Biała księga o sztucznej inteligencji

Dowiedz się więcej o sztucznej inteligencji w intralogistyce z naszej białej księgi.

sztuczna inteligencja, połączenie człowieka i maszyny

Biała księga o sztucznej inteligencji

Czy maszyny potrafią myśleć?

Od 2017 roku tematowi sztucznej inteligencji (AI) jako gałęzi informatyki towarzyszy ogromna ekscytacja. AI okazała się przydatna w różnych zastosowaniach: jako wirtualni asystenci, w aplikacjach, grach umysłowych i wielu innych.

Wróćmy jednak do pierwotnego pytania: czy te maszyny naprawdę potrafią myśleć? Natychmiast zderzamy się z problemem: czym dokładnie jest myślenie? Nie ma jednej jasnej definicji tej koncepcji.

Ale co odróżnia sztuczną inteligencję od ludzkiej inteligencji?

Unikalną cechą ludzi – przynajmniej na tę chwilę – jest kreatywne i innowacyjne myślenie. Maszyny potrafią jednak wybierać spośród dostępnych opcji decyzyjnych i przetwarzać niezwykle duże ilości danych i informacji. Dodatkowo odznaczają się imponującą niezawodnością, dokładnością i ciągłością – mogą pracować przez całą dobę. Nawet złożone zadania mogą być wykonywane niezależnie, jeśli zostaną podane prawidłowe instrukcje. Algorytmy, duża moc obliczeniowa i wykładniczy wzrost danych, które wymagają przetworzenia, stanowią podstawę sztucznej inteligencji.

Już z samego tego jasno wynika, że sztuczna inteligencja posiada ogromny potencjał. Ciągły rozwój uczenia maszynowego również pociąga za sobą konsekwencje dla miejsca pracy.

Blog Sztuczna inteligencja

Czy sztuczna inteligencja (AI) to tylko modne słowo, a może jest w tym coś więcej? Jak planujemy zacząć wykorzystywać AI w naszych projektach.

Więcej
Sztuczna inteligencja

Podstawowe koncepcje związane ze sztuczną inteligencją

Innowacje i trendy w transporcie bliskim i logistyce

Sztuczna inteligencja (AI) to dział informatyki, który zajmuje się automatyzacją inteligentnych zachowań. AI stanowi próbę programowania komputera w taki sposób, by był on w stanie przetwarzać problemy niezależnie, w podobny sposób, w jaki zrobiłby to człowiek po odpowiednich szkoleniach. Rozwiązywanie problemów oznacza podejmowanie decyzji, które stanowią odpowiednią odpowiedź na istniejący problem w określonym czasie, na podstawie danych z różnych źródeł (baz danych, czujników, kamer wideo itp.).

sztuczna inteligencja, mózg ze strumieniami danych, networking

Uczenie maszynowe to termin zbiorczy obejmujący różne procesy wykorzystywane do określenia nieznanej wzajemnej relacji funkcjonalnej pomiędzy danymi wejściowymi i danymi wyjściowymi. Poza wciąż ważnymi tradycyjnymi zastosowaniami, takimi jak tworzenie klastrów, regresja, analizy czynnikowe i analizy szeregów czasowych, termin ten obejmuje również bardziej złożone metody, takie jak sieci neuronowe, podejścia ewolucyjne czy maszyny wektorów nośnych.

Analiza predykcyjna

Wykorzystanie technologii big data pozwala na przetwarzanie gigantycznych ilości danych, a także natychmiastowe przedstawianie prawdziwego świata i podejmowanie prawidłowych decyzji. Zapoznaj się z naszą białą księgą, aby dowiedzieć się, jakie warunki wstępne muszą zostać spełnione w kwestii analizy predykcyjnej

Więcej

Symulacja

Symulacja odgrywa znaczącą rolę w planowaniu systemów logistycznych. Nasza biała księga opisuje sposób, w jaki AI jest wykorzystywana do planowania, a także pokazuje korzyści, jakie przynosi.

Więcej

Przetwarzanie kognitywne – sztuczna inteligencja

Przetwarzanie kognitywne – maszyny-asystenci zamiast ludzi przejmują zadania lub podejmują decyzje. Obejrzyj nasz film i dowiedz się więcej o najważniejszych obszarach zastosowań, w których maszyny wspierają ludzi.

Więcej

Uczenie głębokie

Uczenie głębokie to technologia, która pozwala komputerom pozyskać zdolność, która jest dla ludzi naturalna: uczenie się na podstawie doświadczeń. Jest to wykorzystywane na przykład w rozpoznawaniu obrazów i głosów. Dowiedz się, czym jest uczenie głębokie i jak zmieniało się w ostatnich latach.

Więcej

Strategie uczenia się

Strategie uczenia się – wiele powtórzeń i dobra jakość danych odgrywają ważną rolę w uczeniu się! Ale jakie różne rodzaje strategii uczenia się są stosowane?

Więcej

Uczenie maszynowe

Spersonalizowane reklamy internetowe albo automatyczne filtrowanie SPAM-u są możliwe dzięki uczeniu maszynowemu. Z tego filmu dowiesz się, jak to działa.

Więcej

Sztuczna inteligencja

Dowiedz się więcej o sztucznej inteligencji.

Więcej

Sztuczna inteligencja w logistyce

Porozmawiajmy o możliwościach...

Więcej

Autorzy białej księgi o sztucznej inteligencji

... studiował matematykę techniczną na Uniwersytecie Technicznym w Wiedniu (TU Wien) ze specjalizacją w symulacji, badaniach operacyjnych i statystyce. Po ukończeniu studiów mieszkał w Glasgow, gdzie badał metody kernelowe do wykorzystania w symulacjach metodą zdarzeń dyskretnych. W 2001 roku dołączył do ośrodka badawczego Seibersdorf, najpierw jako kierownik projektu, a później został kierownikiem grupy roboczej „Optymalizacji procesów”, gdzie przeprowadzał i kierował krajowymi i międzynarodowymi projektami badawczymi poświęconymi logistyce transportu, logistyce w konkretnych lokalizacjach, a także globalnym łańcuchom dostaw. Chociaż nadal prowadził swoje badania, zaczął również wykładać na różnych instytucjach szkolnictwa w całej Austrii, co później stało się jego głównym zajęciem.

Markus Klug jest częścią SSI SCHÄFER IT Solutions GmbH od 2013 roku. Początkowo odpowiadał za budowanie działu analizy danych i symulacji w firmie, przy czym ta rola rozrosła się i objęła później również danologię oraz sztuczną inteligencję/uczenie maszynowe. Jako wojskowy ekspert ds. logistyki sił rezerwowych z naciskiem na badania operacji wojskowych pełni również rolę konsultanta ds. austriackiej armii, w ramach której udziela eksperckich porad na temat opracowywania modeli matematycznych i procesów w sektorze wojskowym. Markus Klug posiada obszerną wiedzę i bogate doświadczenie, co potwierdzają jego różne publikacje akademickie, wykłady, członkostwo w komitetach ds. programów naukowych, prowadzenie obrad na konferencjach naukowych, a także pełnienie funkcji recenzenta w międzynarodowych specjalistycznych magazynach.

Autor Georg Rief

Georg Rief posiada tytuł licencjata w obszarze nauk obliczeniowych i tytuł magistra fizyki. Skupił się głównie na symulacji i danologii, ponieważ sztuczna inteligencja nie była wówczas szczególnie ważnym tematem, w związku z czym nie była kluczowa dla jego studiów. Zanim dołączył do SSI SCHAEFER w marcu 2014 roku, miał 8 lat doświadczenia w opracowywaniu oprogramowania w innych sektorach. Zanim przeniósł się do działu danologii/symulacji w grudniu 2016 roku, na początku pracował jako programista W4 na potrzeby projektów klientów.

Pozycja nowych treści (1)

Karina Konrath studiowała matematykę techniczną na Uniwersytecie Technicznym w Graz, a dla SSI SCHAEFER pracuje od listopada 2017 roku. Jako analityk danych jest odpowiedzialna przede wszystkim za analizę i przygotowanie danych, co wymaga intensywnego korzystania ze statystyk i matematyki.

Innowacje i trendy w transporcie bliskim i logistyce

Trendy

Masz pytania albo uwagi?