Digitale Effizienz mit künstlicher Intelligenz
This is a modal window.
The media could not be loaded, either because the server or network failed or because the format is not supported.
Formal Metadata
Title |
| |
Title of Series | ||
Number of Parts | 6 | |
Author | ||
License | CC Attribution 3.0 Germany: You are free to use, adapt and copy, distribute and transmit the work or content in adapted or unchanged form for any legal purpose as long as the work is attributed to the author in the manner specified by the author or licensor. | |
Identifiers | 10.5446/36798 (DOI) | |
Publisher | ||
Release Date | ||
Language |
Content Metadata
Subject Area | |
Genre |
00:00
Data managementArtificial intelligenceSoftware engineeringBitDivision (mathematics)Goodness of fitArtificial neural networkChemical equationDifferent (Kate Ryan album)InfotainmentService (economics)Motion (physics)DigitizingMachine learningComputer animationLecture/ConferenceMeeting/Interview
00:35
Digital signalSemiconductor memoryAnalytic setAutomationSlide ruleVirtual machineMachine learningArtificial neural networkMachine learningEnterprise architectureMotion (physics)DigitizingMachine learningComputer animation
01:31
Green's functionSlide ruleCore dumpElectronic visual displayPoint (geometry)Hungarian Academy of SciencesRight angleDigitizingDivision (mathematics)Machine learningComputing platformObject (grammar)Service (economics)Enterprise architectureLecture/ConferenceMeeting/Interview
02:17
Natural languageEmailAbstractionField (computer science)Absolute valueMicrosoftWritingService (economics)Service-oriented architectureDigitizingMachine learningComputing platformObject (grammar)Service (economics)Enterprise architecture
02:53
Computer clusterProcess (computing)Right angleService (economics)DigitizingMachine learningComputing platformObject (grammar)Service (economics)Enterprise architecture
03:38
DigitizingProduct (business)Orientation (vector space)Field (computer science)Data miningProduct (category theory)Computing platformService (economics)Software developerDigitizingMachine learningComputing platformObject (grammar)Service (economics)Enterprise architectureComputer animation
04:18
Medical imagingPattern recognitionSoftwarePhysical systemVirtual machineAreaBilderkennungPersonal digital assistantBlack boxAutonomic computingDigitizingMachine learningComputing platformObject (grammar)Service (economics)Enterprise architectureLecture/Conference
04:49
Pattern recognitionOrder (biology)BiometricsConnected spaceInternetworkingInternetRight angleSmartphoneDigital signalDigitizingMachine learningComputing platformService (economics)Enterprise architecture
05:57
AlgorithmPhysical systemPoint (geometry)CuboidSound effectSystems <München>Cycle (graph theory)Digital signalDigitizingMachine learningComputing platformObject (grammar)Service (economics)Enterprise architectureComputer animation
06:37
InformationLiniePhysical systemGoogolSystems <München>Context awarenessDigitizingMachine learningComputing platformObject (grammar)Service (economics)Enterprise architectureComputer animation
07:15
Data managementCategory of beingChainCentralizer and normalizerGoogle1 (number)Digital signalDigitizingMachine learningComputing platformService (economics)Enterprise architectureComputer animationLecture/Conference
07:54
Artificial intelligenceArithmetic meanGreatest elementSystems <München>Digital signalDigitizingMachine learningComputing platformObject (grammar)Service (economics)Enterprise architectureComputer animation
08:30
DigitizingPhysical systemAutomationCore dumpVirtual machineAreaContext awarenessAtomic nucleusDigital signalDigitizingLeadMachine learningPoint cloudComputing platformObject (grammar)Service (economics)Enterprise architectureComputer animationLecture/Conference
09:03
Mainframe computerMereologyAutomationBusiness modelProcess (computing)HypercubeAdditionBuffer overflowDigital signalDigitizingLeadMachine learningPoint cloudService (economics)Enterprise architectureComputer animationLecture/Conference
09:43
BitPhysical systemField (computer science)Point (geometry)Software developerDigital signalDigitizingLeadMachine learningPoint cloudAtomic nucleusService (economics)Enterprise architectureComputer animationLecture/Conference
10:24
Product (business)BitPoint cloudDirection (geometry)Internet service providerProduct (category theory)Multiplication signRule of inferenceDigital signalDigitizingLeadMachine learningPoint cloudService (economics)Enterprise architectureComputer animationLecture/Conference
11:07
AlgorithmArtificial intelligenceRoute of administrationForm (programming)Group actionMereologyArtificial neural networkStrategy gameFood energyService (economics)SmartphoneDigital signalDigitizingLeadMachine learningPoint cloudDigitizingService (economics)Enterprise architectureComputer animationLecture/Conference
12:03
Video gamePhysical systemAutomationTerm (mathematics)Internet service providerMultiplication signService (economics)Digital signalDigitizingLeadMachine learningPoint cloudService (economics)Enterprise architectureComputer animationLecture/Conference
12:48
Device driverCASE <Informatik>Lattice (order)SmartphoneDigital signalDigitizingLeadMachine learningPoint cloudAtomic nucleusService (economics)Enterprise architectureComputer animationLecture/Conference
13:31
MikroarchitekturAreaData storage deviceTrailCarriagewayService (economics)Mobile WebDigitizingLeadMachine learningPRIMA <Programm>Point cloudService (economics)Enterprise architectureComputer animationLecture/Conference
14:08
Combinational logicState of matterMereologySocial classLeadPoint cloudAtomic nucleusService (economics)Enterprise architectureLecture/Conference
14:44
Survival analysisBoss CorporationDigitizingLeadMachine learningPoint cloudService (economics)Enterprise architectureComputer animationLecture/Conference
15:19
Game theoryPhysical systemGoodness of fitPersonal digital assistantConcurrency (computer science)ChatterbotDigital signalDigitizingLeadMachine learningPoint cloudAtomic nucleusService (economics)Enterprise architectureComputer animationLecture/Conference
15:52
Semiconductor memoryTask (computing)Functional (mathematics)Group actionMoment (mathematics)RollbewegungDigitizingMachine learningComputer animationLecture/Conference
16:28
Eigenvalues and eigenvectorsArtificial intelligenceArithmetic meanMereologyPhysical systemAutomationVirtual machineArtificial neural networkBasis <Mathematik>Internet service providerDisk read-and-write headService (economics)DigitizingAutomationMachine learningInternet service providerSource codeComputer animation
17:04
BitAutomationVector potentialSystems <München>Autonomous system (mathematics)Machine learningFunktionalitätDigitizingAutomationMachine learningGreatest elementAutomatonComputer animationLecture/Conference
17:38
Data managementComputer clusterExpert systemOperator (mathematics)Multiplication sign1 (number)DigitizingMachine learningGreatest elementComputer animationLecture/Conference
18:16
Expert systemLevel (video gaming)Plane (geometry)DigitizingMachine learningGreatest elementComputer animationLecture/Conference
18:51
Data managementInformationDecision theoryAutomationConfiguration spaceProcess (computing)Musical ensembleContext awarenessInformationAutomatonEnde <Graphentheorie>Computer animationLecture/Conference
19:31
Data managementSoftwareDescriptive statisticsBitCognitionProcess (computing)Direction (geometry)Process (computing)AlgorithmArtificial intelligenceSoftwareDigitizingAutomationMachine learningEnde <Graphentheorie>JSONComputer animationLecture/Conference
20:25
Descriptive statisticsCognitionVirtual machineObservational studyAlgorithmComputer scienceArtificial intelligenceSoftwareDigitizingAutomationMachine learningJSONLecture/Conference
21:01
AlgorithmAssembly languageArtificial intelligencePhysical systemPotenz <Mathematik>Virtual machineBasis <Mathematik>CASE <Informatik>Point (geometry)WordMoore's lawAlgorithmComputer scienceArtificial intelligenceSoftwareAutomationJSONLecture/Conference
21:40
RobotFunctional (mathematics)MereologyMachine learningProcess (computing)Representation (politics)Machine learningReinforcement learningFunktionalitätRobotDigitizingENABLE <Programm>Task (computing)AutomationMachine learningNSDAP Office of Racial PolicyAtomic nucleusAutomatonComputer animationLecture/Conference
22:13
RobotPhase transitionAutomationVirtual machineAutonomous system (mathematics)Capability Maturity ModelChatterbotRobotDigitizingAutomationMachine learningASSIST <Programm>outputComputer animationLecture/Conference
22:45
Arithmetic meanAutomationServer (computing)Scripting languageChannel capacityAutomation
23:15
Integrated development environmentProof theoryAutomationScripting languageBit rateDigitizingAutomationMachine learningComputer animationLecture/Conference
23:50
MathematicsLösung <Mathematik>Integrated development environmentServer (computing)Scripting languageStandard deviationDigitizingAutomationMachine learningComputer animationLecture/Conference
24:24
InformationArtificial intelligenceRobotFunction (mathematics)DigitizingAutomationMachine learningComputer animation
25:08
DatabaseInformationTheory of relativityRobotDatabasePerturbation theoryAnalytic setPhysical systemConfiguration spaceServer (computing)Point (geometry)Configuration managementCorrespondence (mathematics)FunktionalitätInformationDigitizingAutomationMachine learningCMSComputer animationLecture/Conference
25:44
AlgorithmArtificial intelligenceOrder (biology)AutomationArtificial neural networkScripting languageDigitizingAutomationDevice driverMachine learningCMSNSDAP Office of Racial PolicyXMLComputer animationLecture/Conference
26:21
Mathematical analysisData managementInformationMathematicsRobotPhysical systemConfiguration spaceRevision controlConfiguration managementScripting languageDisk read-and-write headObject (grammar)DigitizingAutomationDevice driverMachine learningNSDAP Office of Racial PolicyScripting languageXMLComputer animationLecture/Conference
26:59
AlgorithmAutomationInductive reasoningRight angleAlgorithmDigitizingAutomationMachine learningNSDAP Office of Racial PolicyXMLComputer animationLecture/Conference
27:33
AlgorithmSemiconductor memoryMoment (mathematics)Physical systemServer (computing)Bit rateReinforcement learningAlgorithmSequenceDigitizingAutomationLink (knot theory)Machine learningNSDAP Office of Racial PolicyComputer animationLecture/Conference
28:11
Data managementRobotSoftwareORACLSPhysical systemServer (computing)LINUXBootingDisk read-and-write headAlgorithmRobotDigitizingMatrix (mathematics)AutomationMachine learningServer (computing)NSDAP Office of Racial PolicyComputer animationLecture/Conference
28:57
SoftwarePhysical systemCore dumpPoint (geometry)Systems <München>ORACLE 11gORACLE 11gRobotMatrix (mathematics)Task (computing)Server (computing)ACCESS <Programm>Lecture/Conference
29:31
Virtual machineProcess (computing)Process (computing)Graph coloringDifferent (Kate Ryan album)1 (number)RobotDigitizingMatrix (mathematics)Task (computing)Machine learningServer (computing)ACCESS <Programm>SMART <Compiler-Compiler>ACIDComputer animationLecture/Conference
30:25
MathematicsRobotMomentumService (economics)RobotDigitizingMatrix (mathematics)Task (computing)IMSMachine learningServer (computing)Point cloudACCESS <Programm>SMART <Compiler-Compiler>Systems <München>Computing platformChatterbotComputer animationLecture/Conference
30:56
Floppy diskPhysical systemAutomationServer (computing)IP addressRun-time systemMiniDiscExpert systemDigitizingIMSMachine learningPoint cloudSystems <München>Computing platformChatterbotComputer animation
31:36
RobotProcedural programmingGroup actionPhysical systemProcess (computing)Canadian Mathematical SocietyAktion <Informatik>Service (economics)MathematicsExpert systemDigitizingModemMachine learningService (economics)Computer animationLecture/Conference
32:07
RobotPhysical systemVirtual machineMachine learningBasis <Mathematik>Multiplication signSimulationExpert systemWindowService (economics)Lecture/Conference
32:40
Physical systemVirtual machinePlanningPILOT <Programmiersprache>Personal digital assistantOnline helpSystems <München>Coefficient of determinationSimulationDigitizingMachine learningService (economics)Computer animationLecture/Conference
33:24
Task (computing)Confidence intervalPhysical systemVirtual machineServer (computing)BootingAutonomic computingDigitizingMachine learningComputer animationLecture/Conference
34:16
SoftwareArithmetic meanConfiguration spaceJava appletComputing platformSoftware developerSoftwareDigitizingFeasibility studyAutomationMachine learningServer (computing)Stress (mechanics)Sound effectComputing platformRippingService (economics)Computer animationMeeting/InterviewProgram flowchart
34:51
InformationSemiconductor memoryWindowProof theoryComplex (psychology)Physical systemVirtual machineWINDOWS <Programm>Configuration spaceModularityInheritance (object-oriented programming)Cartesian coordinate systemJava appletSystems <München>Software developerDigitizingFeasibility studyMachine learningServer (computing)RippingComputer animationLecture/ConferenceMeeting/InterviewProgram flowchart
35:33
SoftwarePhysical systemVirtual machineMachine learningVersion <Informatik>Revision controlServer (computing)Parameter (computer programming)Cartesian coordinate systemParticle detectorObject (grammar)DigitizingFeasibility studyMachine learningServer (computing)Stress (mechanics)Computer animationLecture/ConferenceProgram flowchart
36:05
Data managementRobotBinary codePhysical systemVirtual machineHydraulic jumpParameter (computer programming)Java appletSign (mathematics)Event horizonService (economics)DigitizingFeasibility studyIMSMachine learningConfiguration spaceServer (computing)Computer animationLecture/ConferenceProgram flowchart
36:38
RobotChain rulePhysical systemVirtual machineConfiguration spaceComputer filePoint cloudUniform resource locatorVirtueller ServerSoftware developerDigitizingFeasibility studyMachine learningConfiguration spaceServer (computing)RippingComputer animationLecture/ConferenceProgram flowchart
37:12
Expert systemPhysical systemResultantSoftware maintenanceSystems <München>Right angleService (economics)DigitizingMachine learningComputer animation
37:48
Data managementSystem identificationPurchasingChainPhysical systemVirtual machineHydraulic jumpPlanningPoint (geometry)Channel capacityCondition numberMultiplication signAutonomic computingComputer animationLecture/Conference
38:26
Data managementInformationOrder (biology)BitLine (geometry)AutomationProcess (computing)PredictabilityChannel capacityDifferent (Kate Ryan album)RobotDigitizingMachine learningSummierbarkeitNSDAP Office of Racial PolicyComputer animationLecture/Conference
39:08
Arithmetic meanProcess (computing)Capability Maturity ModelRobotDigitizingMachine learningNSDAP Office of Racial PolicyFrame problemService (economics)Computer animation
39:41
Artificial intelligencePerimeterRobotDigitizingMachine learningNSDAP Office of Racial PolicyFrame problemService (economics)PerimeterLecture/Conference
40:15
BitProcess (computing)Technical failureMusical ensembleBootingObject (grammar)Multiplication signDigitizingMachine learningLecture/Conference
40:51
DigitizingMachine learningLecture/Conference
Transcript: German(auto-generated)
00:01
Ich habe für Sie eine gute Nachricht, ich habe ein Stück weit Infotainment für Sie, das heißt, es wird nicht so sehr anstrengend, das ist ein guter Ausgleich für das, was Sie schon hinter sich gebracht haben. Ich habe eine schlechte Nachricht, ich bin Niederbayer, das heißt, ich spreche kein gutes Hochdeutsch, aber ich werde mich anstrengen, so dass Sie mich verstehen. Kurz zu meiner Person, ich bin Strategie bei der Continental-IT und bin da in der
00:24
Corporate-IT, sprich die ganze Welt für unterschiedliche Divisionen und habe zwei Hütte auf, vom Tragen schon ein bisschen abgenutzt hier. Das eine ist Service-Management und das andere ist das Thema Künstliche Intelligenz. Ein super High-Thema steht überall drauf, jeder macht es, auf Cola-Flaschen, Chips,
00:41
überall steht Künstliche Intelligenz, also es ist auch eine riesen Marketing-Blase. Und was wir heute gesehen haben, ich bin jetzt seit 14 Uhr hier, Sie beschäftigen sich sehr mit dem Thema, wie macht man es denn, mit Analytics-Verfahren, Machine Learning oder Unterarten von Machine Learning, Long-Short-Term-Memory oder was weiß ich. Ich bin jetzt in einer anderen Rolle, ich bin so als
01:02
Strategie, wie gesagt, ein Freund zu mir, der Chef-Esoteriker. Ich überlege mir, was kann man denn mit dieser Technologie machen, so damit ein Mehrwert für die Firma entsteht. Und ich habe mir überlegt, was wäre ein Thema für Sie? Effizienz, verrät es schon, Prozessautomatisierung. Und damit Sie einen Bezug bekommen zur Continental, was die Continental so
01:22
macht, habe ich einleitet ein paar Folien, weil wir sind auf dem Weg, ich nenne es das Digitale Enterprise 3.0 und lasse ich Sie mal dahinspringen. Ich habe einige Folien dabei, wenn Sie jetzt runterladen über die Continental, damit Sie wissen, wer wir sind, was wir machen, aber das kostet jetzt sehr viel Zeit und ich möchte auf die relevanten Punkte eingehen.
01:41
Das Digital Enterprise, wenn Sie alte Hasen fragen, also Leute, die schon lange in der IT sind, dann sagen die, Digitalisierung, sprich den Tod des Kugelschraubers machen wir schon immer, zu Hostzeiten schon, das ist richtig. Das Digital Enterprise 1.0 war Host, Männer mit weißen Kitteln,
02:00
grüne Anzeigen auf schlechten Monitoren, dann kam die zweite Phase, das Digital Enterprise 2.0, das war kleine Servertechnologie, Mittelwehr, aber rein technologische Schritte. Jetzt wird alles anders. Das Digital Enterprise 3.0 hat nämlich, ich habe ein paar Kernpunkte herausgehoben, eine absolute Serviceorientierung. Service ist ein
02:23
Abstraktionslayer, Sie sprechen nicht mehr über die Technologie, wer sich mit serviceorientierter Architektur beschäftigt hat, weiß das, da gibt es loose coupling und runter Technologie, die ausgetaucht werden kann, ganz platt formuliert, E-Mails schreiben und empfangen ist das, was Sie brauchen, ob das jetzt mit Microsoft Technologie funktioniert oder mit irgendeinem
02:41
anderen, ist erstmal wurscht mit diesem Ansatz. Serviceorientierung im Unternehmen bedeutet eine End-zu-Ende-Betrachtung von verstehe ich das Geschäftsfeld meines Kunden, was braucht der wirklich und zwar nicht in Technologiesprache. Kunden sind sehr produktorientiert, die kommen mit, ich brauche eine Oracle Datenbank, ich brauche diese und jene iPad, iPhone,
03:01
was weiß ich, Technologie. Wir müssen lernen mit diesen Kunden zu sprechen, also als Mediator, Kunde sagt, Kunde meint und dann leiten wir das ab auf Services. End-zu-Ende-Betrachtung habe ich mit dabei, das gilt für Prozesse. In großen Unternehmen haben sie nach wie vor einen Tellerismus, das heißt, wir leben in Silos, wir stehen wie die Kühe da
03:21
und wir leben, wir sind gefüttert und liefern unsere Milch, allerdings können wir nicht links und rechts schauen, wenn wir angekettet sind und das wird aber in Zukunft elementar sein, dass wir die gesamte Lieferstrecke eines gesamten Prozesses verstehen, dass wir wissen, welche Daten entsprechend benötigt werden, welche da fließen, erst dann kann ich so Sachen machen wie Data Mining und andere Scherze und es geht um Plattformen. Digitalisierung heißt
03:45
in Plattformen Denken und Handeln. Wenn Sie sich bei My Amazon anmelden, da können Sie da als Handelsplattform das für sich nehmen, um Produkte und Services zu konsumieren und genauso müssen die Unternehmen jetzt anfangen, Plattformen aufzubauen. Die Continental macht da auch schon sehr viel, wir
04:01
sind neben einer Produktorientierung. Kennt jeder die Continental AG, außer dass wir reifenfertigen, was wir noch machen? Ein riesen Geschäftsfeld, wir haben zum Beispiel 14.000 Softwareentwickler, wir suchen 2000 AI-Experten, was das immer auch sein soll und wo es die auch immer geben soll, aber wir machen sehr viel mehr, wir sind im autonomen Fahren unterwegs, wir machen
04:23
neben Reifen für Fahrräder, PKW und LKW sehr viel. Was kann man sonst mit Gummi noch machen? Stoßtämpfer für Glastransporter, Förderbänder, Untertage, Keilrimmen, alles was Sie sich vorstellen können und eben der Bereich autonomes Fahren, wo Ingenieurswissen über Software in schwarze Boxen ins Auto gesteckt wird. Da haben Sie Assistenzsysteme
04:42
oder morgen eben mit Maschinenlernung, wir haben auch Beispiele schon gesehen, autonom fahren können mit Bilderkennung. Am Anfang werden es Assistenzsysteme sein, Sie schauen in den Rückspiegel, biometrische Erkennung, Ihre Augen, Tag und Nacht mit oder ohne Kontaktlinsen, mit oder ohne Sonnenbrille, solche Themen geht es uns auch an.
05:03
Internet of everything habe ich es genannt, wir leben in einer Welt von Sensoren und das nicht nur für Maschinen, so wie man das auf Industrie 4.0 kennt, sondern Sie laufen ja rum mit Ihren Sensoren, sei es Smartphone oder Ihre Smartwatches, die sehr viel über Sie verraten und ich mache ein kurzes Szenario, was heute schon geht. Die Uhr fragt mich, Lindner, wenn du dich
05:25
weiter so ernährst, wirst du wahrscheinlich 76 Jahre alt. Willst du älter werden? Dann kriege ich ja oder ich spreche mit Alexa oder wie sie auch immer heißt, die Tante und er sagt, ja, da musst du deine Ernährung umstellen, weil die Uhr hat nämlich Verbindung zum Kühlschrank aufgebaut, der weiß nämlich, was ich da drin stehen habe und der sagt, da leck mich am
05:41
Arsch, du kannst dich doch nicht ernähren. Soll ich dir einen Vorschlag machen? Die Intelligenz macht mir einen Vorschlag, wie ich mich ernähren soll auf Basis der Daten und über meine Bewegungsdaten, wie ich mich verhalte und der Kühlschrank bestellt dann bei Amazon, weil Gemüsewochen sind die richtigen Kredenzien für mich und dann kriege ich das geliefert und das könnte ein Kreislauf sein, der heute technisch schon geht, mit all
06:03
seinen Vor- und Nachteilen. A. Sie müssen glauben, dass das Ding wirklich an Sie denkt und nicht an, da will jemand Geld verdienen und B. Sie werden eine digitale Demenz erleiden, weil sie sich natürlich irgendwann nicht mehr um sich selber kümmern, sondern bloß mal machen, was das Ding Ihnen vor die Nase setzt, was morgens dann als Karton vor der Tür steht bei den Gemüsewochen. Das sind alles Effekte, die datengetrieben stattfinden werden
06:26
und wir müssen uns auch Gedanken machen, was künstliche Intelligenz, Algorithmen und datengetriebenen Systeme aus der Moral-Sicht bedeuten, weil Menschen funktionieren im Regelfall so, erst das Fressen und dann die Moral. Das heißt, wir werden uns nicht um bessere weiterkommen, Medizin und
06:44
so weiter kümmern. Das unterstelle ich jetzt ganz frech, ich sage, es wird darum gehen, wer kann damit Geld verdienen. Darum gibt es die Oligarchen, Fürstentürmer, die damit Geld verdienen. Facebook, Amazon, Netflix, Google, die machen das nicht, weil sie erzählen uns was anderes, aber die machen das, um Geld zu verdienen, in erster Linie.
07:01
Die Kontexteconomie, wir haben uns sehr viel über Daten und Wissen uns Wir haben festgestellt, dass die Ölindustrie in Deutschland brauch liegt, also wir nicht damit umgehen können, aber nehmen Sie es als Antrieb. Ihre Systeme werden in Zukunft gefüttert von Daten, die zu Informationen werden, die zu Wissen werden. Und für große Unternehmen bedeutet das,
07:23
wie schaffen sie es, ihr Intellectual Property nicht bloß an Bord zu bekommen, sondern auch da zu halten? Wie schaffen sie es, die Daten sich nicht klauen zu lassen von den großen, die es schon gibt, weil die Leute über Suchanfragen bei Google eh schon alles oder bei Amazon und wie auch immer, ihre Kundenverhalten weitergeben? Wie schaffen sie es, in ihrem Supply-Chain-Management-Prozess diese Daten zu erfassen? Zentralabzulegen,
07:43
Data-Lag und dann mit Intelligenz, menschlicher kombiniert mit künstlicher Intelligenz, manche müssen nur künstlich machen, weil die natürlich aus ist, Mehrwerte generieren können. Und ganz unten, Sie kriegen eine AI-definierte Welt. Ich habe gesagt, es ist der Strom von morgen. Warum?
08:02
Wenn Sie überlegen, was am Anfang mit Strom assiziert wurde, war nur Licht, Strom gleich Licht. Was machen Sie heute alles mit Strom? Und so wird es mit künstlicher Intelligenz auch sein. Wir sind jetzt am Weg, herauszufinden, oh, ist ja cool, was kann man damit machen? Und je kreativer wir werden und je weniger wir uns verbieten und je mutiger wir mit Anlauf in die
08:20
Scheiße hüpfen, weil wir scheitern, desto mehr werden wir einen neuen Kontext finden, assiziieren und Innovation heißt ja auch nicht, alles komplett neu zu erfinden, existierende Systeme zusammenbringen. Das wäre jetzt immer AI-Kontext, nicht Jetbot machen, hier automatisieren und dort Analytics machen, sondern wir können Sie eine Maschine bauen, wo diese drei Technologien miteinander hoch integriert, datengetrieben laufen und ein
08:43
Mensch steuert sie. Da wird ihr ein bisschen Eindruck bekommen, was wir bei der Continental so machen. Ich gehe bloß auf ein paar Beispiele ein. Kernbereiche sind zum Beispiel Automatisierung. Ich persönlich glaube, Digitalisierung hat im Kern Automatisierung. Unser Wohlstand basiert auf
09:02
Automatisierung. Nur die Automatisierung sorgt für Überfluss, was zu niedrigeren Preisen und zu neuen Geschäftsmodellen führt. Das Teil hier war vor 50 Jahren Mainframe für mehrere Millionen Dollar. Das kaufen Sie jetzt für 8-9 Hundert Euro. Das heißt, Sie kriegen Überfluss auf
09:21
Basis von Automatisierung, in dem Fall vielleicht auch noch, weil Menschen ausgebeutet werden, das ist eine Moralfrage, aber am Ende führt diese Automatisierung dazu, dass sie Sachen machen können, die sie nicht machen konnten, weil sie es leisten können, weil sie Kunden bekommen, die sie vorher nicht hatten. Wir beschäftigen uns neben diesem Hype der Robotic Process Automation auch mit Cognitive Automation. Da möchte ich
09:41
heute ein bisschen was erzählen. Technologie ist natürlich das Spielfeld einer IT. Da identifizieren wir uns am meisten, aber ich habe vorher auch bei der Diskussion ein bisschen zugehört. Organisationsentwicklung. A fool is a tool, is still a fool. Wenn Sie Altsysteme von alteingesessenen Unternehmen nehmen, dann wird das alles nicht fliegen. Sie müssen teilweise
10:03
evolutionär arbeiten und teilweise disruptive. Also rübe ab, andere Personen hin, weil mit altdeutschem Management dieses System hier nicht zu fliegen bringen. Wenn Sie sich identifizieren, ich oben, du unten, ich Chef, du nix, dann wird das nicht funktionieren. Sie brauchen Vertrauen, Sie brauchen Kooperation. Also Schwarmverhalten war heute auch ein
10:23
Punkt, wo ich mitgehört habe. Die Continental ist halt ein Riesen Tanker. Wir müssen das halt anfangen. Das dauert. Wenn Sie einen großen Tanker nehmen, so ein Supertanker vor sich, wenn der hart Steuerbord macht mit seinem Ruder, dann braucht das Ruder fünf Minuten bis es wirkt. Das heißt, so eine Firma muss jetzt mal anfangen, sich eine neue Richtung auszuwählen. Die
10:44
Continental wird in 2030 nicht mehr bekannt sein für Reifen. Das Logo, ich habe da gar nichts drauf, das Pferdchen hat keinen Reifen mehr außen rum. Wir haben uns schon geändert ein Stück weit. Wir werden Hochtechnologieanbieter werden. Wir werden an dem Markt völlig neue Spielregeln mit definieren und auch mitspielen müssen. Die Produkte alleine
11:03
werden uns nicht die Zukunft sichern. Wenn Sie so rüberschauen, wir beschäftigen uns auch mit Data und Cloud. Warum? Man könnte sagen, 1000 Fliegen können nicht irren, wenn es alle machen, kann es nicht falsch sein. Nein, es gibt vier Säulen für künstliche Intelligenz. Sie brauchen erst mal die Energie, also Rechenleistung. Dann brauchen Sie
11:21
Daten, also wie können Sie es kalibrieren? Storage, das unbegrenzbar ist hinbekommen. Dann brauchen Sie Algorithmen, also intelligente Kochanleitungen und dann brauchen Sie die Menschen, noch brauchen Sie die Menschen, die diese Algorithmen schreiben und stetig verbessern und dafür sorgen, dass das Ding ständig betankt wird mit dieser neuen Energieform. Ohne Service measurement, sage ich, werden Sie mit AI-Technologie keinen Mehrwert zu Ihre Zielgruppe
11:43
bringen. Nur über Services, weil wenn ich Ihnen jetzt hier das Smartphone schenke, dann können Sie damit nicht arbeiten, weil es mit Ihnen ein Netz, Support, Applikationen und so weiter und so fort, das ist Teil eines Services. Dann ist es kumulativ, dann ist es vollständig. Künstliche Intelligenz selber haben wir
12:00
über Continental mittlerweile eine Strategie und zwar nicht in der IT, sondern wirklich für die AG. Wir wollen bis 2030 ein AI- Empowered System und Service Provider sein. AI-Empowered, also mehr als powered, empowered. Wir müssen uns transformieren hin zu 100% Datenkompetenz vereinigt mit
12:20
Algorithmen, die uns auf der einen Seite im Betrieb und das betrifft das die IT das Leben leichter machen, zum Beispiel den Leuten Zeit zu geben mit Automatisierung und auf der anderen Seite innovativ Vorreiter werden, um eben neue Technologien ins Auto zu bringen und ich unterstelle, die Menschen von morgen werden nicht mehr bereit sein, 80.000 Euro für ein Auto auszugeben, damit sie dann 20
12:43
Jahre lang das zurückbezahlen können, sondern das Auto wird sich wiederfinden bei vielen Menschen als Teil eines Mobilitätsservices und es ist viel wichtiger, dass das Ding schnell da ist, Qualitätskriterien erfüllt wie ein Taxi quasi, bleibt nicht liegen, Fahrer ist freundlich, in dem Fall haben wir keinen Fahrer mehr, sondern Alexa, der mit der Stimme spricht, die Sie gerne hätten, plus
13:02
Mehrwertdienste, wie zum Beispiel das Ding erkennt, wer Sie sind, auf Basis Ihr Smartphone sagt, Sie haben demnächst das Meeting, wollen Sie nochmal Ihre Präsentation durchgehen, wollen Sie Ihre Spotify-Liste hören und so weiter. Das läuft alles schon, das macht IBM seit Jahren, das sind alles Versuche, die stattfinden werden in Megacities, die Megacities ertrinken im
13:22
Verkehr, also nicht bloß den Streit wegen der Abgaswerte in Deutschland mit Rußpartikel, etc., sondern die haben keinen Platz mehr und die brauchen, und das zum Beispiel Shanghai macht das, die haben eigene Spuren über mehrere Kilometer, dürfen nur Elektrofahrzeuge in Zukunft autonom fahrend die Fahrzeuge fahren und wenn du in Zukunft dieses Medium verwendest für den Service Mobilität,
13:42
fährst du an denen im Staudrahmen vorbei, das ist die Motivation, um Anreizsysteme zu schaffen und da ist auch nicht das Strom, einer Batterie das Problem, weil die tanken sich alle 50 Kilometer neu, es sind halt viele, viele kleine und die Kunst ist jetzt auch das deutsche Know-how reinzubringen, nicht zu konkurrieren im
14:01
Niedriglohnbereich und Sachen zu machen, die die Inder und Chinesen gleich besser können, sondern das Verständnis, solche Infrastrukturen aufzubauen, Architekturen zu etablieren und der Kollege hat heute gesagt, unsere Daten für uns selber zu verwenden und nicht so blöd zu sein, dass jeder seinen eigenen Datentopf hat und am Schluss keinen, da muss sich Deutschland
14:21
zusammen tun, auch im Mittelstand ist es elementar, dass die unterstützt werden durch den Staat, um solche Datentöpfe zu bekommen, die entweder von denen selber oder in Kombination mit anderen Firmen aufgebaut werden. Es geht drüber über unterschiedliche Methoden, wer von ihnen macht keinen Design Sinking, das ist einem fast schon Pflicht, auch wenn ich ihn überall sinnvoll sehe, es ist momentan so eine Welle, Workout laut
14:42
und was weiß ich, was da alles gibt, aber es ist halt Teil dieser, wie kriegen wir neue Kultur hin. Kultur ist ein Abfallprodukt von dem, wie wir uns verhalten, von dem, wie unsere Chefs was vorleben und darum gibt es auch einen Unterschied, habe ich oben vergessen, bei Transformation Leadership, einem Anführer folgt man freiwillig und wenn er richtig gut ist, erzeugt er weitere
15:00
Führungskräfte. Alles andere sind vor die Nase gesetzt. Hört sich platt an, ist aber wichtig, weil, welcher Depp geht mit den Schäkelten ins Eis. Der Gewinn war nicht irgendwie Bonus, Zahlung und Auto, sondern überleben. Dabei sind es alle, wie beim America's Cup, der ist no second, entweder überlebst du es oder nicht, die sind mit dem mitgegangen,
15:21
weil sie an ihn geglaubt haben. Napoleon hat anders geführt, Schmerz und Verführung und Hannibal hat rüber ab, er hat gesagt, jetzt machen wir mal hier. Geht drüber bis zu Knowledge und Partner. Sie brauchen Partner in dem Spiel, interne und externe, sie müssen sich öffnen und das ist genau die Kunst bei dem ganzen Spiel. Wenn Sie sich nicht mit KI beschäftigen, dann
15:42
fangen Sie immer später an und das ist uneinholbar in der Konkurrenz. Wenn Sie nur über Assistenzsysteme sprechen oder guten Glauben in Chatbot-Systeme haben, dann können Sie es machen, aber ich behaupte speziell bei Chatbot momentan ist fast wurscht, ob Sie es machen oder nicht, außer Sie machen es, weil Sie lernen wollen. Aber es gibt zwei Gruppen von Menschen, die einen
16:00
überschätzen komplett, was das kann und die anderen unterschätzen, was das kennen wird in sieben Jahren. Wer Alexa heute toll findet, sollte man seinen Anspruch verdoppeln. Roller runter und Licht an, aus und Sie müssen alles diesen, ja das mag schon sein, dass das Long Shorter Memory Funktionen hat und dahinter müssen Sie alles manuell irgendwie, das ist ein Interpreter,
16:20
ein Spielzeug und wenn dann die Firma sagt, wir können auch per Alexa selber booten, ah toll. Viel größer Denken ist der Auftrag für uns alle. Die Konter hat angefangen mit dem ganzen Thema vor zwei Jahren. Es gibt wirklich einen eigenen Head of Artificial Intelligence mit einem eigenen Komperenz Center drunter, ein eigenes Komperenz für Machine Learning. Wir suchen unzählige Leute, das ist der
16:41
Part, wo wir in die Automobilindustrie gehen und auch Vorreiter werden wollen. Und die IT muss mitspielen bei dem genannten Ziel, wie kann denn die AG ein System, ein AI empowered System und Service Provider werden. Was bedeutet jetzt Automatisierung als erstes und dann Automatisierung auf
17:00
Basis Künstlicher Intelligenz. Wir haben nicht selber programmiert, sondern ich möchte Ihnen mal zeigen, wir haben die Automatisierung gemacht und das hat im Bauch Machine Learning mit Reinforcement Funktionalitäten und ich zeige Ihnen mal, was wir damit gemacht haben, was das für uns bedeutet und ich interpretiere auch hier ein Stück weit mit dem, was ich weiß und kann, das ist vielleicht auch weniger als Sie, wie man so Technologie umgehen sollte und was für ein Potenzial da drin steckt.
17:22
Also generell Automatisierung, kennen Sie, wichtig ist, keiner hat man die Handy dran. Die schreiben zwar hier so wenig wie möglich, aber autonome Systeme in der IT würde man sagen Zero Administration, Self Driving IT, das sind so diese Schlagwörter, die stattfinden. Warum? Ganz banale Gründe. Normalerweise
17:41
verlässt der Manager nur das Haus, wenn es brennt oder draußen essen und trinken umsonst da ist, um Geld zu sparen, Budget einzuhalten, das ist nämlich die heilige Kuh, aber wir haben ein anderes Problem. Wir kriegen gar nicht die Experten, die wir suchen und die vorhandenen, die sind ausgelastet mit extrem viel operativer Tätigkeit. Effizienz ist für Roboter, nicht für Menschen und die Frage, ob das gut ist und
18:02
wenn Sie nicht machen, machen es die anderen, das wird kommen. Also diese Diskussion sich hinzugeben ist Lebenszeitverschwendung. Sie müssen sagen, sind wir schnell genug damit umgehen zu können? Haben wir das Wissen, um aktiv zu entscheiden? Sind wir in der Lage, überhaupt die richtigen Leute zu finden, die wir brauchen? Schauen Sie mal die Stellenanzeigen an, wenn ich Ihnen sage, wir suchen AI Experten, was
18:21
soll denn das sein? Aber da stehen wir heute aktuell. Wahrscheinlich irgendeiner, der Python programmieren kann, ja von mir aus, aber es ist viel, viel mehr in unterschiedlichen Leveln. Das ist ähnlich wie in der Automobilindustrie, es gibt Leute, die entwickeln Autos, welche bauen Autos, welche kümmern sich um den operativen Bereich, dann gibt es welche, die fahren die Autos und dann gibt es welche, das sind die Architekten, das
18:41
sind die, die sagen, was können wir denn mit der Technologie machen? Warum machen wir keinen Bus? Warum machen wir keinen LKW? Warum kombinieren wir das nicht? Und die brauchen auf allen Ebenen Experten und typischerweise, ich mache bloß mal einen kurzen Durchlauf, wenn Sie Automatisierung haben, dann kommt immer Information. Daten kombiniert mit Kontext. Wenn Sie ein
19:01
Config-Management-System haben, haben Sie eine solche Information beispielsweise. Dann treffen Sie als Menschen eine Entscheidung, machen oder nicht machen, dann führen Sie die Aktivität aus, denken Sie mal an den Arbeitstag, was machen Sie den ganzen Tag? Das sind die Aktivitäten, um im Prozess mitzuwirken und diese zu erfüllen und das führt dann wieder zum Output, hoffentlich das ist, was gewünscht war. Und dann läuft
19:21
es so lange durch, bei einer Automobilfertigung würde auf der einen Seite das Blech geliefert und auf der anderen Seite fährt eine Frau und fertig ist das Auto vom Band und dazwischen passiert Automatisierung. Automatisierung in der Automobilindustrie ist 140 Jahre alt. Die IT ist wie alt? 50? Wir haben quasi Pickel, wir sind eine Pubertät. Wir müssen uns sehr viel abschauen von
19:41
den Industrien und das gilt für alle, auch für Universitäten. Wenn man sich die Prozesse anschaut, die täglich ablaufen, dann ist das alles in der Geschichte, wo die Leute versuchen, mit einem Eimer des Tages nicht ins Rathaus zu tragen. Man muss sich einfach mal eingestehen, dass das nicht sinnvoll ist, außer Sie haben genügend Geld und Zeit, dann können Sie weiterarbeiten in der
20:00
Richtung. Kurz auf Geklärungsversuche, aber das können wir uns schenken, nachdem wir sich alles schon abgezogen und gehört haben. Ich habe es mal entmystifiziert, die Beschreibung von Künstliche Intelligenz, weil ich sehr viel mit Managern unterwegs bin, damit die das auf einen Schlag in einem Elevator-Pitch entsprechend verstehen. KI ist Software mit menschlichen kognitiven Fähigkeiten.
20:22
Wenn wir von Intelligenz sprechen, also intelligente Systeme, wir verstehen noch nicht einmal unser Gehirn, können noch nicht mehr erklären, wie das genau funktioniert, aber wir machen jetzt Künstliche Intelligenz, weil wir das erste nicht verstanden haben. Das wäre, als wäre ich mit der zweiten Million beschäftigt, obwohl ich die erste noch nicht habe. Intelligenz, habe ich gelesen, ist die Beschreibung von kognitiven Fähigkeiten eines Menschen. Oder was
20:41
sind denn jetzt kognitive Fähigkeiten? Es wird immer komplexer. Das passt eigentlich zum Studium. Viele Fremdwörter, ja und am Schluss haben sich hochmotivierte Leute, ohne Ahnung. Lösungskompetenz beispielsweise, das steckt in Automatisierungslösungen drin. Emotion, Leidenschaft, Kreativität werden weitere kognitive Fähigkeiten, die angeblich die Maschinen nicht so schnell erreichen. Wir werden
21:02
sehen. Dann steht dabei, die noch von Menschen auf Basis von Algorithmen entwickelt werden. Ja, wenn Sie das Assembler, wenn Sie an den Assembler- Gedanken vorziehen, dann wird irgendwann die Maschine sich selber reproduzieren. Mehr, weniger gut, da wird es viele Scheiterungen, viele
21:21
Situationen geben, wo das System scheitert, aber das war ja bei Künstliche Intelligenz schon häufiger mit diesem Winter, der da stattfand und da war die Rechenleistung nicht da, da war der Algorithmus kacke. Aber das wird sich exponentiell entwickeln. AI ist exponentielle Technologie und auf Basis von Algorithmen entwickelt und von Daten gespeist. Hier ist der Witz, hier könnte man auch noch das Wort
21:41
Wissen mit dazu bringen, aber da habe ich den Menschen als Repräsentativ mit dabei. Wenn Sie am Markt schauen, ja, kurzer Überblick, es gibt zwei Diskussionen, die aktuell stattfinden. Es gibt Robotik, Process Automation. Das ist traditionelle Technologie, jetzt angereichert mit weiteren Funktionalitäten. Im Grunde genommen ist das if-then-else.
22:01
Habe ich ein eigenes Bild dazu, das ist ganz anschaulich erklärt und jetzt neu ist Cognitive Automation, ist eine völlig andere wissensgetriebene Vorgehensweise mit, in dem Fall, was wir einsetzen, Reinforcement Learning als Teil einer Machine Learning Vorgehensweise. Hier sehen Sie nochmal den aktuellen Reifegrad von Automatisierung. Also Sie können alles
22:20
manuell machen, Sie können sich hocharbeiten, bis bei Fool, also das ist quasi so ein autonomes System, in dem komplett selber agieren. Ob das Chatbot-Technologie ist oder Automatisierungsbots. Bots nehme ich hier als softwarebasierende Robotik. Die Continental beschäftigt sich in der Phase 4 mit Intelligent, wo wir Maschinen trainieren.
22:41
Zeige ich Ihnen auch, wie wir das machen. Damit Sie einen Unterschied erkennen, wenn Sie heute ein Team haben, sagen wir mal fünf Leute, dann arbeiten die ohne Automatisierung und wenn Sie jetzt traditionelle Automatisierung nehmen, wo Sie mit Skripten schreiben, keine Ahnung, dass Server automatisch installiert oder was, was ich gemacht wird, dann kriegen Sie, und die Daten sind
23:01
aus dem echten Projekt, 400% mehr an Workforce Capacity. Und wenn Sie mit AI-Automatisierung arbeiten, kriegen Sie 1300% mehr. Was heißt das in technischen Perspektiven? Mit traditioneller Automatisierung haben Sie Automatisierungsraten von 50 bis 60%, dann kann
23:21
traditionelle Automatisierung nicht mehr machen. Das ist irgendwann selbst hemmen. Wenn Sie super komplexe Umgebungen haben und viele Skripten schreiben müssen, haben Sie am Schlag 600 Skripten, die miteinander irgendwie verlinkt sind. Und wenn dann Lindner sein Skript ändert und die anderen wissen es nicht, dann sind Sie heilfroh, wenn Ihr Skript überhaupt nicht funktioniert. Sonst macht es das Falsche nämlich richtig gut.
23:40
Bei AI-basierter Automatisierung oder Cognitive Automatisierung hatten wir als schlechtesten Fall in unserem Proof of Concept damals 93% Automatisierungsrate. Für heterogene Umgebungen, wo sich viel jeden Tag minütlich ändert, ist das die ideale Lösung, weil sich selber anzulügen, zu glauben, ich schaffe in meiner Firma einen
24:01
Standard, damit ich anschließend automatisieren kann, das können Sie löten, das können Sie komplett tüten. Wenn die Firma so groß ist und ständig wächst und überall jeder machen kann, was er will, weil Sie können ja nicht, Sie können schon ein Gesetz rausgeben, da hält sich halt keiner dran. Da haben Sie gestern noch gedacht, Sie hätten alle Orakel selber drin, hat irgendein DEP2-Informix-Server installiert oder sonstige Technologien, die Sie gar nicht kennen, schon gehen Ihre
24:21
Skripten wieder nicht mehr. Das ist etwas, was man berücksichtigen muss bei solchen Lösungen. Generell gute Lösung überhaupt zu automatisieren und AI-basierter ist wesentlich leistungsfähiger. Das Schöne ist, werden Sie nachher sehen, es gibt Hybrid, man kann es kombinieren. Sie müssen nichts wegschmeißen, Sie können beide nehmen, Sie können sich auch entscheiden, für was Sie was hernehmen. Wie funktioniert sowas generell?
24:41
Hier wiederholt sich das Bild mit Information, Entscheidungen, Aktivitäten und Output und jetzt kommt das neue Paprichen da oben rechts mit Wissen. Wir betanken diesen Roboter mit Wissen, wir nennen das Knowledge-Items. Da habe ich noch ein eigenes Bild noch dazu, wie das funktioniert. Die künstliche Intelligenz entscheidet jetzt, das ist eben eine kognitive Fähigkeit,
25:01
Entscheidungskompetenz, Lösungskompetenz. Und wenn Sie jetzt unten schauen, welche Informationen liegen Ihnen denn vor, dann habe ich jetzt ein paar Beispiele reingebracht aus IT-Sicht. Sie haben Störungen aus Ihrem System, Sie wissen, welche Servern, Datenbanken haben, Sie haben in Ihrem Configuration Management System. Sie haben Big Data, Information und, und, und.
25:21
Sie müssen sich mit einem Configuration Management System, was nicht Big Data ist, auseinandersetzen, teilweise auch mit historischen Daten, hochstrukturiert mit Relationen von Configuration Items und das Ganze angereichert noch mit entsprechenden Big Data, Informationen und Analytics Funktionalitäten. Damit füttern Sie diesen Roboter. Der Roboter kriegt zwei Futterstellen,
25:41
die Futtergrippe Information und die Futtergrippe Wissen und der Rest ist ein Algorithmus und irgendwann fängt er selber an zu arbeiten. Der Witz ist bei dem Ganzen, Sie sagen ihm nicht mehr, wann er was tun muss, in welcher Reihenfolge er welches Wissen einsetzen soll. Das macht die künstliche Intelligenz. Traditionelle Automatisierung. Ich habe das mal so dargestellt
26:01
als Labyrinth. Sie wollen etwas automatisieren. Das, was Sie tun wollen, ist, finde einen Weg durch dieses Labyrinth. Dann schreiben Sie ein Skript, um da durchzufinden. Das ist traditionell, das macht jeder. Das Problem ist, wie ich vorher sagte, wenn Sie viele Skripten haben. Die Münchner Rückkarte, die Erfahrung, die haben in kürzester Zeit mit einer
26:22
So-Technologie, ich glaube auf drei Monate, 400 Skripten geschrieben. Und Menschen sind nicht geeignet, diesen Überblick im Kopf zu haben. Das heißt, jeder hat für sich seinen Skript optimiert und hat manchmal auf das andere verwiesen. Sie kommen relativ schnell in Ordnungsprobleme. Wo schreiben Sie die ganzen Skripten hin? Wie finden Sie den Skript? Wie versionieren Sie Skripten?
26:41
Heute nennen die RPA-Systeme das BOTS. In Wahrheit ist es halt ein Objekt, dahinter liegen dann doch wieder Skript-Informationen. Und wenn dann einer was falsch gemacht hat, haben alle anderen darunter gelitten, weil die Relation da war. Die haben dann für jedes Skript ein Configure-Item angelegt in einem großen Configuration-Management-System. Mussten dann Impact-Analyse machen mit einem riesen Change-Management. Sie wissen, wo das hinführt?
27:01
Bürokratie. Je mehr die gemacht haben, desto langsamer wurden sie. Induktion durch Automatisierung. Das heißt, sie kommen schnell auf ein Wow und dann wird es immer schwieriger. Das ist selbsthemmend, das System, wenn Sie mehr automatisieren wollen. Bei AI-Base oder Cognitiv schreibt der Mensch Wissenselemente. Und zwar vorwärts gehen, rückwärts gehen.
27:20
Links, rechts. Nur ein Beispiel, ganz platt. Der Algorithmus wendet dann als erstes, Sie sehen die vielleicht noch so rote Linie, das ist nicht der kürzeste Weg, die rechte Handregel an. Und zwar, wenn Sie durch ein Labyrinth finden wollen, nehmen Sie die Hand ganz rechts, gehen Sie immer entlang an der Wand, Sie finden raus. Das macht der Algorithmus. Das heißt, er findet eine Lösung,
27:41
wie man am besten automatisiert oder wie man automatisiert. Und das Beste ist, beim zweiten Durchlauf hat er den kürzesten Weg. Und ab da automatisiert er immer mit höchster Automatisierungsrate. Und hier findet dann eben auch Self-Learning und das Memory statt mit Reinforcement-Learning. Und der Witz ist, wenn Sie jetzt das Labyrinth ändern, da drüben installieren Sie 20 Server neu, tauschen 20 andere aus und sagen nicht Bescheid.
28:02
Skriptentod. Hier wird das System nur eine Frage stellen, zwar einmal. Ich habe noch kein Wissen über das neue System. Und wenn du das fütterst, kann er weltweit in einem Netzwerk, wo du ihm Zugang gibst, alles administrieren. Beispielsweise Kennen Sie Matrix?
28:23
Keanu Reeves sitzt im Stuhl drin, kriegt einen Plug in den Kopf und kann nachher Karate und Hubschrauber fliegen. Das haben wir genommen, indem wir sagen, warum machen wir das nicht mit dem Roboter? Ein sogenannter Automation Specialist wird zum Lehrer, früher noch selber die Server gebootet, heute wie geht Serverbooten?
28:41
Also links gehen, rechts gehen, vorwärts gehen, rückwärts gehen, Knowledge-Items schreiben, Plug in den Kopf von den Roboter und der ist dann in der Lage, das ist ein IT-Beispiel, generell zu sagen, hey, jetzt kann ich Oracle administrieren, jetzt kann ich Linux administrieren. Da schreiben Sie für so ein System 60 bis 120 Knowledge-Items, dann macht er das. Wenn Sie dann noch Varianten haben, Oracle 11G zu 12G,
29:00
dann schreiben noch 20 dazu. Aber das Wissen bleibt in Ihrer Firma und das System entscheidet selber, wann es dieses Wissen verwendet. Das ist das Miracle dahinter. Beispiele werden jetzt hier aus IT-Sicht eben, Systeme rebooten, Gesundheitschecks machen, was weiß ich, aber das System ist kein IT-System. Wir fangen halt in der IT immer an mit so einem Gedöns, weil, wo laufen denn die Daten
29:22
einer Firma zusammen? Na, in der IT? Und wo ist, wenn ich sage, wir haben 14.000 Softwareentwickler, was glauben Sie, was die Kernkompetenz von Conti im Automotive-Bereich ist? Na, IT. Was glauben Sie, wie viele Prozesse über IT-Systeme gehostet werden? Na, fast alle. Also macht es Sinn, hier in der IT zu starten und wir fangen klein an. Das ist auch meine Empfehlung,
29:41
damit Sie kleine Erfolge haben. Neudeutsch Lean Start-up Methodik mit Minimal Markable Products. Das hört sich viel geiler an, ich weiß, aber im Grunde genommen machen Sie Sachen, die Sie motivieren, wo Sie in kurzer Zeit schnelle Erfolge vorzeigen können, damit Sie dann mehr Leute bekommen, die das genauso sehen wie Sie, kritische Masse. Das brauchen Sie nämlich
30:00
beim Management of Change in Großunternehmen, sonst laufen Sie ständig Gegenwände. Kennen Sie die Agabus? Agabus ist ein alles ganz anders bei uns. Das sind die, wo nie was geht, die sofort die Fehler finden und die würden nie in ein weißes Auto einsteigen, weil das perfekt ist, weil weiße Kacke Farbe ist. Und das müssen Sie im Großunternehmen
30:21
on top zu dieser ganzen, wie funktioniert eigentlich Maschinen-Learning, Technologie, Service-Bauen und so weiter noch. Rücksichtigen, das ist noch ein größeres Momentum, das Sie da bekommen am Start. Sie können noch gar nicht richtig starten, weil die Leute so sagen, willkommen. Oder im Management, wenn sich die Lobbyisten der Pferdekutschindustrie eindeutig fürs Auto aussprechen, was sie natürlich nicht tun.
30:41
Und das ist natürlich auch ein Change, der hier immer so neue Technologien an Bord bringen. Hier noch ein kleines Bildchen. Man kann solche Technologien auch kombinieren. Das heißt, ein intelligenter, kognitiver Roboter kann mit Tools da unten beliebig zusammenarbeiten. Wenn Sie schon eine existierende Automatisierung haben, dann können Sie mit einer intelligenten Automatisierung
31:01
die zusammenarbeiten lassen. Solche Sachen probieren wir gerade aus und das funktioniert auch. Also das haben wir alles geprüft. Arbeitsweisen, machen wir es mal. Wie heute gearbeitet wird in der IT. Ein Mensch, ich habe hingeschrieben Human Expert, bekommt aus einer IT Umgebung. Das sind die Server, die es gibt mit der IP-Adresse
31:21
und hier sind die Manuals. Wenn Sie Glück haben, gibt es solche. Damit kannst du das System entsprechend einstellen, ändern, ba ba ba. Und dann arbeitet der Mensch und verbraucht seine Lebenszeit, dabei im Serverraum Staub zu wischen und Disketten einzuschieben. Das haben wir nicht mehr, aber im Grunde genommen ist es gleiche Tätigkeit. Gefüttert wird der Mensch vor Procedures und Wissen und das führt dazu,
31:40
dass er Aktionen ausführt, die ihn ermüden. Ich weiß, es gibt Menschen, die machen das gern, wiederholen die Tätigkeiten. Die meisten kommen aber in Distress, disharmonisch, weil es gibt auch einen Bohr-Out und führt zu Dokumentationen, damit links dann wieder alles dokumentiert ist. Die neue Welt sieht anders aus. Sie sehen, wir arbeiten sehr viel mit Service Architekturen,
32:01
mit Big Data und CMS-Systeminformationen. Das führt wiederum dazu, dass in dem Fall der Roboter arbeitet und das Wissen bekommt, der jetzt von Menschen. Und wenn Sie einmal sich die Arbeit gemacht haben, das ist eigentlich der Kern, wie administriere ich ein System, wie manische ich einen Prozess, wie erprüfe ich einen Prozess und so weiter, dann müssen Sie es kein zweites Mal machen. Und das führt dann
32:21
zu einem autonomen System, das aktiv gemanagt wird von einem solchen Roboter. Dass sich das weiterentwickeln wird und in Zukunft vielleicht kein Mensch mehr Knowledge Items schreibt, sondern die Maschine mit Machine Learning auf Basis der Daten, die überall passieren, kann sein. Aber damit Sie jetzt starten können schnell, ist das ein super Ansatz.
32:40
Ergo kann auch von Maschinen realisiert werden. Was kann denn automatisiert werden? Was glauben Sie? Ich gebe einen Hinweis. Warum sitzen modernen Flugzeugen eigentlich immer ein Pilot oder ein Hund? Ist ganz einfach. Der Pilot ist dabei, einen Hund zu füttern und der Hund ist dabei, einen Piloten zu beißen, falls er was anfassen möchte.
33:01
Im Flugzeug sind heute schon extrem viele Systeme voll automatisiert. Ein A380, den manuell zu landen, werden nur wenige können auch ins Ausgebildet werden und speziell bei Flughäfen, die kurz sind, Tokio zum Beispiel, helfen einfach digitale Assistenzsysteme vehement so Riesen Kräne da runterkommen zu lassen. Und auch Lufthansa arbeitet
33:21
an autonomen Piloten. Ob Sie das dann das Vertrauen haben, in solche Maschinen einzusteigen, wir werden sehen. Vielleicht sitzt dann doch noch einer vorne drin, der immer so macht. Kann auch ein Puppi sein. Aber im Grunde genommen alles, was automatisiert werden kann, wird automatisiert werden. Hier bloß das Beispiel autonomes Fahren. Interessante Erfahrung
33:40
habe ich gemacht. Menschen haben totalen Bammel, wenn eine Maschine einen Server bootet, weil wenn es nicht funktioniert, dann ist der Server weg und das ist ganz schlimm. Die gleichen Menschen steigen blind in Tesla ein und drücken auf den Knopf autonom fahren und vertrauen ihr Leben dieser Maschine an. Also das ist extrem seltsam, wie sich manche Menschen beruflich und privat verhalten. Oft widersprüchlich.
34:02
Aber alles, was durch digitale IT-Systeme auf Basis von Daten betrieben wird, wird automatisiert werden. Und mein Beispiel mit humorvoller Beratung war vorher, Sie werden auch automatisiert, weil Ihre Smartwatch über Amazon Ihr Essen bestellt. Und der einzige manuelle Task ist, dass Sie quasi das Essen zunehmen und verdauen. Vielleicht kann man es auch noch automatisieren, um dann per Stuhlprobe
34:21
über die Versicherung Sie am Klo einzuschläfern, weil Sie zu teuer sind in Zukunft, vom Wiederherrichten als Mensch. Ich provoziere bewusst, weil Ihnen das auch bewusst sein muss, was das alles bedeutet. Es geht ja schleichend einher. Ich sage Ihnen bloß ein Bild, weil es schneller geht, weil ich habe jetzt schon viel gelabert. Und zwar.
34:41
Wir haben 14.000 Software Entwickler und die arbeiten mit einer Java programmierten Plattform, um Software Release Management, Config Management etc. zu betreiben. In Java gibt es einen known error und zwar Speicher fragmentiert. Wer kennt es noch? Windows 95D-Fragfestplatte. Das ist das Problem. Darum gibt es auch eine Java garbage Collection,
35:01
eine Maschine, die immer über den Speicher aufräumt. Irgendwann steht das Ding. Was wir aktuell haben ist. Es passieren Störungen, wo dann der Entwickler bis zu 100 Minuten warten muss, bis der nächste Schritt in dem Tool funktioniert. Und das lösen wir reaktiv. Und es dauert jede Störung zu lösen, sechs bis zwölf Stunden, weil es super komplex ist. Und wir haben jetzt
35:20
ein Proof of Concept gemacht. Wir haben die 200 weltweiten Systeme da oben genommen, haben deren Daten, Hardware, Betriebssystem, Applikation und deren Module in ein Big Data System reingebracht, inklusive Konfigurationsinformationen. Ein Autodiscovery findet diese Objekte im Netzwerk. Ich weiß, wo der Server ist,
35:40
welche Version der Applikation auf welchem Server installiert ist und so weiter. Das ist dieser Big Data Pappel. Und wir haben dann manuell ohne Machine Learning Anomalie Detection gemacht. Das heißt, die Leute haben mir gesagt, wann ist ein System gesund und wann ist ein System krank? Und dann war es das Schwierigste. Woran erkenne ich, dass jemand krank wird? Also bei Menschen ist einfach
36:01
Nase läuft, hat sie. Es kann noch arbeiten, aber bald nicht mehr. Und hier war die Kunst, diese Parameter zu finden. Der Barney ist die simpelste Parameter, die wir gefunden haben. Den kann ich am besten erklären. Wenn diese Maschine, die Java Garbage Collection, in zehn Minuten zweimal anspringt, weil sie aufräumen muss, ist das ein Zeichen, dass die Maschine bald dieses Problem haben wird.
36:21
Wir haben dann über Event Management den Roboter getriggert. Der Roboter sagt als erstes traue ich kein Monitoring System und checkt die Gesundheit. Da müssen Sie ihm vorher sagen, wie checkt man denn die Gesundheit von dem System? Um dann zu sagen, ich dokumentiere alles in einem Service Management System, was ich gemacht habe, warum ich es gemacht habe, wie es ausgegangen ist. Wir haben dafür 60 Knowledge Items geschrieben,
36:41
damit Sie einen Eindruck bekommen. Ein Knowledge Item, wenn Sie sich auskennen, dauert 30 Minuten zu schreiben. Das ist im Grunde genommen ein GUI, wo Sie dann der Maschine vermitteln, wie was gemacht wird. Und dann hat der Roboter eine lange Kette von Tools eingestellt, sei es virtuelle Plattformen, Amazon Cloud Services adjustieren bis hin zu
37:00
Config Files neu schreiben und virtuelle Server neu starten, umgesetzt. Und das heißt, abhängig von der Lokation, wo ein System steht, abhängig davon, was ein Entwickler jetzt gerade macht, hat das System am Ende ein Predictive Maintenance gemacht. Das heißt, Ausgangslösung war 6 bis 12 Stunden reaktives Arbeiten
37:20
durch Menschen. Ergebnis war 100 Prozent Predictive Maintenance, schlechtestes Ergebnis war 93 Prozent Automatisierungsrate. 2,5 Minuten ohne dass die Störung passiert. Komplett datengetrieben. Das gilt es jetzt auszuräumen, da sind wir gerade dabei, den Service aufzubauen, damit dann eben das richtige Werkzeug
37:41
mit den Experten und den richtigen Lizenzen bla bla bla bla bla vorhanden ist, dass man das dann für diese Systeme weltweit tun kann. Aber ich finde ganz krass dieses, was da möglich ist heute. Und wir haben noch nicht mal gearbeitet mit Machine Learning, dieser Identifizierung von Wann wird ein System krank? Denken Sie mal zwei Stufen weiter. Wir sind jetzt dabei zu analysieren,
38:00
wie wir ein autonomes Supply Chain Management bei der Conti mit datengetrieben, mit AI Unterstützung hinbekommen und machen die ersten Schritte. Wir geben mehrere Millionen jedes Jahr aus, wenn die Kapazitätsplanung falsch ist. Wenn Sie praktisch nur linear planen, dann kommt irgendwann doch ein Sprung, weil ein Kunde, OEM, BMW, Audi wäre auch immer nach bestellt und dann Ihre Lieferanten
38:20
haben gar nicht das Material, ich weige denen die Zeit und Ressourcen, ihnen das nachzuliefern. Dann müssen Sie Panikkäufe machen zu schlechten Konditionen und dann teilweise mit Hubschrauber. Wir haben schon ein Jahr gehabt, haben drei Millionen Euro nur für Hubschrauber ausgegeben. Und wenn Sie diese Predictive Capacity Management Planung in den Griff bekommen, dann können Sie auch andere Informationsstränge automatisieren oder auch Bestellvorgänge
38:41
und Vorgänge unterstützen. Was haben wir gelernt? Cognitive Automation ist keine RPA, aber kann kombiniert werden. Nicht jeder Prozess macht Sinn automatisiert zu werden. Ich habe da drüben auch gelesen Prozesskompetenz. Ein supertolles Zitat, ein bisschen schmutzig zwar, aber der CEO von Telefonica hat gesagt, wenn Sie
39:00
einen Scheißprozess digitalisieren, haben Sie nachher einen Scheiß digitalisierten Prozess. Also überlegen Sie gut. Und das ist halt der Unterschied zwischen Effizienz und Effektivität. Effektiv sein heißt das Richtige machen. Effizienz sein heißt es richtig machen. Und die Leute nehmen immer ihr Müll mit einem Eimer rein und schreiben dann AI drauf in der Hoffnung, dass dann dieser Technologie Eimer irgendwie was macht.
39:21
Das wird nicht funktionieren. Sie müssen ihren Prozess verstehen. Sie müssen wissen, ob das Sinn macht, was sich seit 20 Jahren treiben oder ob Sie das nicht wegschmeißen. Kann sinnvoller sein, als es zu automatisieren. Wenn Sie automatisieren, dann haben Sie ein Abfallprodukt. Sie kriegen automatisch Standardisierung und Prozessreife und verständnisbare Menschen,
39:40
weil die kommen nicht umhin, um sich mit diesen Themen zu beschäftigen. Daten und Wissen ist das Öl von morgen, habe ich schon gesagt. Und künstliche Intelligenz ist die neue Elektrizität von morgen. Habe ich auch gesagt. Starte Kleinscheitere früh, lerne ja weiteren Umfang und beschleunige. Auch schon gesagt. Wenn Sie schauen, Automobilindustrie habe ich schon gesagt,
40:01
das sind hoch automatisiert. Und in der IT sind wir im Vergleich zur Automobilindustrie noch richtig schlecht. Da wird richtig viel kommen. Das ist vielleicht das Bemerkenswerteste. Das Kollege hat das heute auch gesagt. Die Frage ist nicht, ob das gut oder schlecht ist. Die Frage ist, wie können wir verstehen und aktiv entscheiden, wie diese Technologie uns unterstützt?
40:22
Die Engländer sagen Enhancement. Wie kann ich einen Menschen unterstützen mit Technologien, damit er nicht Sachen machen muss, wo er entweder nicht gut ist, am Band defekte Objekte austauschen. Das wird auf Dauer nicht funktionieren. Oder aber, wo er der Mensch woanders viel besser sein könnte. Wir suchen Handy ringend, AI-Experten,
40:41
Strategien, Prozessmanager etc., PP. Aber die haben keine Zeit, weil sie selber booten. Ich betreibe jetzt einfach ein bisschen. Aber den Leuten Zeit geben. Das wars. Danke für die Aufmerksamkeit. Jetzt hab ich mich noch ein bisschen auf die Tube gedrückt, aber ich hoffe, es war etwas dabei für Sie.
Recommendations
Series of 5 media