![\"\"](\"https:\/\/ea-rlp.de\/wp-content\/uploads\/2019\/09\/KI-Studie-Titelseite.jpg\")
<\/a>Dieser Beitrag ist ein Auszug aus der \u201eGutachterlichen Stellungnahme zu den Auswirkungen k\u00fcnstlicher Systeme und der Digitalisierung auf das kommunale Leben in Rheinland-Pfalz 2050\u201c. Die gesamte Studie steht unter ea-rlp.de\/earlpdigital2019<\/b><\/a> zum Download als PDF<\/b> (88 Seiten, 18 MB)<\/a> bereit.<\/em>\nAuszug 1<\/b> \u2013 K\u00fcnstliche Intelligenz: Konzepte und Technologien<\/a>
\nAuszug 2<\/b> \u2013 F\u00fcnf Beispiele: Chancen durch KI in Landwirtschaft, Gesundheit, Ehrenamt, Tourismus und Mobilit\u00e4t in RLP<\/a>
\nAuszug 3<\/b> \u2013 Szenarien f\u00fcr Rheinland-Pfalz: Zwischen Dystopie und Utopie<\/a>
\n
\nZusammenfassung<\/a>
\n
Autorinnen und Autoren:<\/b> Matthias Berg (Fraunhofer IESE), Christoph Giehl (Stadtsoziologie TU Kaiserslautern), Matthias Koch (Fraunhofer IESE), Martin Memmel (DFKI), Annette Spellerberg (Leitung; Stadtsoziologie TU Kaiserslautern), Ricarda Walter (Stadtsoziologie TU Kaiserslautern); unter Mitarbeit von: Steffen Hess, Andreas Jedlitschka, Michael Klaes, Dieter Lerner, Adam Trendowicz (Fraunhofer IESE).<\/p>\n\n\n\n
Themen wie die wirtschaftliche Relevanz von KI, ihre Bedeutung f\u00fcr den (Wirtschafts-) Standort Deutschland, ethische Fragestellungen und durch KI-Anwendungen (mit-)verursachte gesellschaftliche Ver\u00e4nderungen werden in viel\u00adf\u00e4ltigen Foren und Medien diskutiert. Eine fundierte Definition des Begriffs \u201eK\u00fcnstliche In\u00adtelligenz“ und eine Einordnung der F\u00e4higkeiten von KI-Systemen, etwa anhand der Ur\u00adspr\u00fcnge und bisherigen Entwicklungen in dieser vergleichsweise neuen Disziplin der In\u00adformatik, findet jedoch nur selten statt. Dies ist jedoch von essenzieller Bedeutung, um den aktuellen Stand der Diskussion verstehen und zuk\u00fcnftig m\u00f6gliche Szenarios einsch\u00e4t\u00adzen zu k\u00f6nnen. Im Folgenden wird daher zun\u00e4chst eine kurze Einf\u00fchrung des Begriffs ,,K\u00fcnstliche Intelligenz“ sowie ein \u00dcberblick \u00fcber seine Entstehungsgeschichte gegeben. Daran schlie\u00dft sich ein \u00dcberblick \u00fcber die wichtigsten Konzepten und Technologien an, die aktuell im Kontext der KI relevant sind.<\/p>\n\n\n\n
Definition und kurze Historie<\/h2>\n\n\n\n
Unter dem Begriff \u201eK\u00fcnstliche Intelligenz“ wurden insbesondere im Kontext der medialen Berichterstattung der letzten Jahre zahlreiche Themen und Technologien subsummiert. Es gibt zwar keine einheitliche Definition des Begriffs, aber dennoch wird er, durchaus auch oft in zweifelhafter Weise, verwendet, um etwa die Popularit\u00e4t des Themas zum Ge\u00adnerieren von Aufmerksamkeit zu nutzen.<\/p>\n\n\n\n
![\"\"](\"https:\/\/ea-rlp.de\/wp-content\/uploads\/2019\/09\/franck-v-zbLW0FG8XU8-unsplash-1024x798.jpg\")
Es ist nicht Ziel dieses Gutachtens, eine eigene Definition des Begriffs vorzugeben, viel\u00admehr wird versucht wir, ihn ad\u00e4quat einzuschr\u00e4nken und die zur Beurteilung seiner Ver\u00adwendung notwendigen Informationen zu vermitteln.<\/p>\n\n\n\n
\u201eK\u00fcnstliche Intelligenz“ ist zum einen eine Teildisziplin der Informatik, zum anderen aber auch ein \u201eSammelbegriff f\u00fcr diejenigen Technologien und ihre Anwendungen, die durch digitale Methoden auf der Grundlage potenziell sehr gro\u00dfer und heterogener Datens\u00e4tze in einem komplexen und die menschliche Intelligenz gleichsam nachahmenden maschi\u00adnellen Verarbeitungsprozess ein Ergebnis ermitteln, das ggf. automatisiert zur Anwendung gebracht wird“ (Datenethikkommission KI 2018, 1).<\/p>\n\n\n\n
Zu entscheiden, ob eine Technologie oder Anwendung \u201eintelligentes Verhalten“ zeigt, h\u00e4ngt unmittelbar mit der Definition des Intelligenzbegriffes zusammen. Um sich intelligent zu verhalten, sind in unterschiedlichen Anteilen bestimmte Kernf\u00e4higkeiten notwendig:<\/p>\n\n\n\n
Wahrnehmen, Verstehen, Planen, Handeln und Lernen (Burchardt 2018, 13). Entspre\u00adchend gibt es auch verschiedene Auspr\u00e4gungen \u201eK\u00fcnstlicher Intelligenz“. Man unterschei\u00addet daher auch zwischen \u201eschwacher KI“ und \u201estarker KI“. Schwache KI dient als Sammel\u00adbegriff f\u00fcr Technologien mit starkem Anwendungsbezug und dem Ziel einer sehr konkre\u00adten L\u00f6sung in einem klar definierten, vorgegebenen Problemkontext. Alle heutigen KI-Sys\u00adteme fallen in die Kategorie dieser schwachen KI. Die starke KI hat im Gegensatz dazu ein sehr viel weitergehendes und ambitionierteres Ziel: Sie versucht, die vollst\u00e4ndigen in\u00adtellektuellen Fertigkeiten von Menschen unabh\u00e4ngig von einem konkreten Problemkontext zu imitieren oder gar zu \u00fcbertreffen.<\/p>\n\n\n\n
Dabei ist die Idee intelligenter Maschinen keine neue, und \u201eintelligente“ Maschinen wurden bereits in der \u00c4ra vor dem Aufkommen der Computer mithilfe von klassischen mechani\u00adschen Ans\u00e4tzen in oft spielerischer Art und Weise umgesetzt. Eine v\u00f6llig neue Dimension erhielt das Thema jedoch mit dem Aufkommen der Digitalrechner. Mit diesen stand erst\u00admals eine ad\u00e4quate Technologie zur Simulation \u201eberechenbarer Aspekte“ der Intelligenz zur Verf\u00fcgung. Es wurden spezielle Programmiersprachen zur Modellierung kognitiver Prozesse entwickelt, mit denen die Simulation des eigenen intelligenten Verhaltens m\u00f6g\u00adlich wurde.<\/p>\n\n\n\n
Als Geburtsstunde der KI gilt die im Jahr 1956 von den US-amerikanischen Forschern John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon am Dartmouth College initiierte Dartmouth-Konferenz in Hanover, New Hampshire, USA. Zu den Kern\u00adaussagen dieser Konferenz geh\u00f6ren: <\/p>\n\n\n\n
- S\u00e4mtliche Eigenschaften der Intelligenz lassen sich in Form abstrakter Modelle pr\u00e4zise beschreiben.<\/li>
- Denkprozesse sind nicht ausschlie\u00dflich dem menschlichen Gehirn vorbehalten.<\/li>
- Computer sind das beste au\u00dfermenschliche Instrument f\u00fcr diese Denkprozesse.<\/li><\/ol>\n\n\n\n
In den darauffolgenden Jahren unterlag die Popularit\u00e4t des Themas \u201eK\u00fcnstliche Intelli\u00adgenz“ immer wieder gr\u00f6\u00dferen Schwankungen. Der bis etwa 1969 andauernden Phase des Aufbruchs und der Begeisterung folgte etwa eine durch fundamentale Schwierigkeiten speziell aufgrund fehlenden Wissens von Programmen \u00fcber Anwendungsgebiete gekenn\u00adzeichnete Phase der Ern\u00fcchterung. In den 1980er Jahren wiederum gab es zahlreiche kommerzielle Erfolge beim Einsatz von Expertensystemen in der Industrie; es wurden KI\u00ad-Abteilungen in vielen gr\u00f6\u00dferen Firmen gegr\u00fcndet, und Kl-basierte Projekte wurden im gro\u00ad\u00dfen Stil gef\u00f6rdert. In diese Phase fiel auch die Gr\u00fcndung des Deutschen Forschungszent\u00adrums f\u00fcr K\u00fcnstliche Intelligenz (DFKI) im Jahr 1988. <\/p>\n\n\n\n
Nach einer Phase der Konsolidierung hat das Thema \u201eK\u00fcnstliche Intelligenz“ nun auch f\u00fcr Politik und Entscheidungstr\u00e4ger gro\u00dfe Bedeutung erlangt, haupts\u00e4chlich bedingt durch die gro\u00dfen und sichtbaren Fortschritte im Bereich Deep Learning und durch die Durch\u00addringung aller Lebensbereiche mit digitalen Technologien.<\/p>\n\n\n\n
Konzepte und Technologien<\/h2>\n\n\n\n
Die Entwicklung neuer Technologien erfolgt nicht auf linearen, festgelegten Pfaden, son\u00addern zeichnet sich durch H\u00f6hen und Tiefen aus, durch Zeiten des Aufbruchs und der Ent\u00adt\u00e4uschung. Dennoch lassen sich neue, aufkommende Technologien einordnen, um deren Zustand und Auswirkungen zu begreifen. Das Marktforschungsunternehmen Gartner ver\u00f6ffentlicht Jahr f\u00fcr Jahr seinen sogenannten \u201eHype Cycle“, eine Illustration, die Technolo\u00adgien auf einer Kurve von \u00fcberh\u00f6hten Erwartungen durch ein Tal der Entt\u00e4uschungen zu einem Plateau der Produktivit\u00e4t einzeichnet. <\/p>\n\n\n\n
![\"\"](\"https:\/\/ea-rlp.de\/wp-content\/uploads\/2019\/09\/PR_490866_5_Trends_in_the_Emerging_Tech_Hype_Cycle_2018_Hype_Cycle-1024x866.png\")
(Quelle: Gartner)<\/figcaption><\/figure>\n\n\n\n Die Abbildung zeigt den \u201eHype Cycle“ f\u00fcr das Jahr 2018. Es ist erkennbar, dass K\u00fcnstliche Intelligenz und verwandte Technologien hohen Erwartungen ausgesetzt sind. Im folgen\u00adden Abschnitt werden nicht alle aktuellen Technologien beschreiben, die im Kontext von KI relevant sind, sondern es wird vielmehr eine Auswahl an Technologien kurz erl\u00e4utert. Hiermit werden die Grundlagen f\u00fcr die sp\u00e4teren Ausf\u00fchrungen zu K\u00fcnstlicher Intelligenz und ihren denkbaren Auswirkungen in Kommunen gelegt. <\/p>\n\n\n\n
Big Data<\/h2>\n\n\n\n
Der Begriff Big Data ist ein Sammelbegriff f\u00fcr die Verarbeitung von Massendaten. Kenn\u00adzeichnende Merkmale von Big Data sind die drei Dimensionen Volume (zu verarbeitende Datenmenge), Velocity (Geschwindigkeit, mit der Daten generiert und verarbeitet werden) und Variety (Vielfalt an zu verarbeitenden Datentypen wie Zahlen, Texte oder Bilder).<\/p>\n\n\n\n
Aufgrund der riesigen Datenmengen und der gro\u00dfen Geschwindigkeit, mit der diese Daten generiert werden, ist eine Verarbeitung mit herk\u00f6mmlichen sequentiellen Methoden der Datenverarbeitung nicht mehr m\u00f6glich. Stattdessen ist eine Parallelverarbeitung notwen\u00addig. Hierzu werden die Daten zun\u00e4chst partitioniert und auf einem Verbund (Cluster) von Rechnern (Knoten) verteilt. Alle Rechner des Verbundes verarbeiten anschlie\u00dfend zeit\u00adgleich die ihnen zugeteilten Datenpartitionen. Abschlie\u00dfend wird das Gesamtergebnis aus den Einzelergebnissen jedes Knotens berechnet.<\/p>\n\n\n\n
Mit diesem Ansatz der Parallelverarbeitung ist es m\u00f6glich, gro\u00dfe Datenmengen mit hoher Geschwindigkeit zu verarbeiten. Die Anzahl der Knoten in einem Verbund kann hierbei an die Datenmenge und die erforderliche Verarbeitungsgeschwindigkeit angepasst werden. F\u00fcr kleinere Unternehmen k\u00f6nnen schon einige wenige Knoten ausreichen. Die Cluster gro\u00dfer digitalisierter Unternehmen bestehen hingegen aus Hunderten oder gar Tausen\u00adden von Knoten. Ein Cluster f\u00fcr Big Data kann lokal in einem Unternehmen (on Premise) oder auch mit geringem Aufwand in einer Cloud-Umgebung realisiert werden.<\/p>\n\n\n\n
Softwaresysteme f\u00fcr Big Data lassen sich grob in zwei Klassen unterteilen: Systeme f\u00fcr die Speicherung (NoSQL-Datenbanken) und Systeme zur schnellen Verarbeitung und Analyse gro\u00dfer Datenmengen. Erg\u00e4nzend werden spezialisierte Systeme z.B. f\u00fcr den Im\u00adport gro\u00dfer Datenmengen oder f\u00fcr Datentransformationen eingesetzt. <\/p>\n\n\n\n
Data Mining (Probabilistik, Statistik)<\/h2>\n\n\n\n
Will man Erkenntnisse \u00fcber Muster oder Strukturen in gro\u00dfen oder sogar sehr gro\u00dfen Datenmengen (Stichwort \u201eBig Data“) gewinnen, so ist dies mit simplen manuellen Analy\u00adsen nicht m\u00f6glich. Auch Visualisierungen in Form von Diagrammen oder Schaubildern sto\u00dfen schnell an Ihre Grenzen. Eine Datenanalyse muss somit wenigstens teilweise au\u00adtomatisiert sein. Die Forschungs- bzw. Anwendungsgebiete \u201eKnowledge Discovery in Databases“ (KDD) sowie \u201eData Mining“ besch\u00e4ftigen sich mit Methoden, intelligente und rechnergest\u00fctzte Verfahren f\u00fcr die Datenanalyse zu entwickeln. Witten und Frank (2011) definieren den Begriff \u201eData Mining“ wie folgt: ,,Beim Data Mining geht es darum, Modelle zu bilden, die Regularit\u00e4ten und Zusammenh\u00e4nge in gro\u00dfen Datenmengen erkl\u00e4ren.“ <\/p>\n\n\n\n
Typische Aufgaben im Data Mining sind etwa Klassifikation, Segmentierung, Clustering, Vorhersage, Trendanalyse oder Abh\u00e4ngigkeits- bzw. Assoziationsanalyse. Sie werden in einer Vielzahl an Branchen eingesetzt, etwa im Direktmarketing und in der Finanz- und Versicherungswirtschaft. <\/p>\n\n\n\n
Beim Data Mining handelt es sich stets um einen Prozess, in dem Mensch und Maschine interagieren und bei dem Expertenwissen \u00fcber die Anwendungsdom\u00e4ne und m\u00f6gliche Technologien unerl\u00e4sslich ist. Data Mining Tools assistieren dem Menschen bei der Da\u00adtenanalyse, k\u00f6nnen diesen jedoch nicht ersetzen. Der Mensch w\u00e4hlt zun\u00e4chst Daten aus, bestimmt notwendige Schritte f\u00fcr eine Vorverarbeitung dieser Daten und w\u00e4hlt und para\u00admetrisiert Methoden. Hier stehen zahlreiche Verfahren bzw. Technologien zur Verf\u00fcgung, z.B. klassische Statistik, Entscheidungsb\u00e4ume, Bayes-Klassifikatoren oder K\u00fcnstliche Neuronale Netze. Nachdem die Maschine Modelle vorschl\u00e4gt und quantitative Bewertun\u00adgen erstellt hat, analysiert der Mensch Qualit\u00e4t und N\u00fctzlichkeit und akzeptiert oder ver\u00adwirft die Modelle. Dabei werden verschiedene Qualit\u00e4tskriterien f\u00fcr Wissen wie Korrekt\u00adheit, Allgemeinheit, N\u00fctzlichkeit, Verst\u00e4ndlichkeit oder Neuheit herangezogen.<\/p>\n\n\n\n
Machine Learning <\/h2>\n\n\n\n
![\"\"](\"https:\/\/ea-rlp.de\/wp-content\/uploads\/2019\/09\/franck-v-U3sOwViXhkY-unsplash-1024x768.jpg\")
(Foto: Unsplash)<\/figcaption><\/figure><\/div>\n\n\n\n Anstatt wie bei wissensbasierten Systemen das ben\u00f6tigte Wissen in einem manuellen o\u00adder nur teilautomatisierten Prozess zur Verf\u00fcgung zu stellen, verfolgt das maschinelle Ler\u00adnen das Ziel, selbstst\u00e4ndig basierend auf zur Verf\u00fcgung gestellten Daten Muster zu er\u00adkennen bzw. Modelle zu lernen. Machine Learning ist eine Schl\u00fcsseltechnologie der K\u00fcnstlichen Intelligenz und ein Oberbegriff f\u00fcr zahlreiche Verfahren.<\/p>\n\n\n\n
Man unterscheidet dabei grunds\u00e4tzlich zwischen \u00fcberwachtem und un\u00fcberwachtem Ler\u00adnen. Im ersteren Fall kennt das System bereits die korrekten Antworten bzw. Hypothesen und versucht mithilfe dieser Informationen ein Modell zu lernen. Beim un\u00fcberwachten Ler\u00adnen ist dagegen noch nicht bekannt, was gelernt werden soll.<\/p>\n\n\n\n
Eine weitere prominente Klasse an Verfahren wird als best\u00e4rkendes oder verst\u00e4rkendes Lernen (reinforcement learning) bezeichnet. Hierbei reagiert ein System auf positive R\u00fcck\u00admeldungen bzw. Belohnungen und erlernt so selbstst\u00e4ndig ein Modell mit dem Ziel, m\u00f6g\u00adlichst viele Belohnungen zu erhalten.<\/p>\n\n\n\n
Deep Learning<\/h2>\n\n\n\n
Der Begriff Deep Learning bezeichnet eine spezielle Klasse von Optimierungsmethoden von K\u00fcnstlichen Neuronalen Netzen (KNN), einem Teilbereich des Machine Learnings. Sie werden oft auch als \u201eDeep Neural Networks“ bezeichnet und stehen seit einigen Jah\u00adren beinahe stellvertretend f\u00fcr die zunehmend gr\u00f6\u00dfere Bedeutung des Themas K\u00fcnstliche Intelligenz im \u00f6ffentlichen Diskurs.<\/p>\n\n\n\n
Obwohl die beim Deep Learning verwendeten Verfahren nicht neu sind, wurde mit der immer gr\u00f6\u00dfer werdenden Menge an zur Verf\u00fcgung stehenden Daten sowie der enormen Leistungssteigerung bei der Verarbeitung dieser Daten der Stand der Technik in zahlrei\u00adchen Anwendungsbereichen wie etwa Bilderkennung und Spracherkennung dramatisch verbessert (LeCun et al. 2015).<\/p>\n\n\n\n
Die Lernmethoden solcher K\u00fcnstlichen Neuronalen Netze richten sich zwar nach der Funktionsweise des menschlichen Gehirns und resultieren in der F\u00e4higkeit zu eigenen Prognosen oder Entscheidungen, allerdings beruhen diese Vorgehensweisen auf Erkennt\u00adnissen der Hirnforschung aus den 1960er Jahren (Thielicke 2018). Es ist davon auszuge\u00adhen, das mit dem zunehmenden Verst\u00e4ndnis der Abl\u00e4ufe im menschlichen Gehirn auch v\u00f6llig neue Verfahren in der K\u00fcnstlichen Intelligenz entwickelt werden, die zum Teil auch auf v\u00f6llig neuen Computerarchitekturen beruhen.<\/p>\n\n\n\n
Autonomisierung bzw. Autonome Systeme<\/h2>\n\n\n\n
Autonome Systeme haben die F\u00e4higkeit, komplexe Aufgaben eigenst\u00e4ndig zu bew\u00e4ltigen. Beispiele sind autonome Fahr- bzw. Flugzeuge und autonome Roboter. Wesentlicher Ge\u00adsichtspunkt dabei ist die Unabh\u00e4ngigkeit der Diensterbringung vom menschlichen Bedie\u00adner. Im Bereich der autonomen Fahrzeuge unterscheidet man sechs Autonomiestufen (0: Selbstfahrer, 1: Fahrerassistenz, 2: Teilautomatisierung, 3: Bedingungsautomatisierung, 4: Hochautomatisierung, 5: Vollautomatisierung). In den Stufen 0-2 wird die Umgebung vom menschlichen Fahrer kontrolliert, in den Stufen 3-5 vom System. Auf dem deutschen Markt befinden sich Systeme der Stufe 2, wobei in den USA auch eingeschr\u00e4nkt Stufe 3 (z.B. bei Tesla) eingesetzt wird. Prototypen in Stufe 5 werden derzeit von allen gro\u00dfen Anbietern und Zulieferern getestet. <\/p>\n\n\n\n
Weitergehende Automatisierung setzt neben Prozesswissen ein zunehmendes Verst\u00e4nd\u00adnis des Kontexts, z. B. durch Sensorik oder gelieferte Daten, eine analytische Betrachtung der Situation sowie eine angebrachte Reaktion voraus. Ein autonomes Fahrzeug muss also neben dem Wissen dar\u00fcber, wie Fahren funktioniert, auch \u201everstehen“, wie es die Fahrweise an eine sich ver\u00e4ndernde (oft unbekannte) Umwelt anzupassen hat. Die Si\u00adcherstellung einer angebrachten Reaktion ist eine der gro\u00dfen Herausforderungen, da so\u00adwohl technische (algorithmische) als auch rechtliche und ethische Aspekte zu betrachten sind. Insbesondere die Verwendung der aktuell stark propagierten Ans\u00e4tze aus dem ma\u00adschinellen Lernen sind aus Sicht der funktionalen Sicherheitsbeurteilung schwierig zu be\u00adwerten, da sie nicht deterministisch sind, was bedeutet, dass sie bei gleichem Ausgangs\u00adpunkt nicht immer zum selben Ergebnis f\u00fchren. Aus ethischer Sicht befinden wir uns im Falle eines unausweichlichen Unfalls in der Situation, dass, im Gegensatz zum Menschen, der eine unbewusste Entscheidung treffen wird, die in keiner Weise \u201eoptimal“ im Sinne des Schadens sein muss, die Maschine eine \u201ebewusste Entscheidung“ treffen m\u00fcssen wird. Die Ethikkommission hat einen Bericht mit 20 Thesen zum automatisierten Fahren vorge\u00adlegt, der als Leitlinie f\u00fcr zuk\u00fcnftige Systeme gelten soll.<\/p>\n\n\n\n
Robotik<\/h2>\n\n\n\n
Das interdisziplin\u00e4re Feld der Robotik besch\u00e4ftigt sich mit der Konzeption, der Konstruk\u00adtion, dem Betrieb und dem Einsatz von Robotern sowie Computersystemen f\u00fcr deren Steuerung. Robotik umfasst Ans\u00e4tze aus zahlreichen Feldern der Ingenieurwissenschaf\u00adten und Wissenschaften wie Maschinenbau, Elektrotechnik, Informationstechnik, Informa\u00adtik (insbesondere K\u00fcnstliche Intelligenz), Mensch-Maschine-Interaktion, Psychologie, So\u00adziologie und Philosophie. <\/p>\n\n\n\n
![\"\"](\"https:\/\/ea-rlp.de\/wp-content\/uploads\/2019\/09\/franck-v-jIBMSMs4_kA-unsplash-1024x737.jpg\")
(Foto: Unsplash)<\/figcaption><\/figure><\/div>\n\n\n\n ,,Roboter“ bezeichnet dabei eine \u00fcblicherweise von einem Computer programmierte Ma\u00adschine, die in der Lage ist, eine komplexe Reihe von Aktionen automatisch auszuf\u00fchren. Dabei k\u00f6nnen autonome und semiautonome Roboter unterschieden werden. Roboter gibt es in unterschiedlichsten Formen, von Humanoiden \u00fcber Industrieroboter und medizini\u00adsche Operationsroboter bis hin zu Drohnen oder mikroskopischen Nano-Robotern. Sie stellen eine spezielle Form autonomer Systeme dar, die mit ihrer Umwelt physisch intera\u00adgieren k\u00f6nnen.<\/p>\n\n\n\n
Auch wenn in den letzten Jahren enorme Fortschritte etwa im Bereich von humanoiden Robotern und Laufrobotern erzielt werden konnten, sind die Systeme heute immer noch sehr limitiert. So kann beispielsweise der von Honda entwickelte Roboter ASIMO zwar mit Menschen in gewissem Ma\u00dfe interagieren, allerdings nur in begrenztem Umfang und weit\u00adgehend beschr\u00e4nkt auf vordefinierte Szenarien (Hirose und Ogawa 2007). Die komplexe Interaktion zwischen Robotern und Menschen in offenen, nicht vordefinierten Umgebun\u00adgen ist noch heute ein ungel\u00f6stes Problem und Thema zahlreicher Forschungsbem\u00fchun\u00adgen auf dem Gebiet der K\u00fcnstlichen Intelligenz und der Mensch-Roboter-Interaktion (Schwartz et al. 2016). <\/p>\n\n\n\n
Im Bereich Industrie 4.0 \u00fcbernehmen Maschinen (Roboter wie Software) immer mehr Auf\u00adgaben, die bisher von Menschen durchgef\u00fchrt wurden. Dabei werden nicht nur reine Pro\u00adduktionsaufgaben von Maschinen \u00fcbernommen, sondern auch Planung und Entscheidun\u00adgen. Wenn fr\u00fcher die Maschine als einfacher Verrichter angesehen wurde, wird sie heute schon als kollaborativer Co-Worker verstanden. Das hei\u00dft, sie arbeitet gleichberechtigt mit. Die Auswirkungen auf die Gesellschaft sind unklar und reichen von der dystopischen Vorstellung, dass die meisten Arbeitspl\u00e4tze wegfallen, zu eher beruhigenden Szenarien, wie sie u.a. vom McKinsey Global Institute vorhergesagt werden, nach dessen Meinung die Automatisierung mehr Stellen ver\u00e4ndern als wegrationalisieren wird.<\/p>\n\n\n\n
Plattform\u00f6konomie<\/h2>\n\n\n\n
Digitale Gesch\u00e4ftsmodelle spielen eine zunehmend wichtigere Rolle auf den Weltm\u00e4rkten. Gegen\u00fcber traditioneller Wertsch\u00f6pfung, welche auf der Herstellung von Produkten und deren Vertrieb an Kunden basiert, setzen heutige digitale Gesch\u00e4ftsmodelle zumeist auf eine plattformbasierte Wertsch\u00f6pfung. Bereits im Jahr 2016 best\u00e4tigten 81 % der Mana\u00adger einer von Accenture durchgef\u00fchrten Studie die zentrale Bedeutung plattformbasierter Gesch\u00e4ftsmodelle f\u00fcr ihre Wachstumsstrategie innerhalb der n\u00e4chsten drei Jahr. Eine auf Plattformen basierende Strategie zeichnet aus, dass sie, anders als eine reine Produktstrategie, auf ein \u00d6kosystem setzt, das die Generierung von Produkt- oder Dienst\u00adleistungsinnovationen und Synergien zwischen diesen Angeboten potenziell vieler betei\u00adligter Organisationen und der Plattform erm\u00f6glicht. Die Kernidee einer Plattform ist, dass Partner Angebote nutzen und selbst Beitr\u00e4ge bereitstellen, wodurch die Wertsch\u00f6pfung realisiert wird. <\/p>\n\n\n\n
![\"\"](\"https:\/\/ea-rlp.de\/wp-content\/uploads\/2019\/09\/IMG_9156-1024x683.jpeg\")
(Foto: Schwarze)<\/figcaption><\/figure><\/div>\n\n\n\n Prominente Beispiele f\u00fcr derartige Konzepte sind vor allem im Bereich der sozialen Medien zu finden, wie Facebook und Linkedln, aber auch eBay und Amazon im Einzelhandel oder Netflix und Spotify in der Unterhaltungsbranche. Anhand der Musikin\u00addustrie l\u00e4sst sich illustrieren, welche disruptiven Ver\u00e4nderungen durch Digitalisierung und den Wandel hin zu Plattformen vonstattengehen k\u00f6nnen. So hat bereits vor der Jahrtau\u00adsendwende die CD als digitales Produkt die analoge Vinyl-Schallplatte ersetzt. Einen Schritt weiter ging nach der Jahrtausendwende der Trend zum Download von Musikst\u00fc\u00adcken anstatt des Kaufs von Musik auf Datentr\u00e4gern. W\u00e4hrend die erste Ver\u00e4nderung we\u00adnig Einfluss auf die K\u00fcnstler und den Vertrieb von Musik hatte, machte der zweite Digita\u00adlisierungsschritt aufgrund des neuen Kanals, \u00fcber den H\u00f6rer Musik erwerben, die Press\u00adwerke und Plattenl\u00e4den teilweise obsolet. In den vergangenen Jahren l\u00e4sst sich der Trend zum Streaming von Musik beobachten. Dieser bedeutet, dass Musik nicht mehr \u00fcber den Kauf von Datentr\u00e4gern oder den Download einzelner Musikst\u00fccke gekauft wird, sondern dass gegen eine feste Geb\u00fchr der unbegrenzte Zugriff auf Musik gew\u00e4hrt wird. Dadurch ver\u00e4ndert sich sowohl der \u201eKauf\u201c als auch der Vertrieb von Musik drastisch, einhergehend mit neuen Gesch\u00e4ftsopportunit\u00e4ten und -modellen. <\/p>\n\n\n\n
Erm\u00f6glicht wird dieses Angebot durch Plattformen, die den Dienst des Musikstreamings bereitstellen, aber auch offen f\u00fcr weitere Funktionalit\u00e4ten sind und dadurch Kunden an das die Plattform betreibende Unternehmen binden. Auf diesem Weg wird die Plattform zu einem eigenen \u00d6kosystem, das durch die Integration diverser Angebote die Bed\u00fcrfnisse der Nutzer in einem Themengebiet, zum Beispiel Musik, umfassend und komfortabel zufriedenstellt. Diese Angebote k\u00f6nnen Kom\u00adponenten wie Bezahlung, Rechteverwaltung und Datenanalyse beinhalten. Die Vielfalt macht hierbei deutlich, dass Plattformen trotz Fokussierung auf eine Branche dennoch breit aufgestellt sind und Dienste aus diversen Dom\u00e4nen einbinden m\u00fcssen.<\/p>\n\n\n\n
Biologisierung und Smart Ecosystems <\/h2>\n\n\n\n
Der Begriff des \u00d6kosystems fiel bereits im vorherigen Kapitel. Die Nutzung der Metapher eines \u00d6kosystems in der Gesch\u00e4ftswelt ist sp\u00e4testens seit James Moores Buch \u201eThe Death of Competition“ aus dem Jahr 1997 gel\u00e4ufig (Moore 1997). Nach und nach wurde der Begriff auch f\u00fcr weitere \u201e\u00d6kosysteme“ etabliert, darunter sogenannte Software-\u00d6ko\u00adsysteme (Messerschmitt, Szyperski 2003). Unter Software-\u00d6kosystemen versteht man das Zusammenspiel aus Organisationen und Unternehmen, die als eine Einheit funktio\u00adnieren und auf einer gemeinsamen technischen Plattform interagieren, um Produkte und Dienstleistungen anzubieten. Darauf aufbauend etabliert sich mehr und mehr der Begriff des \u201edigitalen \u00d6kosystems“. Die G\u00fcter, die in einem solchen \u00d6kosystem gehandelt wer\u00adden, werden durch Software erm\u00f6glicht, sind jedoch nicht die Software an sich. Beispiele k\u00f6nnen hier Musik oder Transportm\u00f6glichkeiten sein, die \u00fcber ein digitales \u00d6kosystem von Partnern \u00fcber eine Plattform angeboten werden. <\/p>\n\n\n\n
Anders als ein biologisches \u00d6kosystem, von dem die Bezeichnung entlehnt ist, werden digitale \u00d6kosysteme explizit kreiert. Der \u201eSch\u00f6pfer“ des digitalen \u00d6kosystems bestimmt die Regeln, an die sich Partner halten m\u00fcssen, wenn sie partizipieren m\u00f6chten. Dar\u00fcber hinaus profitiert der Betreiber des \u00d6kosystems mit seiner zentralen Plattform, \u00fcber die die Daten und Dienste im \u00d6kosystem flie\u00dfen, von allen Transaktionen im \u00d6kosystem. Damit Transaktionen \u00fcber die Plattform des \u00d6kosystems abgewickelt werden, muss der Betrei\u00adber den Fokus auf die Koordination des Zusammenwirkens einzelner Dienste externer Partner legen. Analog zu sozialen Verb\u00e4nden in der Biologie gibt es keine festen Struktu\u00adren, weil sich die Zusammensetzung der Partner und ihrer Aktivit\u00e4ten im \u00d6kosystem kon\u00adtinuierlich \u00e4ndert. Stattdessen spricht man von \u201eVerhaltensregeln“ und einer gemeinsamen ,,Sprache“ sowie gemeinsamen \u201eWerten“, die die Zusammenarbeit im \u00d6kosystem lenken. Aufgrund der Selbstst\u00e4ndigkeit der Partner, die auch w\u00e4hrend der Teilnahme am \u00d6kosys\u00adtem gewahrt bleibt, k\u00f6nnen diese jederzeit beschlie\u00dfen, das \u00d6kosystem zu verlassen.<\/p>\n\n\n\n
Diese Zu- und Abg\u00e4nge entwickeln eine Dynamik \u00e4hnlich den autonomen und dynami\u00adschen Anpassungen in der Biologie. Folglich muss auch ein digitales \u00d6kosystem in der Lage sein, auf Ver\u00e4nderungen angemessen zu reagieren und gegebenenfalls selbstst\u00e4n\u00addig Anpassungen vorzunehmen. Eine weitere Analogie zur Biologie wird in Bezug zur \u201eIn\u00adtelligenz“ solcher Systeme gezogen, die notwendig ist, um die erforderlichen Anpassun\u00adgen vorzunehmen. Selbst wenn keine Intelligenz im Sinne des menschlichen Bewusst\u00adseins damit gemeint ist, so geht es doch um eine k\u00fcnstliche Intelligenz, die biologische Intelligenz nachahmt. Schlie\u00dflich gilt im \u00d6kosystem, wie in der Biologie auch, dass die Gesamtheit der Einzelsysteme mehr bieten kann als die Einzelsysteme alleine. Aus die\u00adsem Grund lassen sich aus dem Zusammenwirken in der Biologie Inspirationen f\u00fcr die Gestaltung digitaler \u00d6kosysteme gewinnen. <\/p>\n\n\n\n
Internet der Dinge<\/h2>\n\n\n\n
![\"\"](\"https:\/\/ea-rlp.de\/wp-content\/uploads\/2019\/09\/IMG_4022-473x1024.png\")
(Foto: Schwarze)<\/figcaption><\/figure><\/div>\n\n\n\n Die Bezeichnung \u201eInternet der Dinge“ ist ein Sammelbegriff f\u00fcr verschiedene Technologien und Anwendungen, mit denen Objekte aus der realen und virtuellen Welt vernetzt werden k\u00f6nnen, womit die Basis f\u00fcr vielf\u00e4ltige (erweiterte) Interaktionen mit bzw. zwischen diesen Objekten erm\u00f6glicht wird. Die zugrundeliegenden Ideen hierf\u00fcr wurden schon Anfang der 1990er Jahre unter dem Begriff \u201eUbiquitous Computing“ eingef\u00fchrt (Weiser 1991 ); es be\u00adstehen zudem zahlreiche Bez\u00fcge zum Themenfeld \u201eEmbedded Systems“.<\/p>\n\n\n\n
Das Internet der Dinge zeichnet sich vor allem dadurch aus, dass Objekte eindeutig adres\u00adsierbar bzw. identifizierbar sind und vielfach selbst mit eingebetteter Technologie wie etwa Sensorik oder RFID-Chips ausgestattet sind (ein prominentes Beispiel hierf\u00fcr sind soge\u00adnannte \u201eWearables“ wie SmartWatches oder Fitnessarmb\u00e4nder). Mattem und Fl\u00f6rkemeier (2010) f\u00fchren folgende Aspekte auf, aufgrund derer das \u201eInternet der Dinge“ in seiner Gesamtheit zu einer neuen Qualit\u00e4t der Technikentwicklung f\u00fchrt: Kommunikation und Ko\u00adoperation, Adressierbarkeit, Identifikation, Sensorik, Effektorik, Lokalisierung und Benut\u00adzungsschnittstelle. Zu den prominentesten Anwendungsfeldern im Themenfeld des \u201eInter\u00adnet der Dinge“ geh\u00f6ren Smart Horne, Mobilit\u00e4t, Logistik und Gesundheitswesen.<\/p>\n\n\n\n
Blockchain<\/h2>\n\n\n\n
Die Blockchain erlangte Bekanntheit durch ihre Rolle als Basistechnologie der seit 2009 im Umlauf befindlichen Kryptow\u00e4hrung Bitcoin. Seit diesem Zeitpunkt wurde die Block\u00adchain-Technologie bei der Schaffung zahlreicher weiterer digitaler Zahlungsmittel ver\u00adwendet, um Buchungssysteme zu realisieren, die von der Existenz einer zentralen ver\u00adtrauensw\u00fcrdigen Stelle (z. B. Banken oder Notare) unabh\u00e4ngig sind.<\/p>\n\n\n\n
Die Blockchain-Technologie erlaubt hierbei das dezentrale F\u00fchren einer Datenbank, deren Korrektheit auf Basis einer Konsensbildung der Beteiligten sichergestellt wird. Jede ein\u00adzelne Transaktion ist unleugbar und automatisch pr\u00fcfbar. Manipulationsversuche an er\u00adfolgreich vorgenommenen Eintr\u00e4gen sind durch eine kryptografische Verkn\u00fcpfung der die gesamte Transaktionshistorie beinhaltenden Datenbl\u00f6cke f\u00fcr alle Beteiligten direkt er\u00adkennbar. <\/p>\n\n\n\n
Die Blockchain-Technologie scheint daher neben ihrem Einsatz bei Kryptow\u00e4hrungen in weiteren Bereichen neue Chancen zu bieten, teilweise auch in Form disruptiver Ge\u00adsch\u00e4ftsmodelle. Sie erm\u00f6glicht z. B. Smart Contracts, bei denen sich die Regelungen ei\u00adnes Vertrags elektronisch abbilden lassen. Aktuell wird die Konzeption und Entwicklung erster Prototypen in zahlreichen Branchen insbesondere durch Start-ups vorangetrieben. <\/p>\n\n\n\n
Augmented Reality<\/h2>\n\n\n\n
Eine einheitliche Definition zu Augmented Reality (AR) gibt es in der Literatur nicht. Zur begrifflichen Kl\u00e4rung wird h\u00e4ufig auf das Reality-Virtuality Continuum von Milgram et al. (1994) Bezug genommen. Dabei wird AR als jede Technologie beschrieben, die reale und virtuelle Informationen sinnvoll kombinieren kann. In einer weiteren Definition zu AR von Azuma (1997) ist AR durch folgende Charakteristika definiert: (1) Kombination von virtu\u00adeller Realit\u00e4t und realer Umwelt mit teilweiser \u00dcberlagerung, (2) Interaktion in Echtzeit und (3) dreidimensionaler Bezug virtueller und realer Objekte (Mehler-Bicher und Steiger 2017). Die virtuellen Informationen werden hierbei in das Sichtfeld eines Betrachters ein\u00adgeblendet. Der Benutzer ist mit einem mobilen Endger\u00e4t oder einer Datenbrille ausgestat\u00adtet. Dabei k\u00f6nnen in technologischer Hinsicht vier Ebenen der AR unterschieden werden: Ebene 1: QR-Code-basierte Aktivierung von damit verbundenen Informationen (Hyper\u00adlinks, Bilder, Texte, Audios, Videos usw.). Ebene 2: Markerbasierte (Trigger, Tracker, Tar\u00adgets oder Image) Aktivierung virtueller Zusatzinformationen (z. B. Einblenden eines 3D\u00adModells). Ebene 3: Markerlose Aktivierung virtueller Informationen. Hierbei erkennt eine in das mobile Endger\u00e4t bzw. in die Datenbrille integrierte Kamera die Kontur bzw. Struktur eines realen Objektes, oder ein integriertes GPS l\u00f6st \u00fcber die Verarbeitung geografischer Daten an einem bestimmten Standpunkt die Aktivierung der virtuellen Informationen aus. Ebene 4: Bei der sogenannten immersiven AR wird \u00fcber die nicht- oder halbtransparente Datenbrille eine virtuelle 3D-Welt direkt in das Blickfeld des Benutzers eingespielt (Castel\u00adlanos und Perez 2017).<\/p>\n\n\n\n
![\"\"](\"https:\/\/ea-rlp.de\/wp-content\/uploads\/2019\/09\/patrick-schneider-87oz2SoV9Ug-unsplash-1024x683.jpg\")
(Foto: Unsplash)<\/figcaption><\/figure><\/div>\n\n\n\n Um AR-Anwendungen der Ebene 4 zu erm\u00f6glichen, ist es notwendig, zun\u00e4chst die reale Umgebung zu erfassen (\u00fcber nicht-visuelles oder visuelles Tracking), um anschlie\u00dfend diese Umgebung um virtuelle Objekte und Informationen zu erg\u00e4nzen (Realit\u00e4tserweite\u00adrung). Der Benutzer tr\u00e4gt dabei eine Datenbrille (als Head-Mounted Display; HMD) mit oder ohne ein sogenanntes See-Through Display. Beim HMD-Prinzip ist die Kamera am Kopf des Betrachters montiert. Dadurch kann sie bei Kopfbewegungen die reale Umge\u00adbung erfassen und entweder nach Markern oder nach nat\u00fcrlichen Formen (Marker- oder Markerless Tracking) suchen. Die Projektion erfolgt auf ein Display, das direkt vor den Augen des Betrachters montiert ist. Das Rendering aus realen und virtuellen Bildern wird in seiner Gesamtheit auf das Display projiziert. Alternativ kann der Betrachter durch ein sog. See-Through Display die reale Umgebung erkennen; lediglich die virtuellen Objekte werden zus\u00e4tzlich in das Display projiziert (Mehler-Bicher und Steiger 2017). <\/p>\n\n\n\n
\u00c4hnlich wie bei Virtual Reality existiert mittlerweile eine Vielzahl von Anwendungsszena\u00adrien, die h\u00e4ufig auch mit der Bezeichnung \u201eliving“ versehen sind. Beim \u201eLiving Mirror“ er\u00adkennt eine Kamera das Gesicht des Betrachters und platziert lagegerecht dreidimensio\u00adnale Objekte auf dem Gesicht bzw. Kopf. Das \u201eLiving Print“ Szenario basiert auf dem Er\u00adkennen eines Printmediums und entsprechender Augmentierung. Beim \u201eLiving Game Mo\u00adbile“ bilden mobile Endger\u00e4te die Basis f\u00fcr augmentierte Spiele, die z. B. auf dem Smart\u00adphone zur Anwendung gebracht werden. Mithilfe von AR lassen sich Tele- und Videokon\u00adferenzen anreichern (,,Living Meeting“), sodass sie fast wie reale zusammentreffen wirken. Weitere Anwendungsbeispiele stellen \u201eLiving Architecture“ (Vermittlung von Raumeindr\u00fc\u00adcken), ,,Living Poster“ (Werbebotschaften im \u00f6ffentlichen Raum) und \u201eLiving Presentati\u00adons“ (augmentierte Messest\u00e4nde und Pr\u00e4sentationen) dar. <\/p>\n\n\n\n
Alle AR-Anwendungen, die mit mobilen Systemen reale Umgebungen oder Einrichtungen mit Zusatzinformationen jeglicher Art wie Text, 2D- oder 3D-Objekten, Video- und Audio\u00adsequenzen erweitern, bezeichnet man als \u201eLiving Environment“. Ziel ist zeitnahe Informa\u00adtionsgewinnung (Time-to-Content) durch den Benutzer allein dadurch, dass durch die Ka\u00admera ein Objekt oder eine Kombination von Objekten erfasst wird und entsprechende Zu\u00adsatzinformationen bereitgestellt werden (Mehler-Bicher und Steiger 2017). <\/p>\n\n\n\n
Virtual Reality <\/h2>\n\n\n\n
Der Begriff \u201eVirtuelle Realit\u00e4t“ (VR) wird f\u00fcr eine Vielfalt von heterogenen Technologien, Anwendungsgebieten und interdisziplin\u00e4ren Theorie- und Forschungsans\u00e4tzen verwen\u00addet. In technologischer Hinsicht spielen Visualisierungstechniken eine wichtige Rolle. Vir\u00adtuelle Realit\u00e4ten k\u00f6nnen auf einfachen Displays repr\u00e4sentiert werden. Sie k\u00f6nnen durch geschlossene VR-Brillen (sog. Head-Mounted Displays) oder in Datenbrillen erzeugt wer\u00adden, welche die physikalische Realit\u00e4t mit zus\u00e4tzlichen Informationen \u00fcberlagern (Aug\u00admented Reality). Eine andere Visualisierungstechnik ist die sogenannte CAVE (Cave Au\u00adtomatie Virtual Environment). In einer CAVE werden virtuelle Welten so pr\u00e4sentiert, dass sie dreidimensional mitten im Raum zu stehen scheinen und von den Betrachtern interak\u00adtiv in Echtzeit manipuliert werden k\u00f6nnen (Kuhlen 2014). Neben Visualisierungstechniken werden aber auch Technologien eingesetzt, welche die akustischen und taktilen Sinnes\u00adreize des Menschen ansprechen und damit die Gestaltung einer VR als eine multisenso\u00adrisch wahrnehmbare Welt erm\u00f6glichen (Brill 2009). Insofern ist VR eine spezielle Form der Mensch-Computer-Schnittstelle, die mehrere menschliche Sinne in die Interaktion einbe\u00adzieht und beim Benutzer die Illusion hervorruft, die computergenerierte k\u00fcnstliche Welt als real wahrzunehmen (Kuhlen 2014). <\/p>\n\n\n\n
![\"\"](\"https:\/\/ea-rlp.de\/wp-content\/uploads\/2019\/09\/stem-t4l-wqLswHmf6j4-unsplash-1024x683.jpg\")
(Foto: Unsplash)<\/figcaption><\/figure><\/div>\n\n\n\n VR-Anwendungsszenarien finden sich inzwischen in zahlreichen Gebieten, so etwa in der Medizin, im Milit\u00e4r, im Bildungsbereich, in verschiedenen Wissenschaftszweigen, in der Industrie sowie im Unterhaltungsbereich. Industrielle Produktionsstra\u00dfen werden heute virtuell geplant, auf ihre Leistungsf\u00e4higkeit gepr\u00fcft und gestaltet (Jun et al. 2012). Zu Trai\u00adnings- und Planungszwecken werden in der Chirurgie virtuelle Operationen durchgef\u00fchrt (Riva 2014) und diagnostische und therapeutische Entscheidungen mithilfe virtueller Pati\u00adentensimulationen trainiert (M\u00fcller-Wittig 2017). Soldaten und Soldatinnen trainieren den Kampf, Milit\u00e4rstrategen simulieren das Gefecht (Smith 2014). Zu therapeutischen Zwe\u00adcken werden Patienten virtuell in Situationen gebracht, vor denen diese Phobien haben (M\u00fchlberger 2014). Ein weiteres gro\u00dfes Anwendungsgebiet stellt der Unterhaltungsbe\u00adreich, insbesondere die Spielebranche, dar (Damer und Hinrichs 2014).<\/p>\n\n\n\n
Vielf\u00e4ltig sind auch die Theorie- und Forschungsans\u00e4tze zur virtuellen Realit\u00e4t. Je nach disziplin\u00e4rer Herangehensweise k\u00f6nnen sehr vereinfacht gesagt ingenieurwissenschaftli\u00adche von human- und sozialwissenschaftlichen Ans\u00e4tzen unterschieden werden. Einherge\u00adhend mit der rasanten technologischen Entwicklung nehmen aber auch zeitdiagnostische, ethische und datenschutzrechtliche Beitr\u00e4ge, welche die sozialen, politischen und norma\u00adtiven Implikationen (Chancen, Gefahren, Risiken) virtueller Realit\u00e4ten diskutieren, immer mehr Raum ein (Kaminski 2016). <\/p>\n\n\n\n
Im Gartner Hyper Cycle f\u00fcr das Jahr 2017 hat VR die Phasen des eigentlichen Hypes und die der Talsohle bereits durchlaufen und befindet sich in der Phase, in der eine Technolo\u00adgie nutzbringend von innovationsoffenen Unternehmen aufgegriffen und eingesetzt wird (Panetta 2017). Im Digital Trend Outlook 2016 wurde Virtual Reality als einer der gr\u00f6\u00dften technologischen Meilensteine des Jahres 2016 bezeichnet. Zwar dominieren beim aktuel\u00adlen Angebot von VR-Brillen noch die Global Player (Oculus Rift, HTC Vive, Samsung Gear VR) den Markt, es wird aber davon ausgegangen, dass sich mit zunehmender Marktat\u00adtraktivit\u00e4t auch kleine Anbieter im VR-Gesch\u00e4ft etablieren werden. Dem Gaming-Markt wird dabei eine Schl\u00fcsselrolle bei der langfristigen Durchsetzung der VR-Technologie zu\u00adgesprochen. Dies liegt daran, dass die Gamer als \u201eEarly Adopter“ f\u00fcr diese neuen Tech\u00adnologien angesehen werden. Weiterhin wird davon ausgegangen, dass bereits in den n\u00e4chsten f\u00fcnf Jahren mit einem expansiven Marktwachstum zu rechnen ist bzw. dass sich VR-Anwendungen \u00e4hnlich wie Smartphones zu einer Mainstream-Technologie entwickeln werden. Dabei sch\u00e4tzen 20,3 % der im Digital Trend Outlook 2016 befragten 1.057 Kon\u00adsumenten die Medizin als eine wichtige Branche ein (Ballhaus et al. 2016). <\/p>\n\n\n\n
Servicebasierte Infrastrukturen (SaaS, laaS, PaaS) in Kombination mit Cloud Hosting <\/h2>\n\n\n\nMit dem Begriff der servicebasierten Infrastrukturen sind Infrastrukturen, aber auch Platt\u00adformen und Software gemeint, die in einer Cloud-Umgebung ihren Nutzern zur Verf\u00fcgung gestellt werden (Sommergut 2015). Unter einer Cloud-Umgebung versteht man eine IT-Umgebung, in der Rechnerressourcen, zum Beispiel Speicherplatz und Rechenkapazit\u00e4t, aber auch Anwendungen und Dienste, so bereitgestellt werden, dass orts- und zeitunab\u00adh\u00e4ngig darauf zugegriffen werden kann (BSI 2018). Unterschieden wird in der Regel zwi\u00adschen \u00f6ffentlichen Clouds, auf der Dienste der Allgemeinheit zur Verf\u00fcgung gestellt wer\u00adden, und privaten Clouds, die nur f\u00fcr eine Institution, zum Beispiel eine Firma, bereitge\u00adstellt werden. Au\u00dferdem sind sogenannte Community Clouds m\u00f6glich, bei denen die Inf\u00adrastruktur zwischen mehreren Institutionen geteilt wird. Schlie\u00dflich gibt es den Begriff der hybriden Cloud, welche die gemeinsame Nutzung mehrerer Cloud-lnfrastrukturen \u00fcber standardisierte Schnittstellen beschreibt. <\/p>\n\n\n\n
W\u00e4hrend die oben genannte Klassifikation vor allem die Zugriffe auf eine Cloud regelt, bildet das Drei-Schichten-Modell (Liebmann 2015) eine inhaltliche Strukturierung von Cloud-Diensten (Services) ab. lnfrastructure as a Service (laaS; z. B. Amazon EC2) bietet grundlegende Ressourcen wie Rechenkapazit\u00e4ten, Speicher oder Netzwerkkapazit\u00e4ten. Darauf aufbauend kann und muss ein Anwender selbst Recheninstanzen und Speicher zusammenstellen, um darauf Betriebssysteme und Anwendungen laufen zu lassen. Beim Konzept der Platform as a Service (PaaS; z.B. Windows Azure) stehen nicht nur die zuvor genannten Ressourcen zur Verf\u00fcgung, sondern entsprechende Anbieter stellen Program\u00admiermodelle und Entwicklerwerkzeuge zur Verf\u00fcgung, sodass ein Anwender auf dieser Basis eigene Anwendungen erstellen und ausf\u00fchren kann. <\/p>\n\n\n\n
Typische Funktionalit\u00e4ten bei PaaS sind die Lastverteilung zwischen Rechenknoten oder die \u00dcberwachung von Ereig\u00adnissen im System. Bei Software as a Service (SaaS; z. B. Dropbox) schlie\u00dflich \u00fcbernimmt der Anbieter vollst\u00e4ndig die Verwaltung der Ressourcen und des zugrundeliegenden Be\u00adtriebssystems einschlie\u00dflich des Einspielens von Aktualisierungen. Somit kann der An\u00adwender von der Nutzung der Softwareanwendungen profitieren, ohne sich um technische Infrastrukturen k\u00fcmmern zu m\u00fcssen. <\/p>\n\n\n\n
<\/a>Dieser Beitrag ist ein Auszug aus der \u201eGutachterlichen Stellungnahme zu den Auswirkungen k\u00fcnstlicher Systeme und der Digitalisierung auf das kommunale Leben in Rheinland-Pfalz 2050\u201c. Die gesamte Studie steht unter ea-rlp.de\/earlpdigital2019<\/b><\/a> zum Download als PDF<\/b> (88 Seiten, 18 MB)<\/a> bereit.<\/em>
\nAuszug 1<\/b> \u2013 K\u00fcnstliche Intelligenz: Konzepte und Technologien<\/a>
\nAuszug 2<\/b> \u2013 F\u00fcnf Beispiele: Chancen durch KI in Landwirtschaft, Gesundheit, Ehrenamt, Tourismus und Mobilit\u00e4t in RLP<\/a>
\nAuszug 3<\/b> \u2013 Szenarien f\u00fcr Rheinland-Pfalz: Zwischen Dystopie und Utopie<\/a>
\n
\nZusammenfassung<\/a>
\nStudie: Auswirkungen K\u00fcnstliche Systeme 2019<\/a>Herunterladen<\/a><\/div>\n<\/p>\n\n\n\n
<\/p>\n","protected":false},"excerpt":{"rendered":"Der Begriff \u201eK\u00fcnstliche Intelligenz“ (KI) steht seit mehreren Jahren aufgrund zahlreicher technischer Fortschritte und damit einhergehender, greifbarer Entwicklungen, etwa im Be\u00adreich des autonomen Fahrens oder der automatischen Gesichtserkennung, im Fokus der gesellschaftlichen Aufmerksamkeit.<\/p>\n","protected":false},"author":2,"featured_media":3974,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6,16,32],"tags":[84,91,143,149,154,210,230,234,484,510,605,659,764,801,905,987],"class_list":["post-3915","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-digitalisierung","category-news","category-partner","tag-augmented-reality","tag-autonome-fahrzeuge","tag-big-data","tag-biologisierung","tag-blockchain","tag-cloud-hosting","tag-data-mining","tag-deep-learning","tag-hype-cycle","tag-internet-der-dinge","tag-kuenstliche-intelligenz","tag-machine-learning","tag-plattformoekonomie","tag-robotik","tag-studie","tag-virtual-reality"],"_links":{"self":[{"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/wp\/v2\/posts\/3915","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/wp\/v2\/comments?post=3915"}],"version-history":[{"count":0,"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/wp\/v2\/posts\/3915\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/"}],"wp:attachment":[{"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/wp\/v2\/media?parent=3915"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/wp\/v2\/categories?post=3915"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/neu.ea-rlp.de\/index.php\/wp-json\/wp\/v2\/tags?post=3915"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}