Studien und Whitepaper

Datenschutz-, Risiko- oder Compliance-Management: Neue KI-Technologien stellen Unternehmen und Entwickler*innen vor neue Herausforderungen. Damit sie diese systematisch und strukturiert angehen können, arbeiten verschiedene Institutionen an Leitlinien und Standards zum Management von Künstlicher Intelligenz (KI). Das Fraunhofer IAIS hat in der Studie »Management System Support for Trustworthy Artificial Intelligence« den Standard-Entwurf für KI-Managementsysteme der International Organization for Standardization (ISO) und die bisherigen Richtlinien miteinander verglichen. Die von Microsoft beauftragte Studie zeigt, inwieweit KI-Managementsysteme Unternehmen beim vertrauenswürdigen Einsatz von KI-Systemen unterstützen und gleichzeitig das Vertrauen in KI-Anwendungen stärken können.

Was bedeutet Natural Language Processing, was verbirgt sich hinter GPT-3 und wie funktionieren eigentlich Chatbots? Antworten auf diese Fragen liefert die neue Studie »Moderne Sprachtechnologien – Konzepte, Anwendungen, Chancen« von KI.NRW. In einer umfassenden Einführung zeigen Wissenschaftler*innen des Fraunhofer-Instituts für Intelligente Analyse- und Informationssysteme IAIS und Mitarbeitende der nordrhein-westfälischen KI-Kompetenzplattform, wo intelligente Sprachsysteme schon heute zum Einsatz kommen, wie diese genau funktionieren und welche wirtschaftlichen Chancen damit verbunden sind. Die Studie richtet sich an Unternehmen, die das Potenzial dieser Technologien für sich erschließen wollen, sowie an alle, die einen kompakten Einstieg in die Materie der Sprachtechnologien suchen.

In der intelligenten Betrugserkennung werden Methoden der Künstlichen Intelligenz, wie z. B. Maschinelles Lernen, bereits gewinnbringend eingesetzt. Fehlende Transparenz und mangelnde Genauigkeit schränkten die Anwendbarkeit bisher jedoch gelegentlich ein.

Das Whitepaper »Effiziente Betrugserkennung durch Maschinelles Lernen: Neue Potenziale mit »Informed Machine Learning« und »Explainable ArtificaI Intelligence« erschließen« zeigt die neuesten Entwicklungen im Maschinellen Lernen für die datengetriebene Betrugserkennung auf: Das vom Fraunhofer IAIS geprägte »Informed Machine Learning« und die internationale Forschung an »Explainable Artificial Intelligence« ermöglichen es, fachliches Expertenwissen einzubinden und Transparenz zu schaffen. Dadurch kann die Effizienz der Betrugserkennung deutlich gesteigert werden.

Um hochwertige KI-Produkte und -Dienstleistungen zu entwickeln, ist es für Unternehmen und Entwickler*innen unerlässlich, die Vertrauenswürdigkeit eines KI-Systems sicherzustellen und nachzuweisen: Entweder von Entwicklungsstart an (by design) oder durch objektive Prüfungen im Laufe des Anwendungsbetriebs. So erfüllen KI-Anwendungen nicht nur entsprechende Richtlinien und schaffen Vertrauen und Akzeptanz, sondern können auch einen wertvollen Beitrag zur Markenbildung leisten und somit Wettbewerbsvorteile schaffen.

Um Risiken einzugrenzen und ein grundlegendes Vertrauen der Gesellschaft in die Künstliche Intelligenz zu sichern, haben die EU-Kommission, die High Level Expert Group on AI (HLEG) und die Datenethikkommission der Bundesregierung allgemeine Leitlinien für die Entwicklung von KI-Anwendungen geschaffen. Diese sind jedoch oftmals zu abstrakt und enthalten kaum konkrete Anforderungen an Unternehmen und Entwickler*innen. Zudem zeigt die kürzlich veröffentlichte Normungsroadmap KI überdeutlich einen großen Bedarf an konkreten Qualitätsvorschriften und Standards für KI-Anwendungen auf.

Der KI-Prüfkatalog des Fraunhofer IAIS setzt genau daran an und bietet einen strukturierten Leitfaden, mithilfe dessen abstrakte Qualitätsmaßstäbe zu anwendungsspezifischen Prüfkriterien konkretisiert werden können.

Produktqualität und Stillstandzeiten haben in komplexen und hochoptimierten Produktionsprozessen viele, meist nicht klar diagnostizierbare Ursachen. Die Erkennung von bislang unbekannten Wirkzusammenhängen, sogenannten »Root Causes«, ist ein Schlüsselfaktor für die zukünftige Optimierung von Produktionsprozessen.

Das Whitepaper »KI-basierte Root-Cause-Analyse: Verstehen und Optimieren von Produktionsprozessen« stellt die vom Fraunhofer IAIS entwickelte KI-basierte Root-Cause-Analyse und ihre Vorteile vor. Ziel ist es, Fehlern in der industriellen Produktion mithilfe von Künstlicher Intelligenz auf den Grund zu gehen und Optimierungspotenziale zu erkennen und zu nutzen. Das Whitepaper analysiert zudem die Rolle von Anwendungs-Expert*innen in Zusammenarbeit mit Data Scientists und schlägt Arbeitsabläufe vor.

In einigen Unternehmen ist Machine Learning heute schon im Einsatz und trägt zur Wertschöpfung bei. So existieren ML-Lösungen, die zu einer ressourceneffizienteren Produktion beitragen, die Logistikplanung erleichtern oder in Vertrieb und Marketing dabei helfen, Kundenwünsche besser zu verstehen. In anderen Unternehmen sind ML-Lösungen vor allem noch Gegenstand von Forschung und Entwicklung.

Der Übergang aus dem forschungsorientierten Nischendasein in das strukturierte Tagesgeschäft eines Unternehmens bedarf auf ML zugeschnittene, technische und organisatorische Konzepte. In diesem Whitepaper möchten wir dazu Orientierungshilfen geben: Diese richten sich sowohl an das Management und Unternehmensstrategen als auch an Fachleute, die für IT-Lösungen und digitale Infrastruktur zuständig sind.

Gerade in Zeiten einer globalen Pandemie kann die Digitalisierung und Verschlankung von Prozessen im Gesundheitswesen dabei unterstützen, wertvolle Ressourcen zu sparen und Überlastungen abzufedern – beispielsweise durch den Einsatz von telemedizinischen Anwendungen wie digitalen Sprechstunden und intelligenter Operations-Planung. Durch die von der Bundesregierung aufgrund der aktuellen Corona-Pandemie angestrebte Stärkung des Gesundheitswesens, sowie einer gestiegenen Förderung moderner Notfallkapazitäten und einer besseren digitalen Infrastruktur, ergeben sich völlig neue Potenziale – aber auch Herausforderungen – für den Einsatz von Künstlicher Intelligenz.

Für das vorliegende Whitepaper haben wir einen konkreten Anwendungsfall, die Notfallversorgung im Krankenhaus, im Detail untersucht und beschrieben. Dabei untersuchen wir, wie Methoden der Sprachtechnologie, Textanalyse und des Maschinellen Lernens das Personal bei der Notfallversorgung in Kliniken unterstützen können.  

In unserer Studie »Quantum Machine Learning« geben wir einen Einblick in das Quantencomputing, erklären, welche physikalischen Effekte eine Rolle spielen und wie diese dazu genutzt werden, Verfahren des Maschinellen Lernens zu beschleunigen. Neben den logischen Komponenten werden auch Techniken für die Implementierung der Hardware von Quantencomputern vorgestellt. Die Studie gibt außerdem einen Überblick über die aktuelle Forschungs- und Kompetenzlandschaft und ordnet die Position Deutschlands im internationalen Wettbewerb ein. Zudem stellt die Studie konkrete Anwendungsbereiche und Marktpotenziale für verschiedene Branchen vor.

Denn in den kommenden Jahren werden Unternehmen aus unterschiedlichen Branchen vor der Herausforderung stehen, neue Markt- und Geschäftspotenziale mithilfe des Quantencomputings zu erarbeiten, um ihre Wertschöpfung zu steigern. Mit dieser Studie möchten wir Akteuren aus Wirtschaft, Wissenschaft und Gesellschaft Orientierung bieten und die Potenziale aufzeigen, die schon heute sichtbar sind und in Zukunft in Unternehmen Einsatz finden werden.

Seit einigen Jahren finden Anwendungen aus dem Bereich der Künstlichen Intelligenz (KI) zunehmend Einzug in ERP-Systeme und bieten neuartige Nutzungsmöglichkeiten.

Diese Studie untersucht die Fragen:

• Wie wird Künstliche Intelligenz aktuell in ERP-Systemen genutzt?
• Wie können bestehende Hindernisse für den KI-Einsatz überwunden werden?
• Welche Chancen, Risiken und Wünsche verbinden Unternehmen mit dem KI-Einsatz?

ERP-Systeme sind die Herzstücke einer modernen Unternehmens-IT. Ihre Neueinführung ist häufig eine große Herausforderung und bedarf sorgfältiger Planung.

Diese Studie untersucht die Fragen:

• Welche Treiber führen zu einer ERP-Einführung bzw. einem Wechsel?
• Welchen Einfluss hat die Unternehmensgröße auf die ERP-Systemauswahl?
• Welche Faktoren beeinflussen den Erfolg einer ERP-Einführung?

Die Suche nach einem Parkplatz kostet Zeit und ist zudem eine nicht zu unterschätzende Belastung für die Umwelt. In Kooperation mit dem Unternehmen TomTom wurde in dem vom Bundesministerium für Wirtschaft und Energie (BMWi) geförderten Forschungsprojekt GEISER ein Prototyp für einen intelligenten Parkplatz-Assistenten entwickelt, der Autofahrende schnell zu einem potentiell freien Parkplatz navigieren soll. Dank Verfahren des maschinellen Lernens lernt der Assistent kontinuierlich hinzu und wird, auch wenn anfangs nur wenige Daten vorliegen, mit der Zeit immer zuverlässiger. Im Optimalfall kann die Parkplatzsuchzeit so erheblich verringert werden.

Das Team der Universitäten Bonn und Köln sowie des Fraunhofer IAIS stellt seinen interdisziplinären Ansatz in einem Whitepaper für die Zertifizierung von KI-Anwendungen vor und erläutert die Handlungsfelder aus philosophischer, ethischer, rechtlicher und techno­logi­scher Sicht. Die Publikation bildet die Grundlage für die weitere Entwicklung der KI-Zertifizierung.

In der »Prioritären Strategischen Initiative (PSI)« bündeln mehrere Fraunhofer-Institute ihre Kompetenzen und forschen zusammen an den Themen Kognitive Systeme, Künstliche Intelligenz und Datensouveränität. Die vorliegende Studie zeigt auf, wie ein Ökosystem für Daten und KI aussehen kann, das eine vertrauensvolle Zusammenarbeit verschiedenster Akteure ermöglicht und die Synergiepotenziale der gemeinsamen Datennutzung ausschöpft. Fraunhofer kann in einem derartigen Ökosystem eine wichtige Rolle übernehmen: als neutraler Moderator und als Motor des Forschungs- und Technologietransfers. Sicher aber auch, um Datennutzung und KI-Einsatz verantwortungsvoll zu gestalten. Denn die Datensouveränität ist nur ein Aspekt eines menschzentrierten und werteorientierten Ansatzes, der im internationalen Wettbewerb zu einem Markenzeichen deutscher und europäischer KI-Lösungen werden soll.

»Learning on the edge« bietet im Vergleich zum Lernen in der Cloud wichtige Vorteile für zahlreiche Anwendungen der Künstlichen Intelligenz – nicht zuletzt durch das datenschutzfreundliche Trainingskonzept und die erheblichen Einsparungen an Kommunikationsaufwand und -kosten. In unserem Whitepaper erklären wir das Prinzip »learning on the edge« am Beispiel des autonomen Fahrens.

mehr Info

Um sich ein aktuelles Bild vom Datenmanagement in Kommunen zu machen, hat die Forschungsgruppe des Fraunhofer FOKUS, IAIS und IML die Situation in Bonn, Dortmund, Emden und Köln untersucht. Das Team hat dazu mit Vertreter*innen aus Verwaltungen und kommunalen Unternehmen gesprochen: Die vielfältig vorhandenen Daten sind sehr heterogen und oftmals nicht für die externe Nutzung aufbereitet. So sind sie häufig nicht weiterverwendbar und von weiterführenden Prozessen ausgeschlossen. Zudem fehlt meist ein systematischer Überblick und datenbasierte Geschäftsmodelle werden kaum gefördert. Das wollen die befragten kommunalen Entscheidungsträger*innen ändern. Sie gehen davon aus, dass die systematische Nutzung urbaner Daten erheblich zur Verbesserung der Verwaltung und der öffentlichen Angebote, der Arbeits- und Lebensqualität, zu gesteigerten Wachstumschancen und zu mehr Sicherheit und besserer Politikgestaltung führen wird. Für eine verbesserte Nutzung und größere Verfügbarkeit urbaner Daten empfiehlt die Studie den Kommunen einen individuell ausgestalteten urbanen Datenraum, der auf einen gemeinsamen offenen Plattformkern für urbane Datenräume effizient und kostengünstig aufgesetzt werden kann.

Maschinelles Lernen (ML) ist die Schlüsseltechnologie für kognitive Systeme auf Basis Künstlicher Intelligenz (KI) und damit einer der entscheidenden Faktoren für die globale wirtschaftliche Entwicklung. Grundlegend für eine nachhaltige Positionierung Deutschlands und Europas im internationalen Wettbewerb ist die faktenbasierte Auseinandersetzung mit KI- und ML-basierten Technologien.

Denn es gibt kaum einen Bereich, der nicht von ML- und KI-basierten Technologien entscheidend transformiert wird: von der Güterproduktion über die Logistik bis zur Medizintechnik. Schon die Vielzahl der Einsatzmöglichkeiten ist ein Grund für das öffentliche Interesse. Die Debatte ist jedoch oft von Halbwissen, Vermutungen und Mythen geprägt. Aufklärung ist gefragt, denn die gesellschaftliche Akzeptanz ist für die weitere Verbreitung maschinell basierter Lernverfahren von zentraler Bedeutung.

Hier setzt die im Kontext eines vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Projekts erstellte Studie »Maschinelles Lernen – Kompetenzen, Anwendungen und Forschungsbedarf« an.

• mehr Info

Ziel dieser Analyse ist es, den aktuellen Stand bezüglich der Marktreife und den Einsatzpotenzialen der KI-Technologien auf dem deutschen und internationalen Markt systematisch zu erfassen. Die Darstellung basiert auf der Analyse einschlägiger Marktstudien und Prognosen, den Ergebnissen von Zukunftsworkshops mit Vertretern ausgewählter Anwendungsbranchen (Callcenter, Gesundheitswesen und industrielle Produktion) sowie einer Untersuchung der nationalen und europäischen Projektförderung im Bereich der Künstlichen Intelligenz.

Für die KI-Systeme »Autonome Roboter«, »Autonome Transportmittel«, »Smarte Geräte« und »Kognitive Assistenten« werden bedeutende Marktsegmente und zentrale Akteure aus der Wissenschaft und Wirtschaft identifiziert. Die Anwendungsbeispiele (»Use Cases«) zeigen den Einsatz von KI-Kompetenzen in konkreten Produkten aus den jeweiligen Branchen sowie die laufenden Forschungsaktivitäten anhand ausgewählter Projekte der Fraunhofer-Institute auf.

• mehr Info

Durch die digitale Transformation von Unternehmen und Gesellschaft fallen immer größere Datenmengen an, die immer schneller verarbeitet werden müssen. Dazu sind einer­seits Lösungen gefragt, die den Anforderungen von interaktiven oder mobilen Applikationen gerecht werden und sehr schnell reagieren. Andererseits müssen moderne Systeme große Datenmengen schnell und explorativ analysieren und wichtige Informationen extrahieren können. »In-Memory«-Systeme unterstützen diese Anforderungen durch besonders kurze Datenzugriffszeiten. Durch die konsequente und intelligente Nutzung des Arbeitsspeichers als Datenspeicher können neuartige Anwendungen mit einer besonders hohen Verarbeitungsgeschwindigkeit realisiert werden. Die Studie zeigt, dass der Trend zu In-Memory-Systemen weder eine kurzfristige noch eine nur vorrübergehende Erscheinung ist. Vielmehr ist ihr Einsatz durch den stetig fallenden Preis schneller Speichertechnologien möglich geworden. Viele Hersteller von Datenbanklösungen und Analysesoftware haben darauf reagiert und ihre Produkte um In-Memory-Funktionalitäten erweitert. Die Liste der am Markt verfügbaren, arbeitsspeicheroptimierten Softwarelösungen ist lang und wächst kontinuierlich.

Die Studie erklärt den Begriff »In-Memory«, erläutert typische Merkmale von In-Memory-Systemen und gibt einen umfangreichen und herstellerneutralen Überblick zum aktuellen Angebot kommerzieller und Open-Source-Produkte.

Im Kontext des THESEUS-Programms haben wir eine vom Bundesministerium für Wirtschaft und Technologie (BMWi) geförderte Analyse zu Nutzung und Potenzial für Big Data in deutschen Unternehmen durchgeführt. Ziel war es, Handlungsoptionen für Wirtschaft, Politik und Forschung aufzuzeigen und in individuellen Roadmaps die Anforderungen verschiedener Branchen an Big-Data-Lösungen und künftige Anwendungsfelder zu identifizieren.

Das Projekt umfasste drei Säulen:

1. eine internationale Recherche zum Umgang mit Big Data, zu Forschungsaktivitäten und konkreten Anwendungen
2. eine Onlinebefragung unter Unternehmen
3. Workshops mit Vertretern unterschiedlicher Branchen

Damit sich Unternehmen aktiv mit Big-Data-Analytics-Lösungen vertraut machen können, haben wir am Fraunhofer IAIS außerdem das »Living Lab Big Data« entwickelt. Mit Hilfe dieser Experimentierplattform können vor allem KMU über Schulungen in kurzer Zeit Know-how zum Thema Big Data aufbauen.

Mehr Info