Mit Machine Learning Code Generation kann aus natürlicher Sprache automatisch der notwendige Quellcode für die Softwareentwicklung generiert werden. Als Input wird in natürlicher Sprache beschreibend formuliert, welche Funktion die Software ausführen soll. Anschließend wird der Input via Machine Learning Algorithmen analysiert und daraus ausführbarer Quellcode generiert.

GitHub Copilot ist ein KI-basierter Programmierassistent, der in Zusammenarbeit mit OpenAI entwickelt wurde und Entwicklern hilft, effizienter Codes zu schreiben. Es bietet Vorschläge für ganze Zeilen oder Funktionen basierend auf dem Kontext des aktuellen Codes und unterstützt eine Vielzahl von Programmiersprachen, besonders Python, JavaScript, TypeScript, Ruby und Go. Das Tool lernt von dem individuellen Codierstil des Anwenders und bietet Alternativen zur Problemlösung. Die Anwendug ist direkt in den Editor integriert, wobei die Visual Studio Code-Erweiterung am häufigsten verwendet wird Die Technologie hinter GitHub Copilot, OpenAI Codex wurde speziell für Code-Generierung trainiert und besitzt ein tiefgreifendes Verständnis der Code-Nutzung.

CodeT5 ist ein Open-Source-Programmiersprachenmodell, das von Forschern bei SalesForce entwickelt wurde. Es basiert auf dem T5-Framework von Google (Text-to-Text Transfer Transformer). Um CodeT5 zu trainieren, hat das Team über 8,35 Millionen Beispiele von Programmcode, einschließlich Nutzerkommentaren, aus öffentlich zugänglichen GitHub-Repositories beschafft. Ein Großteil dieser Datensätze stammt aus dem CodeSearchNet-Datensatz, der Ruby, JavaScript, Go, Python, PHP, C und C# umfasst, sowie aus zwei C- und C#-Datensätzen von BigQuery.

Es ist nicht mehr notwendig, die Programmierumgebung zu verlassen, um zu suchen, wie eine bestimmte Funktion zu erstellen ist. Blackbox macht es leicht, den richtigen Codeschnipsel zu finden, ohne dass die Umgebung verlassen werden muss, mehrere Registerkarten geöffnet und Webseiten mit Dokumentation und Ressourcen zu durchsuchen. Geben Sie einfach eine Frage ein, und Blackbox AI generiert automatisch den richtigen Codeschnipsel, in jeder Programmiersprache!

Sind Daten wirklich der Rohstoff der Zukunft? Wenn ja, dann gilt es jetzt für Unternehmen, diesen Schatz auch zu heben. Process Mining ist bei dieser „Rohstoffgewinnung“ ein neues, mächtiges Werkzeug. Es handelt sich dabei um einen innovativen digitalen Ansatz, der Data Mining und Prozessoptimierung verbindet. Gestützt auf reale Daten fördert er wertvolle detaillierte Einsichten über die Entscheidungsprozesse eines Unternehmens zu Tage und zeigt Wege zu ihrer Verbesserung auf. Faktisch ist nahezu jeder Vorgang in Datensätzen dokumentiert. Alles, was einen Zeitstempel hat, kann nun potenziell von Process-Mining-Anwendungen durchforstet werden. Das ermöglicht umfassende Transparenz, Realtime-Kontrolle und Adherence-Checks gegenüber definierten Soll-Prozessen. Es wird nachvollziehbar, welche Entscheidungsvorgänge im Unternehmen wirklich ablaufen – und wo die Ursachen auftretender Probleme konkret liegen. Im realen Event-Kontext können sie dann präzise und nachhaltig gelöst werden.

Das Dortmunder Start-up Motion-Mining® ermöglicht eine automatische und anonyme Analyse manueller Arbeitsprozesse hinsichtlich ihrer Ergonomie und Effizienz, in einem weiten Feld von Anwendungsbereichen wie Logistik, Produktion bis hin zu Krankenhäusern und Pflegeeinrichtungen. Diese reichen von ortsspezifischen Analysen, über Aktivitätskennzahlen bis hin zur Beurteilung der Ergonomie eines Arbeitsprozesses. Auch die Fahrzeug- und Hilfsmittelnutzung kann dabei umfassend ausgewertet werden.

Das Münchener Start-up Smartlane hat eine Software entwickelt, mit der Transportprozesse optimiert werden können. Die Software ermittelt durch „Transport Mining“, wie Unternehmen Lkw´s und Personal einsetzen können, um Aufträge optimal zu erfüllen. Dabei wird die Auftragsliste eines Logistikdienstleisters samt Adressen, Lieferzeitfenster, Präferenzen des Endkunden, Kapazitäten der Fahrer und Flottegröße von „Smartlane“ analysiert, wonach ein Algorithmus den optimalen Transportprozess errechnet.

Celonis ist eine Software, mit der Unternehmen ihre Geschäftsprozesse auf Basis realer Systemdaten analysieren können. Dazu nutzt die Software Logdaten aus IT-Systemen wie SAP, Oracle oder anderen ERP-/CRM-Systemen. Anhand dieser Daten rekonstruiert Celonis den tatsächlichen Ablauf eines Prozesses – Schritt für Schritt. Dadurch wird sichtbar, wo Abweichungen vom Soll-Prozess auftreten, etwa Verzögerungen, Umwege, Doppelschleifen oder manuelle Eingriffe.

Auch wenn die Mensch-Maschine-Interaktion immer natürlicher wird, stellen sich viele Schnittstellen letztlich doch als nicht alltagstauglich heraus. Intelligente Assistenten helfen, die Kommunikation mit der Technik in eine Form zu bringen, die Menschen gewohnt sind: in die eines Gesprächs. Anwendungen erhalten dabei eine Stimme oder sogar ein Gesicht, um eine Gesprächssituation zu simulieren. Das Ziel von intelligenten Assistenten ist die situativ angemessene Unterstützung des Menschen durch den Einsatz von intelligenten, sich anpassenden Technologien. Dadurch soll die Zielerreichung und Bearbeitung von Aufgaben im beruflichen und privaten Umfeld vereinfacht werden.

Mercedes hat die App „Mercedes me Eco Coach“ gelauncht, die Fahrer von vollelektrischen und Plug-in-Hybrid-Modellen unterstützen und für umweltfreundliches Fahrverhalten belohnen soll. Der digitale Assistent liefert Tipps, mit denen Nutzer ihr Auto nicht nur besser kennenlernen, sondern umweltverträgliches Fahren adaptieren können. Zudem soll die Lebensdauer der Akkus verlängert werden. Dazu erhalten Fahrer bestimmte Aufgaben, wie etwa das Erreichen eines hohen elektrischen Fahranteils. Werden die „Challenges“ gemeistert, erhält der Fahrer Punkte. Die kann er im Mercedes Benz Shop einlösen oder für CO2-Kompansationen ausgeben.

Amazon hat seinen Sprachassistenten Alexa um die Fähigkeit erweitert, eventuelle Absichten des Nutzers zu antizipieren, um die Kommunikation mit Alexa natürlicher zu gestalten. Dank eines neuen Machine-Learning-Systems soll Alexa aus offenkundigen Fragen ableiten, was Nutzer eigentlich möchten. Fragen sie etwa wie lange der Tee ziehen soll, kann Alexa die empfohlene Dauer ansagen und vorschlagen, den Timer zu aktivieren. Ob Nutzern solche Vorschläge gemacht werden, entscheidet ein auf Deep Learning basierendes Trigger-Modell, das den Dialograhmen und das Nutzerverhalten berücksichtigt.

Der Einzelhandelskonzern Walmart hat seinen eigenen Sprachassistenten „Ask Sam“ gelauncht. Eingesetzt wird das Tool zunächst ausschließlich für interne Zwecke, um die Effizienz der Mitarbeiter*innen zu erhöhen. So können Walmart-Mitarbeiter*innen mit diesem Tool unter anderem Preise nachschlagen, Produkte finden, Verkaufsinformationen anzeigen oder aber E-Mails abrufen. Eine enthaltene Notfallbenachrichtigungsfunktion befähigt Manager darüber hinaus dazu, alle Mitarbeiter*innen schnell und effizient über Notfallsituationen zu informieren oder sich ferner aktuelle COVID-19-Richtlinien anzeigen zu lassen.

Die intelligente Nutzung von Daten wird zu einer der wichtigsten Herausforderungen des 21. Jahrhunderts. Unternehmen beginnen mit Hilfe von Smart-Data-Verfahren, Kundendaten nach verborgenen Mustern zu durchsuchen. Entscheider in der Wirtschaft schätzen datenbasierte Erkenntnisse zunehmend, denn harte Zahlen wiegen schwerer als vage Aussagen. Die Datenanalysen von internen und externen Daten lassen die Transparenz innerhalb der Supply Chain immer weiter steigen. In Kombination mit einer schnellen Analyse, möglichst in Echtzeit, können vor allem Logistikdienstleister ihre Prozesse äußerst dynamisch gestalten und managen. Die intelligente Nutzung von Daten bietet daher ein massives Potenzial, um die betriebliche Effizienz zu steigern, Kundenerfahrung zu verbessern, Risiken zu reduzieren und neue Geschäftsmodelle zu schaffen.

Ein aktuelles Anwendungsbeispiel für den Trend Big Data in der Logistik ist die Route-Optimierung durch UPS. UPS nutzt das System ORION (On-Road Integrated Optimization and Navigation), um die Routen ihrer Fahrer zu optimieren. Dieses System analysiert historische Daten und Echtzeitinformationen, um die effizientesten Routen zu berechnen, was zu einer Reduzierung von Treibstoffverbrauch und CO2-Emissionen führt. Seit der Einführung von ORION hat UPS über 100 Millionen Meilen eingespart.

Das US-amerakanische Start-up CARTO entwickelt eine Mobilitätsplanungslösung zur Optimierung des Supply-Chain-Netzwerks. Ihr System verwendet eine riesige Menge an Standortdaten und künstliche Intteligenz, um die Supply Chain zu analysieren und zu optimieren, was Zeit und Ressourcenspart. CARTO ist die weltweit führende Location Intelligence Plattform, die es Unternehmen ermöglicht, räumliche Daten und Analysen für effizientere Lieferrouten, besseres verhaltensorientiertes Marketing, strategische Ladenplatzierungen und vieles mehr zu nutzen.

Das tschechische Start-up ECOTEN erstellt Temperatur-Karten für Großstädte, um die Auswirkungen des Klimawandels zu visualisieren. In einer ersten Kooperation mit der Stadt Wien wurde eine Temperatur-Karte für die Stadt entworfen, die besonders gefährdete Bezirke kennzeichnet. Diese sind durch die höchsten Temperaturen, wenige Grünflächen und einen großen Anteil von Senioren und Kindern gekennzeichnet. Für die Karten verwendet das Start-up Satellitendaten und ein geografisches Infomationssystem, das Flächendaten analysiert. Den betroffenen Städten werden zudem Lösungsansätze geboten, die in der Stadtplanung berücksichtigt werden sollen.

Machine Learning ist eine Subdisziplin der Forschung im Bereich der künstlichen Intelligenz. Der Begriff umfasst sämtliche Techniken, die Algorithmen selbstständiges Lernen durch exemplarischen Dateninput ermöglichen. Diese Systeme wandeln die Erfahrungen aus Beispielen in Wissen um und erkennen Muster darin. Ziel im Machine Learning ist die stetige Verbesserung der Modelle, etwa bei Empfehlungssystemen in Onlineshops. Bekannte Methoden des Machine Learning sind künstliche neuronale Netze inkl. der Ausprägung Deep Learning. Sie wurden von den Prozessen des menschlichen Gehirns inspiriert. Beim Deep Learning werden mit Hilfe zusätzlicher Ebenen noch bessere Ergebnisse erzielt. Machine Learning ist Ausgangspunkt für eine Fülle von Einsatzgebieten – von Sicherheitssystemen über Robotics bis hin zu Echtzeitübersetzern im Ohr des Nutzers. Ein zentraler Fortschrittsbereich ist Computer Vision, eingesetzt bei der Gesichtserkennung und der maschinellen Bildverarbeitung, die autonomes Fahren möglich macht.

Mittels Algorithmen des maschinellen Lernens (ML) ermöglicht Walmart eine nahtlose Beladung von Anhängern und eine effiziente Routenplanung. Diese KI-gesteuerte Logistiklösung als Software-as-a-Service (SaaS) Plattform optimiert Fahrtrouten, gestaltet die Beladung von Anhängern effizient und minimiert die Fahrtstrecken . Das Ergebnis? Eine signifikante Reduzierung von CO2-Emissionen und eine Steigerung der Lieferketteneffizienz.

Ein neues KI-Modell des MIT optimiert mittels Deep Learning die Koordination von Robotern in Lagerhäusern, um Effizienz und Sicherheit in Lagerhäusern zu steigern. Diese Fortschritte in der KI-Technologie ermöglichen eine präzisere und schnellere Lagerverwaltung, reduzieren Betriebskosten und optimieren die Logistikprozesse. Das besondere an diesem neuen deep-Learning ist, dass diese KI hunderte Roboter auf einmal viermal schneller als bisherige Systeme steuern kann.

Amazon Web Services hat die allgemeine Verfügbarkeit von „Amazon Lookout for Vision“ bekannt gegeben. Konkret handelt es sich dabei um einen neuen Dienst, der Bilder via Computer Vision und maschinellem Lernen zur Erkennung von Produkt- oder Prozessfehlern und -anomalien in hergestellten Produkten analysiert. Benötigt werden dabei von Anwendern lediglich 30 Basisbilder, mit denen sich das KI-Modell trainieren lässt. Genutzt wird das System bereits von Unternehmen, um beispielsweise die Inspektion von Produktionslinien zu automatisieren und festzustellen, ob Produkte den Qualitätsvorgaben entsprechen.

In der Praxis versteht man unter Business Intelligence (BI) die Standardisierung und Optimierung des Berichtswesens. Die in den IT-Systemen anfallenden Daten werden genutzt, um unter verschiedenen Blickwinkeln die aktuelle Situation zu analysieren und gegebenenfalls zu bewerten. Die entsprechende Analyse erfolgt dabei nicht in den ERP-Systemen, sondern in einer davon getrennten Datenbasis, dem Data-Warehouse (DWH). Daraus ableitend werden dann Entscheidungen getroffen, die das Unternehmen im Ganzen, einzelne Bereiche oder Prozesse betreffen. Die daraus entstehende Transparenz hinsichtlich aller Geschäftsprozesse bedeutet, dass aktuelle, verlässliche und jederzeit nachvollziehbare Daten und Steuerungsgrößen zeitnah zur Verfügung stehen. Das wichtigste Ziel dabei ist, BI mit straffen Prozessen, standardisierten Reports und vollständiger Datenintegration bereitzustellen, da nur mit den richtigen Informationen die richtigen Entscheidungen getroffen werden können.

Das in Spanien ansässige Startup Cubelizer wurde 2016 gegründet und hat ein auf künstlicher Intelligenz basierendes Bildverarbeitungssystem für den Einzelhandel entwickelt. Das System sammelt dabei anonym Daten von Kunden*innen und zeigt u. a. in Echtzeit an, wieviel Kunden*innen sich im Laden befinden und welche Pfade und Interaktionen von diesen im Geschäft vorgenommen werden. Die Plattform übersetzt diese Daten ferner in wertvolle Informationen, die für Leistungsverbesserungen von Geschäften wie z. B. einer optimierteren Produktplatzierung genutzt werden kann.

Das italienische Unternehmen OCTO bietet intelligente Telematik- und Datenanalysedienste für unter anderem die Kfz-Versicherungsbranche und den innovativen Mobilitätsmarkt an. Durch die Nutzung von maschinellem Lernen und KI zur Analyse von IoT-Daten kreiert das Unternehmen fortschrittliche Produkte und Dienstleistungen, die die Art und Weise, wie Unternehmen ihre Geschäfte verwalten und ausbauen, verändern. Konkrete Bereiche umfassen dabei Analysen zu Fahrzeugdiagnosen, zum Flottenmanagement oder zur Maut und Echtzeitüberwachung von Verkehrssituationen sowie der Umwelt.

Das Start-Up Meili Robots hat ein universelles Flottenmanagementsystem (FMS) gelauncht, mit dem verschiedene Robotik- und Betriebssysteme gleichzeitig über eine Plattform gemanagt werden können. Viele Unternehmen verfügen über Systeme von verschiedenen Herstellern, die nur getrennt voneinander gesteuert werden können. Das B2B-SaaS-Geschäftsmodell des FMS ermöglicht eine Interoperabilität zwischen allen Arten und Marken von Robotern und Gabelstaplern ohne Installation zusätzlicher Infrastruktur. So können über die bereitgestellte intuitive Benutzeroberfläche etwa Aufgaben zugewiesen und der Verkehr gesteuert werden.

Der Begriff Predictive Analytics bezeichnet Software, die in der Lage ist, auf der Grundlage von historischen und aktuellen Daten Situationen und Szenarien vorherzusagen und dementsprechende Handlungsempfehlungen zu geben. Das Ziel von Predictive Analytics ist es, mittels quantitativ und qualitativ ausreichenden direkten und indirekten Systemdaten und geeigneten Datenanalyseverfahren, Aussagen über den wahrscheinlichen zukünftigen (Teil-) Zustand eines Systems zu errechnen. Dies erfolgt meist in einem Datenmodell, welches dann zukünftige Zustände des Systems simulieren kann. Das System kann dabei eine Fabrik oder ein Maschinenpark sein, oder es kann – im Fall der Logistik – auch ein Lager oder sogar eine ganze Lieferkette sein.

Die Nagel-Group hat den Transport Volume Estimator implementiert, der eine signifikante Verbesserung in der Informationsvervollständigung der Stellplätze darstellt. Diese fortschrittliche Technologie ermöglicht es, den Laderaum auf eine optimierte Weise auszulasten und die Disposition automatisiert zu gestalten. Durch einen ausgeklügelten Machine Learning Algorithmus ist es nun möglich, die Transportvolumina mit einer bemerkenswerten Genauigkeit zu schätzen.

Mittels eines auf Machine Learning basierenden Vorhersagemodells wird eine automatisierte Schätzung von zukünftigen Umsätzen ermöglicht. Das Ziel besteht darin den Budgetplanungsprozess massiv zu reduzieren und eine frühzeitige, proaktive Steuerung zu ermöglichen. Die Lösung unterstützt somit die jeweilige Fachbabteilung aktiv in der Budgetierungsphase.

Predictive Maintenance ist eine innovative Technologie, die durch den Einsatz von Künstlicher Intelligenz (KI) und Datenanalyse die Wartung von Geräten und Maschinen revolutioniert. Ein konkretes Anwendungsbeispiel von LeewayHertz ist die Überwachung von Flurförderzeugen in einem großen Lagerhaus. Sensoren erfassen kontinuierlich Daten wie Temperatur, Vibration und Betriebsstunden. Diese Daten werden in Echtzeit analysiert, um Muster und Anomalien zu erkennen, die auf einen bevorstehenden Ausfall hinweisen könnten.