für die Übermittlung und Verarbeitung nicht mehr geeignet sind Mögliche Lösungen: Edge Computing

Verlässlichkeit: Verlässliche Sensoren ist teuer, günstige Sensoren sind nicht verlässlich Mögliche Lösungen: Softwareanalyse mit mathematischen Methoden, selbstheilende Protokolle

Energiebedarf: Sensoren müssen mit Energie versorgt werden Mögliche Lösungen: Solar- und Windenergie, Technologien ohne eigene Energiequelle wie RFID

Wesentlicher Aspekt bei IoT ist die Security! - IoT steuert wichtige Geschäftsprozesse à Hoher Wert für Angreifer - Niedrige Kapazität bzw. geringe Rechenleistung à wenig Ressourcen für Security-Software übrig - Security ist teuer, manche Unternehmen sind sehr preissensibel

Industrie 4.0 bringt viele Technologietrends wie IoT, Automatisierung, AR/VR, 5G, Cloud Computing, … zusammen, um ein neues Paradigma der Wertschöpfung in Industrieunternehmen zu schaffen. Es handelt sich ursprünglich um eine politisch motivierte Wortschöpfung, nicht um einen wissenschaftlich geprägten Begriff. Das Ziel von Industrie 4.0 ist die “Digitalisierung der Produktion”

1. Die Anzahl der mit dem Netz verbundenen Dinge nimmt rasant zu

2. Es entstehen einheitliche, semantische Schnittstellen

3. Zukünftige Systeme werden konfiguriert, nicht entwickelt

4. Durch die Vernetzung entstehen neue Dienste und Möglichkeiten

! Die Basis für den Einsatz von Industrie 4.0 sind sogenannte Cyber-Physische Systeme (CPS) !

CPS sind ein grundlegender Bestandteil von Industrie 4.0, Smart Cities, intelligenten Verkehrssystemen und vielen anderen Technologiebereichen. CPS sind komplexe Systeme, die aus der Integration von physischen Prozessen, Computern und Netzwerktechnologien entstehen. Sie kombinieren eingebettete Computer- und Kommunikationssysteme mit Sensoren und Aktuatoren, um die physische Welt und die digitale Welt miteinander zu verbinden

Trotz dieser Herausforderungen bieten CPS das Potenzial, Innovationen voranzutreiben und die Art und Weise, wie wir mit der physischen Welt interagieren, zu revolutionieren.

1.  Erfassung und Verarbeitung von Informationen

2. Identifizierung von Handlungsbedarf

3. Entscheidungsfindung und -umsetzung

1.       Identifikation

2.       Evaluation (Anschaffungskosten, Risiken, Chancen, Kompatibilität, Security, …)

3.       Planung (Security, Compliance, Infra, Ops)

4.       Implementierung

5.       Change-Management

- Konsolidierung: Cloud Dienstleister buchen bei den drei Hyperscaler

- Cloudifizierung: IT-Dienste werden stark standardisiert und an Cloud Anbieter ausgelagert

- Digitalisierung: IT wird wesentlicher Bestandteil der Wertschöpfung

Intelligenz: Die Fähigkeit, sich in unbekannte Situationen anzupassen bzw. neue Probleme zu lösen.

->Zur Abgrenzung: die repetitive Anwendung von Mustern ist noch keine Intelligenz!

Künstlich: nicht menschlich

Ein Mensch (C) interagiert mit zwei Partnern – einem weiteren Menschen (B) und einer Maschine (A). Wenn er die Akteure nicht unterscheiden kann, hat die Maschine den Test bestanden.

Expertensysteme sind spezialisierte Computerprogramme oder Künstliche-Intelligenz-Systeme, die darauf abzielen, menschenähnliche Expertise in einem bestimmten Wissensbereich oder einer Domäne zu bieten. Sie nutzen Wissen und Regeln, die von menschlichen Experten stammen, um logische Schlussfolgerungen zu ziehen und Probleme zu lösen.  ES trennen Wissensbasis und Inferenz

1. Ziel- oder datenorientierte Suche

2. Unsicherheit anstatt schwarz / weiß Betrachtung

3. Definierte Datenrepräsentation

4. Benutzeroberfläche

5. Entscheidungskette zur Lösung (Das System ist in der Lage, die Fakten und Regeln nachvollzieh- und wiederholbar darzulegen, die zur Ermittlung einer speziellen Lösung geführt haben)

Beide Ansätze dienen dazu, Probleme zu lösen und Schlussfolgerungen zu ziehen, unterscheiden sich jedoch in der Art und Weise, wie sie das Wissen und die Regeln des Systems nutzen.

Datenorientierte Suche: Bei der datenorientierten Suche beginnt der Inferenzprozess mit den verfügbaren Daten oder Fakten und wendet daraufhin die Regeln des Expertensystems an, um neue Schlussfolgerungen zu ziehen. Die datenorientierte Suche ist besonders nützlich, wenn es viele mögliche Ziele gibt oder wenn das spezifische Ziel unbekannt ist.

Zielorientierte Suche: Bei der zielorientierten Suche beginnt der Inferenzprozess mit einem vorgegebenen Ziel oder einer Hypothese und versucht, die notwendigen Bedingungen oder Fakten zu finden, die dieses Ziel unterstützen. Die zielorientierte Suche ist besonders nützlich, wenn das Ziel bekannt ist und die Suche darauf ausgerichtet ist, Beweise für dieses Ziel zu finden.

-> In der Praxis können Expertensysteme beide Suchstrategien kombinieren, um eine effektive Problemlösung und Entscheidungsfindung zu gewährleisten.

Beispielhafte Anwendung von ES: Diagnose, bspw. zur Identifikation von Infektionskrankheiten in der Ferndiagnose

Nachteile der Anwendung: • Blindes Verlassen auf die Ergebnisse durch die Nutzer • Fehlende Kenntnis der Beschränkungen der Systeme • Closed World Assumption – das System kann nicht mit Innovationen / Fachfremdem umgehen

Das System kann Informationen effizienter verarbeiten, indem es… besser generalisiert, besser agiert und besser prognostiziert als zuvor!

Ein Agent ist jedes (Software-)System, was seine Umwelt durch Sensoren wahrnimmt und durch Aktoren beeinflusst. Aktoren, auch als Aktuatoren bezeichnet, sind Komponenten oder Geräte in einem System, die Aktionen oder Bewegungen ausführen können, indem sie digitale Steuerinformationen in physische Aktionen umzusetzen.

Supervised Learning: Eine Funktion wird anhand Ein- und Ausgabepaaren erlernt Beispiel: Hund-Wolf-Algorithmus

Unsupervised Learning: Erkennt Muster oder Strukturen in Daten, das die Eingaben bestmöglich beschreibt Beispiel: Panzererkennung

Reinforcement Learning: Agenten lernen durch Interaktion mit der Umgebung und Belohnungen oder Strafen, um optimale Entscheidungsstrategien zu entwickeln. Beispiel: AI for Autobus Der Agent optimiert seine Entscheidungsfindung anhand des Feedbacks (Daumen hoch/runter bei ChatGPT)

Representation Learning vs. Deep Learning

Sowohl Representation Learning als auch Deep Learning sind Ansätze im maschinellen Lernen, aber sie konzentrieren sich auf unterschiedliche Aspekte. Representation Learning bezieht sich auf das automatische Lernen von Merkmalen oder Repräsentationen aus den Daten, während Deep Learning speziell auf tiefe neuronale Netze und deren Fähigkeit abzielt, komplexe Hierarchien von Merkmalen zu lernen.

SH-Modelle sind in der Regel weniger leistungsfähig bei der automatischen Merkmalsextraktion und der Erkennung von komplexen Mustern in den Daten. Sie können jedoch bei bestimmten Problemstellungen, insbesondere bei kleineren Datensätzen oder weniger komplexen Aufgaben, effizienter und einfacher zu trainieren sein.

Generative KI zielt darauf ab, neue Daten oder Inhalte zu erzeugen, die den trainierten Beispieldaten ähnlich sind. Im Gegensatz zu diskriminativen Modellen, die darauf abzielen, Vorhersagen oder Klassifikationen auf Basis von Eingabedaten zu treffen, konzentrieren sich generative Modelle darauf, neue Daten zu erzeugen, die bestimmten Mustern oder Strukturen folgen.

Large Language Models sind künstliche Intelligenz-Modelle, die speziell für das Verständnis und die Verarbeitung von natürlicher Sprache entwickelt wurden und auf großen Mengen von Textdaten trainiert wurden. Diese Modelle sind in der Lage, komplexe Sprachstrukturen und Bedeutungen zu erfassen und können für verschiedene Aufgaben wie Textverständnis, Übersetzung, Zusammenfassung und Textgenerierung eingesetzt werden.

In diesem Kontext sind Transformer eine spezielle Architektur von neuronalen Netzen, die für Large Language Models entwickelt wurde. Transformer-Modelle ermöglichen es Beziehungen zwischen verschiedenen Teilen eines Textes zu erkennen und zu verarbeiten. Transformer haben den Vorteil, dass sie eine sehr niedrige Trainingszeit benötigen.

Transformer Modelle werden wie folgt trainiert:

1.       Pre-Training: Erzeugt eine sehr große Basis an tokenisierten Daten, die im weiteren Verlauf mehrfach verwendet werden kann. “Basismodell”

2.       Finetuning: Supervised Learning um aus den rohen Daten (vom Basismodell) spezifische Modelle zu erschaffen.

GPT -> Generative, Pre-trained Transformers

GPT-Modelle verstehen nicht, sie errechnen “nur” auf Basis eines Inputs die wahrscheinlichste Wortkombination, die eine zufriedenstellende Antwort darstellt!

1. Die Qualität und Verfügbarkeit der Trainingsdaten bestimmt die Qualität des Modells

2. Die rechtliche Situation hinsichtlich der Verwendung der Trainingsdaten ist weiterhin weitestgehend ungeklärt

3. Die Qualität der Sprache sagt nichts über die Qualität des Inhalts aus –     Aussagen von GPTs sind stand heute weiterhin unzuverlässig

4. Selbst für das Feintuning ist der Aufwand für das RLHF erheblich ->

KI muss im Kontext von Gesellschaft und Ethik kritisch betrachtet werden, da KI-Systeme weitreichende Auswirkungen auf verschiedene Aspekte des menschlichen Lebens haben können.

1. Datenschutz und Privatsphäre: KI-Systeme basieren oft auf großen Mengen von persönlichen Daten, die gesammelt und analysiert werden. Die Verwendung dieser Daten wirft Fragen zur Privatsphäre und zum Schutz der persönlichen Informationen der Nutzer auf.

2. Fairness und Diskriminierung: KI-Modelle können Vorurteile und Diskriminierung aus den Daten, auf denen sie trainiert wurden, übernehmen. Dies kann zu unfairen Entscheidungen und Diskriminierung gegenüber bestimmten Bevölkerungsgruppen führen.

3. Transparenz und Nachvollziehbarkeit: Viele KI-Systeme sind als "Black Boxes" bekannt, bei denen es schwierig ist, ihre Entscheidungsfindung nachzuvollziehen. Dies kann zu Problemen bei der Rechenschaftspflicht und der Verantwortung bei Fehlentscheidungen oder Schäden führen.

4. Verantwortung und Haftung: Im Falle von Fehlern oder Schäden, die durch KI-Systeme verursacht werden, stellt sich die Frage, wer verantwortlich und haftbar gemacht werden sollte – der Entwickler, der Benutzer oder das KI-System selbst.

5. Sicherheit und Missbrauch: KI kann für schädliche Zwecke missbraucht oder manipuliert werden, wie zum Beispiel bei der Erstellung von Deepfakes oder dem Einsatz von KI-gesteuerten Waffen.

-> Um diese Herausforderungen und Bedenken zu bewältigen, ist es wichtig, ethische Prinzipien und Richtlinien für die Entwicklung und Anwendung von KI zu entwickeln und zu befolgen

-          Verantwortung in der Entwicklung von KI

-          Verantwortung in der Verwendung von KI

-          (Eigen-) Verantwortung der KI

1. Eingabe: Die KI erhält relevante Daten für die Entscheidungsfindung.

2. Verarbeitung: Die Daten werden in das passende Format gebracht und Merkmale extrahiert.

3. Anwendung: KI wendet gelernte Muster und Regeln auf die Eingabedaten an.

4. Entscheidung: KI trifft eine Entscheidung basierend auf der Analyse der Eingabedaten.

KI kann sowohl in Text- als auch in Bild- und Tonform verwendet werden, um bewusste Desinformationen zu erzeugen. Prominentestes Beispiel hierfür sind “Deep Fakes. Darüber hinaus erzeugen KI-Systeme unbewusste Falschinformation durch Verschärfung von Fehlangaben in Trainingsdaten oder Fehler im Modell.

1.       Bereits heute herrscht eine starke Aufmerksamkeitsökonomie, welche von KI ggf. nicht durchdrungen werden kann

2.       Wir verfügen über eine breite und diverse Medienlandschaft, die Desinformationen gezielt entgegen steuern kann

3.       KI wird irgendwann ggf. in der Lage sein, Desinformation aufzudecken und Faktenchecks automatisiert durchzuführen

Oft diskutiert ist, dass KI vermutlich für eine Reduktion des Bedarfs an gewissen Jobs (Fertigung, Unternehmensführung, Verkehr, Logistik, Handel) sorgen wird. Gleichzeitig werden neue Berufsbilder geschaffen, die spezifisch mit dem Einsatz von KI befasst sind.

Untersuchungen zeigen jedoch auch, dass KI in gewissen Jobs eingesetzt werden kann, um Mitarbeiter zu befähigen Jobs durchzuführen, für die sie eigentlich nicht qualifiziert sind. KI kann daher perspektivisch helfen, dem Fachkräftemangel durch Upskilling und Reskilling entgegen zu wirken.

KI ermöglicht uns die Fokussierung auf zentrale, wertschöpfende Tätigkeiten und reduziert den Aufwand für Nebentätigkeiten. Gleichzeitig kann sie zur qualifizierten Repetition von Tätigkeiten trainiert werden