SlideShare ist ein Scribd-Unternehmen logo
you BUILD it
Business-Mehrwert
durch KI
Lars Röwekamp | @mobileLarson
OPEN THANX
you RUN it
you IMPROVE it
Software als SERVICE
Software als SERVICE
you IMPROVE it
#1: Sammeln, verdichten & auswerten
von fachlichen & technischen Metriken.
#2: Abgleichen der Metriken mit den
initialen Business Objectives.
#3a: Adaption der Business Objectives
an neue Anforderungen und Erkenntnisse.
#3b: Evolution des Service als Reaktion auf
geänderte Rahmenbedingungen.
Software als SERVICE
EVOLUTION des Service
Technische Anpassung der API, als Reaktion
auf DX Feedback.
Fachliche Anpassung der API, als Reaktion
auf UX Feedback.
Fachlichen Erweiterung der Funktionalität
durch Integration von 3rd Party Services.
Software als SERVICE
Technische Anpassung der API, als Reaktion
auf DX Feedback.
Fachliche Anpassung der API, als Reaktion
auf UX Feeback.
Fachlichen Erweiterung der Funktionalität
durch Integration von 3rd Party Services.
... am Beispiel KI
EVOLUTION des Service
AI as a Service
„Was genau ist eigentlich KI?“ aka
das kleine 1x1 der KI
„Wie kann KI mir helfen?“ aka
Ansatzpunkte für KI
„Was muss ich dafür können/wissen?“ aka
Getting Started mit KI
das kleine 1x1 der KI
das kleine 1x1 der KI
„Artificial Intelligence is a system’s ability
to correctly interpret external data,
to learn from such data, and to use those learnings
to achieve specific goals and tasks
through flexible adaptation.“
(AndreasKaplan & Michael Haenlein,
2018)
künstliche Intelligenz
starke
KI
schwache KI
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Maschine, die
menschliches
Verhalten (teilweise)
imitiert
künstliche Intelligenz
starke
KI
schwache KI
Machine
Learning
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Teilgebiet der künstlichen
Intelligenz: lernt mittels
statistischer Methoden
und kann sich anhand von
Erfahrungen verbessern
Maschine, die
menschliches
Verhalten (teilweise)
imitiert
Teilgebiet des Machine
Learnings: bedient sich
mehrschichtiger neuronaler
Netze zum Lernen/Entscheiden
künstliche Intelligenz
starke
KI
schwache KI
Deep
Learning
Machine
Learning
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Teilgebiet der künstlichen
Intelligenz: lernt mittels
statistischer Methoden
und kann sich anhand von
Erfahrungen verbessern
Maschine, die
menschliches
Verhalten (teilweise)
imitiert
Quelle: https://news.microsoft.com/de-de/deep-learning-whitepaper/
Quelle: https://news.microsoft.com/de-de/deep-learning-whitepaper/
Quelle: https://news.microsoft.com/de-de/deep-learning-whitepaper/
KAUSALITÄT
vs
KORRELATION
das kleine 1x1 der KI
KI ist Daten, Daten, Daten
KI ist Algorithmus und Modell
KI ist Korrelation, nicht Kausalität
KI am
Beispiel …
KI am Beispiel von
RECRUITING
gegeben: Datensätze mit Informationen
zu erfolgreichen und erfolglosen
Bewerbern:innen.
gesucht: Entscheidungsgrundlage, ob
Bewerber:innen zum Gespräch
eingeladen werden sollen oder nicht.
KI am Beispiel von
RECRUITING
- Name
- Geschlecht
- Berufserfahrung in Jahren
- Arbeitslosigkeit in Jahren
Trainingsset
(x Kandidat:innen)
KI am Beispiel von
RECRUITING
- Name
- Geschlecht
- Berufserfahrung in Jahren
- Arbeitslosigkeit in Jahren
Trainingsset
(x Kandidat:innen)
KI am Beispiel von
RECRUITING
- Name
- Geschlecht
- Berufserfahrung in Jahren
- Arbeitslosigkeit in Jahren
- erfolgreich eingestellt JA / NEIN
Trainingsset
(x Kandidat:innen)
Grundwahrheit
(gibt dem Algorithmus Feedback)
KI am Beispiel von
RECRUITING
In der Vergangenheit waren ca. 20% der
Vorstellungsgespräche erfolgreich, d.h.
die Kandidat:innen wurden eingestellt
und sind 2 Jahre oder länger im
Unternehmen geblieben.*
Baseline
(Maß für die Qualität)
* btw. es gibt ca. 1000 Bewerber:innen auf eine offene Stellen..
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
„KI: finde bitte eine sinnvolle
Unterteilung. Danke.“*
*… auf deren Basis wir Aussagen über den Erfolg
zukünftiger Bewerber:innen treffen können.
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
7
4
4
5
6
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
4
verpasstes Talent
vermeidbarerAufwand
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
4
verpasstes Talent
vermeidbarerAufwand
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
verpasstes Talent
vermeidbarerAufwand
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
verpasstes Talent
vermeidbarerAufwand
7
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
6
verpasstes Talent
vermeidbarerAufwand
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
7
4
4
5
6
KI am Beispiel von
RECRUITING
Menschen müssen entscheiden, was
eine gute Entscheidung ausmacht, damit
maschinelles Lernen überhaupt gute
Entscheidungen produzieren kann.*
Rückschluss
(Sozioinformatiker)
* Recruitingsysteme haben i.d.R. 25+ Qualitätsmerkmale
KI am Beispiel von
RECRUITING
Unserer KI sagt zu 50% das richtige
Ergebnis voraus.
FAKT: Die Baseline liegt bei 20%.
50%! Ist das jetzt eher
gut oder schlecht?
*bei 1000 Bewerbern auf eine Stelle wäre ein „nicht einladen“ zu 99,9% richtig!
KI am Beispiel von
RECRUITING
Operationalisierbarkeit: Was kann
gemessen werden? Was nicht?*
Rückkopplung/Feedback: Das
gezeigte Modell ermöglicht nur
einseitiges Feedback!**
*es kann nur gemessen werden, wie erfolgreich angenommene Kandidat:innen sind
**in realer Welt eher die Norm als die Ausnahme
SELBSTERFÜLLENDE
PROPHEZEIUNG!
Kann das System sich
von selbst verbessern?
KI am Beispiel von
RECRUITING
Ideale Linie: Warum eigentlich keine
Kurve, die wirklich optimal trennt?
Nur 50%? Hmm, da geht
doch bestimmt noch mehr!
KI am Beispiel von
RECRUITING
Ideale Linie: Warum eigentlich keine
Kurve, die wirklich optimal trennt?
Trainingsset vs Testset
KI am Beispiel von
RECRUITING
Ideale Linie: Warum eigentlich keine
Kurve, die wirklich optimal trennt?
Trainingsset vs Testset
KI am Beispiel von
RECRUITING
Ideale Linie: Warum eigentlich keine
Kurve, die wirklich optimal trennt?
Trainingsset vs Testset
GEFAHR DES
OVERFITTING!
das kleine 1x1 der KI
KI ist Daten, Daten, Daten
KI ist Algorithmus und Modell
KI ist Korrelation, nicht Kausalität
KI ist Grundwahrheit und Baseline
KI ist Rückschluss und Aktion
Ansatzpunkte für KI
Ansatzpunkte für KI
Anlagen & Maschinenbau
Produktqualität
Prozessüberwachung
Predictive Maintenance
Rüstzeitoptimierung
Ansatzpunkte für KI
Einzel- & Online-Handel*
Sales Prediction
Logistic Optimisation
Retouren Management
Product Placement
Brand Loyality
*Omnichannel Order Management
Ansatzpunkte für KI
Finance & Insurance
Personalisierung
Antragsaufnahme
Risikobewertung
Anomalie-Detection
Ansatzpunkte für KI
Human Resources
Kampagnenanalyse
Vorauswahl
E-Assesment
Self-Scheduling
Active Sourcing
Ansatzpunkte für KI
Customer Experience
Chatbot & Voice Assistant
Realtime Next Best Action
Sentiment Analyse
Predictivce Customer Service
Intelligent Routing
Ansatzpunkte für KI
KI spart Kosten
KI hebt Umsatz
KI verbessert Qualität
KI vermindert Risiko
KI optimiert Prozesse
KI steigert Kundenbindung
Getting Started mit KI
Getting Started mit KI
Quele: https://vas3k.com/blog/machine_learning
„Ähm, sorry! Kann ich
das mit dem AI as a Service
noch einmal sehen? Bitte!“
Getting Started mit KI
Business
Metrics
Customer
Experience
Voice
AI
Text
AI
Image
AI
Anomalie
Detection
Metrics
Translate
Polly
Textract Recognition Equipment
Fraud
Detect
Personalize
Transcribe
A2I (AQ) Equipement
Forcast
Kendra
Lex
Comprehen
d
*am Beispiel AWS AI / ML Services
notwendige
ML
Expertise
Monitron
Was geht mit KI out-of-the-Box?*
Getting Started mit KI
*am Beispiel AWS AI / ML Services
notwendige
ML
Expertise
Sage
Maker
ML
Frameworks
Business
Metrics
Customer
Experience
Voice
AI
Text
AI
Image
AI
Anomalie
Detection
Metrics
Translate
Polly
Textract Recognition Equipment
Fraud
Detect
Personalize
Transcribe
A2I (AQ) Equipement
Forcast
Kendra
Lex
Comprehen
d
Monitron
Was geht mit KI out-of-the-Box?*
Getting Started mit KI
Getting Started mit KI: Text-2-Speach
„Hallo, schön
dass ihr alle zu
openThanx
gekommen seid!“
Step 1: Provide Text
Step 2: Choose Language, Engine, Voice …
Step 3: Listen ;-)
Getting Started mit KI: Text-2-Speach
Getting Started mit KI: Text-2-Speach
Getting Started mit KI: Object Detection
Coffee
Notebook
Laptop
Plant
Step 1: Provide Image
Step 2: Run Detection
Step 3: Evaluate Detections
Getting Started mit KI: Object Detection
Step 1: Provide Image
Step 2: Run Detections
Step 3: Evaluate Detections
Getting Started mit KI: Object Detection
„WO soll
gesucht werden?“
Step 1: Provide Image
Step 2: Run Detection
Step 3: Evaluate Detections
Getting Started mit KI: Object Detection
„WONACH soll
gesucht werden?“
Step 1: Provide Image
Step 2: Run Detection
Step 3: Evaluate Detections
Getting Started mit KI: Object Detection
* … und mit welcher Wahrscheinlichkeit?“
„WAS wurde
WO gefunden?“*
> Hands-On
> Hands-On
> Hands-On
Drinking Alcohol Smoking Tobaco
Drinking Alcohol
Middle Finger
Drinking Alcohol Smoking Tobaco
Drinking Alcohol
Sugegstive
Sugegstive
Middle Finger Alcohol
Getting Started mit KI: Predictions
Getting Started mit KI: Predictions
Step 1: Import Datasets
Step 2: Train Predictors
Step 3: Generate Forecasts
Step 4: Evaluate Forcasts
Getting Started mit KI: Predictions
Step 1: Import Datasets
Step 2: Train Predictors
Step 3: Generate Forecasts
Step 4: Evaluate Forcasts
Getting Started mit KI: Predictions
„Sind meine Daten
zur Beantwortung
der Fragestellung
überhaupt geeignet?“
Step 1: Import Datasets
Step 2: Train Predictors
Step 3: Generate Forecasts
Step 4: Evaluate Forcasts
Getting Started mit KI: Predictions
„Welcher
ML Algorithmus
passt am besten
zu meinem Problem?“
Step 1: Import Datasets
Step 2: Training Predictors
Step 3: Generate Forecasts
Step 4: Evaluate Forcasts
Getting Started mit KI: Predictions
„Welchen Zeitraum
in welcher
Genauigkeit möchte
ich betrachten?“
Step 1: Import Datasets
Step 2: Training Predictors
Step 3: Generate Forecasts
Step 4: Evaluate Forcasts
Getting Started mit KI: Predictions
„Wurde meine
Fragestellung
zufriedenstellend
beantwortet?“
Step 1: Import Datasets
Step 2: Training Predictors
Step 3: Generating Forecasts
Step 4: Evaluate Forcasts
Getting Started mit KI: Predictions
Adapt & Retrain
Getting Started mit KI: Predictions
p90
p50
p10
Getting Started mit KI: Predictions
p90
p50
p10
Die Wahrheit liegt in den Daten*
*… und deren Interpretation
Vollständig? Granularität?
Infos vorenthalten? Weiter lernend?
Was ihr MITNEHMEN solltet …
KI ist Daten, Daten, Daten
KI ist Features finden und bewerten
KI ist Algorithmus zur Entwicklung eines Modells
Was ihr MITNEHMEN solltet …
KI ist einfacher als man denkt
KI ist komplizierter als man denkt
Was ihr MITNEHMEN solltet …
KI ist auch Verantwortung
KI ist auch Ethik
Zu guter Letzt
(Quelle: https://w arandpeas.com/tag/artificial-intelligence/)
Business-Mehrwert
durch KI
Lars Röwekamp | @mobileLarson
BESTEN DANK!
#WISSENTEILEN
Software als SERVICE
© xxx – iStockphoto.com (Folie 1)
© yyy – iStockphoto.com (Folie 5)
Alle weiteren Bilder der Präsentation sind entweder von pexels.com,
pixabay.com oder von mir selbst erstellt.
Bildernachweis

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Microservices mit dem MicroProfile
Microservices mit dem MicroProfileMicroservices mit dem MicroProfile
Microservices mit dem MicroProfile
 
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
 
Spaß mit Microservices: Transaktionen
Spaß mit Microservices: TransaktionenSpaß mit Microservices: Transaktionen
Spaß mit Microservices: Transaktionen
 
Cloud Architekturen - von "less Server" zu Serverless
Cloud Architekturen - von "less Server" zu ServerlessCloud Architekturen - von "less Server" zu Serverless
Cloud Architekturen - von "less Server" zu Serverless
 
Zukunftssichere Architekturen mit Microservices
Zukunftssichere Architekturen mit MicroservicesZukunftssichere Architekturen mit Microservices
Zukunftssichere Architekturen mit Microservices
 
Aus der Rubrik "Spaß mit Microservices": Transaktionen
Aus der Rubrik "Spaß mit Microservices": TransaktionenAus der Rubrik "Spaß mit Microservices": Transaktionen
Aus der Rubrik "Spaß mit Microservices": Transaktionen
 
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
 
Die Matrix: Enterprise-Architekturen jenseits von Microservices
Die Matrix: Enterprise-Architekturen jenseits von MicroservicesDie Matrix: Enterprise-Architekturen jenseits von Microservices
Die Matrix: Enterprise-Architekturen jenseits von Microservices
 
Das passende Backend für meine Apps
Das passende Backend für meine AppsDas passende Backend für meine Apps
Das passende Backend für meine Apps
 
Hands-On Microservices mit Java
Hands-On Microservices mit JavaHands-On Microservices mit Java
Hands-On Microservices mit Java
 
Serverless Survival Guide
Serverless Survival GuideServerless Survival Guide
Serverless Survival Guide
 
Der goldene Schnitt – Wie schneide ich Microservices richtig?
Der goldene Schnitt – Wie schneide ich Microservices richtig?Der goldene Schnitt – Wie schneide ich Microservices richtig?
Der goldene Schnitt – Wie schneide ich Microservices richtig?
 
Herausforderung „Multi-Channel Architecture”
Herausforderung „Multi-Channel Architecture”Herausforderung „Multi-Channel Architecture”
Herausforderung „Multi-Channel Architecture”
 
Offline-first Architekturen: Wer bitte braucht schon Internet
Offline-first Architekturen: Wer bitte braucht schon InternetOffline-first Architekturen: Wer bitte braucht schon Internet
Offline-first Architekturen: Wer bitte braucht schon Internet
 
Modern Lightweight Enterprise Architectures mit Java
Modern Lightweight Enterprise Architectures mit JavaModern Lightweight Enterprise Architectures mit Java
Modern Lightweight Enterprise Architectures mit Java
 
Microservices Architecture: Architektur und Patterns
Microservices Architecture: Architektur und PatternsMicroservices Architecture: Architektur und Patterns
Microservices Architecture: Architektur und Patterns
 
Java EE goes Microservices. Are you serious?
Java EE goes Microservices. Are you serious?Java EE goes Microservices. Are you serious?
Java EE goes Microservices. Are you serious?
 
Microservices Migration: Vom Monolithen zu Microservices
Microservices Migration: Vom Monolithen zu MicroservicesMicroservices Migration: Vom Monolithen zu Microservices
Microservices Migration: Vom Monolithen zu Microservices
 
CQRS, der etwas andere Architekturansatz
CQRS, der etwas andere ArchitekturansatzCQRS, der etwas andere Architekturansatz
CQRS, der etwas andere Architekturansatz
 
Herausforderung „Multi-Channel“-Architektur
Herausforderung „Multi-Channel“-ArchitekturHerausforderung „Multi-Channel“-Architektur
Herausforderung „Multi-Channel“-Architektur
 

Ähnlich wie Business-Mehrwert durch KI

Orange Hills GmbH: Transformation von Geschäftsmodellen
Orange Hills GmbH: Transformation von GeschäftsmodellenOrange Hills GmbH: Transformation von Geschäftsmodellen
Orange Hills GmbH: Transformation von Geschäftsmodellen
Orange Hills GmbH
 
Deutschlands Beste Jobportale 2021 - Die Verleihung
Deutschlands Beste Jobportale 2021 - Die VerleihungDeutschlands Beste Jobportale 2021 - Die Verleihung
Deutschlands Beste Jobportale 2021 - Die Verleihung
Wolfgang Brickwedde
 
Verbesserung der Personalselektion durch SelfAssessment und Online-Tests
Verbesserung der Personalselektion durch SelfAssessment und Online-Tests Verbesserung der Personalselektion durch SelfAssessment und Online-Tests
Verbesserung der Personalselektion durch SelfAssessment und Online-Tests
Joachim Diercks
 

Ähnlich wie Business-Mehrwert durch KI (20)

Bewerben im Web 2.0 - webbasierte eAssessments und SelfAssessments
Bewerben im Web 2.0 - webbasierte eAssessments und SelfAssessmentsBewerben im Web 2.0 - webbasierte eAssessments und SelfAssessments
Bewerben im Web 2.0 - webbasierte eAssessments und SelfAssessments
 
Wie AI dein SEO ändert [DE] - John Muñoz
Wie AI  dein SEO ändert [DE] - John MuñozWie AI  dein SEO ändert [DE] - John Muñoz
Wie AI dein SEO ändert [DE] - John Muñoz
 
Splunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit SplunkSplunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit Splunk
 
Recruiting richtig machen.
Recruiting richtig machen.Recruiting richtig machen.
Recruiting richtig machen.
 
Orange Hills GmbH: Transformation von Geschäftsmodellen
Orange Hills GmbH: Transformation von GeschäftsmodellenOrange Hills GmbH: Transformation von Geschäftsmodellen
Orange Hills GmbH: Transformation von Geschäftsmodellen
 
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
 
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
 
UI Testautomation in der Praxis ... von Lokalisierung bis Nachhaltigkeit (Cod...
UI Testautomation in der Praxis ... von Lokalisierung bis Nachhaltigkeit (Cod...UI Testautomation in der Praxis ... von Lokalisierung bis Nachhaltigkeit (Cod...
UI Testautomation in der Praxis ... von Lokalisierung bis Nachhaltigkeit (Cod...
 
Barcamp Braunschweig: Kommunikation im B2B
Barcamp Braunschweig: Kommunikation im B2BBarcamp Braunschweig: Kommunikation im B2B
Barcamp Braunschweig: Kommunikation im B2B
 
Deutschlands Beste Jobportale 2021 - Die Verleihung
Deutschlands Beste Jobportale 2021 - Die VerleihungDeutschlands Beste Jobportale 2021 - Die Verleihung
Deutschlands Beste Jobportale 2021 - Die Verleihung
 
eparo – Online-Konzeption (Vortrag ADC Young Masters 2012 – Rolf Schulte Stra...
eparo – Online-Konzeption (Vortrag ADC Young Masters 2012 – Rolf Schulte Stra...eparo – Online-Konzeption (Vortrag ADC Young Masters 2012 – Rolf Schulte Stra...
eparo – Online-Konzeption (Vortrag ADC Young Masters 2012 – Rolf Schulte Stra...
 
HR Online Manager fulfill your hr mission - Fratschner
HR Online Manager   fulfill your hr mission - FratschnerHR Online Manager   fulfill your hr mission - Fratschner
HR Online Manager fulfill your hr mission - Fratschner
 
Employer Branding und Personalauswahl in Zeiten des Web 2.0
Employer Branding und Personalauswahl in Zeiten des Web 2.0Employer Branding und Personalauswahl in Zeiten des Web 2.0
Employer Branding und Personalauswahl in Zeiten des Web 2.0
 
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...
 
Mittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of ViewMittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of View
 
Rabe
RabeRabe
Rabe
 
SEO Campixx 2013 Workshop - Geschäftsmodelle im Internet
SEO Campixx 2013 Workshop - Geschäftsmodelle im InternetSEO Campixx 2013 Workshop - Geschäftsmodelle im Internet
SEO Campixx 2013 Workshop - Geschäftsmodelle im Internet
 
Verbesserung der Personalselektion durch SelfAssessment und Online-Tests
Verbesserung der Personalselektion durch SelfAssessment und Online-Tests Verbesserung der Personalselektion durch SelfAssessment und Online-Tests
Verbesserung der Personalselektion durch SelfAssessment und Online-Tests
 
Lean Startup - Auch in erwachsenen Unternehmen?
Lean Startup - Auch in erwachsenen Unternehmen?Lean Startup - Auch in erwachsenen Unternehmen?
Lean Startup - Auch in erwachsenen Unternehmen?
 
Recruiting-Erfolge erzielen mit begrenztem Budget
Recruiting-Erfolge erzielen mit begrenztem BudgetRecruiting-Erfolge erzielen mit begrenztem Budget
Recruiting-Erfolge erzielen mit begrenztem Budget
 

Mehr von OPEN KNOWLEDGE GmbH

Mehr von OPEN KNOWLEDGE GmbH (16)

Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AIWarum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
 
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die CloudFrom Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
 
Der Spagat zwischen BIAS und FAIRNESS (2024)
Der Spagat zwischen BIAS und FAIRNESS (2024)Der Spagat zwischen BIAS und FAIRNESS (2024)
Der Spagat zwischen BIAS und FAIRNESS (2024)
 
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data ImputationFEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
 
Nie wieder Log-Files!
Nie wieder Log-Files!Nie wieder Log-Files!
Nie wieder Log-Files!
 
Cloud-native and Enterprise Java? Hold my beer!
Cloud-native and Enterprise Java? Hold my beer!Cloud-native and Enterprise Java? Hold my beer!
Cloud-native and Enterprise Java? Hold my beer!
 
From Zero to still Zero: The most beautiful mistakes going into the cloud.
From Zero to still Zero: The most beautiful mistakes going into the cloud. From Zero to still Zero: The most beautiful mistakes going into the cloud.
From Zero to still Zero: The most beautiful mistakes going into the cloud.
 
API Expand Contract
API Expand ContractAPI Expand Contract
API Expand Contract
 
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & Co
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & CoReady for the Future: Jakarta EE in Zeiten von Cloud Native & Co
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & Co
 
Shared Data in verteilten Architekturen
Shared Data in verteilten ArchitekturenShared Data in verteilten Architekturen
Shared Data in verteilten Architekturen
 
Machine Learning mit TensorFlow.js
Machine Learning mit TensorFlow.jsMachine Learning mit TensorFlow.js
Machine Learning mit TensorFlow.js
 
It's not Rocket Science: Neuronale Netze
It's not Rocket Science: Neuronale NetzeIt's not Rocket Science: Neuronale Netze
It's not Rocket Science: Neuronale Netze
 
Supersonic Java für die Cloud: Quarkus
Supersonic Java für die Cloud: QuarkusSupersonic Java für die Cloud: Quarkus
Supersonic Java für die Cloud: Quarkus
 
Das Product Goal oder "Ohne Ziele laufen eben alle in die Richtung, die ihnen...
Das Product Goal oder "Ohne Ziele laufen eben alle in die Richtung, die ihnen...Das Product Goal oder "Ohne Ziele laufen eben alle in die Richtung, die ihnen...
Das Product Goal oder "Ohne Ziele laufen eben alle in die Richtung, die ihnen...
 
Maschinen ohne Gewissen: wenn KI auf Ethik trifft
Maschinen ohne Gewissen: wenn KI auf Ethik trifftMaschinen ohne Gewissen: wenn KI auf Ethik trifft
Maschinen ohne Gewissen: wenn KI auf Ethik trifft
 
Modern Web: Trends der Webentwicklung
Modern Web: Trends der WebentwicklungModern Web: Trends der Webentwicklung
Modern Web: Trends der Webentwicklung
 

Business-Mehrwert durch KI

  • 1. you BUILD it Business-Mehrwert durch KI Lars Röwekamp | @mobileLarson OPEN THANX you RUN it you IMPROVE it Software als SERVICE
  • 2. Software als SERVICE you IMPROVE it #1: Sammeln, verdichten & auswerten von fachlichen & technischen Metriken. #2: Abgleichen der Metriken mit den initialen Business Objectives. #3a: Adaption der Business Objectives an neue Anforderungen und Erkenntnisse. #3b: Evolution des Service als Reaktion auf geänderte Rahmenbedingungen.
  • 3. Software als SERVICE EVOLUTION des Service Technische Anpassung der API, als Reaktion auf DX Feedback. Fachliche Anpassung der API, als Reaktion auf UX Feedback. Fachlichen Erweiterung der Funktionalität durch Integration von 3rd Party Services.
  • 4. Software als SERVICE Technische Anpassung der API, als Reaktion auf DX Feedback. Fachliche Anpassung der API, als Reaktion auf UX Feeback. Fachlichen Erweiterung der Funktionalität durch Integration von 3rd Party Services. ... am Beispiel KI EVOLUTION des Service
  • 5. AI as a Service „Was genau ist eigentlich KI?“ aka das kleine 1x1 der KI „Wie kann KI mir helfen?“ aka Ansatzpunkte für KI „Was muss ich dafür können/wissen?“ aka Getting Started mit KI
  • 6. das kleine 1x1 der KI
  • 7. das kleine 1x1 der KI „Artificial Intelligence is a system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation.“ (AndreasKaplan & Michael Haenlein, 2018)
  • 8. künstliche Intelligenz starke KI schwache KI echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Maschine, die menschliches Verhalten (teilweise) imitiert
  • 9. künstliche Intelligenz starke KI schwache KI Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
  • 10. Teilgebiet des Machine Learnings: bedient sich mehrschichtiger neuronaler Netze zum Lernen/Entscheiden künstliche Intelligenz starke KI schwache KI Deep Learning Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
  • 14.
  • 15. das kleine 1x1 der KI KI ist Daten, Daten, Daten KI ist Algorithmus und Modell KI ist Korrelation, nicht Kausalität
  • 17. KI am Beispiel von RECRUITING gegeben: Datensätze mit Informationen zu erfolgreichen und erfolglosen Bewerbern:innen. gesucht: Entscheidungsgrundlage, ob Bewerber:innen zum Gespräch eingeladen werden sollen oder nicht.
  • 18. KI am Beispiel von RECRUITING - Name - Geschlecht - Berufserfahrung in Jahren - Arbeitslosigkeit in Jahren Trainingsset (x Kandidat:innen)
  • 19. KI am Beispiel von RECRUITING - Name - Geschlecht - Berufserfahrung in Jahren - Arbeitslosigkeit in Jahren Trainingsset (x Kandidat:innen)
  • 20. KI am Beispiel von RECRUITING - Name - Geschlecht - Berufserfahrung in Jahren - Arbeitslosigkeit in Jahren - erfolgreich eingestellt JA / NEIN Trainingsset (x Kandidat:innen) Grundwahrheit (gibt dem Algorithmus Feedback)
  • 21. KI am Beispiel von RECRUITING In der Vergangenheit waren ca. 20% der Vorstellungsgespräche erfolgreich, d.h. die Kandidat:innen wurden eingestellt und sind 2 Jahre oder länger im Unternehmen geblieben.* Baseline (Maß für die Qualität) * btw. es gibt ca. 1000 Bewerber:innen auf eine offene Stellen..
  • 22. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) „KI: finde bitte eine sinnvolle Unterteilung. Danke.“* *… auf deren Basis wir Aussagen über den Erfolg zukünftiger Bewerber:innen treffen können.
  • 23. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren)
  • 24. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7 4 4 5 6
  • 25. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 4 verpasstes Talent vermeidbarerAufwand
  • 26. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 4 verpasstes Talent vermeidbarerAufwand
  • 27. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) verpasstes Talent vermeidbarerAufwand
  • 28. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) verpasstes Talent vermeidbarerAufwand 7
  • 29. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 6 verpasstes Talent vermeidbarerAufwand
  • 30. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7 4 4 5 6
  • 31. KI am Beispiel von RECRUITING Menschen müssen entscheiden, was eine gute Entscheidung ausmacht, damit maschinelles Lernen überhaupt gute Entscheidungen produzieren kann.* Rückschluss (Sozioinformatiker) * Recruitingsysteme haben i.d.R. 25+ Qualitätsmerkmale
  • 32. KI am Beispiel von RECRUITING Unserer KI sagt zu 50% das richtige Ergebnis voraus. FAKT: Die Baseline liegt bei 20%. 50%! Ist das jetzt eher gut oder schlecht? *bei 1000 Bewerbern auf eine Stelle wäre ein „nicht einladen“ zu 99,9% richtig!
  • 33. KI am Beispiel von RECRUITING Operationalisierbarkeit: Was kann gemessen werden? Was nicht?* Rückkopplung/Feedback: Das gezeigte Modell ermöglicht nur einseitiges Feedback!** *es kann nur gemessen werden, wie erfolgreich angenommene Kandidat:innen sind **in realer Welt eher die Norm als die Ausnahme SELBSTERFÜLLENDE PROPHEZEIUNG! Kann das System sich von selbst verbessern?
  • 34. KI am Beispiel von RECRUITING Ideale Linie: Warum eigentlich keine Kurve, die wirklich optimal trennt? Nur 50%? Hmm, da geht doch bestimmt noch mehr!
  • 35. KI am Beispiel von RECRUITING Ideale Linie: Warum eigentlich keine Kurve, die wirklich optimal trennt? Trainingsset vs Testset
  • 36. KI am Beispiel von RECRUITING Ideale Linie: Warum eigentlich keine Kurve, die wirklich optimal trennt? Trainingsset vs Testset
  • 37. KI am Beispiel von RECRUITING Ideale Linie: Warum eigentlich keine Kurve, die wirklich optimal trennt? Trainingsset vs Testset GEFAHR DES OVERFITTING!
  • 38. das kleine 1x1 der KI KI ist Daten, Daten, Daten KI ist Algorithmus und Modell KI ist Korrelation, nicht Kausalität KI ist Grundwahrheit und Baseline KI ist Rückschluss und Aktion
  • 40. Ansatzpunkte für KI Anlagen & Maschinenbau Produktqualität Prozessüberwachung Predictive Maintenance Rüstzeitoptimierung
  • 41. Ansatzpunkte für KI Einzel- & Online-Handel* Sales Prediction Logistic Optimisation Retouren Management Product Placement Brand Loyality *Omnichannel Order Management
  • 42. Ansatzpunkte für KI Finance & Insurance Personalisierung Antragsaufnahme Risikobewertung Anomalie-Detection
  • 43. Ansatzpunkte für KI Human Resources Kampagnenanalyse Vorauswahl E-Assesment Self-Scheduling Active Sourcing
  • 44. Ansatzpunkte für KI Customer Experience Chatbot & Voice Assistant Realtime Next Best Action Sentiment Analyse Predictivce Customer Service Intelligent Routing
  • 45. Ansatzpunkte für KI KI spart Kosten KI hebt Umsatz KI verbessert Qualität KI vermindert Risiko KI optimiert Prozesse KI steigert Kundenbindung
  • 47. Getting Started mit KI Quele: https://vas3k.com/blog/machine_learning
  • 48. „Ähm, sorry! Kann ich das mit dem AI as a Service noch einmal sehen? Bitte!“ Getting Started mit KI
  • 49. Business Metrics Customer Experience Voice AI Text AI Image AI Anomalie Detection Metrics Translate Polly Textract Recognition Equipment Fraud Detect Personalize Transcribe A2I (AQ) Equipement Forcast Kendra Lex Comprehen d *am Beispiel AWS AI / ML Services notwendige ML Expertise Monitron Was geht mit KI out-of-the-Box?* Getting Started mit KI
  • 50. *am Beispiel AWS AI / ML Services notwendige ML Expertise Sage Maker ML Frameworks Business Metrics Customer Experience Voice AI Text AI Image AI Anomalie Detection Metrics Translate Polly Textract Recognition Equipment Fraud Detect Personalize Transcribe A2I (AQ) Equipement Forcast Kendra Lex Comprehen d Monitron Was geht mit KI out-of-the-Box?* Getting Started mit KI
  • 51. Getting Started mit KI: Text-2-Speach „Hallo, schön dass ihr alle zu openThanx gekommen seid!“
  • 52. Step 1: Provide Text Step 2: Choose Language, Engine, Voice … Step 3: Listen ;-) Getting Started mit KI: Text-2-Speach
  • 53. Getting Started mit KI: Text-2-Speach
  • 54. Getting Started mit KI: Object Detection Coffee Notebook Laptop Plant
  • 55. Step 1: Provide Image Step 2: Run Detection Step 3: Evaluate Detections Getting Started mit KI: Object Detection
  • 56. Step 1: Provide Image Step 2: Run Detections Step 3: Evaluate Detections Getting Started mit KI: Object Detection „WO soll gesucht werden?“
  • 57. Step 1: Provide Image Step 2: Run Detection Step 3: Evaluate Detections Getting Started mit KI: Object Detection „WONACH soll gesucht werden?“
  • 58. Step 1: Provide Image Step 2: Run Detection Step 3: Evaluate Detections Getting Started mit KI: Object Detection * … und mit welcher Wahrscheinlichkeit?“ „WAS wurde WO gefunden?“*
  • 62.
  • 63. Drinking Alcohol Smoking Tobaco Drinking Alcohol Middle Finger
  • 64. Drinking Alcohol Smoking Tobaco Drinking Alcohol Sugegstive Sugegstive Middle Finger Alcohol
  • 65. Getting Started mit KI: Predictions
  • 66. Getting Started mit KI: Predictions
  • 67. Step 1: Import Datasets Step 2: Train Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions
  • 68. Step 1: Import Datasets Step 2: Train Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions „Sind meine Daten zur Beantwortung der Fragestellung überhaupt geeignet?“
  • 69. Step 1: Import Datasets Step 2: Train Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions „Welcher ML Algorithmus passt am besten zu meinem Problem?“
  • 70. Step 1: Import Datasets Step 2: Training Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions „Welchen Zeitraum in welcher Genauigkeit möchte ich betrachten?“
  • 71. Step 1: Import Datasets Step 2: Training Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions „Wurde meine Fragestellung zufriedenstellend beantwortet?“
  • 72. Step 1: Import Datasets Step 2: Training Predictors Step 3: Generating Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions Adapt & Retrain
  • 73. Getting Started mit KI: Predictions p90 p50 p10
  • 74. Getting Started mit KI: Predictions p90 p50 p10
  • 75. Die Wahrheit liegt in den Daten* *… und deren Interpretation
  • 77. Was ihr MITNEHMEN solltet … KI ist Daten, Daten, Daten KI ist Features finden und bewerten KI ist Algorithmus zur Entwicklung eines Modells
  • 78. Was ihr MITNEHMEN solltet … KI ist einfacher als man denkt KI ist komplizierter als man denkt
  • 79. Was ihr MITNEHMEN solltet … KI ist auch Verantwortung KI ist auch Ethik
  • 80. Zu guter Letzt (Quelle: https://w arandpeas.com/tag/artificial-intelligence/)
  • 81. Business-Mehrwert durch KI Lars Röwekamp | @mobileLarson BESTEN DANK! #WISSENTEILEN Software als SERVICE
  • 82. © xxx – iStockphoto.com (Folie 1) © yyy – iStockphoto.com (Folie 5) Alle weiteren Bilder der Präsentation sind entweder von pexels.com, pixabay.com oder von mir selbst erstellt. Bildernachweis