Die wachsende Bedeutung von KI in der Entwicklung, Produktion und Qualitätssicherung weckt bei vielen Automotive-Experten großes Interesse. Dennoch herrscht oft das Gefühl vor, dass KI komplex, schwer zugänglich oder nur etwas für Softwareentwickler sei.

Zugleich bestehen einige grundlegende Missverständnisse im Umgang mit Künstlicher Intelligenz:

Angesichts dieser vielfältigen Herausforderungen, aber auch der rasanten Entwicklung lohnt sich ein Blick auf die Grundlagen der Technologie, um ihre Potenziale auch besser einschätzen zu können. In diesem Artikel möchten wir Sie als Experten im Automotive-Sektor mit dem passenden Rüstzeug versehen:

Denn Automotive Senior Experts wissen schon lange: Nur, wer sein grundlegendes Handwerk versteht, ist auch in der Lage, Technologien richtig anzuwenden. 

Legen wir also los - und werfen einen Blick „unter die Motorhaube“ der KI.

Und während wir einmal unter die Motorhaube linsen, dann fällt auf: So neu ist das Thema KI gar nicht. 

Gerade unsere erfahrenen Automotive-Senior-Experten haben auch in früheren Jahrzehnten schon immer wieder Berührungspunkte mit künstlicher Intelligenz gehabt. Dies zwar nicht in Form der derzeit im Fokus stehenden “generativen KI”, aber durchaus mit anderen Formen - wie zum Beispiel der regelbasierten KI oder dem Machine Learning. 

Also: Technologisch gesehen ist KI schon fast ein “Oldtimer” als eine komplette Neuerfindung! 

Trotz des derzeitigen Booms der Künstlichen Intelligenz ist die Technologie gar nicht so neu. In der Tat wurde der Begriff schon 1956 von John McCarthy geprägt – und zwar als eingängiger, wenn auch neutraler Titel und Werbespruch für die Darmouth Summer Research Project on Artificial Intelligence (DSRPAI).

Damals ging es darum, die These zu verfolgen, dass jeder Aspekt des Lernens oder jedes andere Merkmal von Intelligenz im Prinzip so genau beschrieben werden könne, dass eine Maschine dafür programmiert werden könne, ihn zu simulieren.

Die Teilnehmer wollten erforschen, wie man Maschinen so programmieren könnte, dass sie Sprache verwenden, Abstraktionen und Konzepte bilden, Probleme lösen, die Menschen vorbehalten waren, und sich selbst verbessern könnten.

Und letztendlich ist dieser Ansatz bis heute auch die Kerndefinition für den Begriff “Künstliche Intelligenz” - zum Beispiel hier von IBM, einem der Pioniere dieser Technologie:

“Künstliche Intelligenz (KI) ist eine Technologie, die es Computern und Maschinen ermöglicht, menschliches Lernen, Verständnis, Problemlösung, Entscheidungsfindung, Kreativität und Autonomie zu simulieren.”

Dabei ist Künstliche Intelligenz ein Oberbegriff für alle möglichen Verfahren und Technologien, die diesen Anspruch erfüllen. Diese erklären wir weiter unten - aber so viel sei gesagt: Die generative KI ist nur eine, wenn auch sehr leistungsfähige Technologie, davon. 

Wir sehen: Von Anfang an ging es zunächst einmal weniger um die Herstellung einer bewussten “Intelligenz”, sondern um eine technologisch leistungsstarke Unterstützung für uns Menschen. Die Fähigkeit zu Lernen spielt dabei eine herausragende Rolle. Denn allen KI-Systemen gleich welcher Struktur ist gemein, dass sie nicht nur mit Daten zum Beispiel aus einer Tabelle “gefüttert” werden und diese dann weiterverarbeiten - sondern, dass sie Daten neu kombinieren und in irgendeiner Form auch weiterverarbeiten können.

Und so, wie ein Auto aus verschiedenen Komponenten besteht, so braucht auch die Künstliche Intelligenz ihre Plattform, um sie zu bewegen: 

• Ihr Motor sind dabei leistungsstarke Algorithmen, die den “Denkprozess” (oder besser Datenverarbeitungsprozess) antreiben. 
• Ihr Treibstoff sind enorme Datenmengen (Trainingsdaten), die durch eine KI in Information umgewandelt werden können. 
• Der Schmierstoff sind dabei auch die modernen Rechentechnologien. Denn wie wir sehen werden, arbeitet die Künstliche Intelligenz nach einem sehr cleveren, aber auch sehr aufwändigen Verfahren - und ist genau deshalb nach sehr viel Rechenpower. 

Mit diesen und natürlich noch vielen anderen Komponenten sind die KI-Systeme von heute in der Lage, so leistungsfähige Ergebnisse zu liefern, wie wir sie derzeit sehen können

Und wir wissen: Derzeit befinden wir uns gerade am Anfang eines neuen Entwicklungszyklus für die Künstliche Intelligenz, der sehr dynamisch verläuft. Das Limit der Möglichkeiten ist noch längst nicht ausgereizt. Unser Tachometer hat noch Luft nach oben. 

Egal, in welcher Form eine KI arbeitet - üblicherweise arbeiten Künstliche Intelligenzen immer im Tandem von zwei Schritten: 

• Zunächst folgt die Analyse von Daten: Hier geht die KI mit verschiedenen Methoden auch durch große Mengen strukturierter und unstrukturierter Daten und unterteilt diese in viele kleine Einzelteile, den sogenannten “Tokens”.
  Beispiel Automotive: Eine KI im Fahrerassistenzsystem analysiert kontinuierlich Videodaten, Radarsignale und Sensordaten, die Aufschluss über Verkehrsteilnehmer, Fahrbahnmarkierungen und Entfernungen geben.

• Dann folgt die Vorhersage: Denn künstliche Intelligenzen arbeiten weniger nach klaren “Regeln”; sondern nach Wahrscheinlichkeiten. Durch die Analyse von Korrelationen und Vorkommnissen in den Ursprungsdaten versucht eine Künstliche Intelligenz, bei jedem Schritt das wahrscheinlichste Ergebnis zu erzielen.
  Beispiel Automotive: Basierend auf der Analyse sagt die KI voraus, ob ein Hindernis (z.B. ein plötzlich bremsendes Auto) eine sofortige Reaktion (z.B. eine automatische Notbremsung) erfordert, und wählt die wahrscheinlich sicherste Handlungsoption.

Das bedeutet: Eine KI ist keine Datenbank. Sie referenziert nicht auf vorhandenes Wissen oder Daten. Sondern: Eine KI spielt mit den Wahrscheinlichkeiten. Kalkuliert in Windeseile sehr viele mögliche Entscheidungswege durch und gibt dann eine Vorhersage für das wahrscheinlichste Ereignis. 

Dieser grundlegende Aufbau sorgt derzeit für viele Herausforderungen im Praxis-Einsatz der KI: Denn einerseits sind die Analyse- und Prognosefähigkeiten in vielen Fällen sehr robust und leistungsstark. Dann, wenn es aber um Fakten oder konkrete Datenpunkte geht, stößt dieser Ansatz an seine Grenzen. 

Natürlich wird auch dieses Problem derzeit von verschiedenen Seiten versucht zu lösen. Dennoch sollte man den Grundsatz einer KI als “Prognose-Tool” anstelle einer Wissensdatenbank immer im Hinterkopf behalten. 

Wenn wir von “KI” sprechen, klingt es, als ob dies häufig eine einzige Technologie sei. “Die KI wird uns das jetzt verbessern”, heißt es dann oft. Oder: “Können wir nicht KI einsetzen?” 

Wenn diese Fragen aufkommen, sollte gerade im professionellen Bereich Vorsicht geboten sein. Hier gilt es  zunächst zu überlegen, welche Form der KI zum Einsatz kommen sollte. Es gibt wirklich sehr einfache Formen wie regelbasierte Systeme,die heute schon fast im Massenbetrieb sind. Diese eignen sich zur Lösung sehr spezifischer Aufgaben. Mit dem Aufkommen von Deep Learning ist da definitiv Potenzial für weitere Anwendungen drin: Aber hier gilt es, auch für Experten im Automotive-Bereich, zunächst das Problem zu analysieren. Und dann in der Folge über die technische Lösungsmöglichkeit zu entscheiden. 

Es gibt durchaus auch Prozesse - gerade in den Verwaltungstätigkeiten - die man ganz ohne KI verbessern könnte - zum Beispiel durch eine einfache Prozessänderung.

Werfen wir also einen Blick auf die gängigen KI-Systeme, die Sie kennen sollten: 

Regelbasierte KI-Systeme 

Fangen wir mit der einfachsten Stufe von KI-Systemen an - den regelbasierten Systemen. 

Hier ist die Welt noch relativ simpel, denn diese beruhen auf von Menschen vorgegebenen if/else-Bedingungen. 

Dies betrifft im Auto zum Beispiel ein Assistenzsystemfür das Einparken, das nur dann bremst, wenn die Sensordaten A, B und C gleichzeitig die vordefinierten Schwellenwerte für den Abstand zu einem Hindernis unterschreiten und die Geschwindigkeit unter 5 km/h liegt. Die Logik ist eine klare "WENN-DANN"-Anweisung, die strikt befolgt wird.

Im Kern bedeutet das:

• Die Logik ist transparent und nachvollziehbar. Man weiß genau, warum das System eine bestimmte Ausgabe liefert.
• Es ist extrem gut für klar definierte, stabile Prozesse geeignet, in denen sich die Rahmenbedingungen kaum ändern.
• ABER: Das Wissen des Systems ist strikt auf die manuell kodierten Regeln beschränkt. Bei neuen Situationen oder Kontexten, für die keine Regel existiert, ist es oft überfordert – eine Art digitaler Scheuklappe.Der entscheidende Unterschied liegt im Komplexitätsgrad der Regeln und der Art der Problembehandlung.

Bei "normaler" Programmierung (z.B. ein Taschenrechner oder eine Datenbankabfrage) sind die Regeln oft direkt, numerisch oder sehr einfach: "Wenn A, dann tue B." Die Logik ist linear und die Ausgabe ist exakt vorhersehbar.

Ein regelbasiertes System, das als KI betrachtet wird (oft als Expertensystem bezeichnet), zeichnet sich dadurch aus, dass es:

1. Menschliches Expertenwissen nachbildet: Die Regeln sind hochkomplex und versuchen, die Entscheidungsfindung eines menschlichen Experten in einem spezifischen Bereich (z.B. medizinische Diagnose, Kreditwürdigkeitsprüfung) zu imitieren.
2. Inferenz und Schlussfolgerung nutzt: Es wendet die Regeln nicht nur starr an, sondern verwendet eine sogenannte Inferenzmaschine. Diese Engine kann komplexe logische Schlüsse (Deduktion) ziehen, um zu einer Lösung zu kommen, die nicht direkt im Regelwerk steht. Es kann "wissen", dass "wenn A und B wahr sind, und C die Folge von A ist, und D die Folge von B, dann ist E wahrscheinlich."
3. Heuristiken nutzt: Es arbeitet oft mit Heuristiken (Daumenregeln oder Faustregeln), die in unsicheren oder komplexen Situationen eine "beste Schätzung" liefern, anstatt einer garantierten, exakten Lösung.

Kurz gesagt: Ein regelbasiertes System wird dann zur KI, wenn es komplexes, unsicheres oder unvollständiges Wissen mithilfe von logischen Schlussfolgerungen verarbeitet, um Probleme zu lösen, die normalerweise menschliches Expertenwissen erfordern würden. Es geht über die einfache Abarbeitung von Befehlen hinaus.

Machine Learning als KI-System

Beim Machine Learning hingegen werden die Regeln nicht mehr von Menschen vorgegeben, sondern vom System selbst gelernt - was natürlich ein starker Entwicklungsschritt ist.

Das heißt: Anders als eine herkömmliche Programmierung erweitert Machine Learning eigenständigen seine Kompetenzen. Und: Machine Learning ist, wie auch fast alle weiteren KI-Systeme, stark darin, Muster in Beispielen zu erkennen. 

Stellen Sie sich vor, eine KI wird darauf trainiert, wie ein bestimmtes Autoteil im Neuzustand oder in einwandfreiem Zustand typischerweise aussieht. Man füttert sie mit Tausenden von Bildern dieses perfekten Bauteils. Das Machine-Learning-System lernt die subtilen Muster, die Oberfläche und die Form, die zur "Norm" gehören.

Sobald dieses Wissen aufgebaut ist, kann die KI in der Fertigung eingesetzt werden. Sie analysiert die Bilder von frisch produzierten Teilen. Wenn ein neues Teil nur minimale Abweichungen, wie einen winzigen Riss oder eine Unregelmäßigkeit in der Beschichtung, aufweist, die für das menschliche Auge schwer zu erkennen sind, wird die KI dies sofort als Abweichung von der gelernten Norm erkennen und das Teil aussortieren. So sichert Machine Learning eine konsistente Qualität.

Zentrale Merkmale von Machine Learning sind also:

• Mustererkennung: Das System leitet Gesetzmäßigkeiten und Zusammenhänge aus vorhandenen Daten ab.
• Faktenbasierte Ansätze: Hierzu zählen Methoden wie Entscheidungsbäume, Lineare Regression und Logistische Regression - das sind die Verfahren, wie das Machine-Learning-System zu seinen Einschätzungen kommt
• Basierend auf Wahrscheinlichkeiten: Machine Learning (und die weiteren KI-Systeme) simulieren in der Regel zeitgleich viele Möglichkeiten zur Entscheidungsfindung - eigenständig und bewerten die Wahrscheinlichkeit des Eintretens. Das heißt: Alle KI-Systeme ermitteln Erkenntnisse auf Basis von Wahrscheinlichkeiten und nicht aufgrund vorgegebener Daten. Aus diesem Grund erreichen sie auch nie eine Wahrscheinlichkeit von 100%, sondern arbeiten immer in einem gewissen Bereich der Unschärfe. 

Typische Anwendungsbeispiele von Machine Learning m Automotive-Bereich sind:

• Qualitätskontrolle: Das System lernt, wie ein fehlerfreies Bauteil normalerweise beschaffen ist, um Abweichungen zu identifizieren.
• Prädiktive Wartung: Es erkennt subtile Veränderungen in Motorvibrationen, die auf einen bevorstehenden Fehler hinweisen.
• Fehleranalyse: Es identifiziert Gemeinsamkeiten bei Qualitätsabweichungen, um die Ursachen zu bestimmen.

Machine Learning ist in vielen Bereichen schon seit Jahrzehnten im Einsatz und leistet bereits Erstaunliches. Allerdings gibt es vor allem zwei Faktoren, die den Nutzen limitieren können: 

• Einerseits die vorhandene Rechenpower, um viele, komplexe Entscheidungswege schnell durchzurechnen
• Andererseits - und das ist meistens der Hauptgrund - die begrenzte Datenmenge, mit der das System “gefüttert” wurde. Alles, was ein Machine-Learning-System nicht als Input-Daten hat, wird auch nicht berücksichtigt.

Was passiert aber genau, wenn die Datenmenge beim Machine-Learning nicht ausreicht? Nehmen wir dazu ein Beispiel einmal die Objekterkennung in autonomen Fahrzeugen: 

Wenn ein auf maschinellem Lernen basierendes System zur Objekterkennung (z.B. für Fußgänger) nicht ausreichend mit Bildern von Fußgängern in schlechten Lichtverhältnissen oder bei starkem Regen trainiert wurde, wird das System diese Objekte unter solchen Bedingungen weniger zuverlässig erkennen oder gänzlich ignorieren. Die "begrenzte Datenmenge" in diesen spezifischen Szenarien führt dann zu einem "blinden Fleck" in der Erkennungsfähigkeit des Systems.

Deep Learning 

Deep Learning ist eine spezialisierte und besonders leistungsfähige Unterkategorie des Machine Learning. Der entscheidende Unterschied liegt in der Architektur des Lernsystems: Während traditionelles Machine Learning oft auf flachen Algorithmen basiert, nutzt Deep Learning Künstliche Neuronale Netze mit mehreren (oft Dutzenden oder Hunderten) versteckten Schichten, die der Funktionsweise des menschlichen Gehirns nachempfunden sind

Dadurch ist Deep Learning in der Lage, abstrakte und hierarchische Merkmale in den Daten eigenständig zu lernen – es braucht keine menschliche Vorverarbeitung der Merkmale mehr. Es lernt nicht nur, dass ein Bild ein Auto zeigt, sondern in den unteren Schichten die Kanten und Formen, in den mittleren Schichten die Räder und Lichter, und in den obersten Schichten die finale Klassifizierung als "Auto".

Deep Learning zeichnet sich aus durch:

• Hierarchisches Feature-Lernen: Das System extrahiert selbstständig komplexe Merkmale auch aus komplett unstrukturierten Rohdaten (wie Pixeln oder Audiofrequenzen), ohne dass diese explizit programmiert werden müssen.
• Beispiellose Leistung bei unstrukturierten Daten: Bei Aufgaben wie Bild- und Spracherkennung, natürlicher Sprachverarbeitung (NLP) oder bei der Steuerung hochkomplexer Systeme erzielt es Resultate, die oft menschliche Genauigkeit erreichen oder übertreffen.
• Hoher Bedarf an Daten und Rechenleistung: Im Gegensatz zu einfacheren ML-Methoden benötigt Deep Learning zur effektiven Kalibrierung der vielen Millionen oder Milliarden von Parametern in seinen tiefen Netzen extrem große Datensätze und erhebliche Rechenkapazitäten (GPUs/TPUs).

Typische Anwendungsbeispiele im Automotive-Bereich sind:

• Autonomes Fahren: Die Verarbeitung von Sensordaten (Kameras, Lidar, Radar) zur Echtzeit-Objekterkennung und Fahrwegplanung.
• Sprachsteuerung und Chatbots: Das Verstehen und Generieren natürlicher menschlicher Sprache (Natural Language Understanding, NLU).
• Generative Modelle: Die Erstellung realistischer Trainingsszenarien (Simulation) für autonome Systeme.

Deep Learning ist der Motor hinter dem aktuellen KI-Boom, da es in der Lage ist, die Art von Aufgaben zu lösen, die lange Zeit als Domäne menschlicher Kognition galten. Die Limitierung liegt meistens in der Verfügbarkeit der massiven Datenmengen und der Erklärbarkeit der Entscheidungen.

Generative KI

Generative KI ist eine Form der Künstlichen Intelligenz, die neue und einzigartige Inhalte (wie Texte, Bilder, Code oder Musik) erstellt, die in dieser Form zuvor nicht existiert haben.

Sie basiert meist auf Deep Learning-Architekturen (wie Transformer-Modellen) und nutzt umfassende Sprachmodelle wie Large Language Models (LLMs) oder Generative Adversarial Networks (GANs). Generative KI gilt somit als Unterdisziplin des Deep Learning, die sich gezielt auf die Erzeugung von Daten und Inhalten konzentriert.

Der Hauptunterschied zu diskriminierender KI (die Inhalte klassifiziert oder Vorhersagen trifft) liegt darin, dass Generative KI auf Basis einer Eingabeaufforderung (Prompt) tatsächlich neue Inhalte erzeugt. Dabei ist die generative KI nicht “kreativ”, also entwickelt etwas vollständig Neues - sondern die erzeugten Inhalte basieren immer auf neuen Zusammenstellungen des wie auch immer gearteten Trainingsmaterials. 

Wenn wir heute über “KI” sprechen, dann haben wir meistens die “Generative KI” im Blick: Denn ihre Möglichkeiten sind außerordentlich faszinierend. Dennoch gilt es zu beachten, dass auch die Generative KI den Regeln, Beschränkungen und Möglichkeiten von “Deep Learning”-Tools folgen. 

Derzeit befinden sich die meisten Unternehmen noch in einer Explorations- oder Experimentierphase, um den vollen Umfang der Möglichkeiten der generativen KI zu erforschen. 

Dennoch kristallisieren sich mögliche Anwendungen im Automotive-Bereich heraus: 

• Design-Entwürfe: Generierung neuer Karosserieformen, Felgendesigns oder Innenraumkonzepte basierend auf Stilvorgaben.
• Simulation synthetischer Daten: Erzeugung realistischer Trainingsdaten für autonomes Fahren (z.B. seltene Verkehrssituationen oder extreme Wetterbedingungen), um die Sicherheit zu erhöhen, ohne physische Tests durchführen zu müssen.
• Software-Code-Generierung: Unterstützung von Entwicklern bei der Erstellung von Code für Steuergeräte oder Infotainment-Systeme.

Personalisierte Fahrerlebnisse: Generierung dynamischer, auf den Fahrer zugeschnittener Inhalte (z.B. personalisierte Musik-Playlists, dynamische Routeninformationen).

Wir haben also gesehen: KI ist nicht gleich KI. Es gibt unterschiedliche Modelle und Technologien, die allesamt jedoch um den Aspekt kreisen, das menschliche Lernen zu simulieren. Dies tun sie in unterschiedlicher Art und Weise. 

Wenn wir an die Nutzung von KI denken, wird also auch schnell klar: NIcht jedes Problem muss mit KI “erschlagen” werden, bzw. Nicht mit den kompliziertesten Varianten. FÜr einfache Herausforderungen im Alltagsbetrieb reicht oft der Einsatz von altbewährten regelbasierten KI-Modellen, während die neuen Deep-Learning-Modelle mit ihren Gen-AI-Systemen Möglichkeiten bieten, die wir noch gar nicht so recht ausloten können - und die damit auch viel Raum zum Experimentieren geben. 

Fassen wir deshalb hier noch einmal zusammen, was Künstliche Intelligenzen gut können - und was nicht: 

Was KI (Künstliche Intelligenz) gut kann:

• Analyse und Vorhersage: Künstliche Intelligenz ist in der Lage, große Mengen von Daten effizient zu verarbeiten, zu analysieren und daraus präzise Vorhersagen abzuleiten.Diese Daten müssen nicht nur in strukturierter Form vorliegen (z.B. in Tabellen) - sondern können aus allen möglichen unstrukturierten Quellen bestehen. 
• Erkennen von Mustern in unstrukturierten Daten: KI zeichnet sich besonders durch ihre Fähigkeit aus, verborgene oder komplexe Muster in unstrukturierten Datenquellen wie Texten, Bildern oder Videos zu identifizieren, was für menschliche Beobachter oft schwierig ist.
• Arbeiten, das dem menschlichen Gehirn nachempfunden ist: Durch den Einsatz neuronaler Netze kann KI Aufgaben bewältigen, deren Struktur der Funktionsweise des menschlichen Gehirns nachempfunden ist, beispielsweise in den Bereichen maschinelles Lernen und Deep Learning.

Was KI nicht kann:

• Denken und Fühlen wie ein Mensch: Im Gegensatz zum Menschen besitzt KI kein Bewusstsein, keine Gefühle und kann keine subjektiven Empfindungen oder echtes, kontextunabhängiges Verständnis entwickeln.
• Verstehen, warum Fehler auftreten: Obwohl KI Fehler erkennen kann, fehlt ihr das kausale Verständnis, um die zugrundeliegenden Ursachen oder den Grund für das Auftreten eines Fehlers vollständig nachzuvollziehen.
• Unabhängig vom Kontext ihrer Trainingsdaten agieren: Die Leistungsfähigkeit von KI ist direkt an die Qualität und den Kontext ihrer Trainingsdaten gebunden; sie kann keine echten, kreativen oder ethischen Entscheidungen außerhalb dieses gelernten Rahmens treffen.
• Ein Ergebnis mit 100%iger Garantie liefern: KI-Systeme basieren auf Wahrscheinlichkeiten und statistischen Modellen, weshalb sie, insbesondere bei komplexen Vorhersagen, keine absolute Garantie für die Korrektheit ihrer Ergebnisse bieten können.

Nun haben Sie schon eine ganze Menge Grundlagen zur künstlichen Intelligenz gelernt. Dieser Artikel hat Ihnen bestimmt gezeigt: KI ist kein “magisches Tool” oder Wunderwerk, sondern eine Technologie. 

Und ja, eine Technologie, die extreme Veränderungen mit sich bringt, allein durch ihre nie dagewesene Fähigkeit, immense Datenmengen zu verarbeiten. Und mit dem Quanten-Computing und weiterer technologischer Innovationen im KI-Bereich ist klar: Diese Technologie wird uns in den nächsten Jahren und Jahrzehnten begleiten. 

Deshalb ist die Beschäftigung mit dieser Technologie so wichtig - denn ihr Veränderungspotenzial, richtig angewandt, ist riesig. Bedenken wir, dass etwa 80% aller Daten weltweit in unstrukturierter Form vorliegen (und da machen Unternehmen keinen Unterschied), dann besteht hier ein immenses Potenzial, neue Erkenntnisse zu gewinnen, die vorher nicht zugänglich waren. 

Es gilt, dieses Potenzial zu heben - auch im täglichen Automotive-Geschäft. 

Viele unserer Automotive Senior Experts haben sich schon in ihrer aktiven Zeit mit Künstlicher Intelligenz befasst und bleiben auch jetzt als Senior-Experten aktiv mit Weiterbildung und professioneller Neugierde am Ball. Diese Kombination aus persönlicher Erfahrung und Technologie KNow-how sollten Sie auch für Ihr Projekt und Ihr Unternehmen nutzen - in Transformationsprojekten, in kommerziellen Updates, im technologischen Bereich: Sprechen Sie uns an, wir haben die Experten für Sie.