KÜNSTLICHE INTELLIGENZ.
Deutsch|DE

Künstliche Intelligenz – Herausforderungen und Chancen fürs Business.

Immer mehr Unternehmen investieren in Künstliche Intelligenz (KI), um Wettbewerbsvorteile zu gewinnen. Dabei geht es oft um Verbesserungen des Services, schnellere Bereitstellung von Informationen oder um neue Businessmodelle. Aber die Zeit drängt: Denn 80 Prozent der Unternehmen investieren bereits in Künstliche Intelligenz* und es werden immer mehr. Laut McKinsey** wurden 2016 weltweit schon 39 Mrd. Dollar in Künstliche Intelligenz investiert. Unternehmen, die jetzt zögern, können schnell den Anschluss verpassen.

Sie haben Fragen zum Thema Künstliche Intelligenz und Deep Learning?

Schreiben Sie uns einfach eine E-Mail an Deep-AI.Ulm@bechtle.com oder rufen Sie uns an: Telefon +49 731 935 10 98. Wir helfen Ihnen gerne weiter.

 

E-Mail schreiben

Welche Vorteile bietet Künstliche Intelligenz?

Die Vorteile Künstlicher Intelligenz verdeutlicht eindrücklich die Studie „Turning AI into concrete value: the successful implementers’ toolkit“ von Capgemini***:

 

  • 2.930 % mehr Sales Leads bei Harley Davidson nach nur 3 Monaten
  • 20 % Emissions-Verbesserung bei Siemens Gas-Turbinen
  • 35 % höhere Service-Effizienz bei der niederländischen Fluggesellschaft KLM

Künstliche Intelligenz? Machine Learning? Deep Learning?

Bei Künstlicher Intelligenz handelt es sich allgemein um den Versuch, intelligentes Verhalten nachzubilden oder zu simulieren. Machine Learning und Deep Learning bilden dabei Unterbereiche.

 

Programme, die Machine Learning nutzen, können mithilfe von Algorithmen das Handeln von Menschen berechnen, um z. B. Kreditkartenbetrug aufzudecken. Deep Learning geht dabei einen Schritt weiter und nutzt hierarchische Schichten, um den Prozess des maschinellen Lernens durchzuführen. Das bedeutet: Es werden künstliche neuronale Netze aufgebaut, die dem des menschlichen Gehirns ähneln. Komplizierte Konzepte können erlernt werden, indem sie aus einfacheren Schichten (Hidden Layers) zusammengesetzt werden. Diese Schichten verarbeiten Daten und geben sie an die nächste Schicht weiter, die wiederum die Informationen bearbeitet und sie an die nächste Schicht weitergibt usw. Dieses Schichtenmodell kann endlos fortgesetzt werden und geht in die Tiefe. Deshalb auch die Bezeichnung „Deep Learning“.

 

Die Deep-Learning-Technologie wird beispielsweise in fahrerlosen Autos eingesetzt, wenn es darum geht, Verkehrsschilder, Autos und Menschen voneinander zu unterscheiden. Deep Learning findet sich aber auch in Computern und Smartphones in Form von intelligenter Sprachsteuerung. Die Einsatzmöglichkeiten sind praktisch unendlich und im Vergleich zu maschinellem Lernen weitaus präziser. Einziger Nachteil: Deep Learning benötigt viel Rechenleistung.

 

Herausforderung: Performance.

Künstliche Intelligenz erfordert deutlich höhere Rechenleistung als alle anderen derzeit bekannten Applikationen. Vor allem benötigen Deep-Learning-Algorithmen viel Performance, um Informationen Stück für Stück analysieren und auszuwerten zu können. Ohne Beschleunigung mittels Grafikprozessoren (Graphics Processing Unit/GPU) ist das nicht zu erreichen. Zu den leistungsstärksten GPUs auf dem Markt zählen derzeit die NVIDIA® Tesla®-Grafikprozessoren. Hiermit können Unternehmen ihre anspruchsvollsten High-Performance Computing (HPC)- und Hyperscale-Workloads im Rechenzentrum beschleunigen. Der Vorteil: Datenmengen im Petabyte-Bereich werden wesentlich schneller bewältigt als mit herkömmlichen CPUs. Ob Deep Learning, Energieforschung, virtuelle Desktops oder selbstfahrende Autos – die Tesla-Grafikprozessoren liefern enorme Leistung, um umfangreiche Berechnungen und Simulationen in kürzester Zeit zu ermöglichen.

Die Chancen für Unternehmen.

Deep Learning lässt sich bereits in vielen Bereichen und Branchen einsetzen:

  • Connected Car: Ohne Deep Learning wären selbstfahrende Autos nicht möglich.
  • Verkehrstechnik: Dank Künstlicher Intelligenz können Staus schneller vorhergesagt und gestohlene Autos schneller gefunden werden.
  • Luft- und Raumfahrt: Ob Satellitenerkennung oder in der Flugzeugtechnik – auch hier wird Deep Learning eine immer größere Rolle spielen.
  • Medizin: Krebszellen können heutzutage dank Deep Learning schon viel einfacher und schneller festgestellt werden.
  • Industrie: Die Arbeitssicherheit wird erhöht, indem mögliche Gefahren für Menschen rechtzeitig erkannt werden.
  • Smart Home und Kommunikation: Ob zu Hause oder im Büro – Künstliche Intelligenz wird schon bald Gebäude und zahlreiche Alltagsprozesse managen.

Ein starker Partner: NVIDIA.

Um die Vorteile der Künstlichen Intelligenz nutzen zu können, bedarf es umfangreicher Rechenleistung. Ein leistungsstarkes System, das diesen Anforderungen gerecht wird, ist NVIDIA® DGX™. Es basiert auf der hochperformanten NVIDIA Volta™ GPU-Plattform. Das Besondere: NVIDIA DGX bietet Unternehmen GPU-optimierte Software und vereinfachte Verwaltung – und das in einem kompakten System.

 

Die Vorteile der DGX Station und DGX Server:

  • Integrierte Soft- und Hardware
  • Basiert auf der neuesten NVIDIA Volta™-Grafikprozessorarchitektur
  • Deep-Learning-Training, Inferenz und Beschleunigung von Analysen in einem einzigen System
  • Unerreichte Leistung für schnellere Iterationen und Innovationen

Praxiserprobt:

Einige der größten Rechenzentren der Welt nutzen bereits Tesla-Grafikprozessoren, um die Performance zu verbessern. Die Tesla-Plattform unterstützt dabei Standardanwendungen und Tools zur Systemverwaltung. Für CIOs wird es damit leichter, maximale Systemverfügbarkeit und -leistung bereitzustellen.

Welche Grafikprozessoren bieten die beste Leistung?

Für Künstliche Intelligenz eignen sich besonders zwei Prozessoren: Der NVIDIA® Tesla® V100 ist der bisher fortschrittlichste Grafikprozessor für Rechenzentren und beschleunigt KI-, HPC- und Grafikanwendungen. Das Besondere: Die neue Volta™ GV100 GPU für noch mehr Leistung ist hier bereits integriert. Grafikprozessoren mit der Volta-Architektur verfügen über 640 Tensor-Recheneinheiten und bieten somit Deep-Learning-Leistung von mehr als 100 Teraflops pro Sekunde (TFLOPS) – mehr als das Fünffache der Vorgängerarchitektur Pascal.

 

Der Tesla P40 ist dagegen auf maximalen Durchsatz für immer schneller wachsende Datenmengen wie z. B. Big Data ausgelegt.

 

Speziell für den Bereich High-Performance Computing (HPC) können wir den NVIDIA® Tesla® V100 empfehlen. Aber auch der NVIDIA® Tesla® P100 ist ideal zur Beschleunigung von HPC und KI.

 

Für grafische Virtualisierungen bietet sich der NVIDIA® Tesla P6 an, der speziell für Bladeserver entwickelt wurde und die Workloads durch mehrere Rechenzentren verarbeiten kann. Zu den Aufgabengebieten gehören: Deep Learning, HPC und grafische Virtualisierung. Der NVIDIA® Tesla® P40 nutzt zudem die branchenführende NVIDIA Pascal™-Architektur und liefert bis zu zweimal mehr Grafikperformance für Profi-Anwendungen als der NVIDIA® Tesla® M60.

*Teradata: 80 Prozent der Unternehmen investieren in Künstliche Intelligenz – trotz erheblicher Schwierigkeiten.
Unter: www.teradata.de/Press-Releases/2017/80-Prozent-der-Unternehmen-investieren-in-Kun 
(Stand: 20. Oktober 2017)

 

**McKinsey: Wachstumsmarkt künstliche Intelligenz: Weltweit bereits 39 Mrd. US-Dollar investiert.
Unter: www.mckinsey.de/files/170620_pm_ai.pdf 
(Stand: 20. Juni 2017)

 

***Capgemini: Turning AI into concrete value: the successful implementers’ toolkit“.
Unter: www.capgemini.com/wp-content/uploads/2017/09/dti-ai-report_final1.pdf
(Stand: 6. September 2017)