von Eldar Sultanow, Lukas Sprinck, Ekaterina Schütt

Von ­optimierten ­Prozessen und personalisierten Produktempfehlungen, bis hin zum autonomen Fahren, gezieltem Katastrophen­-Management oder dem Erkennen eines Malaria-Ausbruchs, sind die Möglichkeiten von ML innerhalb ­einzelner Branchen und branchenübergreifend vielfältig.

Einleitung

Im Zeitalter der Digitalisierung werden immer mehr Daten erhoben, Prozesse automatisiert und Angebote personalisiert. Es wird jedoch zunehmend schwerer, diese enormen Datenmengen mit klassischen Methoden zu analysieren und relevante Schlüsse daraus zu ziehen. Ein Ansatz, der hier weiterhelfen kann, ist die Methodik des maschinellen Lernens.

Maschinelles Lernen ist eine Form der Künstlichen Intelligenz, bei der Maschinen und Programme auf Grundlage von beispielhaften Vergangenheits- und Vergleichsdaten eigenständig Muster erkennen und darauf aufbauend Entscheidungen treffen bzw. agieren können (1). Die Mustererkennung kann für ­verschiedenste Anwendungsfälle genutzt werden.

Dieses Exzerpt soll als Referenzarchitektur des Machine Learning eine Übersicht über die Möglichkeiten und vielfältigen Einsatzgebiete von ML-Algorithmen geben. In der ersten Hälfte des Exzerpts werden glossar­artig 112 Use Cases beschrieben, die sich auf 28 Branchen verteilen.

Die Branchen stellen dabei einen Querschnitt der gesamten Wirtschaft dar – angefangen von der Automobilindustrie bis hin zum Einkauf und Supply Chain Management. Die gewählten Use Cases sind teilweise einzigartig für die jeweilige Branche, teilweise aber auch allgemeiner Natur und auch in anderen Branchen vorzufinden. Bei allen Use Cases werden immer zunächst die klassischen Methoden genannt, die an ihre Grenzen stoßen, bzw. die Problemsituation beschrieben. Im Anschluss folgt dann die Problemlösung bzw. der Mehrwert durch den Einsatz von ML. In der zweiten Hälfte des Exzerpts folgen weitere Use Cases, die übergreifend in nahezu allen Branchen eingesetzt werden (können). Diese Beispiele erscheinen als Teil 2 in der nächsten Ausgabe der NEWSolutions.

Es folgen branchenspezifische Use Cases:

Automobilindustrie

Selbstfahrende Autos

Während einer Autofahrt werden viele ­verschiedene Daten gesammelt, die alle berücksichtigt werden ­müssen.
Durch Kombination verschiedener Algorithmen können die gesammelten Daten genutzt werden, um zu entscheiden wie sich das Fahrzeug verhalten soll (2).

Fortschrittliche Fahrerassistenzsysteme

Fahrassistenzsysteme sind in der Regel standardisiert und bieten daher keine echte Personalisierung für den jeweiligen Fahrer. Benutzerspezifische Profile hingegen können den Fahrer und dessen Zustand erkennen und ihn somit individuell unterstützen. So kann das System die Lieblingsmusik des Fahrers spielen, wenn er müde wird, oder einem anderen Fahrer den täglichen Aktienkurs vorlesen (3).

Verbesserte Navigation

Klassische Navigationssysteme führen ihren Fahrer effizient zum Ziel, berücksichtigen dabei aber keine Gewohnheiten.
Wenn das System aus den Gewohnheiten des Fahrers lernt, kann es die Route entsprechend anpassen und den Fahrer, der z. B. gerne jeden Morgen einen ­Kaffee-to-go zu seinem Arbeitsplatz mitnimmt, unter Berücksichtigung des Verkehrs an einem Café ­vorbeiführen(4).

Vernetzte Autos

Viele Gefahren im Straßenverkehr sind aus der Ferne kaum erkennbar und werden erst bemerkt, wenn ein Unfall bereits unvermeidlich ist. Durch Vernetzung von Autos können sich die Fahrzeuge gegenseitig bei Gefahrenstellen (zum Beispiel hinter einer Kurve) warnen, um weitere Unfälle zu vermeiden, und ihre Fahrer auf eine andere Route leiten (4).

Baugewerbe

Vorhersage von Schlaglöchern

Bisher werden Straßen erst dann saniert, wenn die Sanierung nahezu unvermeidlich ist. Zu diesem Zeitpunkt fallen für die Sanierung jedoch hohe Kosten an.
Durch Analyse verschiedener Parameter wie Straßenzustand, Wetter- und Verkehrsdaten, kann vorausgesagt werden, an welchen Stellen Schlaglöcher auftreten werden, sodass diese bereits frühzeitig saniert werden können, ohne die gesamte Straße ­kostenintensiv ­sanieren zu müssen (5).

Optimierte Brückenplanung

Bei der Planung neuer Verkehrsbrücken müssen ­viele mögliche Orte und Brückentypen gegeneinander ­abgewogen werden. Bisher konnte man die Vielzahl an ­erforderlichen Daten nicht umfassend bewältigen.
Durch den Einsatz von ML können die Daten derart ausgewertet werden, dass ein verbesserter ­Verkehrsfluss entsteht und es können Aspekte bezüglich Anforderungen der Errichtung, des Fahrkomforts, der Instandhaltung und der Landschaft berücksichtigt werden (6).

Produktivitätsschätzung

Konventionelle Methoden kombinieren Erfahrungen aus früheren Projekten mit gespeicherten Daten, was oft arbeitsintensiv und ungenau ist.
Ein ML-basiertes Entscheidungshilfe-Tool für ­Produktivitätsschätzung kann gespeicherte Daten und Informationen aus früheren Projekten deutlich ­schneller und präziser auswerten (7).

Verbesserung der Bausicherheit

Die Arbeit im Baugewerbe birgt viele Gefahren. So kommt es regelmäßig zu Unfällen, Verletzungen und sogar Todesfällen.
Die Analyse der Baumaschinenaktivitäten kann zur Verbesserung von Produktivitätsauswertungen, Sicherheitsmanagement, Reduzierung von Stillstandzeiten, Emissionsüberwachung und -kontrolle beitragen (8).

Bergbau

Verbesserte Sortierung

Gewünschte Materialien von wertlosem Schmutz, Steinen und Ton zu trennen, ist aufwendig und teuer.
Mit Hilfe von Sensoren und Bilderkennung, können die Materialien in der Sortieranlage untersucht und nach verschiedenen Kriterien wie Größe, Form oder Art des Materials sortiert werden (9).

Verbesserte Explorationsziele

Klassischerweise werden neue Informationen aus vorhandenen Flächendaten gewonnen.
Mit ML kann man Gebiete bestimmen, die als nächstes erkundet werden sollen. Hochwertige Explora­tionsziele werden schneller erreicht und geologische Modelle können mit größerer Sicherheit berechnet werden, indem die wachsenden Datenmengen interpretiert werden (13).

Verbesserte Erkennung von Mineralvorkommen

Um Mineralien abbauen zu können, müssen zunächst geeignete Plätze gefunden werden.
ML kann durch Analyse eines kleinen Prozentsatzes geowissenschaftlicher Daten aus der Oberfläche eine Vorhersage treffen, wie hoch die Wahrscheinlichkeit ist, dass an dem Platz gesuchte Mineralien vorkommen (10).

Überwachung von technischen Anlagen

Bei Überlastung der Anlagen muss der Betrieb in der Mine gestoppt werden, was bei jedem Ausfall enorme finanzielle Einbußen nach sich zieht.
Wenn man die Geräte mit Sensoren überwacht, können Probleme vorhergesagt werden, bevor sie tatsächlich auftreten. Die Wartung kann allgemein verbessert und Ausfallzeiten können reduziert werden (11) (12).

Biotechnologie

Substrukturvorhersage von Metaboliten (Zwischenprodukte bei Stoffwechselweg)

Derzeit bleibt die Mehrheit der Massenspektrums-Tags wegen des Fehlens von authentifizierten reinen Referenzsubstanzen, die für die Verbindungserkennung durch GC-MS (Gaschromatographie gekoppelt mit Massenspektrometrie) erforderlich sind, nicht identifiziert.

Eine Vorhersage der häufigsten Unterstrukturen auf Basis von Massenspektral-Merkmalen und RIInformationen (Retentionsindex) führt nachweislich zu einer hochempfindlichen und spezifischen Feststellung von Unterstrukturen, die in den Verbindungen enthalten sind (14).

Toxische Gefährdungsabschätzung

Zur Abschätzung von toxischen Gefährdungen werden große Datenmengen benötigt, die ohne spezielle Algorithmen kaum ausgewertet werden können.
Durch Anwendung eines ­Entscheidungsbaumansatzes kann die toxische Gefährdung auf Basis großer ­Datenmengen abgeschätzt werden (15).

Arzneimittelforschung

Der aktuelle Stand der Arzneimittelforschung ist nicht nachhaltig genug: Für ein einzelnes Medikament fallen durchschnittlich 12 Jahre an Studienarbeit an, was mit Kosten in Höhe von mehr als 2 Mrd. Euro ­verbunden ist.
Durch die Analyse einer großen Menge an Vergangenheitsdaten, können neue Studien deutlich verbessert werden, indem die Forscher zum Beispiel über mögliche Fehltritte aus früheren Studien informiert werden oder indem ihnen bessere Bezeichnungen für Medikamente vorgeschlagen werden (16).

Automatische Erstellung von diagnostischen Assays

Diagnostische Assays (zu Diagnosezwecken) werden heute in der Regel einmal entwickelt und nur dann aktualisiert, wenn ein signifikanter Paradigmenwechsel stattfindet. Damit werden Chancen zur Verbesserung neuer Ergebnisse verpasst.Durch automatisierte Generierung der diagnostischen Assays, können Echtzeitdaten zur Verbesserung neuer Diagnosetests verwendet werden, wodurch deren Ergebnisse deutlich optimiert werden (16).

Chemische Stoffe

Klassifizierung der chemischen Toxizität

Für die Erstellung von Bioaktivitätsprofilen werden häufig Tierversuche verwendet.
Berichte zu organischen Vorgängen außerhalb eines lebenden Organismus können durch ML mit hohem Durchsatz analysiert werden. Dies senkt die Kosten und den Zeitaufwand für das toxikologische Screening von Umweltchemikalien und reduziert die Notwendigkeit von Tierversuchen (17).

Vorhersage der chemischen Karzinogenität (Eigenschaft Krebs zu erzeugen)

Für den Menschen ist es nahezu unmöglich, Zusammenhänge in sehr großen Datenmengen zu erkennen.
ML hingegen kann Muster in Daten leichter erfassen und somit eine akkurate Vorhersage der chemischen Karzinogenität treffen (18).

Chemische Reaktionen in Echtzeit aufdecken

Wichtige Reaktionen von Industriechemikalien finden häufig bei hohen Temperaturen und unter Druck statt, was die Messtechnik erschwert.
Durch ML können Zusammenhänge zwischen verborgenen Merkmalen des Absorptionsspektrums und strukturellen Details der Katalysatoren mit Hilfe von Niedrigenergiewellen gefunden werden. Dadurch entfällt bei gleicher Qualität der Ergebnisse die Notwendigkeit, hohe Temperaturen und Druck im Verfahren einzusetzen (19).

Verbesserte Erkennung von chemischen Substanzen

Für den Menschen ist es nicht ganz so einfach, aus einem großen Datensatz relevante Zusammenhänge zu erkennen und herzustellen.
Durch verbesserte Erkennung von chemischen Substanzen, entstehen neue Möglichkeiten zur Kontrolle des Handels mit illegalen Drogen, der Sprengstoffdetektion oder für andere Strafverfolgungs­-Anwendungen (20).

Dienstleistungsbranche

Vorausschauende Polizeiarbeit

Wiederkehrende Muster in Kriminalstatistiken ausfindig zu machen, stellt den Menschen nicht zuletzt aufgrund des Ausmaßes der Daten vor eine Herausforderung.
Die Analyse aktueller und vergangener Daten ­erlaubt es mittels ML vorherzusagen, wo eine erhöhte Wahrscheinlichkeit für Verbrechen besteht und erlaubt ­Präventivmaßnahmen der Polizei (21).

Erneuerungszeitpunkt von Beleuchtungsanlagen

Die Erneuerung von Beleuchtungsanlagen ist teuer und nicht immer lohnend.
Mit einer Analyse und Klassifizierung der Tagesprofile kann eine klare Empfehlung abgegeben werden, ob sich eine Erneuerung der Leuchten lohnt (22).

Chatbots

Kunden müssen in Telefonwarteschlangen oft zu ­lange warten, um mit jemandem aus dem Kundendienst zu sprechen.
ML ermöglicht Selbsthilfe auf der Firmenwebsite, wo Chatbots den Menschen bestmöglich imitieren und somit den Kunden lästiges Warten ersparen (23).

Echtzeit-Analyse in Callcentern

Callcenter-Mitarbeiter brauchen ein gutes Gespür für die Stimmung des Anrufers und müssen zunächst herausfinden, welches konkrete Anliegen dieser hat.
Die Analyse von Sprache und Stimmung des Anrufers kann genutzt werden, um dem Callcenter­-Mitarbeiter in Echtzeit „Coaching“-Vorschläge zu unterbreiten, die sich auf das Anliegen und die Stimmung des Anrufers beziehen (24).

Elektrische Geräte

Kombinieren von mehreren Kamerafotos

Eine einzelne Kamera ist in der Regel nicht so gut wie mehrere Kameras, die jeweils auf einen Bereich spezialisiert sind.
Durch die Verwendung von mehreren Spezial­kameras in einem Gerät und den Einsatz von ML zur Kombination der Bilder, können die Stärken der einzelnen Kameras in einem einzigen Bild vereinigt werden (25).

Intelligente Lautsprecher

Herkömmliche Lautsprecher können meist nur ­Musik abspielen.

Intelligente Lautsprecher hingegen können mit Hilfe von Spracherkennung Musik auf Kommando abspielen, Fragen beantworten, Anrufe tätigen oder Nachrichten per Spracheingabe senden (26).

Anomalie-Erkennung

Der Mensch kann Anomalien in elektrischen Geräten kaum bis gar nicht erkennen – erst recht nicht, wenn diese vorher noch nie aufgetreten sind.
Eine Beobachtung und damit ein Erlernen des normalen Verhaltens eines Gerätes ermöglicht es, mittels ML Abweichungen von diesem Verhalten als Anomalie oder Irregularität zu erkennen. Dieses Verfahren funktioniert auch bei bisher vollkommen unbekannten ­Anomalien (27).

Smart TV

Klassische Fernseher geben dem Nutzer keine ­(personalisierten) Videoempfehlungen.
Mit Daten über die Nutzer sowie mithilfe verschiedener Sensoren, kann das so genannte „Smart TV“ personalisierte Videoempfehlungen auf Basis von zum Beispiel Alter, Interessen oder sogar der aktuellen Stimmung anbieten (28).

Energieversorgung/-wirtschaft

Windvorhersage

Genaue Prognosen zum Verhalten des Windes sind schwierig zu treffen, da die Prognosen aufgrund der vielen Einflussfaktoren sehr ungenau sind.
Durch ML können die Einflussfaktoren deutlich besser verarbeitet werden, was genauere Vorhersagen hinsichtlich der Intensität, Richtung und Zeit des Windes ermöglicht (29).

Intelligente Stromnetze

Durch die zunehmende Komplexität der Stromnetze steigen auch Schwankungen im Netz immer weiter an.
Effizientere Verfahren bei der Energiebereitstellung und bei Vorhersagen bezüglich der Batterien und anderen Geräteteilen machen die Energieexploration einfacher und wirtschaftlicher (30) (31).

Harmonisierung von Wasserproduktion und -fluss

Ein selbst erstelltes Planungstool in Excel kann ­Daten nur bis zu einem gewissen Umfang bewältigen und ist ansonsten stark eingeschränkt.
Der Einsatz eines ML-basierten Tools verbessert die Interaktion zwischen dem Wasserfluss und der Erzeugung und Optimierung des Wirkungsgrades auf Stundenbasis (29).

Genauere Wettervorhersagen

Wettervorhersagen sind von einer Vielzahl von ­Daten abhängig, deren exaktes Zusammenspiel schwer zu deuten ist.
Mit ML-Techniken können viel mehr Daten berücksichtigt werden, was zu genaueren Wettervorhersagen führt. Diese Prognosen können im Rahmen der ­Energieversorgung / -wirtschaft berücksichtigt werden (32) (33).

Erziehung und Unterricht

Spracherkennung für das Sprachenlernen

Nicht jeder kann einen persönlichen Lehrer bezahlen, der individualisierte Übungen vorbereitet.
Eine App bestimmt den Umfang des Wortschatzes des Nutzers, findet heraus, welche Sätze ihm helfen werden, seine Schwächen zu überwinden und empfiehlt Übungsdokumente, die auf seinem aktuellen Wissensstand basieren (34).

Texterkennungsanwendungen

Um abfotografierte Informationen verwenden zu ­können, muss der Inhalt normalerweise manuell ­abgetippt werden.
Texterkennung ermöglicht das Kopieren und Einfügen von Texten aus Fotos heraus. Damit wird zum Beispiel auch das automatische Lösen von mathematischen Gleichungen auf Fotos möglich (34).

Werkzeug zur Plagiatsprüfung

Die Erkennung von Plagiaten durch klassische Tools ist zeitaufwendig und kann umformulierte Textpassagen oft nicht wiedererkennen.
Ein ML-basiertes Tool kann einen Text effizient ­gegen mehr als 10 Mrd. Quellen prüfen und Plagiate auch dann erkennen, wenn sie leicht vom Original ­abweichen (34) (35).

Lehrroboter

Lehrermangel führt oft dazu, dass in den Schulen ­Unterricht entfallen muss.
Inzwischen können allerdings auch Roboter mit Schülern interagieren und sie unterrichten. So kann zumindest temporär der Lehrermangel kompensiert ­werden (34).

Finanz- & Versicherungsdienstleister

Back-Office-Automatisierung

Im Backend-Betrieb ist nach wie vor menschliche Unterstützung notwendig.
Back-Office-Tätigkeiten erfordern keine direkte ­Interaktion mit dem Kunden und können von ­Robotern bzw. Algorithmen effizienter durchgeführt werden (36).

Betrugserkennung

Bisherige Betrugserkennungssysteme sind stark von komplexen Regelwerken abhängig, die zu großen ­Teilen händisch gepflegt werden.
ML-Systeme erkennen automatisch auffällige ­Aktivitäten oder Verhaltensweisen („Anomalien“) und kennzeichnen diese für Sicherheitsteams (37).

Risikomanagement

Herkömmliche Software-Anwendungen prognostizieren die Bonität von Kunden auf Basis von statischen Informationen.
ML kann zur Analyse des finanziellen Status von Kunden zusätzlich zu statischen Informationen auch aktuelle Markttrends und Echtzeitdaten berücksichtigen (38).

Echtzeit-Versicherungsprämien

Versicherungsprämien basieren klassischerweise auf der Risikobewertung historischer Daten.
Erhöhtes Datenvolumen ermöglicht Anpassung der Versicherungsprämien auf Basis aktueller Risiken in Echtzeit (39).

Gesundheits- und Sozialwesen

Krebsdiagnose

Auch gut ausgebildete Ärzte können durch die ­Analyse von Gewebeschnitten zu unterschiedlichen Ergebnissen kommen.
Predictive Analytics, Pattern Recognition und ML erreichen mittlerweile bei Analysen eine Genauigkeit von 89 Prozent, jenseits der 73 Prozent eines Humanpathologen (40).

Diagnose und Behandlung von Depressionen

Depression ist eine häufig auftretende psychische Störung.
ML kann Depressionen genauer vorhersagen, diagnostizieren und behandeln. Konkrete Beispiele dafür sind die Chatbots Woebot und Wysa (41) (42) (43).

Malaria-Ausbruchsprognose

Die frühzeitige Vorhersage eines Malaria-Ausbruchs ist der Schlüssel zur Kontrolle der Malariamorbidität, -mortalität und -ausbreitung.
Der Klassifikationsalgorithmus „Support Vector ­Machine“ kann den Ausbruch von Malaria bereits 15 bis 20 Tage im Voraus vorhersagen (44).

Selbstmordvorhersage

Die Selbstmordvorhersage bei Patienten ist oft sehr ungenau.
Wenn genügend Daten vorhanden sind, kann ML versteckte Zusammenhänge erkennen und Ärzte vor drohenden Selbstmorden ihrer Patienten warnen (45).

Grundstücks- und Wohnungswesen

Automatisierte Dokumentenanalyse

Es ist sehr zeitaufwendig und daher kaum praktikabel, alle verfügbaren Dokumente zu analysieren.
ML-Tools können relevante Informationen aus allen vorliegenden Dokumenten extrahieren und Schlüsselbegriffe identifizieren (46).

Automatisierte Berichte zur Bewertung von Immobilien

Die Schätzung des Preises einer Immobilie ist ein komplexer Vorgang und somit sowohl für Käufer als auch für Verkäufer zeitaufwendig.
Die automatische Erstellung von Berichten in natürlicher Sprache (als wäre der Bericht von einem Menschen geschrieben), stellt für Käufer und Verkäufer eine erhebliche Arbeitserleichterung dar (47).

Prognose von Immobilienpreisen

Immobilienpreise verändern sich stetig und auf Basis vieler Faktoren.
ML kann Immobilienpreise nicht nur auf der Grundlage von Standort und Quadratmeterzahl, sondern auch unter Berücksichtigung anderer wichtiger Parameter, wie z. B. der aktuellen Marktentwicklung, prognostizieren (48).

Bilderkennung

Um Informationen über Immobilien zu erhalten, müssen Millionen von Bildern gesichtet werden, was eine zeitaufwendige Angelegenheit ist.
ML ermöglicht eine Suche nach visuell ähnlichen Häusern und Objekten, Klassifizierung von Raumtypen sowie die Extraktion von auffälligen Merkmalen (49).

Handel

Roboter in Läden

Für eine präzise Planung von Lagerei und Verkauf werden Echtzeitdaten benötigt, die in dieser Form ­bislang kaum verfügbar sind.
Roboter können bei der Erstellung von Echtzeitdaten helfen, indem sie den Bestand scannen und mittels ML die Abweichungen bei Produkten und Preisen analysieren um Mustern zu erkennen (50).

Kundensegmentierung

Klassischerweise werden Kundensegmente in einzelnen Analysen, aber fast nie in Echtzeit ermittelt.
Der Einsatz von Kameras in Geschäften ermöglicht es, die Wege von Kunden zu tracken und sie in verschiedene Segmente einzuteilen (z. B. nach ihrer ­potentiellen Zahlungsbereitschaft). Auf diese ­Kunden(-segmente) können dann Verkäufer gezielt eingehen (51).

Lagerhaltung und Bestandsoptimierung

Ohne eine optimale Planung sind meistens zu viele oder zu wenige Produkte im Lager.
ML-Algorithmen erstellen Bedarfsprognosen, die nicht nur auf historischen Verkaufsdaten basieren, sondern auch Faktoren wie Werbekampagnen, Laden­öffnungszeiten, lokales Wetter und Feiertage berücksichtigen. Dadurch kann der Bestand entsprechend ­optimiert werden (52) (53).

Optimierte Preisgestaltung

Die Berücksichtigung von vergangenen Käufen ­allein reicht nicht aus, um das Kundenverhalten umfassend zu prognostizieren.
ML-Tools analysieren Kundendaten in Verbindung mit größeren Markttrends, um das Kaufverhalten besser vorherzusagen und die Preisgestaltung ­entsprechend zu optimieren (54).

Hotel und Gastronomie

Hotel-Concierge-Roboter

Ein Hotel-Concierge arbeitet meistens im Bereich der Luxushotellerie. Seine Aufgaben bestehen u. a. ­darin, Stammgäste zu erkennen und Kunden mit höchsten Erwartungen zu bedienen. Ein derart aufwendiger und individueller Kundenservice kann jedoch in der Regel nicht für alle Gäste angeboten werden.

Ein Hotel-Concierge-Roboter kann auf die Kundendatenbank zugreifen und unter Einbezug verschiedener Parameter wie Wetter und Reisedaten der Kunden Echtzeit-Empfehlungen für Sehenswürdigkeiten und Attraktionen abgeben. Ein derartiger Service kann für alle Gäste eingesetzt werden (55) (56).

Mobile Anwendungen und Chatbots

Das Hotelpersonal verbringt viel Zeit mit monotonen und sich wiederholenden Aufgaben.
Durch den Einsatz von Chatbots können Kunden bequem selbst Mahlzeiten bestellen, Reservierungen verwalten oder ein Taxi buchen. Dadurch gewinnen die Mitarbeiter Zeit, um die Kommunikation mit den Gästen und den Kundenservice im Allgemeinen zu ­verbessern (55).

Essensempfehlungen

Bisher müssen Kunden den Kellner nach einer Menüempfehlung fragen.
Eine KI-Gesichtserkennungs-Technologie kann ­angeben, an welcher Bestellung ein Kunde interessiert sein könnte – basierend auf seinem Geschlecht, seinem Gesichtsausdruck und anderen visuellen Merkmalen (57) (58).

Tragbarer Lebensmittelscanner

Inhaltsstoffe von Lebensmitteln können nur in einer Laboranalyse genau bestimmt werden.
Handscanner mit ML-Software können den Inhalt von Lebensmitteln auf molekularer Ebene identifizieren, um potenzielle Schadstoffe für den Verbraucher ohne aufwendige Laboranalyse zu erkennen (57) (59).

Kosmetika

Personalisierte Produktempfehlung

Online-Produktempfehlungen basieren oft nur auf wenigen bekannten Details über den Kunden.
Vergleicht man mit ML eine Vielzahl an Kundendetails, können noch weitgreifendere personalisierte Empfehlungen für Schönheitsprodukte abgegeben ­werden (60) (61).

Personalisierte Hautpflege

Die meisten Kosmetikmarken verkaufen keine Produkte, die auf den einzelnen Verbraucher zugeschnitten sind.
ML hilft medizinischen Anbietern, eine personal­isierte Hautpflege zu entwickeln, indem individuelle Eigenschaften des Kunden berücksichtigt werden (62) (63).

Intelligente Haarbürste

Menschen wissen oft nicht, wie sie ihr Haar am ­besten pflegen sollen.
Eine smarte Haarbürste analysiert mit verschiedenen Sensoren über eine mobile App einen Behandlungsplan für die persönliche Haarpflege (64).

Personalisierte Make-up-Vorschläge

Viele Kunden mischen verschiedene Produkte und raten blind, welche Kombinationen am besten funktionieren könnten.
Gesichtserkennung und Echtzeit-Projektion von ­Make-up-Looks auf das Gesicht des Anwenders ­ermöglichen personalisierte Make-up-Vorschläge auf Basis der erfassten Haut-Daten (65).

Kunst, Unterhaltung und Erholung

Fotos in Kunstwerke verwandeln

Ein Bild nach einem bestimmten Stil zu malen ist sehr zeitaufwendig und erfordert einige Erfahrung.
Mit ML können Stilelemente eines Bildes verwendet werden, um automatisch den Inhalt eines anderen ­Bildes zu zeichnen (66).

Personalisierte Videoempfehlungen

Videoempfehlungen basieren auf einer Vielzahl von Daten, die einfache Algorithmen nicht ausreichend ­berücksichtigen können.
Die Kombination mehrerer ML-Pipelines ermöglicht eine noch passendere personalisierte Empfehlung von Videos (67).

Augmented Reality (AR) Emojis

Normale Smartphone-Emojis sind statisch oder ­haben eine fest definierte Animation.
AR-Emojis werden erstellt, indem der Gesichtsausdruck des Nutzers in ein animiertes 3D-Modell ­gespiegelt wird (68).

Personalisierte Übungen in Fitness-App

Fitness-Apps bieten meist für jeden Nutzer die gleichen Übungen an oder personalisieren lediglich anhand von manuell ausgewählten Kriterien.
Die Nutzung von Sensordaten und eine Analyse des Trainingsprozesses sowie ein Abgleich der Daten mit anderen Nutzern ermöglicht die Erstellung ­eines ­individualisierten Trainingsplans, passend zu den ­Bedürfnissen und Voraussetzungen des Nutzers (69).

Land- und Forstwirtschaft, Fischerei

Prognose des Ernteertrags

Ohne Computersimulationen kann der zu erwartende Ernteertrag lediglich aufgrund von Vergangenheitswerten und Schätzungen prognostiziert werden. Simula­tionen ohne ML können nur eine begrenzte Anzahl an Parametern gleichzeitig betrachten.
ML-basierte Simulationen können den Ertrag von Nutzpflanzen unter gleichzeitiger Berücksichtigung von unterschiedlichen Sub-Klimata, Bodenarten, Witterungsverhältnissen und anderen Faktoren prognostizieren (70).

Genauere Diagnose von Pflanzenkrankheiten

Traditionell werden Pflanzenkrankheiten durch visuelle Inspektion erkannt, die ineffizient und fehleranfällig ist.
ML ermöglicht eine automatische Erkennung von Schweregrad und Typ der Pflanzenkrankheit durch Analyse von Feldbildern, die von Satelliten, Drohnen, landgestützten Rovern oder durch Smartphones aufgenommen wurden (70).

Analyse von Satellitenbildern

Satelliten liefern Bilder mit sehr hoher Auflösung und großer Bittiefe, die dadurch sehr aufwendig zu analysieren sind.
ML-basierte Analyse aller Bilddaten ermöglicht es, Entwaldung, neue illegale Landwirtschaft und andere Auffälligkeiten zu erkennen (71).

Kartierung der globalen Fischereitätigkeit

Global Fishing Watch sammelt mehr als 22 Millionen Informationspunkte pro Tag – eine Datenmenge, die auf herkömmlichem Weg nur schwer ausgewertet werden kann.
ML hingegen bestimmt auf Basis aller Informationspunkte den Schiffstyp, welche Art von Fanggerät verwendet wurde und wo gefischt wird (basierend auf Bewegungsmustern) (72).

Lebensmittelindustrie

Verbesserte Sortierung

Ältere automatische Sortieranlagen konzentrierten sich primär darauf, das Schlechte vom Guten zu ­trennen.
Neue Sortieranlagen können beispielsweise ­Gemüse nach Größe, Form und/oder Farbe sortieren. ­Ebenso ist es möglich, Kartoffeln danach zu sortiert, dass ­möglichst wenig Abfall entsteht, wenn sie in Pommes geschnitten werden (73).

Verbesserte Reinigung

Ausrüstung für die Lebensmittelverarbeitung wird meist so lange gereinigt, wie es für die stärksten ­Verschmutzungen nötig ist, um zu garantieren, dass keine Verschmutzungen zurückbleiben.
Die Auswertung von Sensordaten ermöglicht es, die Reinigungsdauer an den tatsächlichen Verschmutzungsgrad anzupassen, um Wasser und Reinigungs­chemikalien zu sparen (73).

Personalisierte Rezeptempfehlungen

Klassische Rezeptvorschläge basieren auf allgemeinen Bewertungen ohne individuelle Personalisierung.
Mittels ML und Verhaltensforschung können Rezepte erstellt und empfohlen werden, die auf individuelle Bedürfnisse zugeschnitten sind. Die Empfehlungen verbessern sich im Laufe der Zeit auf der Grundlage von Feedback, Bewertungen und Nutzung durch die einzelnen Nutzer (74) (75).

Bedarfsprognose

Aktuelle Herausforderungen bei der Bedarfsprognose von Lebensmitteln sind Unsicherheit der Nachfrage, wachsende Kluft zwischen Strategie und Umsetzung sowie Komplexität der Prognosen.
ML ermöglicht höhere Warenverfügbarkeit, weniger Out-of-Stock-Situationen, Reduzierung von Überbeständen und Verschwendung, Steigerung der Effizienz und Ausrichtung auf strategische Ziele (76).

Logistikbranche

Echtzeit-Überwachung

Echtzeit-Überwachung ist in der Regel nur an wenigen ausgewählten Punkten möglich.
Sensoren und ML Tools überwachen den Zustand der Teile in verschiedenen Phasen der Produktion, um mögliche Fehler, Ausfälle oder Defekte während der Produktion in Echtzeit zu erkennen (77).

Transparenz

Kunden wünschen sich immer mehr (Live) Daten für ihre eigene Planung, was für den Dienstleister zusätzlichen Aufwand bedeutet.
ML ermöglicht Lieferprozessstatus, Live-Tracking, Live-Ortung und Informationen zum aktuellen Energieverbrauch (77).

Autonome Logistik

Bei der klassischen Logistik koordinieren Menschen verschiedene Fahrzeuge und deren Aufgaben, was viel Zeit in Anspruch nimmt.
Selbstfahrende Fahrzeuge auf der Straße und unbemannte Luftfahrzeuge am Himmel können mittels ML unter Berücksichtigung der Umwelt ihre Aufgaben ­autonom koordinieren (78).

Logistikroboter

Etliche Arbeitsschritte, die im Bereich Logistik ­anfallen, sind monoton, einfach und kosten dennoch viel Zeit.
Roboter bringen Produkte so schnell und präzise wie möglich ans Ziel und können rund um die Uhr arbeiten (79).

Luft- und Raumfahrt

Verbesserte Flugplanung

In Luft- und Raumfahrt gilt es eine Vielzahl an Parametern zu berücksichtigen, deren Verarbeitung enorme Ressourcen beansprucht.
ML ermöglicht es, verschiedenste Parameter wie Wetterdaten, Wind oder Luftraumbeschränkungen zu berücksichtigen und auf deren Basis den Kraftstoffverbrauch mit Hilfe effizienter Routenplanung zu ­reduzieren (80).

Personalisiertes Flugtraining

Jeder Pilot hat einen anderen Lernstil und benötigt individuelle Schulungen.
Mittels ML können stark personalisierte Schulungen für Piloten angeboten werden. Diese basieren auf Daten aus vergangenen Trainings anderer Piloten, aus verschiedenen Flugsimulatoren und aus den Cockpits verschiedener Kleinflugzeuge (81).

Ermittlung optimaler Startparameter

Jede Verspätung beim Start kostet viel Geld.
Durch die Analyse einer Vielzahl von Umweltdaten können optimale Startparameter gefunden werden (80).

Fahren auf dem Mars

Die Marsoberfläche ist felsig und durch Dünen ­gekennzeichnet. Ohne automatisierte ­Umweltanalysen müsste ein Rover auf dem Mars vollständig von Menschen gesteuert werden, um zu verhindern, dass er stürzt oder stecken bleibt.
Ein autonomer Rover kann die Umgebung selbstständig analysieren und daraus berechnen, welche Wege er sicher befahren kann. Dadurch muss er nicht ständig von Menschen gesteuert werden und kann ­somit ­effizienter arbeiten (82).

Pharmabranche

Verbesserte Arzneimittelentwicklung

Die Entwicklung von Arzneimitteln basiert auf ­vielen Daten und unbekannten Korrelationen.
Auf Basis von biologischen Faktoren, die mittels ML analysiert werden, kann die Erfolgsrate von neuen Arznei­mitteln deutlich verbessert werden (83).

Bessere Patientenversorgung

Das medizinische Personal in einem Krankenhaus steht häufig unter gravierendem Druck, in Situationen zügig zu reagieren und richtige Entscheidungen zu fällen. Vor allem auf Intensivstationen müssen schnelle und fundierte Entscheidungen getroffen werden, um Menschenleben zu retten.

Durch das Heranziehen der Daten aus Krankenakten vergangener Fälle und computergestützter Analysen, können sinnvolle Interventionen abgeleitet werden (84).

Neue Wissensgewinnung

Zusammenhänge in großen Datensätzen herzustellen ist bei weitem nicht einfach. Auch im wissenschaftlichen Arbeiten und Forschungskontext stellt sich dieses Problem. Durch das Fehlen geeigneter Analyse-Tools kann wissenschaftlicher Fortschritt verlangsamt, wenn nicht sogar verhindert werden.

ML ermöglicht die Überprüfung großer Mengen unstrukturierter Daten in wissenschaftlichen Arbeiten und Patienteninformationen, das Finden von Zusammenhängen und Entwickeln von Hypothesen für die ­weitere Erforschung (85).

Erleichterung des Prozesses klinischer Studien

Klinische Studien sind langwierige und ­kostspielige Prozesse in der Arzneimittelforschung und können ­unter anderem gefährlich für Testpatienten sein.
Mit Hilfe von ML werden Patientenproben sowohl von verstorbenen als auch von gesunden Patienten gesammelt und mit klinischen Informationen kombiniert, um die Wirksamkeit eines Medikaments vorherzusagen oder potenziell toxische Behandlungen ­auszusortieren (86).

Öffentliche Verwaltung

Risikomodellierung bei Kinderfürsorge

Wenn bei Kindesmissbrauch ein Anruf eingeht, ­erfolgt ein manueller Zugriff auf eine Vielzahl von ­Daten und Informationen.
ML kann die gespeicherten Daten schnell durchforsten und diese für den Mitarbeiter visualisieren. ­Dadurch hat er mehr Zeit für den individuellen Fall (87).

Intelligentere Stadtdienste

Stadtverwaltungen sind mit unzähligen Aufgaben ­betraut.
Vorhersagen, wann und wo Graffiti, Schlaglöcher und andere Probleme auftreten können, ermöglichen einen effizienteren Einsatz der verfügbaren Kräfte (88).

Identifizierung von Hilfsbedürftigen

Hilfsbedürftige Menschen kämpfen mit multidimensionalen Problemen wie psychischen Erkrankungen oder Obdachlosigkeit.
Mit Hilfe von ML können verschiedene menschliche Verhaltensmuster analysiert werden. Darauf basierend werden bestimmte Personen und Personengruppen identifiziert, die ein besonderes Maß an Unterstützung benötigen. Den Betroffenen können so gezielte Dienstleistungen angeboten werden, um ihnen zu helfen. (89).

Gezieltes Katastrophenmanagement

In einem Katastrophenfall ist es wichtig, das Ausmaß der Schäden zu analysieren und zu bewerten und sicherzustellen, dass Hilfe zuerst denjenigen zugutekommt, die sie am dringendsten benötigen.
Dafür kann es nützlich sein, das Ausmaß der Katastrophe an einem betroffenen Standort, an dem noch keine Hilfe geleistet wurde, vorab mit Hilfe von ML zu analysieren und zu bewerten und damit ein gezielteres Katastrophenmanagement umzusetzen (90).

Schiffbau und Meerestechnik

Verbesserte Fischereiaufzeichnungen

Fischereiaufzeichnungen auf Papier sind nur an ­einem Ort verfügbar, aufwendig zu transportieren und können nur eingeschränkt von mehreren Personen gleichzeitig bearbeitet/eingesehen werden.
Eine App kann umfangreiche Daten zur Fischerei erfassen und einerseits den Fischern Vorschläge in ­Sachen Geschäftsplanung, andererseits auch der ­Regierung eine Aufzeichnung und einen Überblick über den Stand der Branche im eigenen Land geben (91).

Vorhersage von Monsterwellen

So genannte Monster- oder Riesenwellen können in sonst ruhigen Gewässern überraschend auftreten und stellen damit eine Gefahr für die Befahrer dieser ­Gewässer dar.
ML kann die Daten der umgebenden Wellen analysieren, um Wellenbündel zu erkennen, die sich zu ­einer Monsterwellen entwickeln könnten und die ­Wahrscheinlichkeit deren Auftretens ermitteln (92).

Intelligente Schiffe

Für die Besatzung eines Schiffes ist es schwierig, das Geschehen im Inneren, als auch die Umgebung des Schiffes ständig zu beobachten.
Eine Interpretation großer und vielfältiger Schiffsdatensätze, Sicherung von Daten aus einer Reihe von Sensoren mit Informationen aus vorhandenen Schiffssystemen und Radargeräten entlastet die Besatzung und erhöht die Sicherheit an Bord (93).

Verbesserte Erkennung von Anomalien

Es ist schwer, mechanische Anomalien auf einem großen Schiff zu erkennen.
ML ermöglicht durch Analyse der an Bord generierten Daten die Erkennung von Anomalien im Maschinenbetrieb und Vorhersagen von Fehlern mit hoher ­Sicherheit (94).

Spielzeugbranche

Sprechende Barbie-Puppe

Klassische Barbie-Puppen können nicht mit ihrem Benutzer interagieren.
Sprechende Barbie-Puppen können mit ihrem Benutzer sprechen und seine Fragen beantworten. Dies kann den Spaß am Spielen erhöhen und gleichzeitig einen Lerneffekt erzielen (95).

Lernfähige Maschine

Maschinelles Lernen ist ein komplexes Thema und daher ohne anschauliche Beispiele nur schwer zu ­verstehen.
Mit der Webcam kann der Nutzer ein einfaches ML Programm im Browser in Form eines Spiels trainieren, um zu verstehen, wie ML funktioniert. Dabei können drei Klassen trainiert werden, die dann je nachdem was vor der Kamera zu sehen ist einen entsprechenden ­Output anzeigen (96).

AI-betriebener Roboter Cozmo

Klassisches Spielzeug reproduziert einen standardisierten Text und interagiert nicht mit dem Benutzer.
Cozmo hingegen imitiert menschliche Emotionen und trifft eigene Entscheidungen. Darüber hinaus ­erkennt er seinen Benutzer mittels Gesichtserkennung und kann so individueller mit ihm interagieren (97).

Verbindung von realem Spielzeug mit einer virtuellen App

Kinder spielen häufig entweder mit realem Spielzeug oder virtuellen Anwendungen, es gibt bisweilen wenige Möglichkeiten, in denen beides kombiniert wird.
Tiggly, ein Spielzeug, das reales Spielzeug mit den Formen und Bildern auf dem Bildschirm verbindet, hilft Kindern, reales Spielzeug mit einer virtuellen ­Anwendung zu verbinden. Dadurch kann der Spielspaß der Kinder erhöht werden (98).

Telekommunikationsbranche

Schlafende Mobilfunkzellen identifizieren und neu starten

Der Ausfall von Mobilfunkmasten kann den angebotenen Service erheblich beeinträchtigen.
ML macht es möglich, aus den Netzwerk-Performance-Daten zu lernen, schlafende Zellen zu identifizieren und einen automatischen Neustart einzuleiten (99).

Betrugsbekämpfung

Dubiose Anrufe und betrügerische Maschen sind keine Seltenheit in der Telekommunikationsbranche.
Die Entwicklung von Algorithmen, die eine Aktivität automatisch als betrügerisch erkennen, kann helfen, frühe Anzeichen für kriminelles Verhalten zu erkennen (100).

Verbesserte Zielgruppenansprache

Für Unternehmen ist es schwierig, das Verhalten von ihren Kunden vorherzusagen und diese gezielt anzusprechen.
ML kann zu einer verbesserten Zielgruppenansprache beitragen, indem Einblicke in das Kundenverhalten gegeben, Präferenzen erkannt, Unterschiede zwischen Kundennutzung und Serviceplan aufgedeckt und proaktiv geeignete Produkte vorgeschlagen werden (101).

Social Media Trends erkennen

Das Monitoring, Erkennen von Trends und Interagieren mit (potenziellen) Kunden auf den verschiedenen sozialen Plattformen, ist keine einfache Aufgabe.
Auch hier kann ML Hilfe bei der Analyse der ­Markenabdeckung und der Kundenpräferenzen sowie der Unterstützung von Telekommunikationsunternehmen bei der Markierung ihrer Präsenz auf Social Media Plattformen unterstützen (102).

Textil- und Bekleidungsbranche

Größenempfehlungssystem

Die Hälfte der Retouren ist darauf zurückzuführen, dass die Kunden nicht die richtige Konfektionsgröße gewählt haben.
Abhilfe kann hier eine automatische Vorselektion der Verbrauchergröße auf Grundlage früherer Kauf- und Inhaltsdaten ohne explizite Aufforderung zur Eingabe von Benutzermaßen schaffen (103).

Industrielle Automatisierung

Materialtransport ist teuer, arbeitsintensiv und in ­vielen Fällen wenig flexibel.
Mittels ML können Sensordaten und Kamerabilder derart ausgewertet werden, dass eine Vielzahl von Objekten, Formen, Größen und Materialien erkannt werden, die dann individuell mit speziellen Greifern, Vorrichtungen und intelligenten Förderbändern transportiert werden können (104) (105).

Empfehlungen von Einkaufsassistenten

Auch Online-Shopping ist zeitaufwendig.

ML Tools verfolgen, an welchen Produkten der ­Käufer beim Online-Shopping interessiert ist und ­suchen im Katalog automatisch ähnliche Produkte, die dem Käufer dann vorgeschlagen werden (106).

Fashion-App zur Bildanalyse

Zur Klassifizierung von Kleidung und Modeartikeln aus Bildern werden klassischer Weise Menschen ­eingesetzt.
ML Tools erkennen Modekonzepte wie Farbe, ­Produktdetails, Verzierungen und Muster und suchen Bilder, die Ähnlichkeiten zueinander aufweisen (107).

Verkehr und Transport

Sicherheit am Flughafen

Flughafensicherheit und Verhaltenserkennung werden zu einem überwiegenden Großteil von menschlichem Sicherheitspersonal durchgeführt.
Das Sammeln von Sicherheits-Screenings, Verhaltensverfolgung und Informationen zur Reisehistorie ermöglichen es darüber hinaus, jede Person nach ihrem Risikopotenzial zu bewerten (108).

Betriebsoptimierung am Flughafen

Bei einem Flug kommen viele Passagiere gleichzeitig an und verursachen lange Warteschlangen und ­Verspätungen.
ML Tools erkennen und prognostizieren in Echtzeit, was passieren kann, wenn viele Passagiere am Flughafen ankommen und es zu Verspätungen kommt und was getan werden kann, um den Betrieb zu beschleunigen (109).

Ampelsteuerung

Ampelanlagen sind nicht immer optimal und verursachen teils zu lange Wartezeiten bei den Fahrern.
ML Tools optimieren die Leistung der Signale für den Verkehr, der tatsächlich auf der Straße ist und können dabei den Verkehr ganzheitlicher steuern. ­Dadurch wird der Verkehrsfluss in einem größeren Gebiet ­optimiert (110).

Verbesserter Bahntransport

Lokomotivausfälle sind zeitaufwändig, teuer und oft gefährlich.
Intelligente Lokomotiven, die mit Sensoren ausgestattet sind, können durch ML potentielle Ursachen für einen Ausfall frühzeitig erkennen, sodass das Team an Bord entsprechende Wartungen durchführen kann, noch bevor es zu einem Ausfall kommt (111).

Wasser, Abwasser und Entsorgung

Frühwarnsystem für Probleme bei der Wasserinfrastruktur

Es ist schwierig vorherzusagen, welche Bereiche ­einer komplexen Wasserinfrastruktur das größte Potenzial für Wasserhauptrohrbrüche besitzen.
ML Tools erstellen ein Vorhersagemodell für mögliche Rohrbrüche auf Basis von Daten zu Wasser­systemen, Straßen, Arbeitsaufträgen und Service­abrufen (112).

Wasserverteilungsanalyse

Derzeit gibt es keine oder nur sehr wenige einfach zu bedienende Entscheidungshilfe-Tools, welche die komplexe Planung von Wasserversorgungsnetzen ­erleichtern.
ML Tools identifizieren potenzielle Problembereiche, tragen dem Wachstum der Servicebereiche Rechnung und planen Kapitalverbesserungen (113).

Steuerung von Abwasseranlagen

Bisher wird nur ein kleiner Teil der erfassten Sensor­daten genutzt und dieser auch nur auf Basis von ­Regeln, die von Menschen erstellt wurden.
ML Tools identifizieren Anomalien in Sensor­daten und warnen frühzeitig vor einer Verschlechterung oder einem Ausfall der Anlage. Dabei werden alle ­verfügbaren Sensordaten für die Analyse genutzt (114).

Anomalie-Erkennung

Es ist schwer, manuell eine mögliche Anomalie, wie zum Beispiel ein unregelmäßiges Strömungsmuster ­gefolgt von Spitzen, zu erkennen.
ML Tools analysieren hochfrequente Daten von Strömungen, Druck, Wasserleitfähigkeit und Wassertemperatur und decken Muster und Anomalien auf, auf ­welche die Handwerker dann reagieren können (115).

 

Autoren

Dr. Eldar Sultanow

eldar.sultanow (äät) capgemini.com

Eldar Sultanow ist Architekt bei Capgemini. Seine Schwerpunkte sind moderne Softwarearchitekturen, Digi­talisierung und Unternehmensarchitekturmanagement.

Lukas Sprinck

lukas.sprinck (äät) capgemini.com

Lukas Sprinck ist Business Analyst bei Capgemini. Er hat an der Universität Potsdam Wirtschaftsinformatik studiert und befasste sich mit der 3D-Visualisierung von Infrastrukturdaten auf Grundlage von ML-Prognosemodellen.

Ekaterina Schütt

ekaterina.schuett (äät) capgemini.com

Ekaterina Schütt ist Business Analyst bei Capgemini. Sie hat an der Universität
Potsdam Wirtschaftsinformatik studiert. Im Rahmen ihrer Masterarbeit untersuchte sie den Markt für Machine ­Learning Software.

Literaturverzeichnis

1. Pousttchi, Key. Vorlesungsskript „Mobile and Digital Business“, Universität Potsdam. 2019.

2. Ravindra, Savaram. KDnuggets. [Online] 2017. https://www.kdnuggets.com/2017/06/machine-learning-algorithms-used-self-driving-cars.html

3. Joshi, Naveen. Allerin. [Online] 2017. https://www.allerin.com/blog/machine-learning-in-the-automotive-industry

4. Shanly, Caitlin. Xevo. [Online] 2017. https://www.xevo.com/shaping-automotive-ai/

5. Austinat, Roland. Heise. [Online] 2018. https://www.heise.de/newsticker/meldung/Nvidia-DGX-2-Machine-Learning-Monster-mit-16-GPUs-und-2-Petaflops-Rechenleistung-4006751.html

6. AI.Business. [Online] 2016. http://ai.business/2016/11/23/10-use-cases-of-ai-in-the-field-of-construction/

7. AI.Business. [Online] 2016. http://ai.business/2016/12/15/how-machine-learning-meets-construction-industry/

8. AI.Business. [Online] 2017. http://ai.business/2017/03/29/the-role-of-machine-learning-in-construction-safety/

9. Walker, Jon. Techemergence. [Online] 2017. https://www.techemergence.com/ai-in-mining-mineral-exploration-autonomous-drills/

10. Goldspot Discoveries Inc. [Online] http://www.goldspot.ca/

11. GE. [Online] https://www.ge.com/digital/sites/default/files/download_assets/Digital-Mine-Asset-Performance-Management-Brochure.pdf

12. Petra Data Science. [Online] http://www.petradatascience.com/what-we-offer/

13. IBM Watson and Goldcorp Inc. [Online] 2017. https://www.ibm.com/news/ca/en/2017/03/03/t817903u78442c90.html
14. Jan Hummel, Nadine Strehmel, Joachim Selbig, Dirk Walther, Joachim Kopka. Metabolomics. [Online] 2010. https://link.springer.com/article/10.1007/s11306-010-0198-7

15. Toxtree. [Online] http://toxtree.sourceforge.net/

16. Labiotech. [Online] https://labiotech.eu/ai-machine-learning-biotech/

17. Richard Judson, Fathi Elloumi, Woodrow Setzer, Zhen Li, Imran Shah. BMC Bioinformatics. [Online] 2008. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2409339/

18. Tan NX, Rao HB, Li ZR, Li XY. SAR QSAR Environ Res. [Online] 2009. https://www.ncbi.nlm.nih.gov/pubmed/19343583

19. Stony Brook University. [Online] 2017. http://www.stonybrook.edu/happenings/research/scientists-use-machine-learning-to-reveal-chemical-reactions-in-real-time/

20. Lasse L. Mølgaard, Ole T. Buus, Jan Larsen. DTU. [Online] http://www2.imm.dtu.dk/pubdb/views/edoc_download.php/6983/pdf/imm6983.pdf

21. Krempl, Stefan. Heise. [Online] 2018. https://www.heise.de/newsticker/meldung/Predictive-Policing-Die-Polizei-arbeitet-verstaerkt-wie-ein-Geheimdienst-4008214.html

22. Bitkom. [Online] 2018. https://www.bitkom-bigdata.de/de/unusual-state-detection-%E2%80%93-echtzeiterkennung-von-anomalien-beliebigen-sensordaten

23. Capgemini. [Online] https://www.capgemini.com/de-de/resources/verbraucher-wollen-menschenaehnliche-kuenstliche-intelligenz-ohne-menschliches-aussehen/

24. Ponomareff, Lara. ComputerWeekly. [Online] 2017. https://www.computerweekly.com/opinion/How-AI-is-disrupting-the-role-of-call-centres-and-call-centre-staff

25. Czerulla, Hannes A. Heise. [Online] 2018. https://www.heise.de/newsticker/meldung/Huawei-P20-Pro-40-Megapixel-und-Dreifach-Kamera-fuer-bessere-Fotos-4001764.html

26. Amazon. [Online] https://www.amazon.de/Amazon-Echo-2nd-Generation-Anthrazit-Stoff-/dp/B06ZXQV6P8

27. Big-Data. [Online] https://www.big-data.ai/sites/default/files/Big_Data.AI_Summit-Hinrichs-Pleye-Vo%C3%9F.pdf

28. Macanás, Jerónimo. Jump – Data Driven Video. [Online] 2018. http://www.jumptvs.com/video-recommendations-machine-learning/

29. Powel. [Online] https://www.powel.com/news/implementing-machine-learning–what-are-the-benefits-for-the-energy-sector/

30. AES. [Online] http://www.aes.com/

31. Smartgrid. [Online] https://www.smartgrid.gov/the_smart_grid/smart_grid.html

32. IBM. [Online] https://www.ibm.com/weather

33. The Weather Company. [Online] http://www.theweathercompany.com/

34. AI.Business. [Online] 2016. http://ai.business/2016/05/29/how-artificial-intelligence-can-change-education/

35. Viper Plagiarism Checker. [Online] https://www.scanmyessay.com/

36. Deloitte. [Online] https://www2.deloitte.com/lu/en/pages/operations/articles/intelligent-automation-entering-business-world.html

37. Faggella, Daniel. Techemergence. [Online] 2018. https://www.techemergence.com/machine-learning-in-finance/

38. Eisenberg, Aviram. Ignite. [Online] https://igniteoutsourcing.com/publications/machine-learning-in-finance/

39. Miessler, Daniel. Daniel Miessler. [Online] 2016. https://danielmiessler.com/blog/the-future-of-insurance-is-real-time-auto-adjusted-premiums/

40. Krieger, Lisa M. Mercury News. [Online] 2017. https://www.mercurynews.com/2017/03/03/google-computers-trained-to-detect-cancer/

41. Sennaar, Kumba. Techemergence. [Online] 2018. https://www.techemergence.com/diagnosing-and-treating-depression-with-ai-ml/

42. Woebot. [Online] https://woebot.io/

43. Wysa. [Online] https://www.wysa.io/

44. Vijeta Sharma, Ajai Kumar, Lakshmi Panat. Semanticscholar. [Online] 2015. https://pdfs.semanticscholar.org/2ce3/631949498f6f40cf3b9ab4096c082f1d0047.pdf

45. Socialworktoday. [Online] http://www.socialworktoday.com/news/enews_0417_2.shtml

46. Leverton. [Online] https://www.leverton.ai/the-leverton-platform

47. Boweryres. [Online] http://boweryres.com/

48. Core Logic. [Online] https://www.corelogic.com.au/industries/residential-real-estate#industry-products-section

49. Propmix. [Online] https://www.propmix.io/sally/

50. Walker, Jon. Techemergence. [Online] 2018. https://www.techemergence.com/inventory-management-with-machine-learning/

51. Alcántara, Ann-Marie. Adweek. [Online] 2018. http://www.adweek.com/digital/adobes-newest-labs-project-can-track-in-store-customers-in-real-time/

52. Pluto 7 Demand Forecasting. [Online] https://www.pluto7.com/solutions-offering/demand-ml/

53. IBM. [Online] https://www.ibm.com/weather

54. Rubikloud. [Online] https://rubikloud.com/lifecycle-manager/

55. Chatbots Magazine. [Online] https://chatbotsmagazine.com/how-hotels-are-using-artificial-intelligence-to-provide-an-awesome-user-experience-466a70453b53

56. IBM. [Online] https://www-03.ibm.com/press/us/en/pressrelease/49307.wss

57. Sennaar, Kumba. Techemergence. [Online] 2018. https://www.techemergence.com/ai-in-restaurants-food-services/

58. Research, Zacks Equity. Nasdaq. [Online] 2016. https://www.nasdaq.com/article/baidu-bidu-and-kfc-team-up-for-smart-restaurant-in-china-cm727340

59. Tellspec. [Online] http://tellspec.com/en/

60. https://www.cosmeticsdesign-asia.com/Article/2018/01/22/Megabrain-part-1-Machine-learning-and-AI-ramps-up-beauty-engagement. Cosmetics Design Asia. [Online] 2017. https://www.cosmeticsdesign-asia.com/Article/2018/01

22/Megabrain-part-1-Machine-learning-and-AI-ramps-up-beauty-engagement

61. My Beauty Matches. [Online] https://www.mybeautymatches.com/

62. Brucculieri, Julia. Huffingtonpost. [Online] 2018. https://www.huffingtonpost.com/entry/beauty-artificial-intelligence_us_5a82f175e4b01467fcf1af76

63. Curology. [Online] https://curology.com/

64. Loreal. [Online] 2017. http://www.loreal.com/media/press-releases/2017/jan/kerastase-and-withings-unveil-worlds-first-smart-hairbrush-at-ces-2017

65. Zhou, Adelyn. Topbots. [Online] 2017. https://www.topbots.com/artificial-intelligence-beauty-advice-deep-learning-sephora-olay-modiface/

66. Deepart. [Online] https://deepart.io/

67. Medium – Netflix-Techblog. [Online] 2016. https://medium.com/netflix-techblog/meson-workflow-orchestration-for-netflix-recommendations-fc932625c1d9

68. Palladino, Tommy. Mobile AR News. [Online] 2018. https://mobile-ar.reality.news/news/here-are-all-things-you-can-do-augmented-reality-with-samsung-galaxy-s9-s9-0183131/

69. Cawley, Conor. Tech. [Online] 2016. https://tech.co/optimize-fitness-brings-machine-learning-workout-2016-09

70. Modernag. [Online] 2017. https://modernag.org/innovation/machine-learning-changing-modern-agriculture/

71. Sullivan, Brian. AI Business. [Online] 2016. https://aibusiness.com/planets-competition-aims-apply-machine-learning-forestry-research/

72. Google Blog. [Online] https://blog.google/products/maps/mapping-global-fishing-activity-machine-learning/

73. Walker, Jon. Techemergence. 2017. [Online] https://www.techemergence.com/ai-in-food-processing/

74. Cecchini, Chiara. Medium. [Online] 2017. https://medium.com/futurefood/artificial-intelligence-in-the-food-industry-an-opportunity-not-a-threat-862f5841c368

75. Wellio. [Online] http://www.getwellio.com/

76. BlueYonder. [Online] https://www.blue-yonder.com/de/handel/lebensmittel

77. Ostdick, Nick. Flexis. [Online] 2017. https://blog.flexis.com/how-machine-learning-impacts-manufacturing-and-logistics

78. Taylor, Christine. Datamation. [Online] 2017. https://www.datamation.com/big-data/artificial-intelligence-and-logistics-is-transforming-business.html

79. Financial Times. [Online] https://www.ft.com/content/916b93fc-8716-11e7-8bb1-5ba57d47eff7

80. Cognitionx. [Online] 2016. https://cognitionx.com/machine-learning-adaptive-training-aerospace-industry/

81. Paladin-Paradigm. [Online] http://paladin-paradigm.com/

82. Bhatia, Richa. Analyticsindiamag. [Online] 2017. https://analyticsindiamag.com/machine-learning-driving-space-exploration-see-nasa-using-ai-find-life-beyond-earth/

83. Faggella, Daniel. Techemergence. [Online] 2018. https://www.techemergence.com/machine-learning-in-pharma-medicine/

84. Gordon, Rachel. ICU Intervene. [Online] 2017. http://news.mit.edu/2017/using-machine-learning-improve-patient-care-0821

85. BenevolentAI. [Online] http://benevolent.ai/about-us/

86. Berg Health Interrogative Biology® platform. [Online] https://berghealth.com/platform/

87. Allegheny. [Online] http://www.alleghenycounty.us/Human-Services/News-Events/Accomplishments/Allegheny-Family-Screening-Tool.aspx

88. City of Chicago. [Online] https://dssg.uchicago.edu/project/predictive-analytics-for-smarter-city-services/

89. City of Chicago. [Online] https://dssg.uchicago.edu/project/identifying-frequent-users-of-multiple-public-systems-for-more-effective-assistance/

90. Rescue Global. [Online] 2015. https://www.rescueglobal.org/news/view/rescue-global-team-working-with-partners-at-the-orchid-project-and-at-event

91. Marine Science Today. [Online] 2015. http://marinesciencetoday.com/2013/11/15/point-97-new-technology-to-manage-and-protect-the-oceans/

92. Chu, Jennifer. MIT. [Online] 2016. http://news.mit.edu/2016/prediction-tool-rogue-waves-0225

93. Rolls Royce. [Online] 2017. https://www.rolls-royce.com/media/our-stories/press-releases/2017/03-10-2017-rr-joins-forces-with-google-cloud-to-help-make-autonomous-ships-a-reality.aspx

94. Mitchell, Walter. Spark Cognition. [Online] 2017. https://www.sparkcognition.com/2017/11/the-new-logbook-machine-learning-for-maritime-data-analytics/

95. Drum, Kevin. Motherjones. [Online] 2015. https://www.motherjones.com/kevin-drum/2015/09/artificial-intelligence-kids-hot-new-toy-sensation/

96. Google Teachable Machine. [Online] https://teachablemachine.withgoogle.com/

97. Wired. [Online] https://www.wired.com/2016/06/anki-cozmo-ai-robot-toy/

98. Tiggly. [Online] https://www.tiggly.com/

99. Quantzig. [Online] https://www.quantzig.com/blog/machine-learning-telecom-industry

100. USM Systems. [Online] https://www.usmsystems.com/

101. Pelatro. [Online] http://www.pelatro.com/machine-learning-techniques-can-help-telecom-companies-target-right/

102. Quantzig. [Online] https://www.quantzig.com/blog/machine-learning-telecom-industry

103. G. Mohammed Abdulla, Sumit Borar. KDD Fashion. Size Recommendation System for Fashion E-commerce. [Online] 2017. https://kddfashion2017.mybluemix.net/final_submissions/ML4Fashion_paper_8.pdf

104. Nike. [Online] 2013. https://news.nike.com/news/nike-inc-takes-strategic-stake-in-grabit-inc-an-automation-and-materials-handling-start-up

105. Grabit. [Online] https://grabitinc.com/company/

106. Sentient. [Online] https://www.sentient.ai/aware/

107. ThreadGenius. [Online] https://www.producthunt.com/posts/thread-genius-api

108. Jonker, David. Datanami. [Online] 2017. https://www.datanami.com/2017/01/03/machine-learning-airport-security-see-eye-eye/

109. Chimera, Alessandro. Tibco. [Online] 2017. https://www.tibco.com/blog/2017/11/17/how-to-learn-from-travelers-to-plan-the-future-of-airports/

110. Rapid Flow Tech. [Online] http://rapidflowtech.com/

111. Brulte, Grayson. GE Transportation. [Online] 2016. https://www.ge.com/reports/the-moneys-really-in-self-driving-trucks-trains-and-ships-not-cars/

112. Koma, Alex. Statescoop. [Online] 2016. https://statescoop.com/n-y-city-teams-with-data-science-researchers-to-help-predict-prevent-water-main-breaks

113. WaterGems. [Online] https://www.bentley.com/en/products/product-line/hydraulics-and-hydrology-software/watergems

114. Almagor, David. Presenso. [Online] 2017. http://www.presenso.com/single-post/2017/11/09/ai-machine-learning-water-wastewater-industry/

115. Wateralliance. [Online] https://wateralliance.nl/en/about-us/