Cognitive Analytics erklärt:Ein klarer, einfacher Leitfaden

Jeden Tag generiert die Welt mehr als 402 Millionen Terabyte an Daten. Die Gesamtmenge der weltweit produzierten, erfassten und genutzten Daten wächst rasant und wird bis 2030 voraussichtlich über 612 Milliarden Terabyte erreichen.

Diese Daten kommen von überall her:Aufzeichnungen von Kauftransaktionen, GPS-Signale von Smartphones, Sensoren zur Erfassung von Klimainformationen, auf Social-Media-Plattformen veröffentlichte Inhalte, von Satelliten aufgenommene Bilder und Videos und mehr.

Um diese Daten zu verstehen und verborgene Muster und Erkenntnisse aufzudecken, ist es wichtig, sie effizient zu analysieren. Heutzutage nutzen fast alle Unternehmen Datenanalysen, um Kosten zu senken, evidenzbasierte Entscheidungen zu treffen, neue Produkte und Dienstleistungen zu entwickeln und zu vermarkten und neue Chancen zu identifizieren.

Im Laufe der Jahre hat sich die Datenanalyse von deskriptiv (was in der Vergangenheit passiert ist) zu diagnostisch (warum es passiert ist) und prädiktiv (was in der Zukunft am wahrscheinlichsten passieren wird) zu präskriptiv (was getan werden kann, um zukünftige Ergebnisse zu beeinflussen) entwickelt.

Der nächste große Paradigmenwechsel dürfte eher in Richtung kognitiver Analysen erfolgen, die die Leistungsfähigkeit von Hochleistungsprozessoren und Algorithmen der künstlichen Intelligenz nutzen werden, um komplexe Muster aufzudecken, die in riesigen Datenmengen verborgen sind.

Im Folgenden erfahren Sie, warum Cognitive Analytics wichtig ist, wie es funktioniert, welche zukünftigen Anwendungen und Marktgrößen es gibt und welche Unternehmen stark in Cognitive Analytics-Tools investieren. Beginnen wir mit einer grundlegenden Frage.

Was genau ist kognitive Analyse?

Cognitive Analytics ist eine intelligente Technologie, die verschiedene Analysemethoden zur Untersuchung strukturierter und unstrukturierter Daten umfasst. Es kann komplexe Datensätze durchsuchen und Antworten finden, die für die gestellten Fragen sinnvoll sind.

Stellen Sie sich kognitive Analysen als ein System mit menschenähnlicher Intelligenz vor. Anstatt nur die Daten zu scannen, versteht es den Kontext, interpretiert den Ton eines Satzes und erkennt bestimmte Objekte in Bildern oder Videos.

Cognitive Analytics nutzt häufig künstliche Intelligenz, maschinelles Lernen, neuronale Netze und Semantik, um komplizierte Muster und Erkenntnisse aufzudecken (die mit herkömmlichen Analysen nicht möglich sind). Es verbessert sich im Laufe der Zeit, indem es kontinuierlich aus Daten und Mensch-Maschine-Interaktionen lernt. Das heißt, je mehr Daten Sie eingeben, desto intelligenter wird die Analyse.

Die meisten Unternehmen nutzen kognitive Analysen, um Kundenverhaltensmuster zu verfolgen und potenzielle Chancen zu identifizieren. Auf diese Weise können sie zukünftige Ergebnisse abschätzen und datengesteuerte Entscheidungen zur Leistungssteigerung treffen.

Einige Teile der kognitiven Analyse überschneiden sich mit der prädiktiven Analyse. In diesen Bereichen geht es vor allem darum, Business-Intelligence-Daten zur Vorhersage zukünftiger Ereignisse und Trends zu nutzen.

Hinweis:Cognitive Analytics ist auch der Name eines Privatunternehmens sowie ein Markenname für Unternehmensdienstleistungen. Obwohl Marktanalysten diesen Begriff im Allgemeinen verwenden, wenn sie über Big Data und Business Intelligence sprechen. 

Wie funktioniert es?

Bei der kognitiven Analyse handelt es sich um einen Data-Forward-Ansatz, der mit dem Inhalt der Daten beginnt und endet. Es verwendet fortschrittliche Techniken, die die gesamten Daten (alle Arten und in jedem Maßstab) verarbeiten, um beispiellose und unerwartete Erkenntnisse zu gewinnen. Während kognitive Analysesysteme möglicherweise verschiedene Algorithmen verwenden, um umsetzbare Erkenntnisse zu gewinnen, bleibt ihre grundlegende Architektur dieselbe und sie folgen alle einer grundlegenden Abfolge von Verfahren:

1. Daten suchen und sammeln  

Es durchsucht die gesamte „Wissensdatenbank“, um Echtzeitdaten zu ermitteln. Diese Daten können direkt von Sensoren, IoT-Geräten, Robotern und Geräten stammen. Anschließend wird es organisiert und mit vorhandenen oder historischen Daten aus früheren Quartalen integriert.

Einige kognitive Analysesysteme zeigen Daten über intuitive Dashboards, Gerätebenutzeroberflächen und andere Darstellungen an. Ein leicht verständliches Datenvisualisierungstool kann den Zeitaufwand für die Suche nach gemeinsamen Mustern und die Durchführung von Reparaturen erheblich reduzieren.

2. Daten analysieren 

Der nächste Schritt besteht darin, Text, Audio und Video sorgfältig zu analysieren, um natürliche Sprache und menschliche Interaktionen zu verstehen. Zu diesem Zweck kombiniert die kognitive Analyse Techniken der künstlichen Intelligenz, des maschinellen Lernens, neuronaler Netze und der Semantik.

Es basiert hauptsächlich auf dem Deep Learning Neural Network, einer Teilmenge des maschinellen Lernens. Ein neuronales Netzwerk ahmt die Funktionsweise des menschlichen Gehirns nach. Es besteht aus mehreren Schichten (einer Eingabeschicht, einer Ausgabeschicht und versteckten Schichten dazwischen), die über Knoten verbunden sind, und diese Verbindungen bilden ein „Netzwerk“.

Diese miteinander verbundenen Knoten funktionieren ähnlich wie Neuronen im menschlichen Gehirn. Sie lesen alle eingehenden Daten und erkennen mithilfe von Algorithmen komplexe Muster. Das Netzwerk kann Rohdaten gruppieren und klassifizieren, Korrelationen finden und im Laufe der Zeit kontinuierlich dazulernen und sich verbessern.

3. Erstellen und bewerten Sie die evidenzbasierte Hypothese 

Die identifizierten Muster und Erkenntnisse werden dann daraufhin bewertet, ob es sich um evidenzbasierte Hypothesen handelt. Wenn es konkrete Beweise gibt, die die Hypothese stützen, wertet das System sie aus, um ihren potenziellen Wert zu ermitteln. Dies hilft bei der Identifizierung möglicher zukünftiger Bedrohungen und Verbesserungsmöglichkeiten.

4. Passen Sie sich an die Auswahl und Antworten der Benutzer an und lernen Sie daraus.

Da die kognitive Analyse künstliche Intelligenz nutzt, kann sie ihr Verhalten an die Interaktionen der Benutzer anpassen. Wenn beispielsweise jemand ständig nach einer bestimmten Art von Informationen sucht, lernt das System nach und nach, ähnliche Informationen bereitzustellen, ohne große Rechenressourcen zu verschwenden.

Vorteile

Kognitive Analysen werden in Unternehmen und Organisationen eingesetzt, um die Lücke zwischen riesigen Datenmengen und der Notwendigkeit, bessere Entscheidungen zu treffen, zu schließen. Die detaillierten Einblicke in das Geschäft helfen Unternehmen, ihre Produkte zu verbessern, ihren Kunden personalisiertere Dienstleistungen anzubieten und zu sehen, wie ihre Konkurrenten abschneiden.

Für große Unternehmen haben sich kognitive Analysen in drei Bereichen als sehr effektiv erwiesen:

1. Kundenbindung

Die umfassende 360-Grad-Sicht auf das Kundenverhalten ermöglicht es Unternehmen, ein nahtloses, reibungsloses Kundenerlebnis zu schaffen. Darüber hinaus können Unternehmen ein tieferes Verständnis der Kaufpräferenzen der Benutzer entwickeln, ihre Bedürfnisse antizipieren und eine bessere Benutzersegmentierung sicherstellen.

2. Produktivität und Effizienz 

Priorisieren und lösen Sie Probleme schneller, nutzen Sie wichtige Informationen aus Benutzergesprächen, automatisieren Sie Aktionen für häufige Anfragen, reduzieren Sie die Ausgaben für weniger wichtige Ressourcen und ermöglichen Sie Teammitgliedern, schnell und dynamisch zu reagieren. Und da kognitive Analysen vergangene Informationen mit aktuellen Daten zusammenführen, um die Ergebnisse kontinuierlich zu verbessern, können Sie sich schnell an externe Veränderungen und Markttrends anpassen.

3. Geschäftswachstum 

Mithilfe kognitiver Analysen können Unternehmen ihr Geschäft auf neue Märkte ausweiten, an bestimmten Standorten neue Möglichkeiten finden, ungenutzte Datenquellen ausschöpfen und neue Produkte und Dienstleistungen entwickeln. Außerdem können Analysten und Marktforscher dadurch den Wert von Big Data leichter erschließen und Probleme in ihren Geschäftsräumen lösen.

Frühe Einführung

Im letzten Jahrzehnt haben mehrere Technologiegiganten und Startups Hunderte Millionen in den aufstrebenden Bereich der kognitiven Technologie investiert. Google, Microsoft, IBM, Amazon, Cisco, HPE, SparkCognition und DataRobot gehören zu den Top-Mitwirkenden.

Laut der von IBM durchgeführten Studie haben die Early Adopters bereits positive Ergebnisse ihrer kognitiven Initiativen gesehen – von einer besseren Kundenbindung bis hin zu Produktinnovationen und Geschäftswachstum.

Diese Early Adopters nutzen verschiedene kognitive Fähigkeiten, die vom maschinellen Lernen und der Verarbeitung natürlicher Sprache bis zur Erschließung von Werten aus verschiedenen strukturierten und unstrukturierten Datenquellen reichen. Einige Unternehmen entwickeln benutzerdefinierte Plattformen, während andere APIs verwenden, um kognitive Technologie in ihren Systemen bereitzustellen.

IBM hat über 600 Early Adopters untersucht, die kognitive Technologie in die Tat umsetzen. Ihr Bericht zeigt, dass kognitive Fähigkeiten eine wichtige Rolle für das Unternehmenswachstum spielen. Ungefähr 65 % der Early Adopters glauben, dass kognitive Technologie für ihre Geschäftsstrategie und ihren Erfolg von entscheidender Bedeutung ist, während 58 % sagen, dass sie ein wesentlicher Bestandteil der digitalen Transformation ihres Unternehmens ist.

Die neue Ära der Analytik 

Da wir in eine Welt vordringen, in der fast alles miteinander verbunden ist, werden Unternehmen zunehmend auf kognitive Analysen und verwandte Tools angewiesen sein, um zu wachsen und sich an veränderte Kundenbedürfnisse anzupassen.

Genauer gesagt können kognitive Tools Unternehmen dabei helfen, Verhaltensmuster von Kunden wirklich zu verstehen, die Ursachen für Kundenunzufriedenheit zu identifizieren und innovative Wege zur Verbesserung des Kundenerlebnisses zu finden. Kognitive Analysen können auch hervorragend dazu beitragen, die Betriebskosten zu optimieren, die Kundenbindung zu erhöhen und die Lösungszeit erheblich zu verkürzen.

Beispiele aus der Praxis für kognitive Analysen

Kognitive Analysen werden mittlerweile in fast jeder Branche eingesetzt, um Muster, potenzielle Bedrohungen und Verbesserungsmöglichkeiten zu erkennen. Zum Beispiel

Bank- und Finanzwesen 

Cognitive Computing kann den Banken- und Finanzsektor radikal verändern. Im Gegensatz zu herkömmlichen Systemen, die das Kundenverhalten auf der Grundlage vergangener Aktionen modellieren und alle Kunden gleich behandeln, führen kognitive Systeme präzisere und zeitnahere Analysen von Personen anhand ihres Alters, Einkommens und ihrer Transaktionen durch.

Kognitive Analysen können Banken dabei helfen, Produkte und Dienstleistungen für jeden Kunden individuell anzupassen, vermögende Privatpersonen intelligent anzusprechen, bessere Investitionspläne anzubieten und kompetentes Wissen anzuwenden, um Probleme schnell zu lösen.

Alles in allem kann dieses neue Computerparadigma in drei Bereichen angewendet werden:

• Kundenservice:Da ein kognitives System das Problem versteht, kann es genaue Lösungen bereitstellen, ohne Kunden in verschiedene Abteilungen umzuleiten, und so allen Zeit sparen.
• Entscheidungsfindung und Beratung:Es kann den Kreditvergabeprozess verbessern, der ein tieferes Verständnis der Unternehmen erfordert, um datengesteuerte Entscheidungen zu treffen.
• Anlageberatung:Kognitive Systeme ermöglichen es Banken und Nichtbanken-Finanzsektoren, Anlagequellen schnell zu durchsuchen, um die neuesten Markttrends zu erkunden, Risiken zu bewerten und Kunden aktuelle Ratschläge zu geben.

Cybersicherheit

Künstliche Intelligenz und tiefe neuronale Netze erleichtern es kognitiven Systemen, kontinuierlich Daten aus verschiedenen Quellen zu extrahieren und durch fortschrittliche Analysen Wissen zu erlangen. Das neuronale Netzwerk verbessert sich mit jeder Iteration, sodass das System lernen kann, Bedrohungen vorherzusagen und proaktive Lösungen zu entwickeln.

Angesichts der zunehmenden Cyberangriffe und des Mangels an qualifizierten Cybersicherheitsspezialisten wirkt ein Tool wie Cognitive Analytics wahre Wunder. Es kann riesige Mengen strukturierter und unstrukturierter Daten verarbeiten und analysieren (um verschiedene Arten von Bedrohungen und Risiken zu identifizieren), was für ein herkömmliches Analysesystem nahezu unmöglich wäre.

Gesundheitswesen

Die gesundheitsbezogenen Informationen (z. B. radiologische Bilder, Laborergebnisse, Pathologieberichte, elektronische Gesundheitsakten, klinische Forschung usw.) sind aufgrund ihrer Fragmentierung schwer zu analysieren und weiterzugeben. Hier kommen kognitive Systeme zum Einsatz. Sie können verschiedene Arten von Informationen intelligent und schnell analysieren, um medizinisches Fachpersonal zu unterstützen.

Die Erkenntnisse der kognitiven Analyse erleichtern es Gesundheitsdienstleistern, den Gesundheitszustand einzelner Patienten zu verstehen, fundierte Entscheidungen zu treffen und eine individuellere Versorgung anzubieten.

Heutzutage wird Cognitive Computing in zahlreichen onkologischen Zentren weltweit eingesetzt. Am MD Anderson Cancer Center und Memorial Sloan Kettering Cancer Center beispielsweise hilft kognitive Analyse Ärzten dabei, Petabytes an medizinischen Daten (einschließlich klinischer Studien, Studienergebnisse und Best-Practice-Richtlinien) zu analysieren, um Diagnose- und Behandlungsentscheidungen zu unterstützen.

Kraft und Energie

Die Öl- und Gasindustrie steht ständig vor Herausforderungen bei der Lokalisierung, Raffinierung und Verteilung von Rohöl und seinen Nebenprodukten. Mit Hilfe kognitiver Analysen können Ingenieure und technische Experten wichtige Entscheidungen treffen, z. B. wo nach Öl gesucht werden soll, wie Ressourcen zugewiesen werden sollen, welche Produkte priorisiert werden sollen und wie die Effizienz bestehender Anlagen verbessert werden kann.

Kognitive Plattformen werden bereits von vielen Versorgungsunternehmen in den Vereinigten Staaten genutzt, darunter Mega Energy, Arizona Public Service Electric, Gexa Energy, Portland General Electric und Avangrid. Diese Systeme bieten mehrere Vorteile, von der Prognose von Lasten bis hin zur Abbildung von Tarifstrukturen anhand individueller Kostenmodelle.

Logistik und Einzelhandel

Kognitive Analysen sind in jeder Phase der Logistik- und Lieferkette nützlich, von der Lagerverwaltung und -automatisierung bis hin zur Verpackung und Palettierung. Es analysiert Daten sowohl aus internen (Bestand, Point-of-Sale) als auch externen (Markttrends, Wetter) Ökosystemen. Ziel ist es, die Effizienz der Lieferkette zu verbessern, Kosten zu minimieren und Unternehmen wertvolle Erkenntnisse zu liefern, damit sie schnell auf sich dynamisch ändernde Szenarien reagieren können.

Auch im Einzelhandel spielt kognitive Analytik eine entscheidende Rolle. Es kann in E-Commerce-Plattformen integriert werden, um Daten über Kunden und deren Kaufverhalten zu extrahieren. Für Offline-Geschäfte können kognitive Systeme Einzelhändlern dabei helfen, ihre Lagerbestände zu optimieren und personalisiertere Produkte zu attraktiven Preisen anzubieten.

Bildung und Lernen

Cognitive Computing kann zu besseren Ergebnissen für Studierende und Lehrkräfte führen. Es kann leistungsschwache Schulen und Lehrer identifizieren, die Leistung der Schüler in bestimmten Disziplinen vorhersagen und personalisiertes Lernmaterial bereitstellen. 

Im Jahr 2003 führten die öffentlichen Schulen des Miami-Dade County in Florida eine Cognitive-Tutor-Software ein, um den Schülern Feedback zu geben, während sie Probleme lösen. Es wurde festgestellt, dass diese Software weitaus effektiver ist als der herkömmliche Lehrplan allein.

Bekannte kognitive Analysetools

Nachdem Sie nun die realen Anwendungen kognitiver Analysen kennen, wollen wir uns mit verschiedenen Arten kognitiver Tools befassen, die in verschiedenen Bereichen eingesetzt werden.

1. OpenSMILE

OpenSMILE (Open-Source Speech and Music Interpretation by Large-space Extraction) extrahiert automatisch Merkmale aus Audiosignalen und klassifiziert Sprach- und Musiksignale. Es wird häufig zur Spracherkennung, Emotionserkennung, Sprecheridentifikation, Akkorderkennung und Beat-Tracking verwendet. Es kann auch die Zustände des Sprechers erkennen, wie z. B. Rausch, Depression oder Stimmstörungen.

Da das Softwareprogramm größtenteils in C++ geschrieben ist, läuft es reibungslos auf allen Plattformen, einschließlich eingebetteter Plattformen wie macOS, iOS, Windows, Android, Linux und Raspberry Pi.

2. IBM Watson

IBM Watson nutzt mehr als 100 verschiedene Techniken, um natürliche Sprache zu analysieren, relevante Quellen zu finden, Hypothesen zu generieren, Beweise auszuwerten und die bestmöglichen Antworten zu bewerten. Im Grunde werden fortgeschrittene Verarbeitung natürlicher Sprache, fortgeschrittenes Denken, Wissensdarstellung und maschinelle Lernalgorithmen auf den Bereich der offenen Fragebeantwortung angewendet.

Mit Watson erhalten Unternehmen Zugang zu einem vollständigen Portfolio an KI-Funktionen, sei es Tools zur Erkennung neuer Trends oder zur Entwicklung von Anwendungen für Kunden. Es spart Zeit und automatisiert mehr Prozesse, sodass sich die Mitarbeiter auf Wachstum und neue Möglichkeiten konzentrieren können.

3. NuPIC

NuPIC (Numenta Platform for Intelligent Computing) ist eine Open-Source-KI-Plattform, die HTM-Lernalgorithmen (Hierarchical Temporal Memory) implementiert. Es eignet sich für eine Vielzahl von Problemen, insbesondere zur Anomalieerkennung und zur Vorhersage von Streaming-Datenquellen.

4. Iris von Apixio

Die Vereinigten Staaten produzieren jährlich mehr als 1,3 Milliarden klinische Pflegedokumente; Etwa 80 % dieser Daten sind unstrukturiert und schwer zugänglich. Da kommt Iris zum Einsatz. Dabei handelt es sich um eine Cognitive-Computing-Plattform, die aus riesigen Mengen klinischer Daten und anderen Informationen im Gesundheitssystem wertvolle Erkenntnisse gewinnt.

Die Analyse-Engine von Iris nutzt maschinelles Lernen und Technologien zur Verarbeitung natürlicher Sprache, um Patientenprofile zu erstellen und Risiken zu bewerten. Es kann ähnliche Patienten und Fälle gruppieren, um evidenzbasierte Patientendaten bereitzustellen. Und da sich die Daten im Laufe der Zeit ändern, überwacht die Plattform kontinuierlich die Patienteninformationen, um den medizinischen Fachkräften mitzuteilen, was funktioniert und was nicht.

5. Aila von Enterra Solutions

Aila kombiniert fortgeschrittene Mathematik und künstliche Intelligenz, um Probleme auf ähnliche Weise wie Menschen zu begründen und zu lösen. Es kann die internen und externen Daten des Unternehmens analysieren, Schlussfolgerungen ziehen und bei Bedarf wertvolle Erkenntnisse gewinnen. Im Gegensatz zu herkömmlichen Geschäftsanalysen kann Aila mit der großvolumigen, multivariaten Welt von Big Data umgehen.

Es kann einige der kniffligsten Fragen beantworten –

• Gibt es Möglichkeiten, die Ausgaben im nächsten Jahr innerhalb der Marktsegmente zu verlagern, um den ROI zu verbessern?
• Sind die Service-Level-Ziele unserer Kunden gefährdet? Wenn ja, wie kann ich dieses Risiko mindern?

6. Ignio Cheetah von TCS

Ignio Cheetah ist eine Produktsuite zur kognitiven Automatisierung für den IT-Betrieb und das Workload-Management. Es kann abnormale IT-Zustände, die Aufmerksamkeit erfordern, sofort erkennen und vorhersagen, Fehlalarme reduzieren, ähnliche oder korrelierende Ereignisse sammeln und Alarme basierend auf den geschäftlichen Auswirkungen priorisieren. Und da das System aus seinen eigenen Erfahrungen lernt, wird es mit der Zeit besser.

Ignio wird bereits von vielen großen Unternehmen eingesetzt, darunter Fortune 500- und Global 2000-Unternehmen, die in ihren jeweiligen Bereichen Innovatoren und Marktführer sind. Die Plattform verwaltet autonom mehr als 1,5 Millionen Technologieressourcen für mehr als 50 Kunden.

7. Cortex-Zertifikat

Cortex Certifai stellt sicher, dass die Modelle des maschinellen Lernens frei von algorithmischen Verzerrungen sind, um verzerrte Entscheidungen und Argumente zu reduzieren. Es generiert einen zusammengesetzten Vertrauenswert, den sogenannten AI Trust Index, der automatisierte Modelle auf der Grundlage von Datenqualität, Leistung, Robustheit, Fairness, Erklärbarkeit und Compliance misst.

Dieser Vertrauensindex hilft Unternehmen dabei, die Kompromisse und üblichen Konflikte zwischen Leistung und Risiko zu bewerten. Stakeholder können jeden Bewertungsparameter untersuchen, um potenzielle Verbesserungen zu finden. Es kann auf jedes Black-Box-Modell angewendet werden, einschließlich statistischer Modelle, Vorhersagemodelle und Modelle für maschinelles Lernen.

8. SparkCognition EPP

SparkCognition EPP nutzt proprietäre KI- und maschinelle Lernalgorithmen, um zu verhindern, dass noch nie dagewesene Cyberangriffe den Geschäftsbetrieb stören, und um Phishing-Bedrohungen durch PDFs, Dokumente und Direct-to-Memory-PowerShell-Angriffe zu identifizieren. Sein leichter kognitiver Agent lernt die typischen Verhaltensmuster aller Endpunkte innerhalb eines Unternehmens und warnt das Sicherheitsteam vor möglichen Angriffen.

Das System lässt sich gut in die bestehende Sicherheitsarchitektur integrieren und bietet nahtlose Abläufe im Hintergrund für bis zu 100.000 verwaltete Endpunkte mit macOS, Linux oder Windows. Es hat sich gezeigt, dass es herkömmliche Endpunktschutzanbieter und Endpunktschutzanbieter der nächsten Generation übertrifft.

Aktuelle Studien

Cognitive Computing hat im letzten Jahrzehnt viele Datenwissenschaftler und Forscher angezogen. Zu den jüngsten Studien gehören:

Erkennung psychophysiologischer Parameter für einen kognitiv-emotionalen Konflikt 

Russische Forscher haben eine Plattform zur Identifizierung ferndiagnostizierter Parameter entwickelt (mithilfe von Video-Messaging-Tools wie Skype), die das Vorhandensein eines kognitiv-emotionalen Konflikts während eines Dialogs objektiv zeigen kann. Diese Plattform nutzt neuronale Netze, um die emotionalen Reaktionen der Menschen automatisch in den Videodaten zu markieren.

Ein rechnergestütztes kognitives ACT-R-Modell

Obwohl die Fähigkeit zur mentalen Rotation eine entscheidende Fähigkeit zum räumlichen Denken in der menschlichen Wahrnehmung darstellt, ist nur sehr wenig darüber bekannt, wie sie beim Spielen von Videospielen funktioniert. Italienische Forscher haben die mentale Rotation (über ein ACT-R-basiertes kognitives Modell) modelliert, um zu analysieren, ob und unter welchen Bedingungen diese Fähigkeit im TetrisTM-Spiel genutzt wird. Die Ergebnisse zeigen wichtige Einblicke in die Aktivierung der mentalen Rotation während der Spieldynamik.

Kognitive Analysen zur Anomalieerkennung 

Die Wissenschaftler des Zentrums für Forschung und Technologie Hellas, einem der größten Forschungszentren Griechenlands, haben eine kognitive Analyseplattform entwickelt, die umfangreiche Maschinendaten verarbeiten, analysieren und nutzen kann, um den wachsenden Anforderungen der Fertigungsindustrie gerecht zu werden. Es ist in der Lage, komplexe Anomalien zu überwachen und unvorhergesehene Bedingungen zu bewältigen. Darüber hinaus nutzt die Benutzeroberfläche fortschrittliche Visualisierungstechniken, um Informationen effektiv darzustellen.

Wie sieht die Zukunft der kognitiven Analyse aus?

Dem Research and Markets-Bericht zufolge wird der Markt für kognitive Analysen bis 2030 ein Volumen von 40,8 Milliarden US-Dollar erreichen und mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 38 % wachsen.

Es wird erwartet, dass China bis 2030 eine Marktgröße von 6 Milliarden US-Dollar erreichen wird. Weitere wichtige Märkte sind Japan, Kanada und Deutschland, die im Prognosezeitraum voraussichtlich um 33 %, 32 % bzw. 25 % wachsen werden.

Zu den wichtigsten Wachstumstreibern des Marktes gehören die Einführung von Big-Data- und Cloud-Computing-Technologien sowie die Einführung anspruchsvoller Analysetechniken, die die Nachfrage nach effizienten kognitiven Analyselösungen steigern.

Lesen Sie: Künstliche Intelligenz vs. maschinelles Lernen vs. Deep Learning | Der Unterschied

Häufig gestellte Fragen

Wie viele Arten von Analysen gibt es?

Moderne Datenanalysen lassen sich in fünf Kategorien einteilen:

• Beschreibende Analyse:ist die einfachste Form der Analyse, die beschreibt, was passiert ist und was gerade passiert.
• Diagnoseanalyse:geht einen Schritt weiter und beantwortet, warum es passiert ist. Es vergleicht gleichzeitig bestehende Trends und ermittelt nach Möglichkeit Beziehungen zwischen Variablen.
• Predictive Analytics:Prognostiziert zukünftige Trends und gibt Antworten darauf, was in naher Zukunft passieren könnte. Es analysiert vergangene und aktuelle Daten, um Vorhersagen über zukünftige Trends zu treffen.
• Präskriptive Analyse:berücksichtigt verschiedene Faktoren und schlägt umsetzbare Erkenntnisse vor. Es hilft Benutzern, datengesteuerte Entscheidungen zu treffen.
• Kognitive Analysen:kombiniert die Leistungsfähigkeit von Statistiken, künstlicher Intelligenz und maschinellem Lernen, um riesige Datenmengen zu verarbeiten und den Kontext zu verstehen. Es bietet neue Möglichkeiten, unerschlossene Datenquellen zu erschließen, komplizierte Muster zu entdecken und personalisierte Dienste bereitzustellen.

Warum sollten Marktanalysten kognitive Analysen nutzen?

Da immer mehr Geräte jede Sekunde Daten generieren, wird es immer schwieriger, alle auf Servern und darüber hinaus gespeicherten Informationen zu sammeln, zu verarbeiten und zu analysieren.

Kognitive Analysen gehen diese Herausforderungen an:Sie nutzen fortschrittliche Statistiken und KI-Modelle, um versteckte Muster in riesigen Mengen unterschiedlicher Daten zu identifizieren. Im Gegensatz zur herkömmlichen Analyse, die Informationen aus strukturierten Daten in bestimmten Bereichen extrahiert, verfolgt die kognitive Analyse einen umfassenderen und flexibleren Ansatz zur Datenermittlung. Es funktioniert ähnlich wie Menschen, um Daten zu interpretieren, ihren Kontext zu verstehen und Muster und Trends aufzudecken.

Was ist der Unterschied zwischen Cognitive Computing und KI?

Künstliche Intelligenz besteht aus Algorithmen, die darauf trainiert sind, genaue Ergebnisse zu liefern. Diese Algorithmen lernen aus sich ständig ändernden Daten und Selbstkorrekturmethoden, um intelligente Entscheidungen zu treffen.

Cognitive Computing ahmt das menschliche Denken nach und passt sich dem menschlichen Denken an. Ziel ist es, komplexe Probleme auf ähnliche Weise zu lösen, wie Menschen sie angehen. Im Gegensatz dazu konzentrieren sich KI-Modelle darauf, neue und möglicherweise effizientere Wege zur Problemlösung zu finden und dabei manchmal sogar menschliche Methoden zu übertreffen.

Weiterlesen:

• Die 13 besten Data-Science-Unternehmen der Welt
• Die 13 besten Predictive Analytics-Software
• Die 12 besten Tools für maschinelles Lernen