Állásfoglalásunk a mesterséges intelligenciáról

Tudjon meg többet a mesterséges intelligenciáról az intralogisztikában tanulmányunkból.

artificial intelligence, connection human and machine

Állásfoglalásunk a mesterséges intelligenciáról

A gépek képesek gondolkodni?

2017 óta nagy az izgalom a mesterséges intelligencia (AI) mint az információtechnológia egyik ága körül. Az AI már sokféle alkalmazásban hasznosnak bizonyult: virtuális asszisztensek, alkalmazások, agyjátékok és még sok más.

De térjünk vissza eredeti kérdésünkhöz: Valóban képesek ezek a gépek gondolkodni? Azonnal egy problémával állunk szemben: mit is gondolunk pontosan? A fogalomnak nincs egységes, egyértelmű meghatározása.

De mi különbözteti meg a mesterséges intelligenciát az emberi intelligenciától?

Az ember egyedülálló tulajdonsága – legalábbis pillanatnyilag – a kreatív és innovatív gondolkodás. A gépek azonban választhatnak a meglévő döntési lehetőségek közül, és hihetetlenül nagy mennyiségű adatot és információt dolgozhatnak fel. Emellett lenyűgöző megbízhatósággal, pontossággal és folytonossággal rendelkeznek – éjjel-nappal dolgozhatnak. Az összetett feladatok önállóan is elvégezhetők, ha megfelelő instrukciót kapnak. Az algoritmusok, a nagy feldolgozási teljesítmény és a feldolgozandó adatok exponenciális növekedése képezik a mesterséges intelligencia alapját.

Már innen is látszik, hogy a mesterséges intelligencia hatalmas potenciállal rendelkezik. A gépi tanulás folyamatos fejlesztése a munkahelyre nézve is következményekkel jár.

Cikkek a mesterséges intellingenciáról

Is Artificial Intelligence (AI) simply a buzzword or is there more to it? How we plan to start leveraging AI in our projects.

Olvasson tovább
Artificial Intelligence

A mesterséges intelligenciával kapcsolatos alapfogalmak

Innovációk és trendek az anyagmozgatás és a logisztika területén

A mesterséges intelligencia (AI) az információs technológia egyik ága, amely az intelligens viselkedés automatizálásával foglalkozik. A mesterséges intelligencia egy kísérlet arra, hogy egy számítógépet úgy programozzunk be, hogy az képes legyen önállóan feldolgozni a problémákat, hasonlóan ahhoz, ahogyan azt egy megfelelő képzettséggel rendelkező ember tenné. A problémamegoldás azt jelenti, hogy a különböző forrásokból (adatbázisok, szenzorok, videokamerák stb.) származó adatok alapján meghatározott időn belül megfelelő választ adnak a mögöttes problémára.

artificial intelligence, brain with data streams, networking

A gépi tanulás egy gyűjtőfogalom a különböző folyamatokra, amelyek a bemeneti és kimeneti adatok közötti ismeretlen funkcionális összefüggések meghatározására szolgálnak. A még mindig fontos hagyományos alkalmazásokon kívül, mint például a klaszterképzés, a regresszió, a faktor- és idősorelemzés, olyan összetettebb módszereket is integrál, mint a neuronhálózatok, az evolúciós megközelítések és a támogató vektorgépek.

Prediktív elemzés

A Big Data technológiák használata gigantikus adatmennyiség feldolgozását, a valós világ gyors leképezését és a döntések pontos meghozatalát teszi lehetővé. Olvassa el white paperünkkben, hogy mely előfeltételeknek kell teljesülniük a prediktív elemzéshez

Tovább

Szimuláció

A szimuláció létfontosságú szerepet játszik a logisztikai rendszerek tervezésében. White paperünk eírja, hogyan használjuk az AI-t a tervezéshez, és bemutatja az ezzel járó előnyöket.

Tovább

Kognitív számítástechnika – mesterséges intelligencia

Kognitív számítástechnika – az emberek helyett a gépi asszisztensek veszik át a feladatokat vagy hoznak döntéseket. Nézze meg videónkat, és tudjon meg többet a legfontosabb alkalmazási területekről, ahol a gépek támogatják az embert.

Olvasson tovább

Mély tanulás

A mély tanulás egy olyan technológia, amely lehetővé teszi a számítógépeknek, hogy olyan képességre tegyenek szert, amely az ember számára természetes: tanulni a tapasztalatokból. Ezt használják például a kép- és hangfelismerésben. Itt megtudhatja, mi az a mély tanulás, és hogyan fejlődött az elmúlt években.

Tovább

Tanulási stratégiák

Tanulási stratégiák – a sok ismétlésszám és a jó adatminőség létfontosságú szerepet játszik a tanulásban! De milyen különböző tanulási stratégiákat alkalmaznak?

Tovább

Gépi tanulás

A gépi tanulás lehetővé teszi az egyedi online hirdetést vagy a spam e-mailek automatikus szűrését. Ebből a videóból megtudhatja, hogyan működik ez.

Olvasson tovább

Mesterésges intelligencia

Tudjon meg többet az mesterséges intelligencia szerepéről az intralogisztikában!

Tovább

Mesterséges intelligencia a logisztikában

Beszéljünk a lehetőségekről...

Tovább

A mesterséges intelligencia szóló állsáfoglalásunk szerzői

Markus Klug

... műszaki matematikát tanult a Bécsi Műszaki Egyetemen (TU Wien), szimulációra, műveletek kutatására és statisztikára szakosodva. Tanulmányai befejezése után Glasgow-ban töltött időt, ahol diszkrét eseményszimulációs modellekben használható kernelmódszereket kutatott. 2001-ben csatlakozott a Seibersdorf kutatóközponthoz, először projektmenedzserként, majd a "Folyamatoptimalizálás" munkacsoport vezetője lett, ahol nemzeti és nemzetközi kutatási projekteket vezetett és irányított a szállítási logisztikával, a helyspecifikus logisztikával és a globális ellátási láncokkal kapcsolatban. Miközben még mindig végzett kutatásaival, Ausztria különböző felsőoktatási intézményeiben kezdett tanítani, ami később fő hivatása lett.

Markus Klug 2013 óta az SSI SCHÄFER IT Solutions GmbH tagja. Eredetileg a vállalaton belüli adatelemzés és szimuláció felépítéséért volt felelős, amely szerep később az adattudományra és a mesterséges intelligenciára/gépi tanulásra is kiterjedt. A tartalékos erők logisztikájának katonai szakértőjeként, különös tekintettel a hadműveleti kutatásokra, az osztrák hadsereg tanácsadójaként is tevékenykedik, szakértői tanácsokat adva a katonai szektor matematikai modelljeinek és folyamatainak fejlesztéséhez. Markus Klug széleskörű tudással és tapasztalattal rendelkezik, amit különböző tudományos publikációi, előadásai, tudományos programbizottsági tagsága, tudományos konferenciák szekcióelnöki, valamint nemzetközi szakfolyóiratok lektori minősége bizonyít. 

Georg Rief

Georg Rief alapdiplomát szerzett számítástudományból és mesterképzést fizikából. Főleg a szimulációra és az adattudományra koncentrált, mivel a mesterséges intelligencia akkoriban nem volt különösebben fontos téma, ezért nem volt központi téma a tanulmányaiban. 8 éves szoftverfejlesztési tapasztalattal rendelkezett más ágazatokban, mielőtt 2014 márciusában az SSI SCHÄFER-hez került. Kezdetben W4 fejlesztőként dolgozott ügyfélprojekteknél, majd 2016 decemberében átigazolt az adattudományi/szimulációs részlegre.

New Content Item (1)

Karina Konrath műszaki matematikát tanult a Grazi Műszaki Egyetemen, és 2017 novembere óta dolgozik az SSI SCHÄFER-nél. Adattudósként nagymértékben felelős az adatok elemzéséért és előkészítéséért, ami a statisztika és a matematika intenzív használatát igényli.

Innovációk és trendek az anyagmozgatás és a logisztika területén

Intralogisztikai trendek

Kérdése vagy észrevétele van?