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).

 

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/