Whitepaper kunstig intelligens

Læs mere om kunstig intelligens i intralogistik i vores whitepaper.

artificial intelligence, connection human and machine

Whitepaper kunstig intelligens

Er maskiner i stand til at tænke?

Der har været en masse spænding omkring kunstig intelligens (AI) som en gren af informationsteknologi siden 2017. AI har allerede vist sig nyttig til en lang række applikationer: virtuelle assistenter, applikationer, hjernespil og meget mere.

Men tilbage til vores oprindelige spørgsmål: Er disse maskiner virkelig i stand til at tænke? Umiddelbart står vi med et problem: Hvad tænkes egentlig? Der er ingen enkelt, ligetil definition af begrebet.

Men hvad adskiller kunstig intelligens fra menneskelig intelligens?

Menneskets unikke egenskab – i hvert fald for øjeblikket – er kreativ og innovativ tankegang. Maskiner kan dog vælge mellem eksisterende beslutningsmuligheder og behandle en utrolig stor mængde data og information. Derudover har de også imponerende pålidelighed, nøjagtighed og kontinuitet - de kan arbejde døgnet rundt. Selv komplekse opgaver kan udføres selvstændigt, hvis de får den korrekte instruktion. Algoritmer, høj processorkraft og den eksponentielle vækst af data, der skal behandles, danner grundlaget for kunstig intelligens.

Alene herfra er det klart, at kunstig intelligens har et kæmpe potentiale. Den løbende udvikling af machine learning har også konsekvenser for arbejdspladsen.

Blog kunstig intelligens

Is Artificial Intelligence (AI) simply a buzzword or is there more to it? How we plan to start leveraging AI in our projects.

Læs mere
Artificial Intelligence

Grundlæggende begreber vedrørende kunstig intelligens

Innovations and Trends in material handling and logistics

Kunstig intelligens (AI) er en gren af informationsteknologi, der beskæftiger sig med automatisering af intelligent adfærd. AI er forsøget på at programmere en computer, så den er i stand til at behandle problemer uafhængigt, på samme måde som et menneske med den rette træning ville. Problemløsning betyder at træffe beslutninger, der udgør en passende reaktion på det underliggende problem inden for en bestemt tid, baseret på data fra forskellige kilder (databaser, sensorer, videokameraer osv.).

artificial intelligence, brain with data streams, networking

Machine learning er en samlebetegnelse for forskellige processer, der bruges til at bestemme en ukendt funktionel sammenhæng mellem input- og outputdata. Ud over stadig vigtige traditionelle applikationer såsom klyngedannelse, regression, faktor- og tidsserieanalyser, integrerer den også mere komplekse metoder såsom neuronale netværk, evolutionære tilgange og støttevektormaskiner.

Forudsigende analyse

Brugen af Big Data-teknologier muliggør behandling af gigantiske mængder data samt skildring af den virkelige verden hurtigt og en præcis beslutningstagning. Læs i vores hvidbog, hvilke forudsætninger der skal være opfyldt for prædiktiv analyse

Læs mere

Simulering

Simulering spiller en afgørende rolle i planlægningen af logistiksystemer. Vores hvidbog beskriver, hvordan AI bruges til planlægning og demonstrerer de fordele, dette medfører.

Læs mere

Kognitiv databehandling - kunstig intelligens

Cognitive Computing - maskinassistenter i stedet for mennesker overtager opgaver eller træffer beslutninger. Se vores video og lær mere om de vigtigste anvendelsesområder, hvor maskiner understøtter mennesker.

Læs mere

Dyb læring

Deep learning er en teknologi, der gør det muligt for computere at erhverve en kapacitet, der falder naturligt for mennesker: at lære af erfaring. Dette bruges for eksempel til billed- og stemmegenkendelse. Lær her, hvad dyb læring er, og hvordan den har udviklet sig i løbet af de sidste år.

Læs mere

Læringsstrategier

Læringsstrategier - et højt antal gentagelser og god datakvalitet spiller en afgørende rolle for læring! Men hvilke forskellige former for læringsstrategier anvendes?

Læs mere

Maskinelæring

Personlig onlineannoncering eller automatiseret filtrering af spam-e-mails er aktiveret ved maskinlæring. Du kan finde ud af, hvordan det fungerer i denne video.

Læs mere

Kunstig intelligens

Lær mere om kunstig intelligens.

Læs mere

Kunstig intelligens i logistik

Lad os tale om muligheder...

Læs mere

Forfatterne til hvidbogen om kunstig intelligens

... studerede teknisk matematik ved Vienna University of Technology (TU Wien), efter at have specialiseret sig i simulering, operationsforskning og statistik. Efter at have afsluttet sine studier tilbragte han tid i Glasgow, hvor han forskede i kernemetoder til brug i diskrete hændelsessimuleringsmodeller. I 2001 kom han til forskningscentret Seibersdorf, først som projektleder, senere som leder af arbejdsgruppen "Procesoptimering", hvor han gennemførte og ledede nationale og internationale forskningsprojekter om transportlogistik, lokationsspecifik logistik og globale forsyningskæder . Mens han stadig udførte sin forskning, begyndte han også at undervise ved forskellige videregående uddannelsesinstitutioner i Østrig, hvilket senere blev hans hovederhverv.

Markus Klug har været en del af SSI SCHÄFER IT Solutions GmbH siden 2013. Han var oprindeligt ansvarlig for at opbygge dataanalyse og simulering i virksomheden, en rolle som senere voksede til at omfatte datavidenskab og kunstig intelligens/maskinlæring. Som militærekspert for reservestyrkelogistik med særligt fokus på militær operationsforskning fungerer han også som konsulent for den østrigske hær, og yder ekspertrådgivning om udvikling af matematiske modeller og processer i den militære sektor. Markus Klug har omfattende viden og erfaring, hvilket fremgår af hans forskellige akademiske publikationer, forelæsninger, medlemskab af akademiske programudvalg, sessionsformænd ved akademiske konferencer og hans kapacitet som anmelder for internationale fagtidsskrifter.

Forfatter Georg Rief

Georg Rief har en bachelor i beregningsvidenskab og en kandidatgrad i fysik. Han fokuserede hovedsageligt på simulering og datavidenskab, da kunstig intelligens ikke var et særligt vigtigt emne på det tidspunkt og derfor ikke var centralt for hans studier. Han havde 8 års erfaring med softwareudvikling i andre sektorer, inden han kom til SSI SCHÄFER i marts 2014. Til at begynde med arbejdede han som W4-udvikler for kundeprojekter, før han i december 2016 overgik til data science/simuleringsafdelingen.

Nyt indholdselement (1)

Karina Konrath studerede teknisk matematik på Graz University of Technology og har arbejdet for SSI SCHÄFER siden november 2017. Som data scientist er hun i høj grad ansvarlig for analyse og udarbejdelse af data, hvilket kræver intensiv brug af statistik og matematik.

Innovations and Trends in material handling and logistics

Trends

Har du spørgsmål eller bemærkninger?