{"id":53222,"date":"2019-11-26T00:00:00","date_gmt":"2019-11-25T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/grafik-gartnera-2019-o-chyom-vse-eti-modnye-slova"},"modified":"2020-02-18T14:01:06","modified_gmt":"2020-02-18T11:01:06","slug":"grafik-gartnera-2019-o-chyom-vse-eti-modnye-slova","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/grafik-gartnera-2019-o-chyom-vse-eti-modnye-slova","title":{"rendered":"Gartner-Diagramm 2019: Was bedeuten all diese modischen Begriffe?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Das Gartner-Diagramm f\u00fcr Technologiearbeiter ist wie eine Modenschau der Haute Couture. Wenn Sie einen Blick darauf werfen, k\u00f6nnen Sie im Voraus erfahren, welche Begriffe in dieser Saison am angesagtesten sind und was Sie auf allen bevorstehenden Konferenzen h\u00f6ren werden.<\/p>\n

Wir haben entschl\u00fcsselt, was hinter den sch\u00f6nen Worten in diesem Diagramm steckt, damit Sie auch in dieser Sprache sprechen k\u00f6nnen.<\/p>\n

\"Gartner-Diagramm
\n
\n<\/a><\/noindex><\/p>\n

Zun\u00e4chst ein paar Worte dazu, was dieses Diagramm ist. Jedes Jahr im August ver\u00f6ffentlicht die Unternehmensberatung Gartner einen Bericht \u2013 die Gartner Hype Curve. Auf Deutsch hei\u00dft das \u201eHype-Kurve\u201c oder einfacher gesagt \u2013 Hype. Vor 30 Jahren sangen die Rapper der Gruppe Public Enemy: \u201eDon\u2019t believe the hype\u201c. Ob man glauben sollte oder nicht, ist eine pers\u00f6nliche Entscheidung, aber es ist zumindest sinnvoll, diese Schl\u00fcsselw\u00f6rter zu kennen, wenn Sie im Technologiebereich t\u00e4tig sind und die globalen Trends verfolgen m\u00f6chten.<\/p>\n

Es handelt sich um ein Diagramm der gesellschaftlichen Erwartungen an eine bestimmte Technologie. Laut Gartner durchl\u00e4uft eine Technologie im Idealfall f\u00fcnf Phasen: Einf\u00fchrung der Technologie, H\u00f6hepunkt der \u00fcbertriebenen Erwartungen, Tal der Entt\u00e4uschung, Pfad der Aufkl\u00e4rung und Plateau der Produktivit\u00e4t. Es kann jedoch auch passieren, dass sie im \u201eTal der Entt\u00e4uschung\u201c versinkt \u2013 Beispiele fallen Ihnen sicherlich leicht ein, denken Sie nur an die Bitcoins: Urspr\u00fcnglich als \u201eGeld der Zukunft\u201c auf den H\u00f6hepunkt, sind sie schnell gesunken, als die M\u00e4ngel der Technologie offensichtlich wurden, insbesondere die Begrenzungen der Transaktionen und der enorme Stromverbrauch, der zur Erzeugung von Bitcoins ben\u00f6tigt wird (was wiederum \u00f6kologische Probleme mit sich bringt). Und nat\u00fcrlich darf man nicht vergessen, dass das Gartner-Diagramm nur eine Prognose ist: Hier kann man beispielsweise ausf\u00fchrlich lesen, einen Artikel<\/a><\/noindex>, wo die auff\u00e4lligsten unerf\u00fcllten Vorhersagen behandelt werden.<\/p>\n

Lassen Sie uns also einen Blick auf das neue Gartner-Diagramm werfen. Die Technologien sind in f\u00fcnf gro\u00dfe Themenbereiche unterteilt:<\/p>\n

    \n
  1. Fortgeschrittene KI und Analytik (Advanced AI and Analytics)\n<\/li>\n
  2. Postklassische Berechnungen und Kommunikation (Postclassical Compute and Comms)\n<\/li>\n
  3. Sensorik und Mobilit\u00e4t (Sensing and Mobility)\n<\/li>\n
  4. \u201eErweiterter\u201c Mensch (Augmented Human)\n<\/li>\n
  5. Digitale \u00d6kosysteme (Digital Ecosystems)\n<\/li>\n<\/ol>\n

    <\/p>\n

    1. Fortgeschrittene KI und Analytik (Advanced AI and Analytics)<\/h1>\n

    \nIn den letzten 10 Jahren haben wir die Glanzzeit des Deep Learning gesehen. Diese Netzwerke sind wirklich effektiv f\u00fcr ihren Aufgabenbereich. Im Jahr 2018 erhielten Yann LeCun, Geoffrey Hinton und Yoshua Bengio f\u00fcr ihre Entdeckungen den Turing Award \u2013 den angesehensten Preis, analog zu einem Nobelpreis in der Informatik. Die wichtigsten Trends in diesem Bereich, die in das Diagramm aufgenommen wurden:<\/p>\n

    1.1. Transferlernen<\/h2>\n

    \nMan trainiert ein neuronales Netzwerk nicht von Grund auf, sondern nimmt ein bereits trainiertes und weist ihm ein anderes Ziel zu. Manchmal muss nur ein Teil des Netzwerks neu trainiert werden, aber nicht das gesamte Netzwerk, was viel schneller geht. Zum Beispiel, indem man das fertige neuronale Netzwerk ResNet50 verwendet, das auf dem Dataset ImageNet1000 trainiert wurde, erh\u00e4lt man einen Algorithmus, der in der Lage ist, eine Vielzahl von Objekten auf einer sehr tiefen Ebene (1000 Klassen basierend auf Merkmalen, die von 50 Schichten des neuronalen Netzwerks entwickelt wurden) anhand von Bildern zu klassifizieren. Aber man muss dieses gesamte Netzwerk nicht vollst\u00e4ndig trainieren, was Monate dauern w\u00fcrde.<\/p>\n

    Im Online-Kurs<\/a><\/noindex> Samsung \"Neuronale Netzwerke und Computervision\", um als Beispiel zu dienen, demonstriert in der finalen Kaggle-Aufgabe<\/a><\/noindex> zur Klassifizierung von Tellern in saubere und schmutzige, einen Ansatz, der Ihnen in 5 Minuten ein tiefes neuronales Netzwerk zur Verf\u00fcgung stellt, das in der Lage ist, schmutzige Teller von sauberen zu unterscheiden, basierend auf der oben beschriebenen Architektur. Das urspr\u00fcngliche Netzwerk wusste \u00fcberhaupt nicht, was Teller sind; es lernte lediglich, V\u00f6gel von Hunden zu unterscheiden (siehe ImageNet).<\/p>\n

    \"Gartner-Diagramm
    \nQuelle:     Online-Kurs<\/a><\/noindex> Samsung \"Neuronale Netzwerke und Computervision\"<\/i><\/p>\n

    F\u00fcr das Transferlernen ist es wichtig zu wissen, welche Ans\u00e4tze funktionieren und welche fertigen grundlegenden Architekturen es gibt. Insgesamt beschleunigt dies die Einf\u00fchrung praktischer Anwendungen des maschinellen Lernens erheblich.<\/p>\n

    1.2. Generative Adversarielle Netzwerke (GAN)<\/h2>\n

    \nDies ist f\u00fcr die F\u00e4lle, in denen es sehr schwierig ist, das Lernziel zu formulieren. Je n\u00e4her die Aufgabe am realen Leben ist, desto klarer ist sie f\u00fcr uns (\"Hol mir die Kommode\"), aber desto schwieriger ist es, sie als technische Aufgabe zu formulieren. GANs sind genau der Versuch, uns von diesem Problem zu befreien.<\/p>\n

    Hier arbeiten zwei Netzwerke: eines ist der Generator (Generative), das andere der Diskriminator (Adversarial). Ein Netzwerk lernt n\u00fctzliche Aufgaben zu erf\u00fcllen (Bilder zu klassifizieren, Ger\u00e4usche zu erkennen, Cartoons zu zeichnen). Das andere Netzwerk lernt, dieses Netzwerk zu trainieren: es hat reale Beispiele und lernt, eine zuvor unbekannte komplexe Formel zu finden, um die Erzeugnisse des generativen Teils des Netzwerks mit Objekten der realen Welt (Trainingsdatensatz) anhand wirklich wichtiger tiefgehender Merkmale zu vergleichen: Anzahl der Augen, N\u00e4he zum Stil von Miyazaki, Richtigkeit der englischen Aussprache.<\/p>\n

    \"Gartner-Diagramm
    \nBeispiel eines Ergebnisses der Arbeit des Netzwerks zur Erzeugung von Anime-Charakteren.     Quelle<\/a><\/noindex><\/i><\/p>\n

    Aber es ist nat\u00fcrlich schwierig, die Architektur aufzubauen. Es reicht nicht aus, einfach Neuronen hinzuzuf\u00fcgen, man muss sie vorbereiten. Und oft dauert das Lernen Wochen. Das Thema GAN wird von meinen Kollegen im Samsung-Zentrum f\u00fcr k\u00fcnstliche Intelligenz behandelt, es ist eine der zentralen Forschungsfragen. Zum Beispiel diese hier: Entwicklung<\/a><\/noindex>: Verwendung von generativen Netzwerken zur Synthese realistischer Fotos von Menschen mit ver\u00e4nderbarer Pose \u2013 beispielsweise um eine virtuelle Umkleidekabine zu schaffen oder zur Gesichtsynthese, was die Menge an Informationen verringern k\u00f6nnte, die gespeichert oder \u00fcbertragen werden muss, um eine qualitativ hochwertige Videokommunikation, \u00dcbertragungen oder den Schutz personenbezogener Daten zu gew\u00e4hrleisten.<\/p>\n

    \"Gartner-Diagramm
    \n    Quelle<\/a><\/noindex><\/i><\/p>\n

    1.3. Erkl\u00e4rbarer KI (Explainable AI)<\/h2>\n

    \nIn einigen seltenen Aufgaben hat der Fortschritt in tiefen Architekturen pl\u00f6tzlich die M\u00f6glichkeiten tiefen neuronaler Netze den menschlichen F\u00e4higkeiten angen\u00e4hert. Jetzt geht es darum, den Kreis solcher Aufgaben zu erweitern. Zum Beispiel k\u00f6nnte ein Staubsauger-Roboter leicht eine Katze von einem Hund bei einem direkten Aufeinandertreffen unterscheiden. Aber in den meisten Lebenssituationen wird er nicht in der Lage sein, eine Katze zu finden, die zwischen der W\u00e4sche oder M\u00f6beln schl\u00e4ft (wie wir in den meisten F\u00e4llen auch nicht ...).<\/p>\n

    Was sind die Gr\u00fcnde f\u00fcr den Erfolg der tiefen neuronalen Netze? Sie entwickeln eine Aufgabenrepr\u00e4sentation, die nicht auf \u201emit blo\u00dfem Auge sichtbaren\u201c Informationen basiert (Pixeln eines Fotos, Lautst\u00e4rkeschwankungen ...), sondern auf Merkmalen, die nach der Vorverarbeitung dieser Informationen durch mehrere Hundert Schichten eines neuronalen Netzwerks gewonnen wurden. Leider k\u00f6nnen diese Zusammenh\u00e4nge auch sinnlos, widerspr\u00fcchlich oder Spuren von Unvollkommenheiten des urspr\u00fcnglichen Datensatzes tragen. Zum Beispiel gibt es ein kleines Computerspiel, das zeigt, zu welchen Folgen der gedankenlose Einsatz von KI im Recruiting f\u00fchren kann. \u00dcberleben des am besten Angepassten<\/a><\/noindex>.<\/p>\n

    \"Gartner-Diagramm
    \nDas System zur Markierung von Bildern hat eine Person, die kocht, als Frau erkannt, obwohl auf dem Bild tats\u00e4chlich ein Mann zu sehen ist (    Quelle<\/a><\/noindex>). Das wurde festgestellt<\/a><\/noindex> am Virginia Institute.<\/i><\/p>\n

    Um komplexe und tiefgehende Zusammenh\u00e4nge zu analysieren, die wir oft selbst nicht formulieren k\u00f6nnen, sind Methoden der erkl\u00e4rbaren KI erforderlich. Sie organisieren die Merkmale tiefen neuronaler Netze so, dass wir nach dem Training die interne Darstellung, die das Netzwerk gelernt hat, analysieren k\u00f6nnen, anstatt uns nur auf seine Entscheidung zu verlassen.<\/p>\n

    1.4. Edge-Analytik \/ KI (Edge Analytics \/ AI)<\/h2>\n

    \nAlles, was das Wort Edge enth\u00e4lt, bedeutet Folgendes: Ein Teil der Algorithmen wird aus der Cloud\/Server auf die Ebene des Endger\u00e4ts\/Gateways verschoben. Ein solcher Algorithmus wird schneller reagieren und ben\u00f6tigt keine Verbindung zum zentralen Server f\u00fcr seine Ausf\u00fchrung. Wenn Ihnen die Abstraktion des \u201ed\u00fcnnen Clients\u201c vertraut ist, machen wir diesen Client hier ein wenig dicker.
    \nDas k\u00f6nnte wichtig f\u00fcr das Internet der Dinge sein. Zum Beispiel, wenn eine Maschine \u00fcberhitzt und gek\u00fchlt werden muss, macht es Sinn, unmittelbar ein Signal daf\u00fcr auf Werksebene zu geben, ohne zu warten, bis die Daten in die Cloud gelangen und dann zum Schichtmeister weitergeleitet werden. Oder ein anderes Beispiel: Selbstfahrende Autos k\u00f6nnen die Verkehrssituation eigenst\u00e4ndig bew\u00e4ltigen, ohne auf einen zentralen Server zugreifen zu m\u00fcssen.<\/p>\n

    \"Gartner-Diagramm
    \n    Quelle<\/a><\/noindex><\/i><\/p>\n

    Oder ein weiteres Beispiel, warum das aus sicherheitstechnischer Sicht wichtig ist: Wenn Sie Texte auf Ihrem Telefon eingeben, merkt es sich die f\u00fcr Sie typischen W\u00f6rter, damit Ihnen die Tastatur Ihres Telefons diese bequem vorschlagen kann \u2013 das nennt man pr\u00e4diktive Texteingabe. Alles, was Sie auf der Tastatur eingeben, an ein Rechenzentrum zu senden, w\u00e4re ein Versto\u00df gegen Ihre Privatsph\u00e4re und einfach unsicher. Daher erfolgt das Lernen der Tastatur nur auf Ihrem eigenen Ger\u00e4t.<\/p>\n

    1.5. KI-Plattform als Dienstleistung (AI PaaS)<\/h2>\n

    \nPaaS \u2013 Plattform als Dienstleistung \u2013 ist ein Gesch\u00e4ftsmodell, bei dem wir Zugriff auf eine integrierte Plattform erhalten, einschlie\u00dflich ihres Cloud-Datenspeichers und fertiger Verfahren. So k\u00f6nnen wir uns von Infrastrukturaufgaben befreien und uns vollst\u00e4ndig auf die Produktion von etwas N\u00fctzlichem konzentrieren. Beispiele f\u00fcr PaaS-Plattformen f\u00fcr KI-Anwendungen: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.<\/p>\n

    1.6. Anpassungsf\u00e4higes maschinelles Lernen (Adaptive ML)<\/h2>\n

    \nWas, wenn wir k\u00fcnstlicher Intelligenz erlauben, sich anzupassen\u2026 Sie fragen: Wie soll das gehen? Passt sie sich nicht bereits der Aufgabe an? Das Problem liegt darin, dass wir jede dieser Aufgaben sorgf\u00e4ltig formulieren, bevor wir einen Algorithmus f\u00fcr die L\u00f6sung erstellen. Ihnen wird gesagt, dass man auch diese Kette vereinfachen kann.<\/p>\n

    Gew\u00f6hnliches maschinelles Lernen funktioniert nach dem Prinzip eines offenen Systems (open-loop): Sie bereiten Daten vor, erfinden ein neuronales Netzwerk (oder was auch immer), trainieren es, schauen sich dann einige Kennzahlen an, und wenn Ihnen alles gef\u00e4llt, k\u00f6nnen Sie das neuronale Netzwerk auf Smartphones schicken \u2013 um die Aufgaben der Nutzer zu l\u00f6sen. Aber in Anwendungen, bei denen es sehr viele Daten gibt und sich deren Charakter allm\u00e4hlich \u00e4ndert, sind andere Methoden erforderlich. Solche Systeme, die sich anpassen und selbstst\u00e4ndig lernen, organisieren sich in geschlossene, selbstlernende Kreisl\u00e4ufe (closed-loop) und m\u00fcssen kontinuierlich arbeiten.<\/p>\n

    Anwendungen \u2013 das k\u00f6nnen Streaming-Analysen (Stream Analytics) sein, auf deren Grundlage viele Gesch\u00e4ftsleute Entscheidungen treffen, oder adaptive Produktionssteuerung. Im Ma\u00dfstab moderner Anwendungen und unter Ber\u00fccksichtigung der besser verstandenen Risiken f\u00fcr Menschen werden die Methoden, die zur L\u00f6sung dieses Problems beitragen, alle unter dem gemeinsamen Begriff Adaptive AI zusammengefasst.<\/p>\n

    \"Gartner-Diagramm
    \n    Quelle<\/a><\/noindex><\/i><\/p>\n

    Wenn man dieses Bild betrachtet, ist es schwer, sich von dem Gef\u00fchl zu l\u00f6sen, dass Futurologen nicht mit Broten gef\u00fcttert werden sollten \u2013 lass sie einen Roboter das Atmen lehren\u2026<\/p>\n

    Postklassische Berechnungen und Kommunikation (Postclassical Compute and Comms)<\/h1>\n

    <\/p>\n

    2.1. Mobilfunk der f\u00fcnften Generation (5G)<\/h2>\n

    \nDieses Thema ist so interessant, dass wir sofort auf unser Artikel<\/a><\/noindex>. Hier ist eine kurze Zusammenfassung. 5G wird durch die Erh\u00f6hung der Daten\u00fcbertragungsfrequenz die Internetgeschwindigkeit unrealistisch schnell machen. Kurze Wellen haben Schwierigkeiten, Hindernisse zu \u00fcberwinden, deshalb wird die Struktur der Netzwerke v\u00f6llig anders sein: Es werden 500-mal mehr Basisstationen ben\u00f6tigt.<\/p>\n

    Neben der Geschwindigkeit werden wir neue Ph\u00e4nomene erleben: Echtzeit-Spiele mit Augmented Reality, die Durchf\u00fchrung komplexer Aufgaben (wie Chirurgie) \u00fcber Telepr\u00e4senz, die Vermeidung von Unf\u00e4llen und komplizierten Situationen auf den Stra\u00dfen durch Kommunikation zwischen Fahrzeugen. Aus einer prosaischeren Sicht wird endlich das mobile Internet w\u00e4hrend gro\u00dfer Veranstaltungen wie einem Stadionspiel nicht mehr ausfallen.<\/p>\n

    \"Gartner-Diagramm
    \nBildquelle \u2013 Reuters, Niantic<\/i><\/p>\n

    2.2. Speicher der n\u00e4chsten Generation (Next-Generation Memory)<\/h2>\n

    \nHier geht es um den f\u00fcnften Generation von Arbeitsspeicher \u2013 DDR5. Samsung hat angek\u00fcndigt, dass bis Ende 2019 Produkte auf Basis von DDR5 verf\u00fcgbar sein werden. Erwartet wird, dass der neue Speicher doppelt so schnell und doppelt so speicherintensiv ist, wobei der Formfaktor erhalten bleibt, das hei\u00dft, wir werden Speichermodule mit einer Kapazit\u00e4t von bis zu 32 GB f\u00fcr unseren Computer erhalten k\u00f6nnen. In Zukunft wird dies insbesondere f\u00fcr Smartphones (der neue Speicher wird in einer Version mit niedrigem Energieverbrauch vorliegen) und f\u00fcr Laptops (wo die Anzahl der DIMM-Steckpl\u00e4tze begrenzt ist) besonders relevant sein. Au\u00dferdem ben\u00f6tigt maschinelles Lernen gro\u00dfe Mengen an Arbeitsspeicher.<\/p>\n

    2.3. Niedrigprotocols Satellitensysteme (Low-Earth-Orbit Satellite Systems)<\/h2>\n

    \nDie Idee, schwere, teure, leistungsstarke Satelliten durch einen Schwarm kleiner und g\u00fcnstiger zu ersetzen, ist alles andere als neu und entstand bereits in den 90er Jahren. Man hat schon lange geh\u00f6rt, dass \u201eElon Musk bald jedem Internet \u00fcber Satelliten zur Verf\u00fcgung stellen wird\u201c<\/a><\/noindex> jetzt hat nur noch der Faulste nicht dar\u00fcber geh\u00f6rt. Die bekannteste Firma hier ist Iridium, die Ende der 90er Jahre insolvent ging, aber durch das US-Verteidigungsministerium gerettet wurde (nicht zu verwechseln mit iRidium \u2013 dem russischen Smart-Home-System). Elon Musks Projekt (Starlink) ist bei weitem nicht das einzige \u2013 auch Richard Branson (OneWeb \u2013 1440 geplante Satelliten), Boeing (3000 Satelliten), Samsung (4600 Satelliten) und andere sind am Satellitenrennen beteiligt.<\/p>\n

    Wie steht es um diese Branche, wie sieht die Wirtschaft aus \u2013 lesen Sie in der \u00dcbersicht<\/a><\/noindex>. Wir erwarten die ersten Tests dieser Systeme von den ersten Benutzern, die bereits im n\u00e4chsten Jahr stattfinden sollen.<\/p>\n

    2.4. 3D-Druck im Nanoskalierung (Nanoscale 3D Printing)<\/h2>\n

    \n3D-Druck ist zwar noch nicht im Alltag jedes Menschen angekommen (in der Form einer pers\u00f6nlichen heimischen Kunststofffabrik), hat sich jedoch l\u00e4ngst aus der Nische der Geek-Technologien herausbewegt. Man kann dies daran erkennen, dass jeder Sch\u00fcler von der Existenz zumindest von 3D-Druckstiften wei\u00df und viele davon tr\u00e4umen, sich eine Box mit Schlitten und Extruder f\u00fcr... \u201eeinfach so\u201c (oder haben sie bereits erworben) zuzulegen.<\/p>\n

    Die Stereolithographie (Laser-3D-Drucker) erm\u00f6glicht den Druck mit einzelnen Photonen: Neue Polymere werden erforscht, f\u00fcr deren Aush\u00e4rtung nur zwei Photonen erforderlich sind. Dadurch k\u00f6nnen unter nicht-laborbedingungen v\u00f6llig neue Filter, Halterungen, Federn, Kapillaren, Linsen und... Ihre Vorschl\u00e4ge in den Kommentaren erstellt werden! Hier ist es nicht weit zur Photopolymerisation \u2013 nur diese Technologie erm\u00f6glicht es, Prozessoren und Rechenschaltungen zu \u201edrucken\u201c. Dar\u00fcber hinaus existiert seit mehreren Jahren die Technologie zum Druck von grauen 500-nm dreidimensionalen Strukturen<\/a><\/noindex>, aber ohne radikale Entwicklungen.<\/p>\n

    \"Gartner-Diagramm
    \n    Quelle<\/i><\/a><\/noindex><\/p>\n

    3. Sensorik und Mobilit\u00e4t (Sensing and Mobility)<\/h1>\n

    <\/p>\n

    3.1. Autonome Fahrzeuge, Level 4 und 5 (Autonomous Driving Level 4 & 5)<\/h2>\n

    \nUm in der Terminologie nicht durcheinanderzukommen, sollten wir kl\u00e4ren, welche autonomen Ebenen unterschieden werden (ausgehend von detaillierten Informationen, des Artikels<\/a><\/noindex>, auf die wir alle Interessierten verweisen):<\/p>\n

    Level 1: Tempomat: Unterst\u00fctzung des Fahrers in sehr begrenzten Situationen (zum Beispiel das Halten des Fahrzeugs auf einer festgelegten Geschwindigkeit, nachdem der Fahrer den Fu\u00df von der Pedale genommen hat)
    \nLevel 2: Eingeschr\u00e4nkte Unterst\u00fctzung beim Lenken und Bremsen. Der Fahrer muss bereit sein, das Steuer fast sofort zu \u00fcbernehmen. Seine H\u00e4nde sind am Lenkrad, der Blick ist auf die Stra\u00dfe gerichtet. Dies ist bereits in Tesla und General Motors vorhanden.
    \nLevel 3: Der Fahrer muss nicht mehr st\u00e4ndig die Stra\u00dfe im Auge behalten. Er muss jedoch wachsam bleiben und bereit sein, das Steuer zu \u00fcbernehmen. Dies ist etwas, das derzeit bei den auf dem Markt erh\u00e4ltlichen Fahrzeugen nicht existiert. Alle derzeit verf\u00fcgbaren Fahrzeuge sind auf Level 1-2.
    \nStufe 4: Echte Autonomie, jedoch mit Einschr\u00e4nkungen: Nur Fahrten in einem bekannten Bereich, der sorgf\u00e4ltig kartiert und im Allgemeinen dem System bekannt ist, und unter bestimmten Bedingungen: zum Beispiel bei Abwesenheit von Schnee. Solche Prototypen existieren bei Waymo und General Motors, die planen, sie in mehreren St\u00e4dten einzuf\u00fchren und in realen Umgebungen zu testen. Yandex hat Testzonen f\u00fcr selbstfahrende Taxis in Skolkowo und Innopolis: Die Fahrt erfolgt unter Aufsicht eines Ingenieurs, der auf dem Beifahrersitz sitzt; bis Ende des Jahres plant das Unternehmen, die Flotte auf 100 autonome Fahrzeuge zu erweitern.
    \nStufe 5: Vollautomatisiertes Fahren, vollst\u00e4ndiger Ersatz eines menschlichen Fahrers. Solche Systeme existieren nicht, und es ist unwahrscheinlich, dass sie in den n\u00e4chsten Jahren verf\u00fcgbar sein werden.<\/p>\n

    Wie realistisch ist es, all dies in naher Zukunft zu beobachten? Hier m\u00f6chten wir den Leser auf den Artikel verweisen \u201eWarum die Einf\u00fchrung von Robotaxis bis 2020, wie von Tesla versprochen, unm\u00f6glich ist\u201c<\/a><\/noindex>. Dies h\u00e4ngt teilweise mit dem Fehlen von 5G-Verbindungen zusammen: Die vorhandenen 4G-Geschwindigkeiten sind unzureichend. Teils liegt es an den sehr hohen Kosten f\u00fcr autonome Fahrzeuge: Sie sind derzeit unrentabel, das Gesch\u00e4ftsmodell ist unklar. Mit anderen Worten, es ist hier \"alles kompliziert\", und es ist kein Zufall, dass Gartner schreibt, dass die Prognose f\u00fcr die massenhafte Einf\u00fchrung von Stufe 4 und 5 nicht vor den n\u00e4chsten 10 Jahren zu erwarten ist.<\/p>\n

    3.2. 3D-Sensorik-Kameras (3D Sensing Cameras)<\/h2>\n

    \nVor acht Jahren sorgte der Spielecontroller Microsoft Kinect f\u00fcr Aufsehen, indem er eine erschwingliche und vergleichsweise kosteng\u00fcnstige L\u00f6sung f\u00fcr 3D-Visualisierung anbot. Seitdem haben k\u00f6rperlich-t\u00e4nzerische Spiele mit Kinect ihren kurzen Aufstieg und Fall erlebt, w\u00e4hrend 3D-Kameras in industriellen Robotern, autonomen Fahrzeugen und Mobiltelefonen zur Gesichtserkennung verwendet werden. Die Technologie ist g\u00fcnstiger, kompakter und zug\u00e4nglicher geworden. <\/p>\n

    \"Gartner-Diagramm
    \nIm Samsung S10 ist eine Time-of-Flight-Kamera eingebaut, die den Abstand zum Objekt misst \u2013 zur Erleichterung der Fokussierung.     Quelle<\/a><\/noindex><\/i><\/p>\n

    Wenn Sie sich f\u00fcr dieses Thema interessieren, verweisen wir auf eine sehr gute ausf\u00fchrliche \u00dcbersicht \u00fcber Tiefenkameras: Teil 1<\/a><\/noindex>, Teil 2<\/a><\/noindex>.<\/p>\n

    3.3. Drohnen zur Lieferung von kleinen Waren (Light Cargo Delivery Drones)<\/h2>\n

    \nIn diesem Jahr sorgte Amazon f\u00fcr Aufsehen, als es auf einer Messe eine neue fliegende Drohne pr\u00e4sentierte, die kleine Lasten von bis zu 2 kg transportieren kann. F\u00fcr eine Stadt mit ihren Staus scheint das eine ideale L\u00f6sung zu sein. Lassen wir uns \u00fcberraschen, wie sich diese Drohnen in naher Zukunft bew\u00e4hren werden. Man sollte jedoch vorsichtigen Skepsis walten lassen: Es gibt zahlreiche Probleme, angefangen bei der M\u00f6glichkeit des einfachen Diebstahls der Drohne bis hin zu gesetzlichen Beschr\u00e4nkungen f\u00fcr UAVs. Amazon Prime Air existiert seit sechs Jahren, befindet sich jedoch nach wie vor in der Testphase.<\/p>\n

    \"Gartner-Diagramm
    \nDie neue Amazon-Drohne, die in diesem Fr\u00fchling gezeigt wurde. Irgendetwas daran erinnert an \u201eStar Wars\u201c.     Quelle<\/a><\/noindex><\/i><\/p>\n

    Neben Amazon gibt es auch andere Akteure auf diesem Markt (es gibt detaillierte \u00dcberblick<\/a><\/noindex>), aber kein fertiges Produkt: alles befindet sich in der Test- und Marketingphase. Besonders hervorzuheben sind interessante, spezialisierte medizinische Projekte<\/a><\/noindex> in Afrika: die Lieferung von Spenderblut in Ghana (14.000 Lieferungen, Unternehmen Zipline) und Ruanda (Unternehmen Matternet).<\/p>\n

    3.4. Fliegende autonome Verkehrsmittel (Flying Autonomous Vehicles)<\/h2>\n

    \nHier l\u00e4sst sich schwer etwas Definitives sagen. Laut Gartner wird dies nicht vor mehr als 10 Jahren Realit\u00e4t. Im Grunde genommen sind hier die gleichen Probleme wie bei selbstfahrenden Autos gegeben, nur bekommen sie eine neue Dimension \u2013 die vertikale. Porsche, Boeing und Uber k\u00fcndigen an, fliegende Taxis zu bauen.<\/p>\n

    3.5. Cloud der erweiterten Realit\u00e4t (AR Cloud)<\/h2>\n

    \nEine dauerhafte digitale Kopie der realen Welt, die es erm\u00f6glicht, eine neue, allen Nutzern gemeinsame Realit\u00e4tsschicht zu schaffen. Technisch ausgedr\u00fcckt geht es darum, eine offene Cloud-Plattform zu schaffen, in die Entwickler ihre AR-Anwendungen integrieren k\u00f6nnen. Das Monetarisierungsmodell ist verst\u00e4ndlich, es entspricht einem Analogon zu Steam. Die Idee hat sich so festgesetzt, dass einige bereits glauben, dass AR ohne Cloud schlichtweg nutzlos ist.<\/p>\n

    Wie das in Zukunft aussehen k\u00f6nnte, wird in einem kurzen Video skizziert. Es sieht aus wie eine weitere Episode von \u201eBlack Mirror\u201c:
    \n

    \r\n \"Video\r\n
    <\/div>\r\n <\/div><\/center><\/p>\n

    Man kann auch in einem Artikel-Review weiterlesen.<\/a><\/noindex><\/p>\n

    4. \u201eErweiterter\u201c Mensch (Augmented Human)<\/h1>\n

    <\/p>\n

    4.1. KI f\u00fcr Emotionen (Emotion AI)<\/h2>\n

    \nWie misst, simuliert und reagiert man auf menschliche Emotionen? Zu den Kunden hier geh\u00f6ren Unternehmen, die Sprachassistenten wie Amazon Alexa entwickeln. Um wirklich in die H\u00e4user einzutauchen, m\u00fcssen sie lernen, Stimmungen zu erkennen: den Grund f\u00fcr die Unzufriedenheit des Nutzers zu verstehen und zu versuchen, die Situation zu \u00e4ndern. Im Allgemeinen gibt es viel mehr Informationen im Kontext als in der Nachricht selbst. Und der Kontext umfasst Gesichtsausdr\u00fccke, Intonation und nonverbales Verhalten.<\/p>\n

    Zu anderen praktischen Anwendungen: Emotionenanalyse w\u00e4hrend eines Vorstellungsgespr\u00e4chs (durch Videointerviews), Bewertung der Reaktion auf Werbeclips oder anderen Videoinhalten (L\u00e4cheln, Lachen), Unterst\u00fctzung beim Lernen (zum Beispiel f\u00fcr Selbst\u00fcbungen in der Kunst des \u00f6ffentlichen Sprechens). <\/p>\n

    Es ist schwer, zu diesem Thema besser zu sprechen als der Autor des 6-min\u00fctigen Kurzfilms Stealing Ur Feeling<\/a><\/noindex>. In dem clever und stilvoll gestalteten Video wird gezeigt, wie man unsere Emotionen zu Marketingzwecken messen kann, und aus den momentanen Reaktionen Ihres Gesichts erfahren kann: Lieben Sie Pizza, Hunde, Kanye West und sogar, wie hoch Ihr Einkommen und Ihr ungef\u00e4hres IQ ist. Wenn Sie die Website des Films \u00fcber den obigen Link besuchen, nehmen Sie an einem interaktiven Video unter Verwendung der integrierten Kamera Ihres Laptops teil. Der Film wurde bereits auf mehreren Filmfestivals gezeigt.<\/p>\n

    \"Gartner-Diagramm
    \n    Quelle<\/a><\/noindex><\/i><\/p>\n

    Es gibt sogar eine interessante Studie: wie man Sarkasmus im Text erkennt. Sie haben Tweets mit dem Hashtag #\u0441\u0430\u0440\u043a\u0430\u0437\u043c genommen und eine Trainingsstichprobe aus 25.000 sarkastischen Tweets und 100.000 gew\u00f6hnlichen Tweets zu allem M\u00f6glichen erstellt. Sie haben die TensorFlow-Bibliothek angewendet, das System trainiert und das Ergebnis ist:<\/p>\n

    \"Gartner-Diagramm
    \n    Quelle<\/a><\/noindex><\/i><\/p>\n

    Deshalb k\u00f6nnen Sie jetzt, wenn Sie sich \u00fcber Ihren Kollegen oder Freund nicht sicher sind \u2013 ob er Ihnen etwas ernsthaft oder sarkastisch gesagt hat \u2013 auf das bereits trainierte neuronale Netzwerk<\/a><\/noindex>! <\/p>\n

    4.2. Augmented Intelligence<\/h2>\n

    \nAutomatisierung intellektueller Arbeit unter Verwendung von Machine-Learning-Methoden. Scheint nichts Neues zu sein? Aber hier ist die Formulierung selbst wichtig, zumal sie mit der Abk\u00fcrzung f\u00fcr K\u00fcnstliche Intelligenz \u00fcbereinstimmt. Das verweist uns auf die Debatte \u00fcber \u201estarke\u201c und \u201eschwache\u201c KI.
    \nStarke KI ist die Art von k\u00fcnstlicher Intelligenz aus Science-Fiction-Filmen, die vollst\u00e4ndig dem menschlichen Verstand entspricht und sich selbst als Person wahrnimmt. So etwas gibt es noch nicht, und es ist unklar, ob es das \u00fcberhaupt geben wird.<\/p>\n

    Schwache KI ist keine unabh\u00e4ngige Pers\u00f6nlichkeit, sondern ein Assistent des Menschen. Sie strebt nicht danach, menschen\u00e4hnliches Denken zu beanspruchen, sondern kann einfach Informationsaufgaben l\u00f6sen, zum Beispiel bestimmen, was auf einem Bild abgebildet ist, oder Texte \u00fcbersetzen.<\/p>\n

    \"Gartner-Diagramm
    \n    Quelle <\/a><\/noindex><\/i><\/p>\n

    In diesem Sinne ist Augmented Intelligence rein schwache KI und die Formulierung scheint gelungen, da sie keine Verwirrung stiftet und die Versuchung vermeidet, hier von der starken KI zu sprechen, von der alle tr\u00e4umen (oder vor der sie Angst haben, wenn man an die zahlreichen \u00dcberlegungen zu einem \"Aufstand der Maschinen\" denkt). Durch den Ausdruck Augmented Intelligence scheinen wir sofort in einem anderen Film zum Helden zu werden: von Science-Fiction (wie \"Ich, Robot\" von Asimov) landen wir im Cyberpunk (in diesem Genre werden mit \"Augmentierungen\" allerlei Implantate bezeichnet, die die F\u00e4higkeiten des Menschen erweitern).<\/p>\n

    Wie gesagt<\/a><\/noindex> Erik Brynjolfsson und Andrew McAfee: \u201eIn den n\u00e4chsten 10 Jahren wird Folgendes geschehen: Nicht die KI wird Manager ersetzen, sondern die Manager, die KI nutzen, werden die ersetzen, die es noch nicht geschafft haben.\"<\/p>\n

    Beispiele:<\/p>\n