The family-owned company HUF HAUS and IBM today presented the world’s first house that learns

The family-owned company HUF HAUS and IBM today presented the world’s first house that learns from its occupants, opening a smart bungalow in the model house park of HUF HAUS in Hartenfels.
The intelligent HUF House “Ausblick” („Outlook“) understands and gets to know its residents through their interactions, which are analyzed by IBM’s Watson IoT platform and are recognized and stored as behavioral patterns.


Have a look ta the movie

Corporate Learning Is More Important Than Ever” An Interview with Josh Bersin

In today’s “always-on” workplace, companies should not be afraid to invest in new tools and platforms that deliver the learning people want and aspire for, saysJosh Bersin, principal, Deloitte Consulting LLP, and founder and editor-in- chief of Bersin. “Artificial intelligence, chatbots, video, and virtual and augmented reality will significantly change learning in the years ahead.”

Bersin is the leading provider of research and advisory services focused on corporate learning. More than 60% of the Fortune’s 100 Best Companies to Work For are Bersin members, and more than a million human resources professionals read Bersin research every month.

In this interview, Josh Bersin talks about the transformations that are taking place in the learning & development segment and analyzes the trends and challenges that will shape the future of corporate learning.

What changes have you observed in L&D in the past 10 years?

Ten years ago we were building page-turning e-learning programs and they barely ran on mobile devices. The content was really a “repurpose” of instructor-led training and much of the content development was based on the ADDIE model. We developed the concept of “blended learning” (which is now called “flipped learning”) so people could study online and then attend a class in person. And we had very traditional learning management systems, which arranged content into courses, programs, and curricula.

As social media entered our lives, of course all this changed. Employees and consumers now want bite-sized instructional content (now called “micro-learning”), they want content that is very easy to find, and they want a user experience that feels more like a search engine or a TV set, not a course catalog. We have been trying to build this infrastructure for the last five years, and now in 2018 it’s finally possible. Consumer libraries and many others have accelerated this shift.

According to a survey by Deloitte Consulting LLP, from 2016 to 2017, business and HR leaders’ concern with learning and career development skyrocketed, up by almost 40%. To what do you attribute this growth?

There are two huge drivers of learning today. First, the economy is booming, so companies are hiring, training, and reskilling their people faster than ever. Second, the rate of change in technology, tools, and business practices is breathtaking.

The digital revolution, growth in AI and new algorithms, growth in the use of software, and all the automation at work has forced us all to go “back to school.”

So employees and leaders are very focused on reskilling our people (at all levels) and the appetite for modern, easy to consume learning is enormous.

Photo Josh Bersin, Principal, Deloitte Consulting LLP, and Founder and editor-in-chief of Bersin

Josh Bersin, Principal, Deloitte Consulting LLP, and Founder and editor-in-chief of Bersin

How do you foster and build a learning culture within the company? What are the main issues for a company to become a high impact learning organization?

In all the research we’ve done (and we’ve done a lot), we always conclude that no matter how good or weak your learning technology is, it’s culture that matters. When a company has a “culture of learning” – people take time to reflect, they have time to learn, they talk about mistakes in a positive way – people can learn.

While technology-enabled learning is important, it’s not as important as giving people mentors, sponsors, and experts to learn from – and giving them the time, rewards, and environment to learn at work.

Companies that embrace a learning culture can adapt, reorganize, move into new product areas, and grow in a much more sustainable way – and our research proves this.

„While technology-enabled learning is important, it’s not as important as giving people mentors, sponsors, and experts to learn from – and giving them the time, rewards, and environment to learn at work. “ Josh Bersin

What is the key to creating a successful L&D program that really impacts the company results?

I’ve written two books on corporate training and it’s not a simple process. The first step is to really diagnose the problem you’re trying to solve. Is your “sales training” program designed to help people sell? Upsell? Increase new sales? Or increase close rates? The clearer and more prescriptive you are in problem definition the easier it is to really identify the learning objectives and the learning gaps.

Second the designer must use what is now called “design thinking” (we used to call it performance consulting) to understand the learners’ work environment, existing skills, educational background, and managerial environment. A training program alone won’t solve a problem if it doesn’t reinforce and support the entire work environment.

This also means understanding what type of learning experience will really “grab” the employees and get them to pay attention.

And this also involves interviewing people in the role, to see what gaps exist.

Third, the designer must build a set of small, easy to absorb, highly interactive learning experiences, content, and interactivities that drive a learning outcome. This is the instructional design stage, and the designer should be up to date on the latest technologies and approaches. Right now micro-learning, virtual and augmented reality, chatbots and video are really exciting approaches. But often a face to face exercise, simulation, or project is needed.

If you do all this work, and test and iterate on your design, your program will really drive value. I always encourage L&D leaders to evaluate learning by asking employees “would you recommend this?” and “have you used this?” This kind of practical analysis helps you stay grounded in reality, and not spend too much time creating academic content that may not really drive the business result.

Recently you characterized Blackboard as a “Program Experience (Delivery) Platform.” Can you speak more about what that means and how Program Experience (Delivery) Platforms impact business and learning at organizations today?

Yes. Throughout the L&D market companies need platforms to help them design, build, implement and measure their training programs. The original LMS vision was to be this platform, but it really became a learning “management system” and not a true “learning system.”

Today, given the enormous growth in micro and macro forms of online learning, there is a need for a new set of platforms. These include systems that can manage content, administer traditional training, and programs that can bring together instructor facilitated programs (ie. leader-led or instructor-led courses) in high-fidelity programs like onboarding, sales training, customer service training, ethics, and other high consequence programs. Blackboard falls into this category. Where most education has a teacher, Blackboard’s platform provides a solution for training programs that involve an instructor, a subject-matter expert, or a mentor or coach. Many companies need this type of solution, and Blackboard’s specific design can be useful for many training applications.

What are micro and macro-learning and how can companies help employees identify what type of learning they need?

Every learning solution has macro and micro-topics. Fundamentals, background, and theory are always macro or longer-form topics. For example, if you want to learn how to become a Java programmer, you need fundamental education in data structures, syntax, language, and use of the various Java tools. Once you become a programmer and learn how to code, however, you may need lots of “add-on” education which teaches you special techniques, solutions to common problems, and small answers to typical questions in a micro format.

This blend is common in every type of learning. Macro learning is fundamental. Micro-learning is applications, answers to questions, and new applications.

How can companies select and apply technology in a way that truly engage workers in their learning programs?

As I mentioned above, the hot new topic is “learning experience design.” What will it really feel like to take this course or program? Will it fit into the flow of work? Will the learner enjoy it and feel compelled to complete it? Will the learner meet others and feel inspired to create a community from this course? Will it help them move their career goals forward? Will it provide the types of learning (auditory, lecture, example, simulation, virtual reality, video, project, etc.) that the learner enjoys and remembers? Will there be enough “spaced learning” to let the material sink in and really stick? All these questions are independent of the topic, and they represent the excitement and design opportunities for learning leaders to build something truly amazing for their companies.

An oil and gas company I know recently built a 3D virtual world to teach employees about geology, history of rock and sediments, and the different types of chemistry that go into the formation of fossil fuels. The experience is more fascinating than a movie, and extremely memorable. This type of program would be boring in a classroom and probably boring in traditional e-learning, but using virtual reality and 3D animation they made it compelling and very memorable.

You have mentioned in a lecture that companies tend to increasingly reward workers for skills and abilities, not position. At the same time, recent research indicates that people are looking for non-traditional, short-term degrees and certifications. They want to learn specific skills that help them grow and evolve at work. How can corporate learning contribute to that?

Every organization rewards people for their formal education, certificates, and certified skills. But beyond that, real performance is based on an individual’s true abilities, experiences, their natural gifts, and their desire and passion to solve problems. These “non-certifiable” areas of capabilities are what we try to assess in behavioral interviews, reference checks, and on-the-job assessments and exercises. Knowing that someone is “certified” in Sales or Engineering may mean nothing about their actual experience and capabilities in different domains of these fields.

We in L&D have to help recruiters vet this out, and our true learning challenge is to identify these “non-certified” capabilities and skills and teach people to focus on improving in these areas, giving people experiences to learn, and coaching and mentoring people with strong advice on how to improve.

Research indicates that individuals now are working harder and they are more distracted and less productive than ever. In a scenario where employees are overwhelmed by information, how can companies make continuous learning easier?

This just gets back to the topic of experience design and micro-learning. Can you give me “just enough” learning to solve my problem without forcing me to complete a course when I don’t need it? That’s the magic of a modern learning experience today.

What trends will define the future of corporate learning?

In summary, I would say that corporate learning is more important than ever. Today, we have a vast amount of new technology, terminology, and concepts to teach people. But at the same time we want to teach people “how to perform better” – as technical professionals, managers, leaders, or workers. These “performance learning” programs are always custom-designed and need to reflect “what works in your company.” So our job in L&D is to apply all the new technologies and design approaches to making our particular company perform better.

Finally, I would say that artificial intelligence, chatbots, video, and virtual and augmented reality will significantly change learning in the years ahead.

We now have algorithms that can observe what works best, communicate with us in human language, and show us how to do something that might be expensive or dangerous in the real world. I strongly urge L&D professionals to experiment with these new tools, many will become the most powerful technologies and solutions in the future. And of course don’t be afraid to invest in new platforms. Now is the time to look for new platforms that deliver the learning people want and aspire for in today’s “always-on” workplace.

Quick take: Expert on corporate learning, Josh Bersin helps companies prepare for the future of work by investing in their people.

Source: Priscila Zigunovas and Josh Bersin

Help your learners beat the forgetting curve

We forget 75% of everything we learn within one month of learning it.

This has been called the ‘forgetting curve’, but there is a way of flattening out the curve and preventing such precipitous loss of learning. The key is regular, repetitious revision of the learning.

Micro-learning, delivered to any device, provides learners with the best possible opportunity to continue refreshing their learning until it becomes embedded. Micro-learning is not just about chunking up content into bite size pieces. Just as importantly, micro-learning must be designed to meet precise learner needs.

Content must be relevant, engaging and role specific.

Learning that fits

One way of ensuring that learning content is engaging, particularly content aimed at reviewing and revising learning repetitively, is to introduce elements of gamification. The best mobile-based digital games keep players coming back for more, using a combination of competition, with achievable goals, community and feedback.

Today’s employee is time-pressed and impatient. Gamified micro-learning is essential if you are expecting learners to spend time refreshing their learning. It also has the advantage that testing skills acquisition is built-in to the game, reducing the potential for employee perceptions that they are being constantly tested.

An effective method of checking that learners have acquired skills is getting them to teach those skills to others.

This type of digital learning delivery should be part of a blend of learning that combines digital micro-learning with human coaching and mentoring to drive language and communication skills acquisition. Language learning is most likely to become fully embedded if the learner continues to combine self-study with speaking and listening practice, backed by regular trainer feedback on how they are doing.

Combine individual video-based training exercises with social and collaborative learning and enabling learners to bounce off and learn communication and language skills from each other. Social collaboration technology enables individual learners or groups to benefit from personal, human coaching and mentoring via their digital device.

An effective method of checking that learners have acquired skills is getting them to teach those skills to others.

Engage with learner experiences

Learning is most effective when employees really buy into the need for it. So, continue to remind them of the benefits that will come from improving their language and communication skills. Multilingual employees may be first in line for promotion and for opportunities to live and travel overseas.

Make sure that there is a system in place to reward employees for their achievements in improving their language and communication skills. Rewards might range from pay rises to small gifts. Equally important is recognition. Public recognition by management or peers of an individual’s newfound skills can be highly motivating.

The crucial role of AI in customizing learning

Of course, each individual learner is different and each person’s different learning styles mean that they respond individually to learning delivery. The ideal is to provide industry and even job-specific learning paths and customize content that closely matches an individual’s progress and learning styles. Artificial intelligence technology can help with this.

If that sounds expensive, it needn’t be. And consider this, businesses around the world spend about $140bn on L&D every year – that’s $500 to $3,000 per employee depending on the industry. If learners are forgetting 75% of everything they have learnt within a month, that means that 75% of training investment is lost, up to $2,250 per person.

Taking steps to improve learning retention, combining micro-learning with long-term learning objectives and ongoing performance support, will help organizations to improve return on investment and even more importantly ensure they achieve the skills development they need for success.

Source: Armin Hopp

 

Maschinelles Lernen (ML) wird Standard

Das maschinelle Lernen ist aus diversen Bereichen schon nicht mehr wegzudenken. Die Systeme sortieren Werbenachrichten aus oder beantworten automatisch Anwenderfragen. Nun schicken sich die Computer an, dem Menschen noch mehr manuelle Geschäftstätigkeiten abzunehmen. Das Potenzial scheint unerschöpflich.

 

Als Netflix 2013 «House of Cards» lancierte, entwickelte sich die Serie schnell zum meist heruntergeladenen Content des Unternehmens – ein Ergebnis, das die Verantwortlichen bei Netflix in keiner Weise überraschte. Sie durchforsteten einen riesigen Daten-Pool zu den Konsumgewohnheiten ihrer Abonnenten und stellten fest, dass «House of Cards» sehr gute Chancen hatte, sich zu einem Hit zu entwickeln, noch bevor sie die Serie einkauften.

Netflix hat sich bei diesem Entscheid nicht von der Intuition leiten lassen, sondern auf maschinelles Lernen (ML) gesetzt. Der Streamingdienstleister vertraute auf die Fähigkeit von Maschinen, mithilfe von Algorithmen selbstständig Muster in unstrukturierten Datenbeständen wie Bildern, Texten oder gesprochener Sprache zu erkennen, Vorhersagen zu treffen oder Daten zu klassifizieren, ohne explizit dafür programmiert zu sein. Die Möglichkeiten von maschinellem Lernen beschränken sich allerdings nicht darauf, den nächsten TV-Blockbuster zu identifizieren. Eine Reihe von Anwendungen, die heute als selbstverständlich gelten, basieren auf ML: Das Filtern von Spam etwa oder die künstlichen Stimmen, die mit uns aus dem Smartphone oder anderen digitalen Endgeräten sprechen.

Selbstlernende Algorithmen

Diese Beispiele sind zwar nützlich, aber nur einfache Vorboten im Hinblick auf das Potenzial von ML. Eine Vielzahl von Geschäftsprozessen wird heute von starren, softwarebasierten Regeln gesteuert. Dieser Ansatz ist jedoch von beschränktem Nutzen, wenn es um die Bewältigung komplexer Prozesse geht. Zudem verlangen diese Prozesse häufig die Intervention von Menschen für repetitive Aufgaben und manuelle Eingriffe. Rechnungen und Spesen auf ihre Richtigkeit zu prüfen, gehört ebenso dazu wie Dutzende oder Hunderte von Lebensläufe zu prüfen, um eine offene Stelle zu besetzen.

Selbstlernende Algorithmen können solche Aufgaben übernehmen und darüber hinaus Lösungen aufzeigen, die bisher verborgen blieben. Sie können das Recruiting verbessern, den Kundendienst personalisieren, Betrügereien aufdecken und die Qualitätskontrolle in der Fertigung übernehmen. Die Vielzahl an möglichen Anwendungsfällen und der damit verbundene Nutzen solcher Lösungen machen ML zu einer der zentralen Disziplinen im Bereich der künstlichen Intelligenz (KI). Daher erstaunt es nicht, dass eine grosse Mehrheit von Managern mehr technische Intelligenz im Geschäftsalltag begrüsst, wie eine Befragung der Harvard Business Review unter rund 1800 Führungskräften ergeben hat. Sie können sich freuen: Maschinelles Lernen ist nicht mehr nur ein Thema aus Scifi-Romanen, sondern reale Praxis in der heutigen Geschäftswelt.

Intelligenz für die Buchhaltung

In der Buchhaltung sind Lösungen, die maschinelles Lernen nutzen, aktuell in der Lage, Überweisungen aufgrund historischer Daten automatisch der richtigen Rechnung zuzuordnen. Dabei merkt sich die Lösung, welche Schritte der Bearbeiter nun unternimmt, um die Überweisung richtig zuzuordnen. Auf diese Weise lernen solche Lösungen und können durch einen zunehmenden Automatisierungsgrad Kosten senken.

Ein weites Feld für den Einsatz von ML lässt sich im Marketing erschliessen. Man denke nur an all die Datenströme, die den Vermarktungsorganisationen zur Verfügung stehen: POS-Transaktionen, Onlinekäufe, Klickraten (CTR), Browsing-Verhalten, Interaktionen in den sozialen Medien, Smartphone-Nutzung, Geolokalisierung und mehr. Mithilfe von maschinellem Lernen können Marketers diese Daten auswerten, um Kunden mit höherer Granularität zu kategorisieren und zu segmentieren oder Kampagnen aufzusetzen, die Kundenreaktionen genauer vorhersagen.

“Maschinelles Lernen ist nicht mehr Scifi, sondern reale Praxis in der heutigen Geschäftswelt„

Source: Markus Noga, Head of Machine Learning, SAP

Sponsoring und Detailhandel

Ein zusätzlicher Anwendungsbereich im Marketing ist das Sponsoring. Marketingabteilungen müssen ihre finanziellen Engagements immer mehr mit soliden Angaben zum ROI unterlegen können. Hier kommen Lösungen auf ML-Basis zum Zug, die den Firmen helfen, den Einfluss ihrer Sponsoring-Massnahmen zu ermitteln. Dazu messen sie beispielsweise, wie oft und wie lange das Unternehmenslogo bei Live-Übertragungen einer Sportveranstaltung oder eines Musikfestivals auf dem Bildschirm zu sehen ist. Was bisher mühsam manuell ermittelt werden musste, übernehmen nun Algorithmen. Sie identifizieren quasi in Echtzeit die Grösse der Logos, die Position im Bild und die Dauer der Darstellung. In Verbindung mit Vergleichsdaten anderer Marken und definierten Kennzahlen lässt sich ermitteln, ob das Sponsoring für das Unternehmen lohnenswert ist.

“Im Handel können intelligente Systeme die Farbtrends des nächsten Sommers ermitteln und Kunden schon jetzt beraten„

Source: Markus Noga, Head of Machine Learning, SAP

Weitere Einsatzmöglichkeiten von ML bieten sich im Personalwesen, sei es, um Stellen schneller mit den passenden Kandidaten zu besetzen oder um den Mitarbeitern mit Empfehlungen für die Weiterbildung und zum Aufbau von Expertise bei ihrer Karriereplanung behilflich zu sein. Ebenfalls im Blick haben die Entwicklungsteams den Detailhandel: Hier können intelligente Systeme die Farbtrends des Sommers ermitteln und der Kundschaft entsprechende Angebote unterbreiten.

Demokratisierungsschub

Angesichts der schier unbegrenzten Einsatzmöglichkeiten von maschinellem Lernen stellt sich die Frage, was der Markt derzeit tatsächlich zu bieten hat. An der Spitze der Pyramide befinden sich eigenständige ML-Produkte für dedizierte Anwendungsbereiche. Zusätzlich hält der Markt Plattformen bereit, die sich bestens als technische Grundlage eignen, um ML-Logik mithilfe von bereits trainierten Algorithmen in eigene Lösungen einzubauen. Unternehmen können diese Service-APIs erwerben und damit eigene Anwendungen «intelligent» machen.

Solche gebrauchsfertigen Services bescheren dem maschinellen Lernen einen Demokratisierungsschub, vorausgesetzt, sie sind via Standardschnittstellen einfach zugänglich. Angesichts der Anwendungsbreite von Machine Learning wird ein «One size fits all»-Ansatz allerdings kaum jedes Bedürfnis abdecken können. Verfügbare Modelle für die Bilderkennung beispielsweise sind in der Lage, eine Vielzahl von Objekten – von Autos bis Menschen – zu kategorisieren. Wenn aber ein Autohändler auf visuelles Shopping setzen möchte, muss er dem Bilderkennungsservice beibringen, zwischen den einzelnen Automodellen zu unterscheiden. Dies ist möglich, indem er den Service mit spezifischen Daten «schult».

Auch das bietet der Markt – und zwar als intuitiven Prozess, ohne Fachkenntnisse in Data Science, ohne komplizierte Betriebsmittel und ohne teuren Investitionsaufwand. Massgeschneiderte Machine-Learning-Intelligenz ist kein Vorrecht von Weltkonzernen. Jedes Unternehmen kann bereits heute davon profitieren.

Kriterien für die Anwendung von Machine Learning

1. Das grösste Potenzial für maschinelles Lernen schlummert in der Automatisierung volumenstarker Aufgaben mit komplexen Algorithmen und grossen Mengen an unstrukturierten Daten.

2. Maschinelles Lernen funktioniert am besten bei spezifischen, klar definierten Aufgaben, bei denen der gewünschte Output und der relevante Input konkret benannt werden können.

3. Maschinelles Lernen erfordert grosse Datenmengen. Es braucht Beispiele in ausreichender Anzahl, damit die Maschine aussagekräftige Annäherungen an die gewünschten Entscheide lernen kann.

4. Die Daten, die als Lernbasis dienen, müssen wesentliche Unterschiede enthalten (zum Beispiel bei den Kundeneigenschaften), damit der Algorithmus seine Mission erfüllen kann.

Source: Markus Noga, Head of Machine Learning, SAP

Laut Gartner wird 2018 das Jahr des Machine Learning und der künstlichen Intelligenz

Wir werfen einen Blick auf das, was uns 2018 im Bereich maschinelles Lernen und künstliche Intelligenz erwartet.

Vor einem Jahr bezeichnete das Marktforschungs- und Beratungsunternehmen Gartner künstliche Intelligenz (Artificial Intelligence, AI), maschinelles Lernen (ML) und dialoggestützte Systeme (Conversational AI, CAI) als die drei wichtigsten strategischen Technologie-Trends des Jahres 2017.

Im Mai dieses Jahres zeigte die SAP mit der Einführung des SAP Leonardo Machine Learning Portfolios auf der SAPPHIRE Now in Orlando, dass sie in der Liga der grossen Innovatoren mitspielen kann. Nun ist es an der Zeit, auf die jüngsten Entwicklungen im Bereich dieser drei Trends zurückzublicken und einen Ausblick auf das Potenzial von intelligenten Technologien zu geben.

Trend 1: Plattformen für maschinelles Lernen

Deep Learning, neuronale Netze und die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) haben dem maschinellen Lernen einen neuen Stellenwert im Unternehmen gegeben. Dank ausgereifter Algorithmen, höherer Rechenleistung und der Verfügbarkeit von riesigen Datenmengen werden Maschinen intelligent und können unstrukturierte Daten wie Bilder, Text oder gesprochene Sprache verarbeiten – oft auf übermenschlichem Niveau. Hinzu kommt, dass Deep Learning inzwischen stabil genug ist, um maschinelles Lernen potenziell als standardisiertes Gebrauchsgut in der weltweiten Wirtschaft zu etablieren. Unternehmen, die massgeschneiderte und individuell abgestimmte Lösungen wünschen, benötigen eine ML-Plattform wie die SAP Leonardo Machine Learning Foundation, um bereits vortrainierte und einsatzbereite Services in eigenen, intelligenten Anwendungen zu kombinieren.

Trend 2: Intelligente Anwendungen

Intelligente Anwendungen automatisieren Routinetätigkeiten, die Arbeitnehmer in der Vergangenheit darin behindert haben, ihre Zeit mit der Bewältigung von wertschöpfenden Aktivitäten zu verbringen, und können wertvolle Einblicke in strukturierte und unstrukturierte Unternehmensdaten geben. Dadurch können Unternehmen besser fundierte Geschäftsentscheidungen treffen und in Sparten wie Finanzen, Personalwesen, Verkauf und Service die Produktivität steigern. Unternehmen, in denen internes ML-Know-how fehlt, erleichtert die SAP die Adaption von ML-Funktionen durch Integration von intelligenten Anwendungen und Services in das bestehende Standard-Produktportfolio. Bereits heute bietet die SAP intelligente Anwendungen an, die beispielsweise die Entwicklung eines selbstgesteuerten Kundenservice zur Verbesserung der Kundenerfahrung ermöglichen, Finanzdienstleistungen automatisieren, indem sie eingehende Kontoauszüge offenen Forderungen zuordnen oder Marketing-Führungskräften helfen, den ROI ihrer Sponsoring-Aktivitäten zu maximieren.

Trend 3: Dialoggestützte Systeme

Aufgrund der enormen Fortschritte in der Verarbeitung natürlicher Sprache hat CAI die Art und Weise, wie wir mit Computern und elektronischen Geräten interagieren, grundlegend verändert. Bereits heute nutzen Millionen von Verbrauchern intelligente Schnittstellen für die Zufriedenstellung ihrer persönlichen Konsumentennachfrage. Solche Systeme spielen Musik ab, helfen bei der Urlaubsplanung, bestellen Pizza und vieles mehr. Wir stehen an der Schwelle zu einer Welt, in der dialoggestützte Assistenten jederzeit und überall verfügbar sind – auch im Büro und im Betrieb. Diese Funktionen vernetzen Daten, Prozesse, Anwendungen, Geräte und Menschen miteinander und bilden das Fundament für eine neue digitale Erfahrung am Arbeitsplatz. SAP CoPilot ist der digitale Assistent und Bot-Integrationshub der SAP für Unternehmen. Zusammen mit der SAP Leonardo Conversational AI Foundation bietet SAP CoPilot Services in natürlicher Sprache, die eine humanisierte Interaktion mit Geräten ermöglichen, und ist damit ein Baustein der Verwirklichung unserer Vision des intelligenten Unternehmens. Mit dieser Plattform werden Unternehmen in der Lage sein, Dialogfunktionen wie Chatbots und digitale Assistenten selbst zu entwickeln und zu verbessern.

Was hält die Zukunft für uns bereit?

Technologien, die das menschliche Potenzial am Arbeitsplatz erweitern, sind keine Zukunftsmusik mehr. Doch wie entwickeln sie sich weiter, und welche Trends zeichnen sich für 2018 ab? Laut Markus Noga, dem Leiter des Bereichs Machine Learning bei der SAP, „stehen einige dieser Technologien kurz vor der Reife, weisen aber besonders im Unternehmenskontext immer noch enormes Innovationspotenzial auf.“ Nach Angaben von Gartner befinden sich 59 Prozent der Unternehmen immer noch in der Phase der Informationssammlung, die der Entwicklung einer AI-Strategie vorgelagert ist. Für das kommende Jahr bedeutet dies für diejenigen einen erheblichen Wettbewerbsvorteil, die bereits begonnen haben, AI in ihre Systeme einzubinden. „Ich bin überzeugt, dass 2018 immer mehr Unternehmen die Konzeptionsphase abschliessen und wirklich anfangen werden, maschinelles Lernen anzuwenden“, meint Noga. „Ich erwarte ausserdem, dass sich der Hype um Deep Learning im Zuge der allgemeinen Standardisierung allmählich legen wird, aber die Effizienz und Stabilität der zugrundeliegenden Modelle einen Erfolgsfaktor für Unternehmen darstellen wird.“

Nach Einschätzung von Gartner werden ein grundsolides Maschine-Learning-Fundament, intelligente Anwendungen und dialoggestützte Plattformen 2018 darüber entscheiden, ob Unternehmen im Rennen um die Digitalisierung zu den Gewinnern oder Verlierern gehören. Plattformen und Lösungen werden sich deutlich weiterentwickeln und immer komplexere Aufgaben erledigen können. Für die nächsten Jahre prognostiziert Gartner sogar, dass letztlich jede Anwendung künstliche Intelligenz enthalten wird, sodass eine intelligente Schnittstelle zwischen Mitarbeitern und Unternehmenssystemen entsteht.

Insgesamt werden sich Technologien noch mehr am Anwender orientieren und die Beziehungen zwischen Menschen, Organisationen und Dingen noch transparenter machen. Im Geschäfts- und Privatleben werden erweiterte und virtuelle Realität oder Gehirn-Computer-Schnittstellen tiefgreifende Erlebnisse schaffen, die weit über virtuelle Assistenten und Chatbots hinausgehen.

Als weitere Entwicklung zeichnet sich die Verschiebung von der Intelligenz einzelner Objekte zur künstlichen Intelligenz des Schwarms, „Schwarm-AI“ genannt, ab. Dieser Ansatz geht auf das Verhalten von Tieren zurück, die als Gruppe ihre Intelligenz erhöhen, um Probleme zu lösen oder Entscheidungen zu treffen. Schwarm-AI ist die Selbstorganisation von Systemen zu einem kollektiven, nicht zentral gesteuerten Verhalten. Diese Technologie bietet die Möglichkeit eines menschlichen Schwarms, in dem Informationen aus verschiedenen Gruppen zu einer einzigen Intelligenz zusammenfliessen. Im Unternehmenskontext hilft Schwarm-AI, die Abläufe in Logistik, Transport- oder Personalwesen zu verbessern oder Kundenfeedback zu gewinnen, unter anderem indem der Einfluss von früheren Wertungen auf den Bewertenden ausgeschlossen wird. „All diese Entwicklungen auf dem Gebiet der künstlichen Intelligenz werden die Art und Weise, wie Unternehmen ihre Geschäfte in Zukunft ausüben werden, nicht nur im operativen Bereich beeinflussen. Ich gehe davon aus, dass neue, auf AI basierende Geschäftsmodelle aufkommen und Innovations- und Forschungskompetenz sich mehr und mehr von Hochschulen in Unternehmen verlagern werden“, erklärt Markus.

Von der Intelligenz einzelner Objekte zur Schwarm-AI

Die ehrgeizige Machine-Learning-Roadmap der SAP deutet eine rasante Entwicklung im kommenden Jahr an. Der Fokus auf der Verwirklichung des intelligenten Unternehmens durch intelligente Anwendungen und den Ausbau der SAP Leonardo Machine Learning Foundation bleibt auch 2018 weiter bestehen. Darüber hinaus wird die Einbindung von ML-Technologie in SAP-Standardprodukte wie SAP S/4HANA – für ein intelligentes Enterprise Resource Planning – fortgesetzt und die allgemeine Verfügbarkeit von dialoggestützten Services weiter ausgebaut. Nicht zuletzt könnten auch modernste Technologien wie auf Schwarmintelligenz basierende Funktionen und Systeme für immersive Erlebnisse immer wichtiger für Unternehmen werden

Perception vs. Reality: Immersive Technologies

1 Perception: Immersive experiences are scripted productions.

Reality:

Early versions of immersive technologies, which include augmented reality (AR) and virtual reality (VR), resemble their video game forebears in that they are essentially journeys of discovery through different stages of preprogrammed experiences. We can scale virtual cliffs and mountains while riding a roller coaster or stumble over park benches in pursuit of Pokémon Go characters. However, as immersive technologies become imbued with machine learning and AI, digital experiences will become increasingly multisensory, making them more convincingly “real.” For example, Fast Company reports that surgeons can now practice a procedure using VR with a stylus that simulates the feel of operating on an open knee joint. The AR and VR of the future will gather information from the surrounding physical environment and instantly pass it back to an AI for analysis in order to derive unique, in-the-moment responses to our actions.

2 Perception:  You need bulky equipment.

Reality:

We won’t be wearing those silly goggles forever. As the sensors that pick up data from our movements and speech become smaller, they will be easier to embed in everything. Imagine being in a factory in which every object has a visual overlay that lets you drill into information about that object, handle a digital version of it, or control it remotely. Today, firefighters can wear a smart helmet from Qwake Tech that combines AR technology with a thermal imaging camera. The device outlines the edges of objects (such as doors and stairs) and highlights sources of high heat, enabling firefighters to move through buildings more quickly. Companies including BMW are experimenting with advanced gesture recognition technology that would enable users to control devices without having to touch them. You might soon be able to launch a video chat by waving your hand.

3 Perception: A physical presence is required.

Reality:

For now. But before long, you’ll be able to create a VR avatar that looks like you, that sounds like you, and that can meet with your colleagues’ VR avatars in a realistic virtual space. The technology will likely require a brain-computer interface such as a headset or a brain-implanted chip. Neurable has a prototype software platform to power headset sensors that let users maneuver in VR video games using only their thoughts. Given sufficient computing power and a smart enough AI, you may one day be able to program your VR avatar to participate in a virtual meeting, tour the digital twin of a factory, or attend a keynote speech as your proxy and (theoretically) do a good enough job that your colleagues would never guess it wasn’t actually you. That will raise questions about how to tell if an avatar is being controlled live by a human or operated by a bot—and whether to require the differences be obvious.

Source: Digital Economy

Definition: Augmented reality (AR)

AR is a live direct or indirect view of a physical, real-world environment whose elements are „augmented“ by computer-generated perceptual information, ideally across multiple sensory modalities, including visual, auditory, haptic, somatasensory, and olfactory.

The overlaid sensory information can be constructive (i.e. additive to the natural environment) or destructive (i.e. masking of the natural environment) and is spatial registered with the physical world such that it is perceived as an immersive aspect of the real environment. In this way, Augmented reality alters one’s current perception of a real world environment, whereas virtual reality replaces the real world environment with a simulated one. Augmented Reality is related to a synonymous term called computer-mediated reality.

Augmented reality is used to enhance the natural environments or situations and offer perceptually enriched experiences. With the help of advanced AR technologies (e.g. adding computer vision and object recognition) the information about the surrounding real world of the user becomes interactive and digitally manipulable. Information about the environment and its objects is overlaid on the real world. This information can be virtual or real, e.g. seeing other real sensed or measured information such as electromagnetic radio waves overlaid in exact alignment with where they actually are in space.

Augmented reality brings the components of the digital world into a person’s perceived real world. The first functional AR systems that provided immersive mixed reality experiences for users were invented in the early 1990s, starting with the Virtual Fixtures system developed at the U.S. Air Force’s Armstrong Labs in 1992. Another example is an AR helmet for construction workers which display information about the construction sites. reality is also transforming the world of education, where content may be accessed by scanning or viewing an image with a mobile device. Early immersive augmented reality experiences were used in the entertainment and gaming businesses, but now other industries are also getting interested about AR’s possibilities for example in knowledge sharing, educating, managing the information flood and organizing distant meetings.

Augmented reality has a lot of potential in gathering and sharing tacit knowledge. Augmentation techniques are typically performed in real time and in semantic context with environmental elements. Immersive perceptual information is sometimes combined with supplemental information like scores over a live video feed of a sporting event. This combines the benefits of augmented reality technology and heads up display technology (HUD).

Source: Wikipedia

 

Amazon will den Sprachdienst Alexa in Büros bringen und Sekretäre überflüssig machen. Schweizer Firmen sind nicht abgeneigt

Bisher hat sich Amazons Sprachdienst Alexa vor allem in Privathaushalten eingenistet. Die Sprachröhre steht im Wohn- oder Schlafzimmer und informiert über das Wetter oder schaltet den neuesten Film ein. Inzwischen sollen alleine in deutschen Haushalten eine halbe Million Alexa-Geräte herumstehen. Offizielle Zahlen gibt das Unternehmen nicht heraus.

Doch die Sphäre der Privatwohnungen ist Amazon nicht genug. Bei einer Entwicklerkonferenz in Las Vegas Ende November hat das Unternehmen Alexa for Business vorgestellt: einen Dienst für das Büro, der klassische Sekretariatsaufgaben übernehmen soll. Das heisst, Büromaterial nachbestellen, Konferenzräume buchen, Telefonkonferenzen steuern und Meetings vereinbaren: klassische Aufgaben, die bisher in den  Vorzimmern der Führungskräfte übernommen werden.

Alexa könnte sich also durch die neuen Fähigkeiten zum Killer für Sekretariatsjobs entwickeln. Doch nutzen Schweizer Firmen den neuen Dienst schon? Und wie stellt man Sekretärinnen und Sekretäre darauf ein, dass ihre Aufgaben in Kürze von einem Amazon-Gerät übernommen werden könnten?

In den USA ist Amazon bereits eine Reihe von Partnerschaften eingegangen, die die Befehle von Büroarbeitern erleichtern sollen. Darunter sind Cloud-Anbieter wie Salesforce oder Monitoringtools wie Splunk. Firmen sollen aber auch selbst Anwendungen entwickeln können, die auf die Bedürfnisse in den Büros angepasst sind und Befehlsempfängerin Alexa die Arbeit erleichtern.

So ähnlich macht es etwa die Schweizerische Post. Zwar ist Alexa noch nicht Teil der offiziellen Unternehmenspolitik und noch nicht verpflichtend in den Büros. Aber am Empfang des Postgebäudes in Bern steht Amazons Alexa und gibt den Besuchern Informationen, welche Sitzungsräume besetzt sind und welche nicht. Eine klassische Aufgabe für Sekretariats- oder Empfangsangestellte, die damit überflüssig werden. Dafür hat die Post Alexa mit der Software Locatee kurzgeschlossen, die die Arbeitsplatzbelegung im Berner Sitz der Post in Echtzeit analysiert und die Daten an das Amazon-Gerät weiterleitet.

Verbreitung in der Schweiz

Bei Raiffeisen steht Amazons Alexa bisher nur im hauseigenen Innovationslabor RAI Lab. Raiffeisen-Sprecherin Corinne Schöb sagt: «Wir sind überzeugt, dass sich Assistenten mittels künstlicher Intelligenz mehr und mehr entwickeln werden und auch grosse Unterstützung bieten. Es wird aber noch einige Zeit dauern, bis sie breite Verwendung im Büroalltag finden.» Auf privaten Geräten, die auch im geschäftlichen Kontext genützt würden, werde aber bereits der Sprachdienst Cortana von Windows eingesetzt, um beispielsweise Termine zu erfassen. Bei der Zurich Versicherung hingegen ist Alexa «noch kein Thema».

Durch Geräte wie Alexa sei eine Produktivitätssteigerung durchaus möglich, erklärt Miriam Nido vom Institut für Arbeits- und Organisationsforschung in Zürich. Durch die Anwendungen «erweitern sich Möglichkeiten, Arbeitssysteme werden von funktionierenden zu lernenden Systemen». Problematisch bei der Verwendung der Angebote seien offene Fragen bezüglich Datenschutz. Immer wieder wird Kritik an der «Datenkrake» Alexa laut. Die weitere Verwendung von Informationen durch Amazon bleibt im Dunkeln. Zudem könnte die häufige Verwendung von Sprachassistenten im Büro zu Störungen der anderen Mitarbeiter führen. «Handlungsoptionen werden dann natürlich durch Amazon gesteuert, es ist vorprogrammiert, was wir als Entscheidungsgrundlage verwenden», so Nido. Steuerungsmöglichkeiten des Menschen würden verloren gehen. Und natürlich ergäbe sich die Gefahr, dass durch Dienste wie Amazons Alexa im Büro Arbeitsplätze mit geringerem Qualifizierungsgrad und Routinetätigkeiten verschwinden würden. Viele Mitarbeiter könnten zudem bei der Einführung des Tools überfordert sein und einen Druck empfinden, es zu verwenden, um nicht als unmodern angesehen zu werden.

Schwierige Implementierung

Firmen, die Funktionen auf automatisierte Sprachsysteme auslagern wollen, sollten ein sorgfältiges Veränderungsmanagement betreiben. Ein Pilotprojekt etwa, bei dem zukünftige Nutzer an das Tool herangeführt werden und die Veränderung der Rolle des Menschen im Umfeld des Geräts angesprochen wird. «Die menschliche Kontrolle über automatisierte Prozesse sollte bewahrt bleiben», so die Organisationsexpertin. Der automatische Prozess muss von Mitarbeitern verstanden werden und im besten Fall auch beeinflussbar sein.

Firmen hilft beim Implementierungsprozess solcher neuen Tools das Dreiphasenmodell von Kurt Lewin. Dieses Modell besagt, dass Veränderungen in einem ersten Schritt immer eines Aufbrechens bestehender Routinen bedürfen. In einem zweiten Schritt müssen die gewünschten zukünftigen Routinen und Strukturen eingeführt und erprobt werden, bevor schliesslich in einem dritten Schritt die neuen Routinen und Strukturen gefestigt und im Unternehmen verankert werden können.

Im Idealfall gibt es in einer Firma auch das Modell der differenziellen Arbeitsgestaltung. Damit ist gemeint, dass verschiedene Arbeitsstrukturen bestehen, zwischen denen Beschäftigte wählen können. Nicht für alle Mitarbeiter oder Abteilungen sind beispielsweise die gleichen Tools geeignet. Anderseits sind Firmen unter Druck, nicht gleich mehrere Systeme parallel laufen zu lassen und so den Wildwuchs von Sprachassistenten zu befördern.

Hilfreich für Firmen könnte dabei die Zusammenarbeit von mehreren Assistenten, etwa Amazons Alexa und Microsofts Cortana, sein. Nähern sich die Assistenten an und bilden nicht Informationssilos, die nicht miteinander kommunizieren, steht der Implementierung kaum mehr etwas im Weg.

Bei der Post in Bern gibt Alexa am Empfang Auskunft über die Belegung der Sitzungszimmer.

Wenn sich Sprachassistenten nicht gegenseitig verstehen, droht ein Organisationschaos.

Source: Stefan Mair, Haldelszeitung

Google’s new artificial intelligence talks like you, me and everyone

The system first creates a spectrogram of the text, a visual representation of how the speech should sound.

San Francisco: In a major step towards its „AI first“ dream, Google has developed a text-to-speech artificial intelligence (AI) system that will confuse you with its human-like articulation.

The tech giant’s text-to-speech system called „Tacotron 2“ delivers an AI-generated computer speech that almost matches with the voice of humans, technology news website Inc.com reported.

At Google I/O 2017 developers conference, company’s Indian-origin CEO Sundar Pichai announced that the internet giant was shifting its focus from mobile-first to „AI first“ and launched several products and features, including Google Lens, Smart Reply for Gmail and Google Assistant for iPhone.

According to a paper published in arXiv.org, the system first creates a spectrogram of the text, a visual representation of how the speech should sound.

That image is put through Google’s existing WaveNet algorithm, which uses the image and brings AI closer than ever to indiscernibly mimicking human speech. The algorithm can easily learn different voices and even generates artificial breaths.

„Our model achieves a mean opinion score (MOS) of 4.53 comparable to a MOS of 4.58 for professionally recorded speech,“ the researchers were quoted as saying.

On the basis of its audio samples, Google claimed that „Tacotron 2“ can detect from context the difference between the noun „desert“ and the verb „desert,“ as well as the noun „present“ and the verb „present,“ and alter its pronunciation accordingly.

It can place emphasis on capitalised words and apply the proper inflection when asking a question rather than making a statement, the company said in the paper.

Meanwhile, Google’s engineers did not reveal much information but they left a big clue for developers to figure out how far they have come in developing this system.

According to the report, each of the ‚.wav‘ file samples has a filename containing either the term „gen“ or „gt.“

Based on the paper, it’s highly probable that „gen“ indicates speech generated by Tacotron 2 and „gt“ is real human speech. („GT“ likely stands for „ground truth,“ a machine learning term that basically means „the real deal“.)

Source: By IANS, The Economic Times

The Human Factor In An AI Future

As artificial intelligence becomes more sophisticated and its ability to perform human tasks accelerates exponentially, we’re finally seeing some attempts to wrestle with what that means, not just for business, but for humanity as a whole.

From the first stone ax to the printing press to the latest ERP solution, technology that reduces or even eliminates physical and mental effort is as old as the human race itself. However, that doesn’t make each step forward any less uncomfortable for the people whose work is directly affected – and the rise of AI is qualitatively different from past developments.

Until now, we developed technology to handle specific routine tasks. A human needed to break down complex processes into their component tasks, determine how to automate each of those tasks, and finally create and refine the automation process. AI is different. Because AI can evaluate, select, act, and learn from its actions, it can be independent and self-sustaining.

Some people, like investor/inventor Elon Musk and Alibaba founder and chairman Jack Ma, are focusing intently on how AI will impact the labor market. It’s going to do far more than eliminate repetitive manual jobs like warehouse picking. Any job that involves routine problem-solving within existing structures, processes, and knowledge is ripe for handing over to a machine. Indeed, jobs like customer service, travel planning, medical diagnostics, stock trading, real estate, and even clothing design are already increasingly automated.

As for more complex problem-solving, we used to think it would take computers decades or even centuries to catch up to the nimble human mind, but we underestimated the exponential explosion of deep learning. IBM’s Watson trounced past Jeopardy champions in 2011 – and just last year, Google’s DeepMind AI beat the reigning European champion at Go, a game once thought too complex for even the most sophisticated computer.

Where does AI leave human?

This raises an urgent question for the future: How do human beings maintain our economic value in a world in which AI will keep getting better than us at more and more things?

The concept of the technological singularity – the point at which machines attain superhuman intelligence and permanently outpace the human mind – is based on the idea that human thinking can’t evolve fast enough to keep up with technology. However, the limits of human performance have yet to be found. It’s possible that people are only at risk of lagging behind machines because nothing has forced us to test ourselves at scale.

Other than a handful of notable individual thinkers, scientists, and artists, most of humanity has met survival-level needs through mostly repetitive tasks. Most people don’t have the time or energy for higher-level activities. But as the human race faces the unique challenge of imminent obsolescence, we need to think of those activities not as luxuries, but as necessities. As technology replaces our traditional economic value, the economic system may stop attaching value to us entirely unless we determine the unique value humanity offers – and what we can and must do to cultivate the uniquely human skills that deliver that value.

Honing the human advantage

As a species, humans are driven to push past boundaries, to try new things, to build something worthwhile, and to make a difference. We have strong instincts to explore and enjoy novelty and risk – but according to psychologist Mihaly Csikszentmihalyi, these instincts crumble if we don’t cultivate them.

AI is brilliant at automating routine knowledge work and generating new insights from existing data. What it can’t do is deduce the existence, or even the possibility, of information it isn’t already aware of. It can’t imagine radical new products and business models. Or ask previously unconceptualized questions. Or envision unimagined opportunities and achievements. AI doesn’t even have common sense! As theoretical physicist Michio Kaku says, a robot doesn’t know that water is wet or that strings can pull but not push. Nor can robots engage in what Kaku calls “intellectual capitalism” – activities that involve creativity, imagination, leadership, analysis, humor, and original thought.

At the moment, though, we don’t generally value these so-called “soft skills” enough to prioritize them. We expect people to develop their competency in emotional intelligence, cross-cultural awareness, curiosity, critical thinking, and persistence organically, as if these skills simply emerge on their own given enough time. But there’s nothing soft about these skills, and we can’t afford to leave them to chance.

Lessons in being human

To stay ahead of AI in an increasingly automated world, we need to start cultivating our most human abilities on a societal level – and to do so not just as soon as possible, but as early as possible.

Singularity University chairman Peter Diamandis, for example, advocates revamping the elementary school curriculum to nurture the critical skills of passion, curiosity, imagination, critical thinking, and persistence. He envisions a curriculum that, among other things, teaches kids to communicate, ask questions, solve problems with creativity, empathy, and ethics, and accept failure as an opportunity to try again. These concepts aren’t necessarily new – Waldorf and Montessori schools have been encouraging similar approaches for decades – but increasing automation and digitization make them newly relevant and urgent.

The Mastery Transcript Consortium is approaching the same problem from the opposite side, by starting with outcomes. This organization is pushing to redesign the secondary school transcript to better reflect whether and how high school students are acquiring the necessary combination of creative, critical, and analytical abilities. By measuring student achievement in a more nuanced way than through letter grades and test scores, the consortium’s approach would inherently require schools to reverse-engineer their curricula to emphasize those abilities.

Most critically, this isn’t simply a concern of high-tuition private schools and “good school districts” intended to create tomorrow’s executives and high-level knowledge workers. One critical aspect of the challenge we face is the assumption that the vast majority of people are inevitably destined for lives that don’t require creativity or critical thinking – that either they will somehow be able to thrive anyway or their inability to thrive isn’t a cause for concern. In the era of AI, no one will be able to thrive without these abilities, which means that everyone will need help acquiring them. For humanitarian, political, and economic reasons, we cannot just write off a large percentage of the population as disposable.

In the end, anything an AI does has to fit into a human-centered value system that takes our unique human abilities into account. Why would we want to give up our humanity in favor of letting machines determine whether or not an action or idea is valuable? Instead, while we let artificial intelligence get better at being what it is, we need to get better at being human. That’s how we’ll keep coming up with groundbreaking new ideas like jazz music, graphic novels, self-driving cars, blockchain, machine learning – and AI itself.

Source: Dan Wellers and Kai Goerlich

Blockchain: AI makes it easier for coffee farmers to get a fair price

Improving the Global Supply Chain through Tech

With a combo of blockchain payments, machine vision and artificial intelligence, bext360’s mission is to “improve the global supply chain for agricultural products.”

Bext360 is currently impacting the coffee trade and small-scale farmers with their complete coffee “suppl(ai)” chain solution that makes it easier for coffee farmers to get a fair price and get paid instantly for their beans.

Coffee buyers can quickly analyse the quality of beans through the “eyes” and help of a mobile robot. Then, the company’s mobile app helps the coffee farmer and buyer negotiate a fair price.

Using blockchain technology, the app and cloud-based software records the source of the beans and who paid what for them. Coffee wholesalers and retailers can also embed the API into their website, marketing, point-of-sale systems and tools to help manage their supply chain.