Whitepaper AI

Prohlédněte si více informací o umělé inteligenci v intralogistice v našem whitepaperu

artificial intelligence, connection human and machine

Whitepaper AI

Jsou stroje schopné myslet?

Od roku 2017 je kolem umělé inteligence (AI) jako odvětví informačních technologií mnoho vzrušení. Umělá inteligence se již ukázala jako užitečná pro širokou škálu aplikací: virtuální asistenti, aplikace, mozkové hry a mnoho dalšího.

Ale zpět k naší původní otázce: Jsou tyto stroje skutečně schopné myslet? Okamžitě stojíme před problémem: Co přesně je myšleno? Neexistuje žádná jednoduchá, přímočará definice pojmu.

Co ale odlišuje umělou inteligenci od lidské?

Jedinečnou vlastností lidí – alespoň prozatím – je kreativní a inovativní myšlení. Stroje si však mohou vybrat ze stávajících možností rozhodování a zpracovat neuvěřitelně velké množství dat a informací. Kromě toho mají také působivou spolehlivost, přesnost a kontinuitu – mohou pracovat nepřetržitě. Dokonce i složité úkoly mohou být provedeny nezávisle, pokud jsou poskytnuty správné pokyny. Základem umělé inteligence jsou algoritmy, vysoký výpočetní výkon a exponenciální růst dat, která je třeba zpracovat.

Již odtud je jasné, že umělá inteligence má obrovský potenciál. Neustálý vývoj strojového učení má také důsledky pro pracoviště.

Blog Artificial Intelligence

Je umělá inteligence (AI) jen módní slovo, nebo je za tím víc? Jak plánujeme začít využívat AI v našich projektech.

Přečtěte si více
Artificial Intelligence

Základní pojmy týkající se umělé inteligence

Innovations and Trends in material handling and logistics

Umělá inteligence (AI) je odvětví informačních technologií, které se zabývá automatizací inteligentního chování. Umělá inteligence je pokus naprogramovat počítač tak, aby byl schopen samostatně zpracovávat problémy, podobně jako by to dělal člověk s odpovídajícím školením. Řešení problémů znamená přijímat rozhodnutí, která představují vhodnou reakci na základní problém ve stanoveném čase, na základě dat z různých zdrojů (databází, senzorů, videokamer atd.).

artificial intelligence, brain with data streams, networking

Strojové učení je souhrnný termín pro různé procesy používané k určení neznámého funkčního vzájemného vztahu mezi vstupními a výstupními daty. Kromě stále důležitých tradičních aplikací, jako je tvorba shluků, regrese, analýzy faktorů a časových řad, integruje také složitější metody, jako jsou neuronové sítě, evoluční přístupy a podpůrné vektorové stroje.

Prediktivní analýza

Využití technologií Big Data umožňuje zpracování gigantických objemů dat a také rychlé zobrazení reálného světa a přesné rozhodování. Přečtěte si v naší bílé knize, které předpoklady musí být splněny pro prediktivní analýzu

Simulace

Simulace hraje zásadní roli při plánování logistických systémů. Náš whitepaper popisuje, jak se AI používá k plánování, a ukazuje výhody, které to přináší.

Kognitivní výpočetní technika – umělá inteligence

Cognitive Computing – strojní asistenti místo lidí přebírají úkoly nebo přijímají rozhodnutí. Podívejte se na naše video a zjistěte více o nejdůležitějších oblastech použití, kde stroje podporují lidi.

Deep Learning

Hluboké učení je technologie, která umožňuje počítačům získat schopnost, která je pro lidské bytosti přirozená: učit se ze zkušeností. To se používá například při rozpoznávání obrazu a hlasu. Zde se dozvíte, co je hluboké učení a jak se vyvíjelo během posledních let.

Learning Strategies

Strategie učení – vysoký počet opakování a dobrá kvalita dat hrají při učení zásadní roli! Ale jaké různé druhy strategií učení se používají?

Machine Learning

Strojové učení umožňuje personalizovanou online reklamu nebo automatické filtrování nevyžádaných e-mailů. Jak to funguje, zjistíte v tomto videu.

Artificial Intelligence

Přečtěte si více o umělé inteligenci.

Artificial Intelligence v intralogistice

We are already looking ahead to the logistics of the future. Artificial intelligence is opening up new opportunities. Discover the world of digitalization with us.

Autoři whitepaperu o umělé inteligenci

... vystudoval technickou matematiku na Vídeňské technické univerzitě (TU Wien) se specializací na simulaci, operační výzkum a statistiku. Po dokončení studií strávil čas v Glasgow, kde zkoumal metody jádra pro použití v modelech simulace diskrétních událostí. V roce 2001 nastoupil do výzkumného centra Seibersdorf, nejprve jako projektový manažer, později se stal vedoucím pracovní skupiny „Optimalizace procesu“, kde vedl a řídil národní a mezinárodní výzkumné projekty v oblasti dopravní logistiky, logistiky specifické pro dané místo a globálních dodavatelských řetězců. . Zatímco stále prováděl svůj výzkum, začal také učit na různých vysokých školách po celém Rakousku, což se později stalo jeho hlavní profesí.

Markus Klug je součástí SSI SCHÄFER IT Solutions GmbH od roku 2013. Původně byl odpovědný za vytváření analýzy dat a simulací v rámci společnosti, což je role, která se později rozrostla o datovou vědu a umělou inteligenci/strojové učení. Jako vojenský expert pro logistiku záložních sil se zvláštním zaměřením na vojenský operační výzkum působí také jako konzultant pro rakouskou armádu poskytující odborné poradenství při vývoji matematických modelů a procesů ve vojenském sektoru. Markus Klug má rozsáhlé znalosti a zkušenosti, o čemž svědčí jeho různé akademické publikace, přednášky, členství v akademických programových výborech, předsedající zasedání na akademických konferencích a jeho schopnost recenzenta mezinárodních odborných časopisů.

Autor Georg Rief

Georg Rief má bakalářský titul z počítačových věd a magisterský titul z fyziky. Zaměřoval se především na simulaci a datovou vědu, protože umělá inteligence v té době nebyla nijak zvlášť důležitým tématem, a proto nebyla stěžejní pro jeho studium. Před příchodem do SSI SCHAEFER v březnu 2014 měl 8 let zkušeností s vývojem softwaru v jiných sektorech. Nejprve pracoval jako vývojář W4 pro zákaznické projekty, než v prosinci 2016 přešel do oddělení datové vědy/simulace.

New Content Item (1)

Karina Konrath vystudovala technickou matematiku na Technické univerzitě v Grazu a pro SSI SCHAEFER pracuje od listopadu 2017. Jako datová vědkyně je z velké části zodpovědná za analýzu a přípravu dat, což vyžaduje intenzivní využívání statistiky a matematiky.

Innovations and Trends in material handling and logistics

Trendy

Máte otázky?