UID:
edoccha_9960030798602883
Umfang:
1 online resource (283 pages)
ISBN:
3-658-31938-0
Anmerkung:
Intro -- Vorwort der Herausgeber -- Überblick -- Semantische Datenintelligenz im Einsatz -- Inhaltsverzeichnis -- Über die Herausgeber -- 1: Einblick in die Welt der künstlichen Intelligenz -- 1.1 Einleitung -- 1.2 Die Anfangszeiten -- 1.3 Zwei KI-Winter und vier Meilensteine -- 1.3.1 IBM Deep Blue -- 1.3.2 IBM Watson -- 1.3.3 Google AlphaGo -- 1.3.4 Autonomes Fahren -- 1.4 Auf dem Weg zu selbstlernenden Maschinen -- 1.4.1 Neuronale Netze -- 1.4.2 Deep Learning -- 1.4.3 Machine Learning -- 1.4.3.1 Symbolische vs. nicht-symbolische Ansätze -- 1.4.3.2 Lerntechniken für Machine Learning -- 1.4.3.2.1 Überwachtes Lernen -- 1.4.3.2.2 Unüberwachtes Lernen -- 1.4.3.2.3 Bestärkendes Lernen -- 1.5 Semantische künstliche Intelligenz -- 1.6 Wissensgraphen -- 1.7 Regelbasierte Systeme -- 1.8 Wo liegt der Schlüssel zum Erfolg? -- 1.9 Quo Vadis? -- Literatur -- 2: Corporate Smart Insights -- 2.1 Einführung -- 2.2 Begriffsbildung -- 2.3 Architektur und Bausteine -- 2.3.1 Verteilte dezentrale Wissensartefakte-Repositorien -- 2.3.2 Zentralisierte Wissensplattform -- 2.4 Anwendungsbeispiele -- 2.4.1 Nutzung von Wissen in AI/ML -- 2.4.2 Wissen für Anwendungen und Prozesse -- 2.4.3 Wissen für Wissensarbeiter -- 2.5 Diskussion und Zusammenfassung -- Literatur -- 3: Semantische Interoperabilität in cyber-physischen Produktionssystemen -- 3.1 Einleitung und Motivation -- 3.2 Grundlagen und kritische Einordnung -- 3.2.1 Wissenspyramide -- 3.2.2 Ontologien -- 3.2.3 Semantik von Programmen -- 3.2.4 Semantik von Datentypen -- 3.2.5 Beziehung zum OSI-Referenzmodell -- 3.3 Voraussetzungen für die formale Definition des Begriffs „Semantik" -- 3.4 Formale Definition des Begriffs „Semantik" -- 3.4.1 Ein Beispiel -- 3.5 Zusammenfassung & -- Ausblick -- Literatur -- 4: Unterstützung von Brandbekämpfung durch Teams von unbemannten Systemen.
,
4.1 Einleitung -- 4.2 Definitionen und Konzepte -- 4.2.1 Teams Unbemannter Systeme -- 4.2.2 Calm Technology -- 4.2.3 Führen mit Auftrag -- 4.2.4 Battle Management Language -- 4.2.5 Semantik -- 4.3 Umsetzung -- 4.4 Ausblick -- Literatur -- 5: Einsatz semantischer Technologien für die Informationsbereitstellung in der Flugsicherung -- 5.1 Einleitung -- 5.2 Eine integrierte Informationsbasis für die Flugsicherung -- 5.2.1 Grundlagen und Hintergrund -- 5.2.2 Zusammenhang zwischen AIXM und dem Semantic Web -- 5.2.3 Das Zeitmodell von AIXM -- 5.2.4 Digital NOTAMs - Ereignisse in AIXM -- 5.3 Von AIXM nach ObjectLogic -- 5.3.1 Lösungsansatz -- 5.3.2 Diskussion -- 5.4 Semantische Anreicherung mit definierten Fachbegriffen -- 5.4.1 Motivation und Herausforderungen -- 5.4.2 Lösungsansatz -- 5.4.3 Diskussion -- 5.5 Aufgabenspezifische Filterung und Klassifizierung von Meldungen -- 5.5.1 Motivation und Herausforderungen -- 5.5.2 Lösungsansatz -- 5.5.3 Diskussion -- 5.6 Verwandte Arbeiten -- 5.7 Zusammenfassung und Ausblick -- Literatur -- 6: Semantische Technologien für Enterprise Intelligence am Beispiel von Lieferkettenbeobachtung -- 6.1 KI und Enterprise Intelligence -- 6.2 Enterprise Intelligence -- 6.2.1 Begriff und Definition -- 6.2.2 Ziele von Enterprise Intelligence -- 6.2.3 Herausforderungen für Enterprise-Intelligence-Plattformen -- 6.3 Die Big-Data-Textanalytikplattform „SPREE" -- 6.3.1 Textanalytikpipeline -- 6.3.2 Eigennamenerkennung -- 6.3.3 Entity Linking -- 6.3.4 Relationsextraktion -- 6.4 Deutscher und Unternehmens-Wissensgraph -- 6.5 Einbettung in Apache Flink -- 6.6 Anwendungen -- 6.6.1 SPREE-Demonstrator -- 6.6.2 Lieferanten-Dashboard -- 6.6.3 GIANCE Global Enterprise Intelligence Platform -- 6.7 Ausblick -- Literatur -- 7: Wissensgraphen im Web -- 7.1 Einleitung -- 7.2 Überblick.
,
7.2.1 Manuelle Erstellung -- 7.2.2 Erstellung aus (semi-)strukturierten Quellen -- 7.2.3 Erstellung aus unstrukturierten Quellen -- 7.3 Vergleich von freien Wissensgraphen -- 7.3.1 Allgemeine Betrachtung -- 7.3.2 Inhaltliche Schwerpunkte -- 7.3.3 Spezifische Betrachtung -- 7.4 Überlappungen und Verweise zwischen Wissensgraphen -- 7.5 Zusammenfassung und Ausblick -- 7.6 Datenquellen für den Vergleich der Wissensgraphen -- 7.6.1 DBpedia Version 2016-10 -- 7.6.2 YAGO Version 3.1 -- 7.6.3 Wikidata Version 20190628 -- 7.6.4 BabelNet Version 3.6 -- 7.6.5 NELL Version 0.3#100 -- 7.6.6 OpenCyc Version 4.0 -- 7.6.7 CaLiGraph Version 1.0.6 -- 7.6.8 VoldeMort Version 1.0 -- Literatur -- 8: Automatische Konversion von natürlichsprachlichen Texten zu Ontologien am Beispiel von Wartungshandbüchern für Flugzeuge -- 8.1 Einleitung -- 8.2 Die Herausforderungen der digitalen Transformation: Textbasiertes Wissen IT-prozessierbar machen -- 8.3 Natural-Language Understanding/(computerisiertes) Verstehen von natürlicher Sprache -- 8.4 Wissensextraktion durch Natural-Language Understanding auf Basis von Logik höherer Ordnung -- 8.4.1 Anzustrebende Äquivalenz von natürlicher und computerbasierter Repräsentation -- 8.4.2 Higher-Order Logic zur computerbasierten Repräsentation von Wissen -- 8.4.3 Semantische Modelle, um die Wissensextraktion zu führen -- 8.4.4 Semantische Superposition -- 8.5 Beispielsanwendung Wartungsanleitung für Flugzeuge -- 8.5.1 Ausgangssituation -- 8.5.2 Umsetzung des Transformationsprozesses -- 8.6 Die informationstechnische Umsetzung -- 8.7 Zusammenfassung und Ausblick -- Literatur -- 9: Neue Errungenschaften durch Artificial General Intelligence in NLP - wie natürliche Sprache aus dem Kontext verstanden werden kann -- 9.1 Einleitung -- 9.2 NLP, derzeitiger Status -- 9.3 Artificial General Intelligence.
,
9.3.1 Philosophische Wurzeln -- 9.3.2 Menschliches Gehirn als Vorbild -- 9.3.2.1 Strukturierung -- 9.3.2.2 Erkenntnisgewinnung auf der Prozessebene -- 9.3.2.3 Effizienz -- 9.3.3 Die Bedeutung von Maschinendenken -- 9.3.4 Funktionsweise des Maschinendenkens -- 9.4 Praktischer Einsatz -- 9.4.1 Training eines Arztbriefes -- 9.4.2 Ergebnisse -- 9.4.3 Netzwerkarchitekturen und Implementierung -- 9.5 Bedeutung für die Industrie -- 9.6 Zusammenfassung -- Literatur -- 10: Bitcoin und Blockchain Technologien -- 10.1 Bitcoin -- 10.2 Ethereum, Ripple und Smart Contracts -- 10.2.1 Ethereum -- 10.2.2 Ripple -- 10.2.3 NEO -- 10.2.4 IOTA -- 10.3 Blockchain-Technologien -- 10.4 Quo Vadis? -- Literatur -- 11: Semiotik, ein Schlüsselelement für Systeme mit künstlicher Intelligenz … wie dieselbe Botschaft unterschiedlich verstanden werden kann … -- 11.1 Einleitung -- 11.2 Die Komponenten eines semiotischen Systems -- 11.3 Der Wandel in der Kommunikationswelt -- 11.3.1 Das Fazit zur historischen Kommunikation bis vor 20 Jahren -- 11.3.2 Das anonyme Internet -- 11.4 Die Wichtigkeit der Semiotik in der Kommunikation -- 11.4.1 Die Semiotik -- 11.4.2 Die intrinsische Semantik -- 11.4.3 Die intrinsische Semantik verstehen -- 11.4.4 Die Botschaft/Mitteilung -- 11.4.5 Die geprägte Botschaft/Mitteilung -- 11.4.6 Der Wahrheitsgehalt einer Botschaft -- 11.4.7 Die tragenden Worte -- 11.5 Die Wichtigkeit der Semiotik in der Kommunikation -- 11.6 Wichtige Punkte der digitalen Transformation -- 11.6.1 Der Anspruch an die Kommunikation im IoT-Zeitalter -- 11.6.2 Die Funktion der digitalen Transformation -- 11.6.3 Unterstützung bei der digitalen Transformation -- 11.6.4 Die Qualitätsfaktoren für semantische Lösungen -- 11.7 BrainDocs™ von ai-one™ Inc. -- 11.7.1 Die BrainDogs™ Such- und Aufspürhunde.
,
11.7.2 Die Anwendung von BrainDocs™ gliedert sich typischerweise in drei Hauptschritte: -- 11.7.3 Das BrainDocs™-Konzept -- 11.8 Generelle Vorteile durch semiotische Lösungen wie BrainDocs™ [25] -- 11.9 Zusammenfassung/Ausblick -- Literatur -- 12: Wie lässt sich sprachlich nicht explizit mitgeteiltes Wissen erschließen? Mit einer textkritischen Anwendung zum Diskurs „Ethik und KI" -- 12.1 Erkenntnisziele, Abgrenzung und Begriffsklärung -- 12.2 Theoretische Zugänge -- 12.3 Ebenen impliziten Wissens -- 12.3.1 Sprachliche Ebene -- 12.3.2 Kontextuelle Ebene -- 12.3.3 Mentale Ebene -- 12.3.3.1 (Tiefen-)Frames und implizites Wissen -- 12.3.3.2 Semantische Rollen und implizites Wissen -- 12.3.3.3 Mentale Modelle und implizites Wissen -- 12.4 Tabellarische Übersicht zu den Ebenen -- 12.5 Anwendung Textanalyse: „Ethik und KI" -- 12.6 Ausblick auf KI-Modellierbarkeit -- Literatur -- 13: Ethische und philosophische Aspekte von künstlicher Intelligenz -- 13.1 Gesichtserkennung -- 13.2 Autonomes Fahren und Fliegen -- 13.2.1 Autonomes Fahren -- 13.2.2 Autonomes Fliegen -- 13.3 Autonome Waffensysteme und Kriegsroboter -- 13.4 Roboter als E-Person? -- 13.5 Trainingsdaten für künstliche Intelligenz -- 13.5.1 Anonymisierung von Daten -- 13.6 Künstliche Intelligenz als Zauberwort -- 13.7 Künstliche Intelligenz als Blackbox -- 13.8 Gesellschaftliche Folgen der künstlichen Intelligenz -- 13.9 Die Gefahr einer totalen Überwachung -- 13.10 Quo Vadis? -- Literatur -- 14: Wer macht das Rennen in künstlicher Intelligenz? -- 14.1 Wer macht das Rennen? -- 14.1.1 USA -- 14.1.1.1 Talente und Grundlagenforschung -- 14.1.1.2 Patente -- 14.1.1.3 Halbleiterherstellung -- 14.1.1.4 Supercomputing -- 14.1.1.5 Daten -- 14.1.1.6 Umsetzung der Ideen in Geschäftsmodelle -- 14.1.1.7 Schwachpunkte -- 14.1.2 China.
,
14.1.2.1 Talente und Grundlagenforschung.
Sprache:
Deutsch