Ein Zentrum der Evolution – Vielseitigkeit der Künstlichen Intelligenz im Fokus mit jüngsten Errungenschaften

Innovationen in der Künstlichen Intelligenz prägen die Zukunft von Unternehmen in fast allen Sektoren. Von Gesundheitswesen, Fertigung, Finanzen, Bildung, Unterhaltung und Recht bis hin zu Medien, Kundenservice, Verkehr und mehr, praktisch keine bedeutende Branche wurde von KI unberührt gelassen.

Laut einer IBM-Umfrage aus dem Jahr 2023 haben 42 % der Unternehmen im Unternehmensmaßstab haben bereits KI integriert in ihre Abläufe, während weitere 40 % die Technologie für ihre Organisationen in Betracht ziehen.

Das ist nachvollziehbar, da KI das Potenzial hat, die Produktivität zu transformieren und damit das BIP-Potenzial einer Volkswirtschaft zu steigern.

Laut Schätzungen von PWC wird KI bis zum Ende dieses Jahrzehnts voraussichtlich 15,7 Billionen US‑Dollar zur globalen Wirtschaft beitragen, wobei 45 % der gesamten wirtschaftlichen Gewinne aus KI‑gesteuerten Produktverbesserungen in Form von Erschwinglichkeit, Attraktivität, Vielfalt und erhöhter Personalisierung resultieren und die Verbrauchernachfrage ankurbeln. Gleichzeitig werden nach PWC 6,6 Billionen US‑Dollar des BIP‑Zuwachses in lokalen Volkswirtschaften voraussichtlich aus gesteigerter Produktivität stammen.

KI wird schnell zu einer Schlüsselquelle für Disruption und Wettbewerbsvorteile und fungiert als zentrales Drehkreuz für den Fortschritt fast jeder Branche. Dieses enorme Potenzial und die Vielseitigkeit von KI sind in den jüngsten Fortschritten, die mit Hilfe dieser Technologie erzielt wurden, zu sehen.

Thermische Eigenschaften vorhersagen

Eine interessante Anwendung von KI ist die Vorhersage der thermischen Eigenschaften von Materialien. Dies kann Ingenieuren helfen, schnellere mikroelektronische Geräte und effizientere Energieumwandlungssysteme zu entwerfen, während Abwärme reduziert wird.

Das Verständnis der Beziehung zwischen Struktur und Eigenschaft ist wichtig beim Entwerfen von Materialien mit spezifischen Eigenschaften. Bereits wurden in diesem Bereich bedeutende Fortschritte bei Methoden des maschinellen Lernens erzielt. Dennoch bleiben Herausforderungen hinsichtlich der Generalisierbarkeit von Modellen und der Vorhersage von Eigenschaften.

Die neueste Forschung stellte ein virtuelles Knoten‑Graph‑Neurales Netzwerk (VGNN) vor, um diese Probleme zu bewältigen. In ihrem virtuellen Knotenmodell konnten die Forscher das Γ‑Phonon‑Spektrum und die vollständige Phonon‑Dispersionsvorhersage allein aus atomaren Koordinaten erreichen. Durch die Kombination ihres Ansatzes mit ML‑interatomaren Potenzialen erzielte das Team eine deutlich höhere Effizienz bei besserer Genauigkeit.

Die Fähigkeit, Phonon‑Bandstrukturen schnell und genau zu berechnen, ist entscheidend, da geschätzt 70 % der weltweit erzeugten Energie tatsächlich als Abwärme endet. Wenn Wissenschaftler vorhersagen können, wie Wärme durch Isolatoren und Halbleiter fließt, können effizientere Stromerzeugungssysteme entwickelt werden.

Das Problem dabei ist, dass die thermischen Eigenschaften von Materialien sehr schwer zu modellieren sind. Das liegt an Phononen, einem Quant der vibrationalen mechanischen Energie.

Diese subatomaren Teilchen transportieren Wärme, und einige der thermischen Eigenschaften eines Materials hängen von der Phonon‑Dispersionsrelation ab, also der Beziehung zwischen der Energie der Phononen und ihrem Impuls in der Kristallstruktur. Das ist nicht nur schwer in das Systemdesign zu integrieren, sondern auch die Erfassung stellt erhebliche Herausforderungen dar.

Laut Senior‑Autor Mingda Li, außerordentlicher Professor für Nuklearwissenschaft und -technik:

„Phononen sind die Ursache für den thermischen Verlust, doch ihre Eigenschaften zu ermitteln ist berüchtigt schwierig, sowohl rechnerisch als auch experimentell.“

Aufgrund ihres extrem breiten Frequenzbereichs sind wärmetragende Phononen so schwer vorherzusagen. Darüber hinaus bewegen und interagieren diese Teilchen mit unterschiedlichen Geschwindigkeiten.

Forscher versuchen seit Jahren, Phonon‑Dispersionsrelationen mittels ML zu schätzen, aber die Modelle geraten ins Stocken, weil sie viele hochpräzise Berechnungen erfordern.

„Wenn Sie 100 CPUs und ein paar Wochen haben, könnten Sie wahrscheinlich die Phonon‑Dispersionsrelation für ein Material berechnen. Die gesamte Gemeinschaft wünscht sich wirklich eine effizientere Methode, dies zu tun.“

– Co‑Lead‑Autor Ryotaro Okabe, Chemie‑Promotionsstudent

Die ML‑Modelle, die für hochpräzise Berechnungen zur Schätzung von Phonon‑Dispersionsrelationen verwendet werden, heißen Graph‑Neurale Netze (GNN). Diese Netze wandeln die atomare Struktur eines Materials in einen Kristallgraphen um.

Der Kristallgraph besteht aus mehreren Knoten, die durch Kanten verbunden sind. Die Knoten repräsentieren Atome, während die Kanten die interatomaren Bindungen zwischen den Atomen darstellen.

GNNs haben sich bei der Berechnung von elektrischer Polarisation und Magnetisierung sowie anderen Größen bewährt. Sie sind jedoch einfach nicht flexibel genug, um die Phonon‑Dispersionsrelation genau vorherzusagen, was eine unglaublich hochdimensionale Größe ist.

Die Modellierung des Impulsraums von Phononen mit einer festen Graphstruktur reicht nicht aus, weil sie sich um Atome auf verschiedenen Achsen bewegen. Das erfordert Flexibilität, die die Forscher durch virtuelle Knoten einführten.

Während Graph‑Knoten verwendet werden, um Atome darzustellen, prüfte das Team die Idee und kam zu dem Schluss: „Graph‑Knoten können alles sein. Und virtuelle Knoten sind ein sehr generischer Ansatz, den man nutzen kann, um viele hochdimensionale Größen vorherzusagen.“

Durch das Hinzufügen flexibler virtueller Knoten zur festen Kristallstruktur entwickelte das Team ein neues Rahmenwerk namens Virtual Node Graph Neural Network (VGNN). Da die Ausgabe von VGNN in ihrer Größe variieren kann, wird sie nicht durch die feste Kristallstruktur eingeschränkt.

Allerdings können diese virtuellen Knoten nur Nachrichten von realen Knoten empfangen. Während sie also zusammen mit den realen Knoten während der Berechnung aktualisiert werden, beeinflussen die virtuellen Knoten die Genauigkeit des Modells nicht.

Wie Co‑Lead‑Autor Abhijatmedhi Chotrattanapituk, Elektro‑ und Informatik‑Promotionsstudent, erklärte, haben die realen Knoten keine Ahnung, dass virtuelle Knoten existieren. Er sagte:

„Die Art, wie wir das machen, ist beim Codieren sehr effizient. Man erzeugt einfach ein paar weitere Knoten in seinem GNN.“

Indem virtuelle Knoten Phononen repräsentieren, muss das VGNN‑Modell bei der Vorhersage der Phonon‑Dispersionsrelation nicht viele komplexe Berechnungen durchführen, was es effizienter als GNN macht.

Das neue AML‑Framework, das von Forschern des MIT und anderer Institutionen entwickelt wurde, hat sich als bis zu 1 Million‑mal schneller bei der Vorhersage von Phonon‑Dispersionsrelationen erwiesen als herkömmliche, nicht‑KI‑basierte Ansätze. Selbst im Vergleich zu anderen KI‑basierten Techniken ist dieses neue Framework 1.000‑mal schneller bei vergleichbarer oder sogar besserer Genauigkeit.

Bei der Vorhersage der Wärmekapazität eines Materials stellte der Forscher fest, dass das Modell leicht genauer ist, wobei die Vorhersagefehler in einigen Fällen um zwei Größenordnungen niedriger lagen.

Laut den Forschern kann das Modell Phonon‑Dispersionsrelationen für einige tausend Materialien in nur wenigen Sekunden mit einem Personal‑Computer schätzen. Das ermöglicht die Erkundung weiterer Materialien mit spezifischen thermischen Eigenschaften. Es kann sogar zur Berechnung von Phonon‑Dispersionsrelationen in Legierungssystemen verwendet werden, was für traditionelle Modelle besonders herausfordernd ist.

In der Mikroelektronik, wo das Wärmemanagement eine große Herausforderung darstellt, um schnellere Geräte zu ermöglichen, kann die neue Methode äußerst nützlich sein und zur Entwicklung effizienterer Mikroelektronik beitragen. Darüber hinaus kann die Methode beim Entwurf von Energieerzeugungssystemen helfen, die mehr Leistung und höhere Effizienz erzeugen.

Forscher schlagen drei Versionen des neuen Modells vor, die jeweils Phononen direkt aus den atomaren Koordinaten des Materials schätzen können, jedoch mit zunehmender Komplexität.

Hier sind zwei Unternehmen, die von dieser KI‑bezogenen Entwicklung zur Vorhersage der thermischen Eigenschaften von Materialien profitieren können:

#1. Intel

Als führender Mikroprozessorhersteller ist das Wärmemanagement für Intel entscheidend. Verbesserte KI‑Modelle können dabei helfen, schnellere, effizientere Prozessoren mit besserer Wärmeabfuhr zu entwerfen, die Produktleistung und -lebensdauer zu steigern und Intel wettbewerbsfähiger zu machen.

#2. NVIDIA

Effizientes Wärmemanagement ist für NVIDIAs Hochleistungs‑GPUs, die in Rechenzentren, beim Gaming und in KI‑Anwendungen eingesetzt werden, unerlässlich. Verbesserte KI‑Modelle können zu besseren Kühllösungen führen, die Produktleistung und Zuverlässigkeit steigern. Dies ebnet den Weg für die Entwicklung energieeffizienter KI‑Systeme und stärkt NVIDIAs Marktposition.

Gleichstellung sicherstellen

Ein separates Papier verbesserte gleichzeitig die Fairness, indem es mit KI strukturierte Zufälligkeit in die Zuteilung knapper Ressourcen einführte. Dies ermöglicht es ML‑basierten Modellvorhersagen, inhärente Unsicherheiten zu berücksichtigen, ohne die Effizienz zu beeinträchtigen.

Im vergangenen Jahr hat die Popularität generativer KI wie ChatGPT die Technologie zu einem integralen Bestandteil von Unternehmen gemacht. Organisationen wenden zunehmend ML‑Modelle an, um ihre knappen Ressourcen, wie Sozialleistungen, zuzuweisen. Diese Nutzung kann von der Durchsicht von Lebensläufen über die Auswahl von Kandidaten für Vorstellungsgespräche bis hin zur Priorisierung von Patienten durch Gesundheitsanbieter für die begrenzte Verfügbarkeit lebensrettender medizinischer Ressourcen wie Beatmungsgeräte oder Organe basierend auf ihrer Überlebensrate reichen.

Bei der Nutzung von KI‑Modellen strebt man an, faire Vorhersagen durch Reduzierung von Verzerrungen zu erreichen. Dies wird häufig durch Techniken wie die Kalibrierung der erzeugten Scores oder die Anpassung der Modell‑Features zur Entscheidungsfindung umgesetzt.

Obwohl traditionell angenommen wird, dass Algorithmen fair seien, argumentiert ein neues Papier von Forschern der Northeastern University und des MIT, dass die Erreichung von Fairness mittels ML häufig Zufälligkeit erfordert. Ihre Analyse ergab, dass Randomisierung besonders vorteilhaft ist, wenn die Entscheidungen eines Modells Unsicherheit beinhalten. Außerdem muss Randomisierung angewendet werden, um Fairness zu verbessern, wenn dieselbe Gruppe konsequent negative Entscheidungen erhält.

Die Forscher stellten ein Rahmenwerk vor, um spezifische Randomisierung in die Entscheidungen des Modells einzuführen. Die Methode kann individuell angepasst werden, um Fairness zu verbessern, ohne die Genauigkeit zu beeinträchtigen oder die Effektivität eines Modells zu schädigen.

„Selbst wenn Sie faire Vorhersagen treffen könnten, sollten Sie diese sozialen Zuteilungen knapper Ressourcen oder Chancen ausschließlich anhand von Scores oder Rankings entscheiden? Wenn die Dinge skalieren und wir immer mehr Gelegenheiten sehen, die von diesen Algorithmen entschieden werden, können die inhärenten Unsicherheiten in diesen Scores verstärkt werden. Wir zeigen, dass Fairness möglicherweise eine Form von Randomisierung erfordert.“

– Der leitende Autor, Shomik Jain, Doktorand im IDSS

Diese neue Forschung baut auf einem vorherigen Papier auf, das die Schäden der Nutzung deterministischer Systeme im großen Maßstab untersuchte und feststellte, dass der Einsatz von ML‑Modellen zur deterministischen Zuteilung von Ressourcen bestehende Ungleichheiten verstärkt und Vorurteile verfestigt. Laut Senior‑Autorin Ashia Wilson, Hauptforscherin im LIDS:

„Randomisierung ist ein sehr nützliches Konzept in der Statistik und zu unserer Freude erfüllt es die Fairness‑Ansprüche sowohl aus systemischer als auch aus individueller Sicht.“

Um zu untersuchen, wann Randomisierung die Fairness verbessern kann, übernahm das neueste Papier das Konzept des Lotterie‑Werts zur Erreichung von Fairness vom Philosophen John Broome, um die Notwendigkeit von Randomisierung in Situationen knapper Ressourcen zu argumentieren, damit alle Ansprüche gewürdigt werden, indem jeder Person eine Chance gegeben wird. Jain sagte:

„Wenn Sie anerkennen, dass Menschen unterschiedliche Ansprüche auf diese knappen Ressourcen haben, wird Fairness erfordern, dass wir alle individuellen Ansprüche respektieren. Wenn wir immer jemandem mit einem stärkeren Anspruch die Ressource geben, ist das fair?“

Eine deterministische Zuteilung, bei der ein stärkerer Anspruch stets die Ressource erhält, kann zu systematischer Ausgrenzung oder zu sich verstärkender Ungerechtigkeit führen. Maschinelle Lernmodelle können ebenfalls Fehler machen, die bei einem deterministischen Ansatz wiederholt werden.

Das Papier stellte fest, dass Randomisierung helfen kann, diese Probleme zu überwinden. Allerdings sollten nicht alle Entscheidungen gleich stark randomisiert werden. Eine weniger sichere Entscheidung sollte stärker randomisiert werden.

Zum Beispiel beinhaltet die Nierenvergabe die Projektion der Lebensdauer, die hochgradig unsicher ist, und wenn zwei Patienten nur fünf Jahre auseinander liegen, wird die Messung noch schwieriger. Wilson sagte:

„Wir wollen dieses Maß an Unsicherheit nutzen, um die Randomisierung anzupassen.“

Um das erforderliche Ausmaß der Randomisierung unter verschiedenen Bedingungen zu bestimmen, nutzten die Forscher statistische Methoden zur Quantifizierung von Unsicherheit, um zu zeigen, dass kalibrierte Randomisierung zu gerechteren Ergebnissen führen kann, ohne die Effektivität oder den Nutzen des Modells wesentlich zu beeinträchtigen.

„Es gibt ein Gleichgewicht zwischen dem Gesamtnutzen und dem Respektieren der Rechte der Personen, die eine knappe Ressource erhalten, aber oft ist der Kompromiss relativ gering.“

– Wilson

Während Randomisierung die Fairness in Bereichen wie der Hochschulzulassung erheblich verbessern kann, stellte die Forschung auch Situationen wie die Strafjustiz fest, in denen das Randomisieren von Entscheidungen tatsächlich Einzelpersonen schaden könnte, anstatt die Fairness zu verbessern.

In Zukunft planen die Forscher, weitere Anwendungsfälle zu untersuchen und die Auswirkungen von Randomisierung auf andere Faktoren wie Preise und Wettbewerb zu erforschen und wie dies zur Verbesserung der Robustheit von ML‑Modellen genutzt werden kann. Nun betrachten wir zwei Unternehmen, die von dieser Entwicklung erheblich profitieren können:

#1. UnitedHealth Group 

UnitedHealth Group Inc. kann die Fairness im Patientenmanagement und bei der Ressourcenverteilung verbessern, indem strukturierte Zufälligkeit in KI‑Modelle integriert wird. Dieser Ansatz reduziert Vorurteile und gewährleistet einen gerechten Zugang zu Behandlungen, was mit UnitedHealths Verpflichtung zu hochwertiger, erschwinglicher Versorgung im Einklang steht.

It reported second-quarter 2024 revenues of $98.9 billion, reflecting a $6 billion increase year-over-year.

#2. Pfizer 

Pfizer Inc. kann strukturierte Zufälligkeit in KI einsetzen, um eine faire Patientenauswahl in klinischen Studien und eine gerechte Zuteilung experimenteller Behandlungen sicherzustellen. Dieser Ansatz unterstützt Pfizers Mission, die Gesundheitsgerechtigkeit voranzutreiben und einer breiteren Bevölkerung zugute zu kommen.

Revenue-wise, Pfizer reported annual revenues of $58.5 billion in 2023.

Personalisierte Sprachlernsysteme

Eine weitere interessante Anwendung von KI wird bei der Erstellung personalisierter Bilderbücher zur Unterstützung von Kindern beim Spracherwerb realisiert. Durch den Einsatz generativer KI und Heim‑IoT‑Technologie zielt die neueste Studie darauf ab, einen effektiven und maßgeschneiderten Ansatz zu bieten, um Kindern zu helfen, die Verarbeitung von Sprache und Kommunikation zu verbessern.

Die Sprachentwicklung bei Kindern ist von großer Bedeutung, da sie ihr kognitives und akademisches Wachstum beeinflusst. Angesichts der Rolle, die sie in der sozialen Gesamtentwicklung von Kindern spielt, muss der Sprachfortschritt regelmäßig bewertet werden, damit rechtzeitige sprachliche Interventionen bereitgestellt werden können.

Traditionell wird ein Einheitsansatz über standardisierte Vokabellisten und vorgefertigtes Material für Sprachfähigkeitsbewertungen und -interventionen verwendet. Dies geschieht, obwohl Kinder Sprache durch Interaktion mit ihrer Umgebung erlernen und aufgrund ihrer unterschiedlichen Lebensumstände unterschiedliche Vokabelaussetzungen erfahren.

Um die Mängel dieses konventionellen Ansatzes zu überwinden, entwickelte ein Forscherteam ein innovatives Bildungssystem, das auf die einzigartige Umgebung jedes Kindes zugeschnitten ist.

Dieses personalisierte Sprachlernsystem heißt „Open Sesame? Open Salami! (OSOS)“. Es kombiniert die Theorie der Sprachpathologie mit praktischer Expertise und berücksichtigt Variationen in der Sprachentwicklung von Kindern durch eine individuelle Gewichtung von Faktoren und flexible Kriterien zur Vokabelauswahl.

Angetrieben von generativer KI und umfassender Sensorik erstellt OSOS ein Profil der Sprachumgebung eines Kindes, extrahiert persönlich zugeschnittene Prioritätswörter und erstellt maßgeschneiderte Bilderbücher, die diese Wörter natürlich integrieren. Es besteht aus drei Hauptmodulen:

1. Personalisierter Sprachprofiler
2. Zielvokabel‑Extraktor
3. Generator für personalisierte Interventionshilfen

Der Profiler soll zu Hause eingesetzt und in Haushaltsgeräte oder Smart‑Speaker eingebettet werden, um Sprachproben zu sammeln. Eltern können steuern, wann die Aufzeichnung gestartet und gestoppt wird.

Zu diesem Zweck wurden Heim‑IoT‑Geräte eingesetzt, um die tägliche Umgebung und die Sprachexposition der Kinder zu erfassen und zu überwachen. Der Wortschatz der Kinder wurde anschließend mittels Sprechertrennung, die verschiedene Sprecher identifiziert und isoliert, sowie morphologischer Analysetechniken zur Bewertung der kleinsten semantischen Einheiten der Sprache untersucht.

Der Extraktor analysiert die Äußerungen und extrahiert eine auswählbare priorisierte Liste von Wörtern, die für das Kind empfehlenswert sind. Jedes Wort wird durch die Berechnung von Bewertungen basierend auf entscheidenden Faktoren der Sprachpathologie analysiert.

Der Generator bietet gleichzeitig Interventionen in Form von Bilderbüchern, einer gängigen klinischen Praxis und Teil der natürlichen Routinen der meisten Kinder. Um personalisierte Materialien zu erstellen, nutzte das Team fortschrittliche generative KI‑Technologien, darunter GPT‑4 und Stable Diffusion. Diese Lösungen ermöglichten die Produktion maßgeschneiderter Bücher, die den Zielwortschatz jedes Kindes nahtlos integrieren.

Das Team testete das personalisierte Sprachlernsystem mit neun Familien über einen Zeitraum von vier Wochen. Die Ergebnisse zeigten die Anwendbarkeit des Systems im Alltag und belegten effektiv das Erlernen des Zielwortschatzes durch die Kinder.

„Unser Ziel ist es, KI zu nutzen, um maßgeschneiderte Leitfäden zu erstellen, die auf die unterschiedlichen Niveaus und Bedürfnisse einzelner Personen zugeschnitten sind.“

– Leitende Autorin Jungeun Lee von POSTECH

Die beiden untenstehenden Unternehmen können von KI‑gestützten personalisierten Sprachlernsystemen profitieren:

#1. Amazon

Amazon kann mit seinen umfangreichen KI‑ und IoT‑Fähigkeiten personalisierte Sprachlernsysteme in seine Smart‑Home‑Geräte wie Alexa integrieren. Dadurch könnten Eltern Alexa nutzen, um die Sprachentwicklung ihrer Kinder in Echtzeit zu erfassen und zu analysieren und maßgeschneiderte Lernangebote bereitzustellen.

Im Jahr 2023 stieg Amazons Gesamtumsatz um 12 % auf 575 Milliarden US‑Dollar, wobei die Segmente Nordamerika, International und AWS erheblich beitrugen.

Der Umsatz in Nordamerika stieg um 12 % auf 353 Milliarden US‑Dollar, der internationale Umsatz wuchs um 11 % auf 131 Milliarden US‑Dollar, und der AWS‑Umsatz kletterte um 13 % auf 91 Milliarden US‑Dollar. Das operative Ergebnis sprang von 12,2 Milliarden US‑Dollar im Jahr 2022 auf 36,9 Milliarden US‑Dollar im Jahr 2023, während der freie Cashflow von minus 11,6 Milliarden US‑Dollar im Jahr 2022 zu plus 36,8 Milliarden US‑Dollar wechselte.

#2. Alphabet Inc. (Google)

Google kann personalisierte Sprachlernsysteme über seine Google‑Home‑ und Nest‑Geräte einsetzen. Durch die Nutzung von Googles KI‑Expertise können diese Geräte maßgeschneiderte Lerninhalte bereitstellen und die Sprachentwicklung verfolgen, was zu effektiveren sprachlichen Interventionen für Kinder beiträgt.

In 2023 wuchs der Gesamtumsatz von Alphabet Inc. auf 307,4 Milliarden US‑Dollar, gegenüber 282,8 Milliarden US‑Dollar im Jahr 2022. Google Services, einschließlich Google Search und YouTube‑Werbung, erwirtschafteten 272,5 Milliarden US‑Dollar, während Google Cloud 33,1 Milliarden US‑Dollar einbrachte. Das operative Ergebnis stieg auf 84,3 Milliarden US‑Dollar, wobei Google Cloud von einem Verlust von 1,9 Milliarden US‑Dollar im Jahr 2022 zu einem Gewinn von 1,7 Milliarden US‑Dollar wechselte. Die Gesamtaktiva erreichten 402,4 Milliarden US‑Dollar, darunter 110,9 Milliarden US‑Dollar in bar.

Fazit

Wie wir an diesen jüngsten Errungenschaften gesehen haben, bietet KI vielfältige Anwendungsfälle, von der Unterstützung von Kindern beim Spracherwerb bis hin zur Gestaltung effizienterer Energieumwandlungssysteme und Hochleistungs‑Mikroelektronikgeräten. Das zeigt, wie mächtig die Vielseitigkeit von KI ist.

Die Fähigkeit von KI, große Datenmengen zu verarbeiten, repetitive Aufgaben effizient auszuführen, aus Daten zu lernen und sich im Laufe der Zeit zu verbessern, macht sie zu einer wirklich disruptiven Kraft für ein breites Spektrum von Branchen, die innovieren, ihre Effizienz und Produktivität steigern, Kosten senken und die Entscheidungsfindung verbessern. Vor diesem Hintergrund zeigt KI ein enormes Potenzial, das unsere aktuellen Schätzungen übertreffen könnte, um Branchen zu transformieren und damit unser Leben.

Klicken Sie hier, um alles über Investitionen in Künstliche Intelligenz zu erfahren.