WIR KÖNNEN KI.
Künstliche Intelligenz (KI) ist ein wesentlicher Faktor für nachhaltigen Geschäftserfolg und wird eingesetzt, um in möglichst kurzer Zeit Mehrwerte zu erzeugen. Unsere Erfahrung zeigt, dass sich der überwiegende Teil der KI-Projekte bereits in weniger als zwei Jahren amortisiert.
KÜNSTLICHE INTELLIGENZ
KI als Chance verstehen, große Datenmengen intelligent auszuwerten und zu nutzen.
Künstliche Intelligenz und Machine Learning erachten 79% der deutschen Unternehmen als die wichtigsten Zukunftstechnologien.
Teilen Sie diese Meinung?
Allein für Deutschland wird erwartet, dass mit Dienstleistungen und Produkten, die auf dem Einsatz von Künstlicher Intelligenz (KI) basieren, im Jahr 2025 Umsätze in Höhe von 488 Milliarden Euro generiert werden – damit würde ein Anteil von 13 Prozent am Bruttoinlandsprodukt erreicht.
Dennoch sind in 40% aller Unternehmen bisher keine KI-Projekte geplant. Somit bleiben Chancen ungenutzt. Sind Sie daran interessiert, KI in Ihrem Unternehmen einzuführen, wollen dafür aber einen sicheren Fahrplan nutzen und Risiken sicher umschiffen?
„Künstliche Intelligenz wird zukünftig das Wissensmanagement revolutionieren."
Dr. Jan Hendrik Schoenke
+49 (0)541 | 200 690-333
Sales@LMIS.de
LinkedIn-Profil
INTERVIEW
Dr. Jan Hendrik Schoenke ist als Business Development Manager unserer LMIS für den KI-Bereich verantwortlich. Wer, wenn nicht er, kann die Möglichkeiten dieser innovativen Technologien verständlich darlegen.
Data-Science
Wissensmanagement
Effizienzsteigerung
Qualitätssicherung
Unsere Kunden betrachten Künstliche Intelligenz bereits als relevanten Erfolgsfaktor für ihren nachhaltigen Geschäftserfolg. 79% der deutschen Unternehmen sehen KI bereits jetzt als sehr bedeutend an. Damit wird Künstliche Intelligenz als eine Technologie von höchster Relevanz eingeschätzt.
PUBLIKATIONEN
Wir lieben den Austausch und Wissenstransfer. Unsere Experten haben ihr Wissen und Erfahrungen aus der Praxis veröffentlicht:
(Disclaimer: Die Publikationen können sich teilweise noch im Publikationsprozess befinden.)
Barenkamp, M. (2022): KI und Erklärbarkeit.
In: Wirtschaftsinformatik & Management.
Barenkamp, M. (2022): KI als Waffe gegen Cyberattacken.
In: Digital Business Cloud, 4, S. 10-12.
Barenkamp, M. (2022): Post-Quantum-Kryptografie & KI.
In: Informatik Spektrum.
Barenkamp, M. (2022): Künstliche Intelligenz als Unterstützungsfunktion der Vorhersage und Prozessexzellenz im Process-Mining.
In: Wirtschaftsinformatik und Management.
Barenkamp, M. (2022): Identifikation der Urheber von Cyberattacken mithilfe künstlicher Intelligenz.
In: Wirtschaftsinformatik und Management.
Barenkamp, M. (2022): Datenschutz, -sicherheit und Servicekomfort moderner Anwendungen der Künstlichen Intelligenz.
In: Wirtschaftsinformatik und Management, 14(1), S. 20-26.
Barenkamp, M. (2021). Die Softies der künstlichen Intelligenz.
In: Wirtschaftsinformatik & Management.
Barenkamp, M. (2021). Warum die Erde einen digitalen Zwilling bekommt.
In: Wirtschaftsinformatik & Management.
Butz, R., Schulz, R., Hommersom, A. & van Eekelen, M. (2021). What is understandable in Bayesian network explanations?
In: Explainable Artificial Intelligence in Healthcare.
Barenkamp, M. (2020). A New IoT Gateway for Artificial Intelligence in Agriculture.
In: 2020 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), Istanbul, S. 1–5.
Barenkamp, M. (2020). Künstliche Intelligenz in der Softwareentwicklung.
In: Wirtschaftsinformatik & Management, 12(2), S. 120–129.
Barenkamp, M. (2020). UI Generierung aus Handschriften im Design Sprint Prozess.
In: Informatik Spektrum, 43(3), S. 211–219.
Barenkamp, M. & Niemöller, D. (2020). ARchitecture
Insights From Theory and Practice.
In: 2020 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), Istanbul, S. 1–6.
Barenkamp, M., Rebstadt, J. & Thomas, O. (2020). Applications of AI in classical software engineering.
In: AI Perspect, 2(1), S. 1–15.
Butz, R., Hommersom, A. & van Eekelen, M. (2018). Explaining the most probable explanation.
In: Scalable Uncertainty Management (Best Student Paper Award).
Rabinowicz. S, Butz. R, Hommerson. A & Williams. M. (2018). CSBN: a hybrid approach for survival time prediction with missing data.
In: Advanced Analytics and Learning on Temporal Data.
Rabinowicz. S, Butz. R, Hommerson. A & Williams. M. (2017). A prognostic model of glioblastoma multiforme using survival bayesian networks.
In: Artificial Intelligence in Medicine.
Luebbers, D., Grimmer, U. & Jarke, M. (2003). Systematic development of data mining-based data quality tools.
In: Proceedings of the 29th international conference on Very large data bases, 29, VLDB Endowment, S. 548–559.