DE
|
EN
Praxis

KI-Beispiele aus der betrieblichen Praxis

Text: Shirley Ogolla, Vivien Hard,
Alexander von Humboldt Institut für Internet und Gesellschaft

Die folgende Auswahl von Praxisfällen zeigt Beispiele intelligenter und autono­mer Systeme und verdeutlicht deren wachsende Relevanz in sehr unterschiedlichen Anwendungsbereichen der betrieblichen Praxis. Die Praxisfälle stammen aus dem durch das KI-Observatorium des BMAS finanzierten Forschungs­projekt „KI und Wissensarbeit – Implikationen, Möglichkeiten und Risiken“ des Alexander von Humboldt Institut für Internet und Gesellschaft (HIIG).

BIO

Unterstützung bei der Dokumentenanalyse in der Baufinanzierung

Zum Kontext:

Die Bank ING will ihren Kunden ein einfaches und klares digitales Erlebnis bieten – zu jeder Zeit und an jedem Ort. Seit dem Sommer 2019 arbeiten alle Organisationseinheiten der ING in Deutschland agil. Agilität ist die Antwort der Unter­nehmenskultur auf den digitalen Wandel. Die Strategie besteht darin, ein daten­gesteuertes Unternehmen zu werden, die Kundenzufriedenheit zu erhöhen und ein digitaler Marktführer zu bleiben. In der Baufinanzierung entwickelt die ING Anwendungen, um die Dokumentenanalyse maschinell zu unterstützen.

Einsatzszenario:

Mithilfe von maschinellem Lernen soll die Anwendung Informationen aus Doku­menten extrahieren, die von den Kunden während des Immobilienfinanzierungs­antrags eingesandt werden, z. B. Gehaltsbescheinigungen. Diese können dann klassifiziert und in relevante Informationsfelder durch natürliche Sprachverarbeitung eingeteilt werden, wie z. B. die konkrete Höhe des Nettoeinkommens.

Ausgangslage:

Wenn sich Kunden für eine Baufinanzierung bewerben, müssen sie eine Reihe an Dokumenten einreichen, um Auskunft über die Kreditwürdigkeit zu geben. Ziel ist es, den Grad der Automatisierung in den Produktionsprozessen der Datenverarbeitung zu erhöhen.

Konkretes Problem:

Ursprünglich wurden die Daten aus diesen (PDF-)Doku­­menten händisch und zeitaufwendig in entsprechende Tabellen von den Mitarbeitenden in der Baufinanzierung übertragen.

Ausgangsfrage: Wie können wir einfache Teilaufgaben bei der Dokumentenanalyse in der Baufinanzierung automatisieren?

„Interne Weiterbildungsprogramme für die Beschäftigten sind gefragt, inklusive Möglichkeiten zum IT-Quereinstieg.“

Erfolge:

  • Die Anwendung könnte als vielversprechende Unterstützung in der Daten­verarbeitung für einfache Teilaufgaben im Baufinanzierungsservice dienen.
  • Die Mitarbeiter*innen aus der Baufinanzierung könnten somit mehr Zeit für die Entscheidungsfindung über die Kreditvergabe investieren.
  • Vor dem Hintergrund von potenziellen Machine Learning Bias liegt die Entscheidung über die Vergabe von Krediten letztendlich immer bei den Beschäftigten.

Lessons Learned:

  • Interne Data-Science-Expertise ist eine Grundvoraussetzung für die erfolg­reiche Umsetzung solcher Projekte und kann wegen des Fachkräftemangels eine Herausforderung darstellen.
  • Der Finanzsektor ist stark reguliert und die Möglichkeiten, KI-Anwendungen großflächig einzusetzen, entsprechend eingeschränkt. Die ING verfolgt demnach einen Augmented-Intelligence-Ansatz.
  • Interne Weiterbildungsprogramme für die Beschäftigten sind gefragt, inklusive Möglichkeiten zum IT-Quereinstieg.

Unterstützung beim Herausfiltern von toxischen Social-Media-Kommentaren

Zum Kontext:

„Die Nutzer von ZEIT ONLINE diskutieren gerne, Tausende Kommentare fügen sie täglich an unsere Artikel an. Die allermeisten dieser Beiträge sind konstruktiv. Etwa 200 Kommentare aber werden pro Tag als bedenklich eingestuft und gekürzt oder entfernt.“ 1 (Andreas Loos, Data Scientist ZEIT ONLINE)

„Für die Moderation der Kommentare ist unser Community-Team zuständig. 24 Stunden pro Tag achten wir darauf, dass die Diskussionen auf ZEIT ONLINE respektvoll und konstruktiv verlaufen. Alle Leser sollen sich bei uns willkommen fühlen. Niemand soll durch Beleidigungen oder ausgrenzende Beiträge andere davon abhalten, ihre Meinung und ihr Wissen zu teilen. Das ist das – per Definition unerreichbare – Ideal, nach dem wir streben.“ 2 (Julia Meyer, Teamleiterin Community ZEIT ONLINE)

Einsatzszenario:

Die ZEIT Online Community-Redaktion entwickelt und testet eine Moderations-KI namens „Zoe“ für Online-Kommentare. Basierend auf natürlicher Sprach­verarbeitung erkennt die Moderations-KI toxische Inhalte in deutscher Sprache.

Ausgangslage:

Die ZEIT Online Community-Redaktion hat ein Moderationsteam, das rund um die Uhr händisch Online-Kommentare sichtet und alle Kommentare heraus­filtert, die gegen die Netiquette 3/Diskussionsregeln verstoßen.

Aktuelle Herausforderung:

Die ZEIT Online Community-Redaktion erhält bis zu 80.000 Kommentare in der Woche. 20.000 Nutzer*innen in der Woche schreiben viele Hundert Kommentare, die von der Community-Redaktion parallel bearbeitet werden. Es wäre eine große Entlastung für das Moderationsteam, eine KI-Anwendung einzusetzen, die dabei hilft, die Kommentare zu markieren, die wahrscheinlich herausgefiltert werden müssen.

Ausgangsfrage: Wie können wir das Moderationsteam, vor allem bei Last­spitzen, mithilfe von KI rund um die Uhr unterstützen?


Beim Herausfiltern von Online-Kommentaren, die gegen Netiquette und Diskussionsregeln verstoßen, kann KI Hilfestellung geben. Foto: Apichon_Tee /  Shutterstock.com

Erfolge:

  • Anhand von historischen Kommentardaten wurde die KI-Anwendung bereits erprobt, getestet und wird aktuell trainiert und weiterentwickelt.
  • Das Tool gibt dem Moderationsteam die Möglichkeit, mehr Zeit für die schwierigen Kommentarentscheidungen zu investieren.

„Es ist viel leichter für die KI-Anwendung, toxische Kommentare herauszufiltern als besonders gute Kommentare. Denn für das Erkennen von toxischen Inhalten hat die Forschung bereits einige Anwendungen entwickelt.“

Lessons Learned:

  • Es ist viel leichter für die KI-Anwendung, toxische Kommentare herauszufiltern als besonders gute Kommentare. Denn für das Erkennen von toxischen Inhalten hat die Forschung bereits einige Anwendungen entwickelt.
  • Die KI-Anwendung kann durchaus das Moderationsteam dabei unterstützen, die Kommentare auf ZEIT ONLINE zu pflegen und eine respektvolle Debatten­kultur aufrechtzuerhalten. Das Moderationsteam wird dadurch nicht überflüssig, sondern kann sich auf die intensiveren Fälle konzentrieren.
  • Ein großes Maß an Pragmatismus in Kombination mit technischer In-House-Expertise sind ein zentraler Erfolgsfaktor in dem Projekt.

Unterstützung bei der Begutachtung von Ideen im Verbesserungs­management

Zum Kontext:

„Die Digitalisierung betrifft alle Geschäftsbereiche von Volkswagen: Neben dem Auto selbst und den verschiedenen Dienstleistungen rund um die Mobilität digitalisieren wir auch die Entwicklung, die Fahrzeugproduktion sowie die gesamte Arbeitswelt in Fabrik und Büro.“4

Einsatzszenario:

  • Das Ideenmanagement ist eine Abteilung innerhalb des Personalbereichs, in der Verbesserungsideen der Mitarbeiter*innen zu allen betrieblichen Abläufen entgegengenommen und auf Basis geltender Regelungen bearbeitet und begutachtet werden.
  • Von 2017 bis 2019 wurde das Ideenmanagement durch die Software „IdeenOnline Playground“ (IOP) unterstützt, die die Datenbank mit allen bisher eingereichten Verbesserungsideen analysiert und so dem Ideenmanagement eine neue Sicht auf diese Daten gewährt. So ermöglicht diese Software eine Echtzeitsuche nach bekannten Verbesserungsideen, kann Ideen aber auch miteinander vergleichen und so die Ähnlichkeit zwischen diesen bewerten, wodurch Prozesse im Ideenmanagement stark beschleunigt werden können. So können etwa geeignete Gutachter*innen für diese Verbesserungsideen wesentlich schneller gefunden werden.
  • Ein paar Fakten zu IdeenOnline Playground:
  • IOP wurde von einem Mitarbeiter der Strategie- und Innovationsabteilung des Personalbereichs komplett selbst entwickelt und setzt auf modernste Open-Source-Technologie.
  • IOP nutzt Natural Language Processing (NLP), um die Datenbank mit aktuell mehr als einer Million Verbesserungsideen sprachlich zu analysieren, sowie unüberwachte (unsupervised) maschinelle Lernverfahren, um in weniger als einer Sekunde die gerade relevanten Verbesserungsideen aus dem Datenbestand zu finden.
  • Aufgrund einer Systemumstellung in der Volkswagen-IT-Infrastruktur ist IOP derzeitig nicht vollständig nutzbar. Da die Vorteile von IOP aber unbestritten sind und sich mit dem Wechsel neue sinnvolle Funktionen ergeben können, laufen die Planungen zur Anpassung der Software bereits.

Ausgangslage:

Pro Jahr werden über 20.000 neue Verbesserungsideen eingereicht, weshalb jede*r Mitarbeiter*in des Ideenmanagements über 1.000 neue Ideen pro Jahr bearbeiten muss.

Konkretes Problem:

Alle Mitarbeiter*innen des Ideenmanagements müssen neben den bereits beste­henden Ideen ständig neue Ideen bearbeiten. So müssen zur Bewertung einer Verbesserungsidee z. B. geeignete Gutachter*innen identifiziert werden, die Fachexpert*innen auf ihrem Gebiet sind. Diese jedoch zu finden, ist aufgrund der Größe des Unternehmens und der Vielfalt der Themen sehr zeitaufwendig.

Ausgangsfrage: Wie kann die Suche nach Gutachter*innen zur Bewertung der Ideen vereinfacht werden?

Erfolge:

  • Bei neuen Verbesserungsideen hilft die Suchfunktion gepaart mit der Ähnlichkeitsanalyse den Mitarbeiter*innen des Ideenmanagements, frühere, ähnliche Ideen und deren Gutachter*innen zu finden. Dadurch können für die neuen Ideen geeignete Gutachter*innen wesentlich schneller identifiziert werden.
  • In Kombination mit weiteren, nützlichen Funktionen kann so der administra­tive Aufwand der Mitarbeiter*innen des Ideenmanagements reduziert und der gewonnene zeitliche Freiraum könnte genutzt werden, um die tatsächliche Umsetzung von Ideen noch besser zu unterstützen.

Lessons Learned:

  • Die Unterstützung und das Vertrauen der Vorgesetzten bilden die Basis für den Freiraum zur Entwicklung von innovativen Projekten. Eine pragmatische Herangehensweise an administrative Anforderungen und eine effektive Vernetzung mit anderen Mitarbeitenden kann schnelle Fortschritte ermöglichen und verhindert, dass Entwicklungen im Keim ersticken.
  • Die Integration von Anwendungen in die bestehende IT stellt häufig aufgrund einer Vielzahl von Anforderungen eine große Herausforderung dar. Bei der Entwicklung neuer Anwendungen sollte darum von Anfang an ein besonderes Augenmerk auf die Integrierbarkeit gelegt werden, um spätere Produktiv­setzungen zu erleichtern.
  • Technologieaffine Mitarbeitende und Arbeitnehmervertreter*innen sollten als Erste abgeholt werden, da diese offen für Experimente sind und auch gerne sehr hilfreiches Feedback zur Weiterentwicklung geben. Außerdem agieren sie als Multiplikatoren und können ggf. skeptische Kolleginnen und Kollegen von neuer Technologie überzeugen.

Unterstützung bei der Beantwortung von HR-Fragen im Personalmanagement

Zum Kontext:

Seit 2017 setzt die Abteilung HR Systems bei Siemens einen intelligenten Chatbot im Personalwesen ein. Der Chatbot ist inkludiert in einen SPoC (Single Point of Contact). Die ChatBot-Komponente in CARL, so der Name des SPoC (nach dem Sohn von Werner von Siemens benannt), wurde gemeinsam mit IBM entwickelt und nutzt die IBM-Watson-Komponenten IBM Watson Assistant und IBM Watson Discovery. Er gibt den Siemens-Mitarbeiter*innen anonymisiert über HR-Topics in fünf Sprachen rund um die Uhr Auskunft.

„Fakt ist, dass die neuen Technologien angekommen sind – und dass der technologische Fortschritt an sich immer schneller vonstattengeht. Als HR müssen wir selbst innovativ neue Technologien ausprobieren, verstehen lernen und einsetzen bzw. bereitstellen, um einerseits eigene Use Cases neuen Lösungen zuzuführen, aber auch andererseits, um unserem Business auf Augenhöhe begegnen zu können und eine effektive Begleitung in dieser Transformation anbieten zu können.“ (Sabine Rinser-Willuhn, HR Systems, Siemens AG)

„Ein agiles Mindset und Team sind Erfolgsfaktoren, da viel während des Projektablaufs verändert und angepasst wurde und das Team wie ein Start-up im eigenen Unternehmen agiert.“

Einsatzszenario:

CARL ist ein international angelegtes KI-Projekt, welches mit dem ChatBot KI-Funktionalitäten von IBM Watson nutzt. Dabei ist die IBM-Watson-AssistantTechnologie die Grundfähigkeit für natürliche Sprachverarbeitung, basierend auf einem Supervised-Learning-Modell, das von Expert*innen sowohl mit den möglichen Fragen als auch mit den Antworten auf diese Fragen befüllt werden muss. Die Fähigkeit, aus wenigen initialen Fragen zukünftig abweichende Fragestellungen, die im gleichen Kontext stehen, zu beantworten, ist die „Intelligenz“ des Systems.

Watson Discovery ist eine Cloud-native Insight-Engine, die Datenaufnahme, -speicherung und -aufbereitung mithilfe von Natural Language Processing kombiniert, um Erkenntnisse aus strukturierten und unstrukturierten Daten mit KI-gestützten Abfragen zu extrahieren.

Ausgangslage:

Die Beratung zu Personalthemen wie Krankmeldung, Urlaubsplanung, Performance-Management-Prozessen, Geschäftsreisen oder auch Informationen zu Weiter- und Fortbildungsmaßnahmen soll maschinell unterstützt werden, um einerseits einen 24/7-Support für die Mitarbeiter*innen zur Verfügung zu stellen, der auf allen Arten von Endgeräten verfügbar ist, und andererseits die HR-Abteilungen durch die maschinelle Beantwortung von einfachen, wiederkehren­den Fragen zu entlasten, um so Kapazitäten für komplexe Fragestellungen gewinnen zu können.

Aktuelle Herausforderung:

Allein die deutsche HR-Abteilung bei Siemens erhält Anfragen zu rund 360 Perso­nalthemen von ca. 120.000 Mitarbeiter*­innen, wovon viele Anfragen leicht zu beantworten sind.

Ausgangsfrage: Wie können einfache HR-Anfragen automatisiert beantwortet werden?

Erfolge:

  • Derzeit wird der SPoC CARL pro Monat mehr als eine Million mal kontaktiert.
  • Der Chatbot gibt den Beschäftigten rund um die Uhr von allen Endgeräten aus Auskunft über rund 290 HR-Themen. Derzeit verzeichnet er pro Monat durchschnittlich 60.000 Interaktionen.
  • Er spricht aktuell fünf Sprachen, ist in 20 Ländern live geschaltet und erreicht so derzeit rund 280.000 Mitarbeitende. Bis Ende 2020 sollen die meisten der 350.000 Beschäftigten von Siemens weltweit mit CARL kommunizieren können.
  • Die HR-Mitarbeiter*innen können sich mit der Entlastung durch den Chatbot mehr Zeit für intensivere Anfragen nehmen.
  • Siemens-Beschäftigte können schneller Antworten auf ihre Fragen erhalten.

Lessons Learned:

  • Ein agiles Mindset und Team sind Erfolgsfaktoren, da viel während des Projekt­ablaufs verändert und angepasst wurde und das Team wie ein Start-up im eigenen Unternehmen agiert.
  • Der Launch des Chatbots verlief sehr offen, die Betreuung der Nutzer*innenanfragen wurde direkt von der Projektleitung durchgeführt.
  • Vertrauen vonseiten des Managements ist sehr wichtig, um den nötigen Spielraum bei der Entwicklung und Umsetzung zu erhalten.
  • Es braucht Ausdauer, Geduld und Experimentierfreudigkeit, um ein Projekt dieser Größenordnung, vor dem Hintergrund des Einsatzes völlig neuer Technologien und mit Unterstützung neuer Methoden (wie z. B. Design Thinking, agil, SCRUM etc.), erfolgreich durchzuführen.

Unterstützung bei der Bildrecherche in der Produktion von Bildungs­medien

Zum Kontext:

Mit Unternehmen wie dem Cornelsen Verlag, dem Bibliographischen Institut (Duden), VERITAS oder Verlag an der Ruhr zählt die Cornelsen Gruppe zu den führenden Bildungsmedienanbietern im deutschsprachigen Raum. Seit über sieben Jahrzehnten lernen und unterrichten Menschen mit Bildungsmedien von Cornelsen. Cornelsen fördert Bildungspotenziale von der frühen Kindheit bis ins Erwachsenen- und Berufsleben. Bei der Gestaltung von Bildungsprozessen setzt die Gruppe auf die Potenziale digitaler Technologien.

Einsatzszenario der KI-Anwendung:

Seit 2018 setzt Cornelsen in der Redaktionsarbeit eine Bildersuche ein, die auf der Grundlage eines Bildes ein ähnliches Bild in der internen Bilddatenbank aufsucht und dabei ohne Verschlagwortung auskommt.

  • Die Bildersuche ist in die bestehende Redaktionssoftware integriert und ermöglicht Redakteurinnen und Redakteuren, auf Basis eines anderen Bildes ein möglichst ähnliches Bild in der Datenbank der von Cornelsen erworbenen Bilder zu finden.
  • Aufbauend auf einem Open-Source-Modell zur Bilderkennung, mittels eines neuronalen Netzwerks und eines Clustering-Algorithmus, schlägt die Bildsuche möglichst ähnliche Bilder vor.

„Die Entwicklung von KI-Anwendungen benö­tigt ein digitales Unternehmensverständnis, Experimentier- und Pilotphasen, weitreichenden Datenzugriff und den Austausch mit Domain-Expert*innen.“

Ausgangslage:

Lernprodukte, wie z. B. Schulbücher, werden didaktisch sinnvoll bebildert.

Konkretes Problem:

Häufig haben Redakteur*innen dafür bereits ein bestimmtes Bild vor Augen und suchen ein ähnliches Bild, dessen Bildrechte idealerweise zuvor bereits von Cornelsen erworben wurden.


Der schnellere Weg zum richtigen Bild: KI-Anwendungen können dabei unterstützen, ähnliche Bilder zu finden, was dabei hilft, Lernmaterialien zu erstellen. Foto: S_L / Shutterstock.com

Ausgangsfrage: Wie können, ausgehend von einem Bild, möglichst ähnliche Bilder in der Cornelsen-Bilddatenbank identifiziert werden?

Erfolge:

  • Durch die KI-gestützte Bildsuche wird der Produktionsprozess von Lern­materialien beschleunigt.
  • Die Redakteur*innen können so mehr Zeit in die Inhalte investieren.

Lessons Learned:

  • Die Entwicklung von IT-Produkten im Allgemeinen und KI-Anwendungen im Speziellen benötigt ein digitales Unternehmensverständnis, Experimentier- und Pilotphasen, weitreichenden Datenzugriff und den Austausch mit Domain-Expert*innen.
  • Demnach ist ein stetiger Austausch mit den Fachanwender*innen, in diesem Fall mit Medienmanagenden sowie Redakteur*innen, entscheidend, um die Arbeitsabläufe zu verstehen und sinnvoll unterstützen zu können.
  • Dabei hilft eine Priorisierung nach dem Zeiteinsparungspotenzial bei Routine­tätigkeiten, um die notwendige Zeit bei den Fachanwender*innen für die Unterstützung zu bekommen.
  • Die Nutzung von Open-Source-Modellen kann die Entwicklung von KIAnwendungen massiv beschleunigen.
  • Für die spätere Produktivnutzung in bestehenden Systemen ist ein möglichst früher Austausch mit IT-Administration und Entwickler*innen notwendig. Eine Herausforderung in diesem Kontext ist, möglichst schnell Konzepte und Prototypen als Diskussionsvorlage anbieten zu können.

Unterstützung bei der Digitalisierung von historischen Bibliotheks­beständen

Zum Kontext:

„Als größte wissenschaftliche Universalbibliothek Deutschlands ist die Staatsbibliothek zu Berlin – Preußischer Kulturbesitz ein Zentrum der nationalen und inter­nationalen Literaturversorgung. Über 11 Millionen Bände umfasst allein ihr seit mehr als 350 Jahren gewachsener Druckschriftenbestand, hinzu kommen über 2,2 Millionen weitere Druckwerke und andere oft unikale Materialien in den Sondersammlungen – darunter abendländische und orientalische Handschriften, Musik­autographe, Autographe und Nachlässe, Karten, historische Zeitungen – sowie mehr als 10 Millionen Mikroformen und im Bildarchiv über 12 Millionen Motive.“5

Seit 2010 digitalisiert die Staatsbibliothek zu Berlin (SBB) ihre gemeinfreien Bibliotheksbestände im dafür eingerichteten Digitalisierungszentrum in Berlin. Die SBB überführt dabei analoge Vorlagen (Handschriften, Drucke, Karten, Musikalien etc.) ins Digitale und publiziert diese zugangsfrei online.

Einsatzszenario der KI-Anwendung:

Insgesamt werden in dem Projekt QURATOR drei KI-Anwendungen entwickelt. Mit Deep-Learning-Verfahren zur Bilderkennung findet eine Layout-Analyse von Dokumenten statt (1), durch die Verwendung neuronaler Netze findet ein Texterkennungsverfahren statt (2), und mithilfe von Natural Language Processing kommt es zu einer semantischen Auswertung (3), z. B. zur Eigennamenerkennung.

Ausgangslage:

Ziel ist es, die vielversprechenden Ansätze von KI auf die besonderen Anforderungen von historischen Dokumenten zu übertragen. Die SBB hat einen Datenschatz von rund 2,5 PetaBytes, der eine sehr große Menge an Trainingsdaten zur Verfügung stellt.

Konkretes Problem:

Die SBB digitalisiert alle Dokumente aus ihrem urheberrechtsfreien Bestand (15. Jahrhundert – 1920) und stellt diese online zur Verfügung 6. Bevor man mit digitali­sierten Quellen aber genauso komfortabel arbeiten kann wie mit digital-born Dokumenten, sind zahlreiche komplexe Verarbeitungsschritte und tech­nische Herausforderungen zu meistern. Vorhandene KI-Lösungen sind nicht auf his­torische Besonderheiten der Schriften und Rechtschreibung anwendbar, da diese mit vielen Besonderheiten und Abweichungen von der heutigen standardisierten Sprache einhergehen.

Ausgangsfrage: Wie kann die Qualität der Digitalisate durch KI-basierte Verfahren verbessert werden?

Erfolge:

  • Mithilfe der KI-Verfahren konnte ein Qualitätssprung bei der Weiterverarbeitung von Digitalisaten erzielt werden, sowohl im Hinblick auf die Qualität der Layout- und Texterkennung als auch auf die semantische Anreicherung der Dokumente.
  • Künftig können mehr Dokumente schneller und besser erschlossen und damit auch leichter recherchierbar werden.
  • Die Forschenden können nun Methoden aus den Digital Humanities anwenden, wie z. B. Text-Mining, da die Qualität der Digitalisate annähernd der Textgenauigkeit der analogen Originale entspricht und diese weltweit online zur Verfügung stehen.

Lessons Learned:

  • Seit vielen Jahren ist die SBB in dem Forschungsbereich Dokumentenanalyse und Textverarbeitung unterwegs und hat dadurch eine gute Grundlage für das Projekt geschaffen.
  • Es ist schwierig, abzuschätzen, wie viel Rechenleistung langfristig für das Projekt benötigt wird. Beispielsweise entstehen für das Training von KIModellen punktuell erhebliche Anforderungen an spezialisierte Hardware.
  • Das benötigte Domänenwissen, z. B. über bestimmte Handschriften aus dem Mittelalter, können die ML-Engineers direkt von den Forscher*innen und Fachexpert*innen der Staatsbibliothek vor Ort mit in die KI-Entwicklung einbringen.

Mehr Informationen zum Forschungsprojekt „Künstliche Intelligenz und Wissensarbeit – Implikationen, Möglichkeiten und Risiken“ finden Sie auf der KIWI-Website des Alexander von Humboldt Instituts für Internet und Gesellschaft.

https://www.hiig.de/das-institut/

Kontakt:

shirley.ogolla@hiig.de

Seite teilen