AI Leaders A: WKN A2P37J | AI Leaders C: WKN A2PF0M
AI Leaders A: WKN A2P37J
AI Leaders C: WKN A2PF0M
AI Leaders C: WKN A2PF0M
AKTUELLE NEWS AUS DER KI-WELT
AI LEADERS – Der Fonds
Der AI-Leaders liegt seit Jahresbeginn deutlich vor dem S&P 500 und dem Euro Stocks 50.
Diese Performance konnte mit einer sehr niedrigen Volatilität von 14,87% erreicht werden. Unser Ziel die KI-Growth-Prämie bei marktüblichen Volatilitäten abzuschöpfen, wurde durch den Einsatz von TOPAS vollumfänglich erreicht.
Risiko-Rendite Diagramm – 12 Monate
Im Gegensatz zu vielen Mitbewerbern wurde dieser Zuwachs mit einer Untergewichtung der Magnificent 7 erreicht. Die größte Position im Portfolio ist Adyen, mit einem Gewinn von über 56% seit dem Kauf vor wenigen Wochen.
Für die weitere Entwicklung des AI-Leaders sind wir sehr optimistisch, da sich das große Wachstum der Unternehmen aus der zweiten Reihe noch nicht in einem entsprechenden Anstieg der Kurse niedergeschlagen hat.
WIE SETZT MERCEDES KÜNSTLICHE INTELLIGENZ ALS GAME CHANGER EIN?
1. Maschinelles Lernen als Analysewerkzeug zur Motorenentwicklung
Verbrennungsmotoren variieren in der Energieausbeute der einzelnen Verbrennungstakte, was zu einer Reduktion der Effizienz führen kann. Um diese Schwankungen (CCVs, Cycle-to-cycle variations) zu untersuchen, analysieren wir zeitlich-örtliche Vektorfeldinformationen an einem optisch zugänglichen Zylinder (PIV Messung, particle image velocimetry) eines Ottomotors mit Direkteinspritzung (Mercedes-Benz M254) mit Methoden des Maschinellen Lernens. Ziel ist es dabei, ein Modell zu bauen, welches gute Verbrennungen auf Basis der Vektorfeldinformationen zu einem frühen Zeitpunkt (ggf. bereits während des Ansaugtaktes) vorhersagen kann. Damit wird es möglich relevante Features und Korrelationen im Vektorfeld zu finden und damit Potentiale für zukünftige Motorengenerationen abzuleiten. Unsere Analyse zeigt, dass Algorithmen des Maschinellen Lernens in der Lage sind, während des gesamten Kompressionstaktes (180 Kurbelwellenwinkel vor oberem Totpunkt) Vorhersagen zu treffen. Des Weiteren werden wichtige Vektorfeldmuster zu jedem Zeitpunkt des Kompressionstraktes identifiziert, welche in Zukunft weiter untersucht werden können, um die Entwicklung zukünftiger Motorengenerationen zu optimieren.
2. Automatische Zeitreihenvorhersagen
Um Zeitreihenprobleme mit Machine-Learning-Algorithmen zu lösen, muss ein Data Scientist einige Schritte abarbeiten: Zu Beginn eines jeden Projekts steht das Aufbereiten und das „Engineering“ der Daten. Dies beinhaltet sowohl das Identifizieren und Bearbeiten von fehlenden Werten und Ausreißern als auch das Erstellen von Zeitreihen spezifischen Merkmalen (Features). Typische sogenannte „Feature Transformationen“ bei Zeitreihen sind z.B. das Erstellen von Lags, also Verzögerungen, Trends oder Glättungsfunktionen, wie Mittelwerte. Dadurch entstehen nicht selten Transformationen, welche für die Lösung des Vorhersage-Problems keinen Mehrwert bieten. Um solche Merkmale identifizieren zu können, muss der Data Scientist verschiedene Techniken anwenden, um die irrelevanten von den relevanten Features zu trennen. Sind diese einmal identifiziert, so beginnt das Training und Tuning von verschiedenen Algorithmen.
All diese Schritte wiederholen sich bei jedem neuen Zeitreihenvorhersage-Problem. Daher haben wir das gewonnene Wissen aus unseren vorherigen Machine-Learning-Lösungen für gebündelt und ein AutoML Tool geschrieben, das diese Schritte für uns automatisiert.
3. Big Data Diagnosis Reparaturempfehlungen in Werkstätten
Wenn Fahrzeuge unsere Werkstätten besuchen, kommt es oft zu komplexen Mustern von Fehlercodes, die selbst für erfahrene Mitarbeiter in unseren Werkstätten schwer zu analysieren sind. Der Prozess zur Ermittlung der Ursache und der auszutauschenden Teile kann sehr zeitaufwändig sein und basiert auf manuell erstellten Tests und Prüfungen.
Durch verschiedene maschinelle Lernmethoden können wir Muster in Verbindung mit erfolgreichen Reparaturen in der Vergangenheit erkennen. Durch die Bereitstellung dieser Ergebnisse in unseren Werkstätten kann das Diagnosetool den Reparaturmitarbeitern in Echtzeit Reparaturempfehlungen geben, die auf den im Kundenfahrzeug erhaltenen Diagnosefehlercodes und den vom Kunden angegebenen Fahrzeugsymptomen basieren.
4. EQ @Web
Was ist EQ@Web?
EQ ist die Produkt- und Technologiemarke von Mercedes-Benz im Bereich Elektromobilität. EQ@Web besteht aus den auf e-Mobility fokussierten Bereichen auf dem internationalen und nationalen Webauftritt von Mercedes-Benz Cars. Damit umfasst EQ@Web sowohl Webinhalte (Produktinformationen und Bilder), als auch interaktive EQ spezifische Single Page Applications (SPA), wie den EQ Route Calculator, den EQ Charging Time Calculator oder den Wallbox Pre-Check.
Was ist unser Ziel?
Kundenzentriertes Produktdesign und konstante Produktoptimierung!
Wir leiten den Kunden, indem wir ihm relevante Inhalte und daraus resultierende „Next best Actions“ (NBAs) individuell präsentieren.
Mittels diesem zielgerichteten Ansprechen des Kunden sind Steigerungen der Conversion Rates um mehr als 100% möglich. Bedeutet: Wir können mehr Kunden zielgerichtet auf unsere EQ Registration Platform oder direkt zu einem Händler weiterleiten. Damit tragen wir zu einer optimierten Kundenansprache und -betreuung bei.
Wie arbeiten wir?
Die Analyse von tausenden täglichen Besuchern mittels Analytics-Tools ist die Basis unserer Arbeit.
Diese Analyse und der Einsatz von multivariablen Tests geben uns die Möglichkeit zu lernen, welche Angebote am besten zu welchem Kunden passen und welche Angebote generell am erfolgreichsten sind.
Durch den Einsatz von AI Technologien hinsichtlich der Korrelationen von Ereignissen und Kundenverhalten lässt sich die Treffergenauigkeit unserer Systeme und damit die Kundenzufriedenheit signifikant steigern. Diese Methode erfüllt die neuesten Datenschutzauflagen und respektiert daher die Privatsphäre unserer Kunden.
Die Ergebnisse und Erfolge unseres agilen Entwicklungsteams verfolgen wir in eigens aufgesetzten Dashboards, die den relevanten Entscheidern bzw. Projektpartnern transparent zur Verfügung stehen.
5. Automatische Preisermittlung von Gebrauchtfahrzeugen
Die Komplexität des Gebrauchtfahrzeugmarktes nimmt seit Jahren zu und damit auch die Bewertung der Fahrzeuge. Neben der gestiegenen Zahl der Baureihen stellen auch die Auswahl an individuellen Ausstattungsmöglichkeiten der Fahrzeuge sowie die Vielzahl an Anbietern den Handel vor die Herausforderung, den Wert der Fahrzeuge schnell und präzise vorherzusagen. Dabei ist das Finden eines „guten Angebotspreises“ ein wichtiges Erfolgskriterium im Gebrauchtwagengeschäft.
Um die Pricing-Experten im Mercedes-Benz Handel bei der Festlegung des Angebotspreises maximal zu unterstützen, wurde unter Federführung der Bereiche Controlling und IT des Mercedes-Benz Vertrieb Deutschland das Projekt „Phoenix Pricing“ entwickelt. Mithilfe von Machine Learning wird ein Preisvorschlag berechnet, der auf Basis von verschiedensten Datensätzen eine maximal präzise Vorhersage des tatsächlichen Verkaufspreises liefert.
Dafür werden neben offensichtlich preisrelevanten Merkmalen wie Fahrzeugalter und -laufleistung auch Sonderausstattungen sowie Verkaufspreise aus den letzten Jahren als Datenquellen genutzt. Je mehr Datenquellen vorliegen, desto genauer wird die Preisvorhersage, welche durch kontinuierliche Anpassung des Algorithmus und die Einbindung weiterer Datenquellen ständig optimiert wird.
6. Ask Mercedes Intelligent Information Hub
Jederzeit, überall und in verschiedensten Kanälen: Mit Bots (von englisch „robot“, Roboter) erreicht die Interaktion mit Kundinnen und Kunden eine neue Dimension: Bots bieten Soforthilfe durch eine Kombination aus intelligenter Dialogtechnologie mit den neuesten STT- (Speech-to-Text), TTS- (Text to Speech) und NLU-Systemen (Natural Language Understanding).
Wir bei Mercedes-Benz haben all diese Technologien auf einer Plattform vereint. Diese Plattform erlaubt die Generierung von Text- und Voicebots über alle Geschäftseinheiten, Kanäle und Dienste hinweg. Dank des modularen Ansatzes auf Basis diverser AI-Technologien von Anbietern wie z.B. IBM und Microsoft können mehrere Möglichkeiten zur Ergänzung und Kombination von Bot-Inhalten genutzt werden. Die zentralisierte Plattform garantiert zudem eine kosteneffiziente und rasche Realisierung individueller Lösungen bei gleichzeitiger Nutzung des aus einigen Dutzend anderer Bots entstehenden Synergiepotenzials.
Die Anwendungsfälle reichen von intelligenten FAQ- und Supportfunktionen bis hin zu Feedback- und Self-Service-Funktionen. Vor kurzem haben wir zur Unterstützung unserer Händler ein Voicebot für Terminvereinbarungen und Statusverfolgung entwickelt und in einem Pilotprojekt erprobt.
Der erste auf der Conversational-Intelligence-Plattform lancierte Bot war ‚Ask Mercedes‘. Es bietet in einer Mobile-App (Android/iOS) eine Kombination aus Chatbot und Augmented Reality. Ask Mercedes beantwortet Fragen zur Fahrzeugnutzung. Die Basis dafür bilden die in der Betriebsanleitung des Fahrzeugs enthaltenen Informationen. So können Kunden ihr Fahrzeug und seine Features spielerisch erkunden.
WIE SETZT MERCEDES KÜNSTLICHE INTELLIGENZ ALS GAME CHANGER EIN?
Durch das hohe Wachstum unserer Unternehmen sehen wir die weitere Entwicklung des AI Leaders sehr positiv und erwarten in den nächsten Jahren zweistellige Renditen.
Für weitere Fragen stehen wir Ihnen gerne zur Verfügung.
- Spot mit ChatGPT zeigt emergente Fähigkeiten
Bei Experimenten mit dem Roboter stellte Boston Dynamic emergente Fähigkeiten fest, also Fähigkeiten, die der Roboter überraschenderweise zeigte, obwohl sie ihm nicht explizit vorgegeben oder einprogrammiert worden waren.
Auf die Frage nach dem Gründer von Boston Dynamics, Marc Raibert, antwortete Spot, dass er die Person nicht kenne, man aber beim IT Help-Desk nachfragen könne. Diese Hilfesuche war keine explizite Anweisung im Prompt.
Auf die Frage nach seinen Eltern verwies ChatGPT-Spot auf die Vorgängermodelle „Spot V1“ und „Big Dog“ im Labor und bezeichnete sie als seine Vorfahren.
Außerdem sei der ChatGPT-Roboter hervorragend darin, einen vorgegebenen Charakter einzuhalten und sich etwa permanent sarkastisch zu äußern, schreibt Boston Dynamics.
Spot denkt dich Yoga-Roboter aus
Boston Dynamics weist aber auch auf die vielen Fehler hin. Der ChatGPT-Hund behaupte oft falsche Dinge, zum Beispiel, dass der Logistikroboter „Stretch“ für Yoga sei. Außerdem dauere es etwa sechs Sekunden von der Frage bis zur Antwort.
Um aus der generativen KI mittelfristig ein Geschäftsmodell zu machen, versuchen die großen Technologiekonzerne bei KI-Chips unabhängiger von Nvidia zu werden, das derzeit die Preise diktiert. Amazon und Google produzieren bereits eigene Chips. Microsoft soll demnächst einen ersten KI-Chip vorstellen und auch OpenAI denkt über eigene Chips nach.
Die Unternehmen forschen auch an effizienteren KI-Architekturen. Kleinere KI-Modelle, die mit besonders hochwertigen Daten trainiert werden, können zumindest in ausgewählten Anwendungsszenarien die Qualität größerer Modelle erreichen. Das zeigt etwa das Modell Phi, mit dem Microsoft experimentiert.
Microsoft-Forschungschef Peter Lee habe „viele“ der insgesamt 1500 Forscherinnen und Forscher bei Microsoft damit beauftragt, Dialog-KI-Systeme wie Phi zu entwickeln, die kleiner und billiger zu betreiben seien, berichtete kürzlich The Information.
Die Umstrukturierung bei Microsoft stehe erst am Anfang, heißt es. Und sie birgt neue Risiken: GPT-4 ist für viele Aufgaben gerade gut genug, für andere, wie das Internet-Browsing, ist das Modell bisher nicht konkurrenzfähig.
Um es klar zu sagen, diese Anekdoten bedeuten nicht, dass das LLM bewusst oder sogar intelligent im menschlichen Sinne ist – sie zeigen nur die Kraft der statistischen Assoziation zwischen den Begriffen „Helpdesk“ und „eine Frage stellen“ und „Eltern“ und „alt“. Aber die Illusion, die das LLM benutzt, um intelligent zu erscheinen, kann ziemlich überzeugend sein.
Boston Dynamics
Boston Dynamics beschreibt keine konkreten Zukunftspläne für den verbesserten Spot. Roboter seien aber generell eine vielversprechende Möglichkeit, Sprachmodelle in der realen Welt zu verankern. Die Möglichkeiten seien vielfältig und reichten von Touristenführern über Kundendienst bis zu persönlichen Begleitern.
Dadurch, dass ein Roboter durch Sprache neue Aufgaben erlernen könne, würde sich auch die Lernkurve der Systeme verkürzen. „Die beiden Technologien passen perfekt zusammen“, schreibt Boston Dynamics.
Das Experiment von Boston Dynamics mit Spot ist ein weiteres Beispiel für die Verknüpfung der Fähigkeiten großer Sprachmodelle mit der Präsenz von Robotern in der realen Welt, wie sie etwa Google in den Projekten RT-2 und SayCan erforscht. Das Weltwissen großer Sprachmodelle hilft Robotern, sich intuitiv in der realen Welt zu bewegen und komplexe Aktionen auf Zuruf auszuführen, ohne dass diese extra programmiert werden müssen.
ZUSAMMENFASSUNG:
- Boston Dynamics integriert OpenAIs GPT-4 in den Roboterhund Spot und fügt einen Bluetooth-Lautsprecher, ein Mikrofon und eine Kamera hinzu, um realistische Unterhaltungen mit Menschen zu ermöglichen.
- Der sprechende Spot kann Fragen beantworten und als Fremdenführer fungieren, indem er auf den Weckruf „Hey, Spot!“ reagiert und sich Menschen zuwendet, wenn er spricht.
- Obwohl Spot eindrucksvolle emergente Fähigkeiten zeigt, weist das Unternehmen auch auf viele Fehler hin und nennt keine konkreten Zukunftspläne für den verbesserten Roboterhund.
Herzliche Grüße aus Stuttgart
Tilmann Speck
Christian Hintz
Gerd Schäfer