Description
Dieser Sammelband verbindet theoretische Grundlagen und praktische Anwendungen von Künstlicher Intelligenz und Data Science: Führende Expertinnen und Experten aus Wissenschaft und Wirtschaft stellen in ihren Beiträgen den aktuellen Stand in Forschung und Unternehmenspraxis dar und bieten so einen einzigartigen Überblick über aktuelle Konzepte und ihre Umsetzung in Unternehmen.
Im ersten Teil des Buchs werden grundlegende Konzepte, aktuelle Methoden und Algorithmen aus Statistik und Informatik skizziert; dazu gehört auch eine strukturierte Einführung in die Mathematik und Methodik moderner KI-Modelle. Darüber hinaus werden zentrale übergeordnete Aspekte beleuchtet etwa Wirtschaftlichkeit, Wertschöpfung, Nachhaltigkeit und Datenethik. Im zweiten Teil werden die praktische Umsetzung und typische Herausforderungen vertieft, darunter die Einbettung in eine Gesamtstrategie, die Operationalisierung und Weiterentwicklung daten- und KI-basierter Lösungen sowie die Überführung von Prototypen (PoCs) in produktive, skalierte Anwendungen auch vor dem Hintergrund des EU AI Act. Der dritte Teil widmet sich Data Science in der Praxis: Vertreter namhafter Unternehmen berichten aus konkreten Projekten in unterschiedlichen Branchenkontexten, darunter auch Anwendungsfälle mit Large Language Models (LLMs) und agentischen Systemen. Die Beiträge reichen von international agierenden Konzernen bis zu mittelständischen Unternehmen und Startups.
Das Buch möchte die interdisziplinäre Diskussion und Kooperation zwischen Wissenschaft und Wirtschaft fördern und einen Beitrag zur allgemeinen Data Literacy leisten. Es richtet sich insbesondere an
- Studierende und Absolventen, die Orientierung für die eigene Laufbahn suchen,
- Forschende und Lehrende, die einen Einblick in praxisrelevante Einsatzgebiete erhalten möchten,
- Anwender, Praktiker und Entscheider, die sich über Chancen und Herausforderungen von KI in der Praxis informieren möchten.
Für die vorliegende zweite Auflage wurden insbesondere Grundlagen und Beispiele zu Generativer KI (GenAI) und Agentic AI integriert. Auch die Dynamik seit ChatGPT und anderen Foundation Models wird eingeordnet, und die entsprechende Unternehmenspraxis von der Strategie bis zum zuverlässigen Betrieb mit LLMOps und MLOps wird vertieft. Dafür wurden zahlreiche neue Beiträge aufgenommen, bestehende aktualisiert oder grundlegend überarbeitet.
.- 1. Eine kurze Geschichte über Data Science.
.- 2. Data Science in der Ausbildung.
.- 3. Uncertainty, Reliability and Data.
.- 4. Maschinelles Lernen.
.- 5. Generative künstliche Intelligenz.
.- 6. Von Dashboards zu digitalen Agenten: Wertrealisierung mit Agentic Analytics in der Unternehmenspraxis.
.- 7. Synthetische Befragungsdaten mit Digital Twins: Wie LLMs belastbare Daten liefern.
.- 8. Die Triple Transformation Zukunftsfähigkeit im Zeitalter multipler Krisen.
.- 9. Nachhaltige KI: energieeffiziente neuronale Netze für Chirurgie und Kommunikation.
.- 10. Datenethik zwischen gesellschaftlichem Anspruch und betrieblicher Praxis.
.- 11. Künstliche Intelligenz in deutschen Unternehmen: Verbreitung, Nutzung, Auswirkungen und eine internationale Einordnung.
.- 12. Innovationsökosysteme als Katalysatoren: KI von der Forschung in die Anwendung bringen.
.- 13. Legal Frameworks Grundlagen der europäischen KI Gesetzgebung und dessen Bedeutung für deutsche Unternehmen.
.- 14. Einsatz von generativer und agentischer KI im Business-Kontext.
.- 15. Agentic AI im Unternehmenseinsatz: Von der Theorie autonomer Systeme zur operativen Exzellenz.
.- 16. Dialogreparatur in Mensch-KI-Interaktionen: Wahrnehmungs- und Zufriedenheitseffekte wiederholter Klärungsfragen im Rahmen der Disambiguierung.
.- 17. Large Industry Models: Konzept und Reifegradmodell.
.- 18. DevOps, MLOps und LLMOps: Vom Prototyp zum zuverlässigen KI-Produkt.
.- 19. Vom Prototyp zum Regelbetrieb: Wie Organisationen Anwendungsfälle mit Künstlicher Intelligenz trotz Unsicherheit skalieren.
.- 20. Umgang mit Mensch-KI-Interaktionen: Vertrauen, Risiko und unternehmerische Maßnahmen bei der Einführung von generativer Künstlicher Intelligenz.
.- 21. Versicherer auf dem Weg in die Data Economy.
.- 22. KI & Datenwissenschaften für Seltene Erkrankungen: Forschungsdomänen und Datenökosysteme.
.- 23. Large Industry Models: Anwendungen in der Automobilindustrie.
.- 24. Die KI-Transformation bei Continental Tires Vom dezentralen Experiment zur Governance-gesteuerten Skalierung.
.- 25. Künstliche Intelligenz in der Verteidigung.
.- 26. Ausblick auf KI im Verteidigungssektor.
.- 27. Wie Conversational AI den Kundenservice der Energiebranche digitalisiert.
.- 28. Energiewirtschaft im Wandel: Data Science und künstliche Intelligenz -Anwendungen in der Energiewirtschaft von heute.
.- 29. Erfolgreiche Umsetzung von klassischer und generativer KI bei ERGO.
.- 30. Strategische KI-Adoption im hochregulierten Finanzsektor: Eine Fallstudie zur Implementierung der GenAI-Plattform Helena bei der Helaba (Landesbank Hessen-Thüringen).
.- 31. KI als Game-Changer: eSports als Spielfeld für SAP Business AI Agenten.
.- 32. KI im Mittelstand Die automatisierte Erstellung von Angeboten.
.- 33. Künstliche Intelligenz bei der Prüfung juristischer Ansprüche.
.- 34. Der hörbare Nutzen: Wie Audio KI aus Stimme Biomarker macht.
.- 35. KI & Datenwissenschaften für Seltene Erkrankungen.
.- 36. KI im agilen Team: Wo Maschinen helfen und Menschen unersetzlich bleiben.
.- 37. Wie Data Science die Konfliktforschung verändert.
.- 38. Sozialverträgliche Wärmewende? Wie Daten und KI die Ergebnisse der kommunalen Wärmeplanung am Beispiel der Stadt Bonn erklären.
Andreas Gillhuber ist Unternehmer, Technologieexperte und Berater mit über 30 Jahren Erfahrung in IT, Data Science und Künstlicher Intelligenz. Er ist Gründer und CEO der A. Gillhuber Investment & Consulting GmbH, Geschäftsführer und Mitgründer des KI-Start-ups &act sowie Senior Advisor mit verschiedenen Mandaten im Beratungs- und Private Equity-Bereich. Er engagiert sich als CFO der German Data Science Society (GDS) e.V. und ist Gastdozent an der Constructor University Bremen und der Scheer School Saarbrücken. Zuvor war er Geschäftsführer in einem der führenden Data- und KI-Beratungsunternehmen im DACH-Raum und hatte Führungspositionen bei BMW, RWE, Nokia Siemens Networks, Siemens und IBM inne.
Göran Kauermann ist Universitätsprofessor an der Ludwigs-Maximilians-Universität München und lehrt und forscht im Bereich Statistik und Data Science. Er leitet von 2016 bis 2026 den Elitestudiengang Data Science an der LMU und ist derzeit gewählter Fachkollegiat für Statistik bei der Deutschen Forschungsgemeinschaft. Er ist Vorsitzender der German Data Science Society (GDS) e.V.
Wolfgang Hauner ist Mitgründer und Geschäftsführer einer AI-Beratungsfirma und berät als Senior Advisor Vorstände und Bereichsleiter zu Fragen der Digitalisierung und künstlichen Intelligenz. Zuvor war er als Head of Group Data Analytics bei Allianz SE und Group Chief Data Officer bei Munich Re global verantwortlich für Data Analytics und AI in Erst- und Rückversicherung. Er engagiert sich als Gründungsmitglied im Vorstand der German Data Science Society (GDS e.V.).
-
- 洋書電子書籍
-
学生・生徒評価ハンドブック
Th…
