Beiträge

Kapitel 1 – Einleitung

Die Digitalisierung dringt in die Köpfe der Entscheider – sowohl auf unternehmerischer als auch auf politischer Ebene.

Außer Veränderungen kommt alles einmal aus der Mode. Die Digitalisierung treibt zunehmend mit neuen Technologien den Handel. So verändert zum Beispiel der 3-D-Druck (1.2) nachhaltig die Wertschöpfungsketten. In der Industrie 4.0 stehen intelligente Maschinen, Anlagen und Geräte, kurz cyberphysische Systeme, in Kommunikation und Kooperation mit Menschen, Logistik und Produkten. Ziel dieser Vernetzung durch das IoT (1.14) ist die endverbrauchernahe industrielle Produktion des personalisierten Produkts, am liebsten in Echtzeit. Aber auch die VR- und AR-Technologie (1.4) beschleunigt den Handel und bringt neue Verkaufstechniken mit sich. Mithilfe von Augmented Reality können beispielsweise Möbel in Originalgröße im heimischen Wohnzimmer platziert und auf die restliche Einrichtung abgestimmt werden. Zeitgleich wird das Wissen über den Kunden durch Big-Data-Analysen (1.5) immer wichtiger, um Personalisierungsstrategien zu ermöglichen. Zu den Treibern kommen noch neue Regelungen und Gesetze hinzu, wie zum Beispiel „PSD2“ (1.13), die neue Chancen für den Handel generieren. //

Big – Smart – Fast

Unser Arbeitsalltag wird zunehmend von digitalen Daten beeinflusst. Big Data berührt alle Branchen und Märkte.

von Bernhard Haselbauer

Werfen wir im Kontext der Digitalisierung einen kurzen Blick zurück: Es wird angenommen, dass es der Menschheit im Jahr 2002 zum ersten Mal möglich war, mehr Informationen digital als analog zu speichern – der Beginn des „Digitalen Zeitalters“. Alles was heute an analogen Informationen in Bits und Bytes gewandelt werden kann, wird zu Daten. Im Zuge der Digitalisierung, die Unternehmen im Kontext betrieblicher Abläufe zu Effizienzsteigerung und damit einer verbesserten Wirtschaftlichkeit verhilft, wachsen die Daten dementsprechend exponentiell. Wir sprechen heute von Big Data. Der aus dem englischen Sprachraum stammende Begriff Big Data oder auf gut Deutsch Massendaten steht dabei grundsätzlich für große digitale Datenmengen, aber auch für deren Analyse, Nutzung, Sammlung, Verwertung und Vermarktung.

In der Definition von Big Data bezieht sich das „Big“ auf die drei Dimensionen „volume“, für Umfang und Datenvolumen, „velocity“ für die Geschwindigkeit, mit der die Datenmengen generiert und transferiert werden, sowie „variety“ für die Bandbreite der Datentypen und -quellen. Erweitert wird diese Definition um die zwei V „value“ und „validity“, welche für einen unternehmerischen Mehrwert und die Sicherstellung der Datenqualität stehen. Die gesammelten Daten können dabei aus verschiedensten Quellen stammen: Überwachungssysteme, Nutzung von Kunden- oder Bank- bzw. Bezahlkarten, jegliche elektronische Kommunikation, Navigationssysteme, GPS, Smartphones, Smart Homes, Fahrzeuge aller Art, von Behörden und Unternehmen erhobene und gesammelte Daten, Sensordaten im Kontext von IoT und Industrie.

Die Analyse, Erfassung und Verarbeitung von großen Datenmengen ist heute in vielen Bereichen alltäglich, aber verbesserungswürdig hinsichtlich Big Data.
Datenmengen sind und werden zu groß, zu komplex, zu schnelllebig oder zu schwach strukturiert, um sie mit herkömmlichen Methoden der Datenverarbeitung auszuwerten. Aktuelle Entwicklungen von Software für die Verarbeitung von Big Data kommen neben klassischen prioritären Anbietern oft aus dem Open-Source-Bereich. Bekannt ist hier z. B. Apache Hadoop, ein freies Framework für skalierbare, verteilt arbeitende Software, die es ermöglicht, intensive Rechenprozesse mit großen Datenmengen auf Computerclustern durchzuführen.

Big Data kann Geschäftsprozess-Verbesserungen in allen Funktionsbereichen von Unternehmen, vor allem aber im Bereich der Technologieentwicklung und Informationstechnik sowie des Marketings, erzeugen. Die Erhebung und Verwertung der Datenmengen dient dabei im Allgemeinen der Umsetzung von Unternehmenszielen. Bisher haben vor allem große Branchen, Unternehmen und Anwendungsbereiche der Wirtschaft, Marktforschung, Vertriebs- und Servicesteuerung, Medizin, Verwaltung und Nachrichtendienste die entsprechenden digitalen Methoden für sich genutzt: Die erfassten Daten sollen weiterentwickelt und nutzbringend eingesetzt werden.

Die Erhebung der Daten dient dabei meistens für konzernorientierte Geschäftsmodelle sowie Trendforschung in den sozialen Medien und Werbeanalysen, um zukunftsweisende und möglicherweise gewinnbringende Entwicklungen zu erkennen. Big Data kann die Triebfeder für innovative Geschäftsmodelle und Produkte werden. Welches Marktpotenzial tatsächlich in Big-Data-Lösungen steckt, scheint nicht vorhersehbar: 2013 prognostizierte der US-Marktforscher IDC den weltweiten Umsatz für 2017 auf gut 32 Milliarden Dollar. Tatsächlich betrug er 2015 bereits 125 Milliarden.

VR- und AR-Technologien im Handel mit Zukunft

Die Redaktion im Gespräch mit Christian Feilmeier, Geschäftsführer bei The Retail Performance Company, und Peter Milotzki, VR-, AR- und Robotics-Experte bei The Retail Performance Company.

Peter Milotzki, VR-, AR- und Robotics-Experte bei The Retail Performance Company

Herr Milotzki welche Technologien stehen im Bereich Schulungs- und Trainingsanwendungen für den Handel heute bereit?
Aktuell verwenden wir für unsere Trainings vor allem die VR-Brillen Samsung Gear und die Microsoft HoloLens. Auch mit der Virtual-Reality HTC VIVE haben wir gute Erfahrung gemacht und sie bei dem ersten weltweiten virtuellen Produkttraining für BMW China eingesetzt. Die 6 000 Teilnehmer des Trainings, Verkäufer, Serviceberater und Product-Geniuses, konnten die neue Hinterachse der BMW 5er-Limousine hautnah erleben, ohne dass das Fahrzeug auf eine Hebebühne gehoben werden musste. In einem virtuellen Trainingsraum erklärten wir Produktdetails und Funktionen der Bauteilkomponenten. Für die Teilnehmer war es mit dieser Trainingsmethode viel einfacher, die komplexe Technik zu betrachten und vor allem zu verstehen.

Welche Vorteile bringt die VR- und AR-Technologie, um das Produkttraining für den Vertriebler der Zukunft zu optimieren?
Peter Milotzki: Ein Vorteil ist die Zeitersparnis. Als durchführender Trainer spart man in der Trainingseinheit rund 30 Prozent an Zeit, wenn AR- oder VR-Technologien eingesetzt werden, da die Inhalte klarer und strukturierter vorgestellt werden können als auf klassischen Powerpoint-Folien. Auch ist der Lernerfolg deutlich größer, weil sich die Teilnehmer an die Inhalte des Trainings leichter erinnern und die Verbindung zu den Themenfeldern schneller erfassen. Zudem hält die Aufmerksamkeit wesentlich länger als bei Teilnehmern, die ihren Inhalt nur in einem Selbststudium oder als „Frontalunterricht“ vermittelt bekommen. Sie können den Inhalt innerhalb der AR- und VR-Welt selbst entdecken und setzen sich spielerisch mit den Trainingsinhalten auseinander.

Inwieweit werden funktionierende VR- und AR-Anwendungen von den Mitarbeitern angenommen und als sinnvoll erachtet?
Peter Milotzki: Wir beobachten, dass weniger die neuen Technologien an sich in Frage gestellt werden, eher scheint die Angst vor Veränderung für die Mitarbeiter im Vordergrund zu stehen. Denn sie müssen gewohnte Arbeitsabläufe anpassen und sich mit der Anwendung der neuen Technologien auseinandersetzen. Entscheidend ist, dass sich Unternehmen darüber klar werden, wie die Technologie wirklichen Wert stiften soll und welche konkreten Use-Cases formuliert werden können, sonst ist der Einsatz und die interne Akzeptanz zum Scheitern verurteilt. Unsere Erfahrung zeigt, dass aber genau hier viel falsch gemacht wird: Nutzt ein Unternehmen AR- und VR-Technologien nur zum Ausprobieren oder als Türöffner, verkommt die Technik zum reinen Showeffekt, der keinen nachhaltigen Wert generiert und deswegen von den Mitarbeitern nicht angenommen wird.

 

Christian Feilmeier, Geschäftsführer bei The Retail Performance Company

Herr Feilmeier, wo sehen Sie für den Handel noch weitere innovative Einsatzmöglichkeiten für VR- und AR-Anwendungen?
Die Technologien helfen, neben der Schaffung von neuen Produkterlebnissen, Hemmnisse abzubauen und Berührungsängste zu minimieren – sowohl auf Kunden- als auch auf Mitarbeiterseite. Gerade für erklärungsbedürftige und emotionale Produkte und Services bieten sie ein enormes Veränderungspotenzial, um Kunden komplexe Themen näherzubringen. So können Zusatzinformationen zu Produkten und Services angezeigt und visualisiert werden. Auf großen Verkaufsflächen werden bereits jetzt erste virtuelle Anwendungen eingesetzt, um Kunden durch das Geschäft zu lotsen und sie gezielt Angebote finden zu lassen. Darüber hinaus können Produkte schon präsentiert werden, bevor sie verfügbar sind.

Wie kann der stationäre Handel von VR- und AR-Technologien profitieren?
Christian Feilmeier: Der Einsatz von virtuellen Technologien im stationären Handel führt zu deutlich mehr Personalisierung und bietet neuartige Erlebniswelten. Mit dem eigenen Smartphone oder mit im Laden zur Verfügung gestellten Geräten haben Kunden die Möglichkeit, das komplette Warenangebot auszuwählen, zu konfigurieren und zu erleben. Weitere Vorteile sind die deutliche Senkung von Lagerkosten und die Kapitalbindung. Durch die Kombination digitaler Inhalte mit persönlicher Beratung entsteht noch dazu ein deutlicher Mehrwert gegenüber dem reinen Online-Handel.

Inwieweit spielen Robotics-Technologien bzw. Künstliche Intelligenz für die Customer-Journey eine Rolle – wie werden diese umgesetzt und von Kunden angenommen?
Christian Feilmeier Hier gibt es keine einheitliche Situation, aber wir erkennen den Trend zu einer zunehmenden Akzeptanz von KI-Technologien. Die Kundenreaktionen hängen stark von der konkreten, eingesetzten Lösung ab: Plumpe Roboter schaffen kein positives Erlebnis, menschliche Kopien rufen hingegen Ängste hervor. Der Kunde entscheidet letztendlich selbst, wie seine Customer-Journey verlaufen soll und welchen Mehrwert er in KI-Anwendungen sieht. Wichtig ist dem Kunden, dass man ihn (er-)kennt, dass man über seine bisherigen Transaktionen sowie seine Präferenzen Bescheid weiß. In einer Omnikanal-Welt geht dies nur auf Basis von Daten, die – zunehmend unterstützt durch KI – kanalübergreifend an allen relevanten Touchpoints zur Verfügung stehen müssen. Künstliche Intelligenz erweitert somit das Spektrum und das Zusammenspiel der Touchpoints. Die Herausforderung für Unternehmen liegt darin, die Touchpoints kundenzentriert zu entwickeln und richtig zu managen.

Gibt es schon Erfahrungswerte, inwieweit sich VR- und AR-Anwendungen auf den Absatz von Produkten im Positiven auswirken?
Christian Feilmeier: Wir kennen noch keine Studie, die die positive Wirkung von VR und AR auf den Absatz nachweist. Aber die Nachfrage des Handels nach diesen Lösungen steigt zunehmend. Die Attraktivität der Unternehmen nimmt zu, wenn innovative Technologien eingesetzt werden. Da leistet die spielerische Komponente einen enormen Beitrag, da sich Kunden in einer virtuellen Welt mit Produkten und Services auseinandersetzen können. AR und VR machen es möglich, dass Marken auf unkonventionelle Weise und an ungewohnten Orten optisch präsent sind und mit den Kunden interagieren. Das ist neu und macht den Menschen Spaß. So werden Emotionen geweckt, die Kunden stärker an die Marken binden – ein großes Potenzial für Unternehmen.

Welche Bedeutung haben VR-, AR- und Robotics-Anwendungen für die Customer-Journey der Zukunft?
Christian Feilmeier: Wir denken, dass sich die Customer-Journey innerhalb der nächsten fünf Jahre stark verändern wird. Sie ist kein linearer Prozess mehr, sondern entwickelt sich zu einer nicht vorhersehbaren Kundenreise mit Sprüngen zwischen den Vertriebskanälen. Auf der Gewinnerseite werden Unternehmen sein, die dem Kunden seine präferierte Reise bieten können.
Peter Milotzki: VR-, AR- und Robotics-Anwendungen erlauben dem Handel, bestehende Touchpoints zu optimieren und weitere, attraktive Touchpoints anzubieten. So können Unternehmen ihren Kunden ein vielfältiges Angebot bieten, um Kundenerwartungen nicht nur zu erfüllen, sondern zu übertreffen. Das ist eine große Chance für alle Unternehmen, mit der neue Zielgruppen und Märkte gewonnen werden können. //

 

 

Autorenvitae: Christian Fellmeier & Peter Milotzki

 

 

 

Der Text ist unter der Lizenz CC BY-SA 3.0 DE verfügbar.
Lizenzbestimmungen:
https://creativecommons.org/licenses/by-sa/3.0/de/

Künstliche Intelligenz

Selbstlernende Maschinen nutzen Big Data und Cloud-Computing, um laufend die abhängigen Prozesse zu optimieren.

von Andreas Fuhrich

Eine eindeutige Definition des Begriffs „Künstliche Intelligenz“ (KI) sucht man zwar vergebens, aber zumindest für den aktuellen, die Wirtschaft betreffenden Diskurs lässt er sich relativ klar skizzieren. Im Wesentlichen lässt er sich dabei in die Bereiche des maschinellen Lernens und des Cognitive Computings aufteilen:

Unter maschinellem Lernen versteht man die Fähigkeit eines künstlichen Systems, aus Erfahrung Wissen zu generieren. Dabei werden nicht nur Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten erkannt, wodurch es in die Lage versetzt wird, auch unbekannte Daten beurteilen zu können. Kognitive Systeme gehen bei der Humanisierung der Maschine noch einen Schritt weiter. Neben der Fähigkeit des Lernens sind sie auch in der Lage, mit Ambiguitäten und Unschärfen umzugehen. Wichtige Voraussetzungen für eine KI beim „natürlichen“ Umgang mit menschlicher Sprache oder dem Deuten von Emotionen aus einer Gesichtsmimik.

Durch die Entwicklung der Informationstechnologie sind immer größere Datenmengen (Big Data) verfügbar. Diese enthalten oft implizites Wissen, das, wenn es bekannt wäre, große wirtschaftliche oder wissenschaftliche Bedeutung hätte. Unter Data-Mining versteht man die Suche nach potenziell nützlichem Wissen in großen Datenmengen – maschinelle Lernverfahren gehören zu den Schlüsseltechnologien innerhalb dieses Gebiets. Sie unterstützen den Data-Mining-Prozess vor allem beim Aufspüren neuer Muster und Gesetzmäßigkeiten. Andererseits unterstützt der Data-Mining-Prozess aber auch das maschinelle Lernen, indem dadurch neue Lerndaten zur Verfügung gestellt werden.
Zusätzlich profitiert das maschinelle Lernen von den Entwicklungen der Cloud-Technologie, denn flexible Rechenkapazitäten und Managed Services machen den Einsatz von Machine-Learning einfacher. Die großen Cloud-Anbieter wie Amazon, Google und Microsoft bieten Machine-Learning bereits als Schnittstelle (API) an. Durch Open-Source-Projekte wie Prediction.io oder TensorFlow steht zudem Technologie frei zur Verfügung, auf der man aufsetzen kann.

Nach aktuellen Prognosen von Crisp Research werden sich die Ausgaben für Infrastruktur, Software und Plattformen, Algorithmen-Design und verbundene Dienstleistungen von rund 1,96 Mrd. Euro in 2015 auf rund 15 Mrd. Euro im Jahr 2020 nahezu verzehnfachen.(1)
Einsatzmöglichkeiten für künstliche Intelligenz entstehen dabei für nahezu alle Branchen, weshalb sich CIOs und Digitalisierungsverantwortliche darauf gefasst machen sollten, dass nicht nur unternehmensintern diese Art von Skills nachgefragt werden. Die Anzahl an Machine-Learning-Spezialisten ist begrenzt und die Schnittmenge derjenigen, die auch noch Business-Verständnis mitbringen, umso kleiner. Für Unternehmen ist es daher umso wichtiger, sich rechtzeitig um Experten für den eigenen Betrieb zu bemühen, z. B. durch Kooperationen mit Universitäten, um unmittelbar die Nachwuchskräfte zu binden, die auf dem freien Arbeitsmarkt kaum zur Verfügung stehen werden.

Künstliche Intelligenz: Trends

Digitale Assistenten
Bei digitalen Assistenten mit Spracherkennung hat es in den letzten Jahren ein wahres Wettrüsten gegeben. Siri, Cortana und OK Google stritten um das beste System und mit Alexa von Amazon ist jetzt auch noch ein neuer Player auf den Markt gekommen. In Zukunft werden solche digitalen Assistenten für Geschäftsprozesse immer wichtiger werden. Typische Sekretärs-Aufgaben, wie das Anlegen von Terminen oder das Buchen von Geschäftsreisen werden immer häufiger durch solche Systeme vorgenommen.

Smart Cars
Smart Cars bieten jetzt schon einige auf künstlicher Intelligenz beruhende Möglichkeiten. Bremsassistenten sind in der Lage, auf plötzliche Hindernisse oder Stauenden zu reagieren. Tempomaten erkennen Verkehrsschilder und regeln die Geschwindigkeit selbstständig. Auch das voll automatische Einparken ist keine Zukunftsmusik mehr. Fleißig geforscht wird noch am komplett autonom fahrenden Auto, welches schon in naher Zukunft Marktreife erlangen dürfte.

Smart Farming
Unter Smart Farming versteht man verschiedene, teils zusammenarbeitende intelligente Systeme in der Landwirtschaft. Sowohl Daten von Wetterdiensten als auch die eigener Sensoren, die beispielsweise den Säuregehalt im Boden messen, nutzen intelligente Systeme, um Dünger optimal zu dosieren oder die Felder durch automatische Anlagen zu sprenkeln. Selbst Landmaschinen können basierend auf den analysierten Daten zu den richtigen Zeiten autonom die Felder bewirtschaften.

Cobots
Unter Cobots versteht man autonom operierende Roboter, die in unmittelbarer Umgebung des Menschen eingesetzt werden können. Dabei dienen sie beispielsweise in der Montage als Assistenten, in dem sie selbstständig erkennen, welche Teile oder Werkzeuge der Monteur für seinen nächsten Schritt benötigt, diese herbeischaffen und dem Monteur anreichen. Cobots sind ein wichtiger Bestandteil von Industrie-4.0-Konzepten, welche ohne künstliche Intelligenz nicht denkbar sind.

Empathie
Um optimal mit Menschen interagieren zu können, werden kognitive Systeme in Zukunft immer besser in der Lage sein, auch auf das emotionale Befinden des Gegenübers reagieren zu können. Der Teilbereich des Affective Computings beschäftigt sich mit der Simulation von Empathie. Hierzu können beispielsweise die Gesichtsmimik, aber auch die Wortwahl und Stimmfärbung des menschlichen Gegenübers analysiert werden. Empathische Systeme werden beispielsweise in Pflege- oder pädagogischen Einrichtungen eingesetzt.

Geschäftsmodelle im Fokus

Chatbots für den Support
Auf Cognitive Computing beruhende Chatbots sind in der Lage, einen menschlichen Gesprächspartner zu simulieren. Die virtuellen Assistenten können einfache Kundenanfragen beantworten, Informationen zum Angebot des Unternehmens liefern oder sogar Bestellungen entgegennehmen. Dabei lassen sich die Chatbots nicht nur auf der eigenen Homepage oder in der eigenen App betreiben, sondern auch in Messenger-Dienste wie WhatsApp oder soziale Netzwerke einbinden. Durch Chatbots kann die Kundenbindung verbessert werden, da diese beispielsweise im Support unmittelbar Fragen beantworten können. Ein Geschäftsmodell könnte in Zukunft darin bestehen, Kunden solche Chat­bots als Service zur Verfügung zu stellen. Eine Abrechnung könnte dabei nach tatsächlich erfolgten Anfragen erstellt werden.

Kognitive Beratung
Sogenannte Robo-Advisors sind schon seit einigen Jahren ein disruptives Geschäftsmodell in der Finanzbranche. In der Regel wird dabei ein Portfolio für den Kunden erstellt und in gewissen Intervallen ein automatisches Rebalancing durchgeführt. Bisher funktioniert das Rebalancing auf einem einfachen statischen Algorithmus, aber in Zukunft könnten dabei selbstlernende Systeme zum Einsatz kommen. Kognitive Systeme könnten dabei nicht nur den Algorithmus stetig verbessern, sondern zudem noch richtige Beratungsgespräche führen. Das Führen von Beratungsgesprächen lässt sich auch auf andere Dienstleistungen übertragen, sodass wir in Zukunft nicht nur das Geschäftsfeld des Kognitiven Finanzberaters haben dürften, sondern auch des Kognitiven Versicherungs-, Steuer- oder Rechtsberaters, selbst ein Kognitiver Universalberater könnte entstehen.

„Machine Learning as a Service“ (MLaaS)
Die großen Cloud-Anbieter bieten mittlerweile bereits MLaaS-Dienste an, ohne dass man sich selbst Kenntnisse von komplexen Machine-Learning-Algorithmen aneignen muss. Über eine einfache Oberfläche unterstützen die Anbieter einen bei der Erstellung eines zugeschnittenen Algorithmus. Dieser lässt sich dann durch einfache APIs mit den eigenen Anwendungen verbinden. Auf diese Weise lassen sich dann Milliarden von Prognosen nach einem skalierbaren Bedarf erstellen. Zusätzlich gibt es sogar die Möglichkeit einer automatischen Skalierung, die ebenfalls auf selbstlernenden Systemen aufbaut und wobei stetig der Bedarf des Kunden prognostiziert wird.

Taxi 2.0
Durch die Möglichkeiten der künstlichen Intelligenz werden Fahrzeuge in die Lage versetzt, völlig autonom zu fahren. Das autonom fahrende Auto, welches den Nutzer zu seinem Ziel chauffiert, steht kurz vor der Realisation, wodurch auch das Geschäftsmodell des völlig autonomen Taxibetriebs entstehen dürfte. Bezahlt werden könnte, wie dies bei Car-Sharing-Anbietern bereits jetzt schon der Fall ist, über ein Abomodell. Vielfahrer zahlen dabei eine höhere Grundgebühr, aber weniger Kilometergeld. Die Flotte des Anbieters nutzt dabei neben anderen verkehrsrelevanten Daten auch die eigenen Bewegungsprofile, um mittels selbstlernender Systeme die stets optimale Route hinsichtlich Geschwindigkeit oder Treibstoffverbrauch und Verschleiß zu ermitteln. Zusätzlich lassen sich die autonomen Autos auch als Kurierdienst nutzen, ohne dass ein menschlicher Kurier notwendig ist.

Content-Generatoren
Auf News-Portalen können kognitive Systeme dazu genutzt werden, Content zu generieren. Dazu können verschiedene Quellen in Bezug auf ihren Informationsgehalt untersucht und ein eigener Text erstellt werden. Auch Prognosen können die Systeme liefern und dafür bspw. auch Daten aus sozialen Netzwerken verwenden. Sportergebnisse, Wahlausgänge oder Aktienkurse könnten so kontinuierlich vorhergesagt und dem Leser in einfacher Textform angeboten werden. Selbst müsste man den Content der Seiten nicht mehr verwalten, sogar auf Kommentare könnten Chatbots reagieren. Geld erwirtschaftet man wie üblich durch Ads oder Premiuminhalte für Abo-Kunden. //

 

Autorenvita Andreas Fuhrich

 

(1) „Künstliche Intelligenz und echte Profite – Machine Learning auf dem Weg in den Mainstream“, von: Carlo Velten, 2016,
URL: https://www.crisp-research.com/kunstliche-intelligenzund-echte-profite-machine-learning-auf-dem-weg-den-mainstream/ (Abgerufen: 24.November 2016).
Der Text ist unter der Lizenz CC BY-SA 3.0 DE verfügbar.
Lizenzbestimmungen:
https://creativecommons.org/licenses/by-sa/3.0/de/

Internet of Things

Smart Things kommunizieren über das Internet der Dinge miteinander, wodurch neue Möglichkeiten automatischer Prozesse entstehen.

von Andreas Fuhrich

Statt selbst Gegenstand der menschlichen Aufmerksamkeit zu sein, soll das „Internet der Dinge“ den Menschen bei seinen Tätigkeiten unmerklich unterstützen. Dabei bezeichnet das Internet of Things (IoT) die Verknüpfung eindeutig identifizierbarer physischer Objekte mit einer virtuellen Repräsentation in einer internetähnlichen Struktur.

Die automatische Identifikation mittels RFID wird oft als Grundlage für das Internet der Dinge angesehen. Allerdings kann eine eindeutige Identifikation von Objekten auch mittels anderer Identifikationsverfahren, wie Strichcode oder 2-D-Code, erfolgen. Bauteile wie Sensoren und Aktoren erweitern die Funktionalität um die Erfassung von Zuständen bzw. die Ausführung von Aktionen.

Ziel des IoT ist die automatische Übertragung von Zustandsdaten realer Dinge in die virtuelle Welt, um dort weiterverarbeitet werden zu können. Solche Daten können beispielsweise Informationen über die aktuelle Nutzung, den Verbrauch, aber auch über besondere Umweltbedingungen am Ort des „Things“ sein. In einem IoT-Netzwerk kommunizieren auf diese Weise mehrere Dinge miteinander und sind in der Lage, sich gegenseitig Aufgaben zuzuweisen.

Wearables sind ein typisches Einsatzgebiet des IoT. Eine Smartwatch kann beispielsweise ihren Träger genau lokalisieren und diese Daten an die Heizung im Smart Home übermitteln. So kann sich diese automatisch ausschalten, falls das Haus verlassen wird, und sich einschalten, wenn man sich nähert.

In der Wirtschaft spielt das IoT vor allem im Zusammenhang mit der Industrie 4.0 eine wichtige Rolle. Dabei soll, nach Plänen der Bundesregierung, eine weitestgehend selbst­organisierte Produktion möglich werden: Menschen, Maschinen, Anlagen und Produkte kommunizieren und kooperieren direkt miteinander. Durch die Vernetzung soll es möglich werden, nicht mehr nur einen Produktionsschritt, sondern eine ganze Wertschöpfungskette zu optimieren. Das Netz soll zudem alle Phasen des Lebenszyklus des Produktes einschließen – von der Idee eines Produkts über die Entwicklung, Fertigung, Nutzung und Wartung bis hin zum Recycling.

Durch die Aktionen, die auf Basis der Daten des eigenständigen Informationsaustauschs zwischen Produktionsmaschinen, Lagersystemen und Betriebsmitteln entstehen, ergeben sich diverse Vorteile: Produkte können effizienter hergestellt und die Produktqualität kann verbessert werden. Der Energieverbrauch kann optimiert werden, da die einzelnen Teilnehmer eines IoT-Netzwerks nur dann aktiv sind, wenn sie wirklich benötigt werden. Durch die Nutzung moderner Technologien wird der Arbeitsplatz auch für die Mitarbeiter attraktiver. Zudem können Produkte kundenindividueller hergestellt werden, wodurch die Kundenbindung verbessert wird.

Von entscheidender Bedeutung beim IoT ist das Thema Sicherheit. Schließlich können Hacker nicht nur Daten stehlen oder verändern, sondern auch die Steuerung der Dinge übernehmen. Das Gefahrenpotenzial etwa im E-Health-Bereich oder bei Steuerungssystemen eines Kraftwerks ist daher außerordentlich.