the bloomberg for privately-held companies - iwelt.de · markets, its dynamics and associated...
TRANSCRIPT
2
Analyst Market Overview
MergerSpot
MERGERSPOT. We provide the new genration of market research soltuion forthe data driven future.
3
PRODUCT. Analysts find an exhaustive company profile including all relevant data with just one click
Get me everything you have on A-Kaiser GmbH!
„Custom query engine
Datapoint sentiment
NLP
Web Crawling
4
PRODUCT. We offer a one-stop-solution for analysts to deeply understand markets, its dynamics and associated companies.
Exhaustive company profiles In-depth market analysis
Product portfolio
Qualitative signalsShareholders
Press newsMeta data
Financials
Consolidation analysisSentiment
Innovation scoutingTrend ident.
CompetitionBenchmarking
The one-stop-platform
for privately-held companies
6
Künstliche Intelligenz – Die eierlegende Wollmilchsau?
Humanoide Roboter
Selbstfahrende Autos
Recommender Systems
Sprachübersetzung
Bilderklassifizierung
Alpha Zero
Chess
8
Die Achillesfersen der künstlichen Intelligenz
Erkenntnisse aus der Praxis
Forschungsprojekte Praxisprojekte Gründungen
9
„The goal of AI is to develop machines thatbehave as though they were intelligent“John McCarthy (1955) – AI pioneer
„Systems that perform activities that we associate with human thinking, activities such as decision-making, problem solving, learning “Bellmann (1979) – An introduction to artificial intelligence : can computers think?
„Artificial intelligence (AI) is an area of computer science that emphasizes the creation of intelligent machines that work and react like humans. “Technopedia (2019)
„The field of computer science dedicated to solving cognitive problems commonly associated with human intelligence, such as learning, problem solving, and pattern recognition. “Amazon (2019)
Keine klare Definition von KI
11
Starke KIMaschinen mit der Fähigkeit ein beliebiges Problem mit Intelligenz zu lösen(Strong AI)
Schwache KI
(Selbst-)bewusstsein
Empfindungsvermögen
Verstand
12
Starke KIMaschinen mit der Fähigkeit ein beliebiges Problem mit Intelligenz zu lösen(Strong AI)
Schwache KIMaschinen, die sich auf stark eingeschränkteProbleme konzentieren und dabei intelligent wirken(Weak / Narrow AI)
(Selbst-)bewusstsein
Empfindungsvermögen
Verstand
Scheinbares „Denken“
Reaktionär
Enge Regeln
13
Starke KIMaschinen mit der Fähigkeit ein beliebiges Problem mit Intelligenz zu lösen(Strong AI)
Schwache KI
(Selbst-)bewusstsein
Empfindungsvermögen
Verstand
Wissenschaft
Praxis
15
Mangelnde Datenverfügbarkeit
Aktuell verfügbare Datensätze sind
oft zu klein
oft irrelevant
oft nicht gekennzeichnet
16
Mangelnde Datenverfügbarkeit
Aktuell verfügbare Datensätze sind
oft zu klein
oft irrelevant
oft nicht gekennzeichnet
oft inkonsistent
oft widersprüchlich
und noch schlimmer
17
Mangelnde Datenverfügbarkeit
Aktuell verfügbare Datensätze sind
80 % 20 %
Datensaüberung, -vorbereitung, -aufbereitung
Anwendungsentwicklung
oft zu klein
oft irrelevant
oft nicht gekennzeichnet
oft inkonsistent
oft widersprüchlich
und noch schlimmer
18
Mangelnde Datenverfügbarkeit
Aktuell verfügbare Datensätze sind
oft zu klein
oft irrelevant
oft nicht gekennzeichnet
oft inkonsistent
oft widersprüchlich
und noch schlimmer
Initiierung von Projekten, um explizit Daten zu sammeln
Möglichst viel Wissen zu dokumentieren
Strikte Eingabefelder
Strikte Qualitätskontrolle
25
✓ Einfach nutzbare Reportingpipelines (z.B.mit Tools wie neptune.ml)
✓ Dokumentation von Wissen, v.a. von fehlgeschlagenen Experimenten (z.B. in Wikis wie Confluence)
✓ Klare Definition-of-Done für einzelne Stories (für agile Teams, Kanban vs. Scrum)
✓ Gemeinsame Entwicklungsumgebung und –standards (z.B. gemeinsame Github Repostiories)
Software Engineering Best-Practices
26
✓ Einfach nutzbare Reportingpipelines (z.B.mit Tools wie neptune.ml)
✓ Dokumentation von Wissen, v.a. von fehlgeschlagenen Experimenten (z.B. in Wikis wie Confluence)
✓ Klare Definition-of-Done für einzelne Stories (für agile Teams, Kanban vs. Scrum)
✓ Gemeinsame Entwicklungsumgebung und –standards (z.B. gemeinsame Github Repostiories)
➢ Keine strikte Eingliederung in die Produktiv-IT
➢ Keine Wasserfallprojekte (fixes Budget, fixe Zeit, fixes Ergebniss)
Software Engineering Best-Practices
Durch das Management garantierter Freiraum
32
Vertrauen
Es ist unser Pflicht Vertrauen aufzubauen
• Nutzeranforderungen verstehen• Konkrete Anwendungsfälle ausarbeiten• Entmystifizierung von zu hohen Erwartungen• Ängste nehmen
38
Starke KIMaschinen mit der Fähigkeit ein beliebiges Problem mit Intelligenz zu lösen(Strong AI)
Schwache KIMaschienen, die sich auf stark eingeschränkteProbleme konzentieren und dabei intelligent wirken(Weak / Narrow AI)
(Selbst-)bewusstsein
Empfindungsvermögen
Verstand
Scheinbares „Denken“
Reaktionär
An enge Regeln gebunden
40
Statistik wird die Welt beherrschen – immer noch Angst?
Prof. WinstonFormer director of MIT’s Artificial Intelligence Laboratory, former Association for the Advancement of Artificial Intelligence
Verstorben Juli, 2019
Deep NeuralNets
Künstliche Intelligenz
Statistik
41
Künstliche Intelligenz – Die eierlegende Wollmilchsau?
Generalisier-barkeit
Performanz
Humanoide Roboter
Selbstfahrende Autos
Recommender Systems
Sprachübersetzung
Bilderklassifizierung
Alpha Zero
Chess
0.10x 0.25x 0.50x 4x 8x2x
0.0001x
0.001x
0.01x
0.1x
42
Der Mensch – Die Allzweckwaffe!
Generalisier-barkeit
Performanz
Mensch
Humanoide Roboter
Selbstfahrende Autos
Recommender Systems
Sprachübersetzung
Bilderklassifizierung
Alpha Zero
Chess
Menschliches Niveau
Menschliches Niveau
0.10x 0.25x 0.50x 4x 8x2x
0.0001x
0.001x
0.01x
0.1x
43
KI ist (noch) nicht die “eierlegende Wollmilchsau”auf die alle zählen
Dampfmaschine Elektrizität Automobil
44
KI ist (noch) nicht die “eierlegende Wollmilchsau”auf die alle zählen
KI wird schon in den nächsten 5 Jahren den (Arbeits)alltag beinflussen
repetitive Aufgaben
klar abgegrenzte Einsatzbereiche
gute Datensätze
48
Aktives Sammeln von Datensätzen1
Kritische Analyse der Geschäftsprozesse2
Die richtigen KI-Teams bilden3
49
Aktives Sammeln von Datensätzen1
Kritische Analyse der Geschäftsprozesse2
Die richtigen KI-Teams bilden3
Gemeinsam mit den Nutzern Prototypen entwerfen4