KI & Machine Learning

Vom Chatbot zur Genomsequenzierung: Das Universitätsklinikum Freiburg auf dem Weg zum KI-nikum

Thu, 12 Mar 2026 11:37:00 +0000

Moderne Medizin braucht Spitzentechnologie

Das Universitätsklinikum Freiburg (UKF) gehört zu den renommiertesten Krankenhäusern Deutschlands. Mit rund 15.000 Mitarbeitenden, über 2.000 Betten und mehr als 800.000 ambulanten Patientenkontakten pro Jahr ist es der einzige "Maximalversorger" für zwei Millionen Menschen in der Region. Bekannt ist die Klinik vor allem für ihre Expertise in der Behandlung von Leukämie, Schlaganfällen und Lungentumoren, Bereiche, in denen Patientinnen und Patienten aus ganz Deutschland nach Freiburg kommen.

Doch Spitzenmedizin auf diesem Niveau auch in Zukunft zu liefern, wird immer schwieriger. Die Bevölkerung altert, die Liegezeiten werden länger. Gleichzeitig verschärft sich der Fachkräftemangel: In keiner Branche fehlt so viel qualifiziertes Personal wie in der Pflege, und die Mitarbeitenden, die da sind, verbringen etwa ein Drittel ihrer Zeit mit Dokumentation statt mit Patientinnen und Patienten. „Wir sind in einem demografischen Wandel und wir brauchen Technologien, die uns an dieser Stelle unterstützen", sagt Dr. Lennart Jahnke, Chief Digital Officer des Universitätsklinikums Freiburg. „Vieles in der modernen Medizin wäre überhaupt nicht möglich, wenn wir nicht digitale Methoden anwenden würden."

Spitzenmedizin unter Druck

Die IT-Landschaft des Universitätsklinikums ist über Jahrzehnte gewachsen. Einige Systeme laufen seit zehn, manche seit zwanzig Jahren. Das funktionierte lange gut, aber die Anforderungen ändern sich schneller als je zuvor.

Neben dem demografischen Wandel betrifft das vor allem die Dokumentationslast. „Wir haben einen sehr hohen Dokumentationsaufwand in den Kliniken, der auch richtig und wichtig ist", erklärt Jahnke. „Aber KI kann genau an dieser Stelle sehr viel helfen, den Dokumentationsaufwand zu verringern, sodass unser medizinisches Personal wieder mehr Zeit hat, mit den Patientinnen und Patienten zu interagieren."

Hinzu kommen wachsende Anforderungen an die IT, beispielsweise für digitale Pathologie, Bildverarbeitung, Datenintegration und am Horizont zeichnen sich noch größere Herausforderungen ab, wie die Integration von Genomsequenzierung in die Regelversorgung der Krankenkassen. Die Analyse des gesamten Erbguts ermöglicht individuell zugeschnittene Therapien, besonders in der Onkologie und bei seltenen Erkrankungen. Doch der Aufwand ist enorm, eine einzige Sequenzierung erzeugt Gigabytes an Rohdaten, die in kürzester Zeit verarbeitet werden müssen – Rechenkapazitäten, die klassische Krankenhaus-IT nicht bereitstellen kann.

Spitzenmedizin braucht Spitzentechnologie

Die Entscheidung für Google Cloud war keine aus der Not geborene, sondern eine strategische. Die Klinikleitung stellte sich eine grundsätzliche Frage: Wollen wir selbst zum IT-Infrastruktur-Anbieter werden oder wollen wir Spitzenmedizin mit Spitzentechnologie verbinden? Im Kern ging es bei der Entscheidung um Technologieführerschaft und den Zugang zu Innovationen, die ein einzelnes Krankenhaus niemals selbst entwickeln könnte.

Die ersten gemeinsamen Projekte begannen pragmatisch dort, wo der Bedarf am größten war.

1. Radiologie: Intelligente Assistenz für die präzise Diagnostik

Um die steigende Datenflut in der Radiologie zu bewältigen, setzt das Universitätsklinikum Freiburg auf eine eigens entwickelte KI-Lösung. Sie fungiert als intelligenter Assistent, der weit mehr leistet als herkömmliche Bildanalyse-Tools.

Das System verbindet die Auswertung von radiologischen Befunden direkt mit den Daten des Krankenhausinformationssystems. Basierend auf Gemini 2.5 Flash filtert die Software relevante Vorbefunde, Laborwerte und Notizen heraus. Daraus erstellt das System automatisch eine sogenannte Synopse – also eine übersichtliche, gebündelte Zusammenfassung aller wichtigen Patienteninformationen. So hat das medizinische Personal sofort das komplette Gesamtbild vor Augen, das für die aktuelle Fragestellung benötigt wird, ohne sich mühsam durch einzelne Akten wühlen zu müssen.

Der entscheidende Mehrwert:

Kontext schafft Präzision: Die KI erleichtert das Erfassen komplexer Krankheitsgeschichten. So werden Vorerkrankungen durch den Arzt sofort berücksichtigt und das Erstellen der Synopse präziser und vollständiger als zuvor.
Massive Zeitersparnis: Zeitraubende Suchprozesse in der Dokumentation entfallen, wodurch mehr Zeit für die finale ärztliche Bewertung bleibt.
Datenschutz und Souveränität: Da die Verarbeitung mittels Zero Data Retention mit Gemini in einer europäischen Cloud-Umgebung erfolgt, verlassen hochsensible Patientendaten niemals einen geschützten Raum. Die Nutzung modernster KI und strengster europäischer Datenschutz (DSGVO) sind hier kein Widerspruch, sondern die Basis für das Vertrauen der Patientinnen und Patienten.

2. Innovative KI-Plattform für die Medizin

Das Universitätsklinikum Freiburg stellt seinen Ärztinnen und Ärzten eine eigene Plattform zur Verfügung, die einen hybriden Weg geht: Während Google Gemini für komplexe, allgemeine Analysen genutzt wird, findet die Speicherung hochsensibler Patientendaten ausschließlich am Universitätsklinikum und in einer souveränen Cloud-Umgebung statt.

Ein zentraler Anwendungsfall ist die automatisierte Zusammenfassung von Patientenhistorien. Durch diese strikte architektonische Trennung stellt das Klinikum sicher, dass sensible Daten die souveräne Infrastruktur zu keinem Zeitpunkt verlassen. So kombiniert das UKF die volle digitale Kontrolle mit der Innovationskraft modernster KI-Modelle.

3. Chatbot für Patientenanfragen

Die Verwaltung des Klinikums war mit Routineanfragen überlastet: Fragen zu Besuchszeiten, zur Anfahrt, was Patientinnen und Patienten zu einer Behandlung mitbringen müssen, etc. All dies führte zu Anfragen, die das Telefon blockieren, aber nicht zwingend eine menschliche Beratung erfordern. Die Lösung ist ein KI-gestützter Chatbot auf der Klinik-Website, basierend auf Gemini und BigQuery als Cloud-Datenbank, der die häufigsten Fragen automatisch beantwortet. Kann er eine Anfrage nicht beantworten – oder werden Fragen mit medizinischem Kontext gestellt - wird sie im “Human Hand-off” an die zuständige Sachbearbeitung weitergeleitet.

Projekt für Projekt wuchs das Vertrauen in die Technologie, in die Zusammenarbeit mit Google Cloud und in die eigene Fähigkeit, Cloud-Lösungen sicher und effektiv einzusetzen. Genau dieses Vertrauen brauchte es für den nächsten Schritt.

Projekt "Modellvorhaben 64e": Genommedizin aus der Cloud

Mit den positiven Erfahrungen im Rücken wagte das Universitätsklinikum den nächsten Schritt: Cloud-unterstützte Genommedizin.

„Die Genomsequenzierung ermöglicht uns wirklich, das gesamte Erbgut des Menschen anzuschauen, um für den individuellen Patienten eine Therapie zu finden", erklärt Prof. Dr. Dr. Melanie Börries, Leiterin des Instituts für Medizinische Bioinformatik und Systemmedizin am Universitätsklinikum Freiburg.

Die Initialzündung für die Genommedizin in Deutschland erfolgte 2021 mit einem Beschluss des Bundestages. Mit dem Gesetz zur Weiterentwicklung der Gesundheitsversorgung 2021 wurde im § 64e SGB V ein bundesweites Modellvorhaben zur Genomsequenzierung bei seltenen und onkologischen Erkrankungen geschaffen, das ausgewählten Krankenhäusern die Durchführung und Abrechnung komplexer Genomanalysen im Rahmen strukturierter Versorgung ermöglicht und die Grundlage für eine mögliche spätere Überführung in die Regelversorgung bildet. Für das Universitätsklinikum Freiburg bedeutet das völlig neue Anforderungen. Bereits in der Anfangsphase rechnet das Klinikum mit etwa 300 Terabyte Daten pro Jahr. In den fünf Jahren Projektlaufzeit wird das Prognosen zufolge auf bis zu 1.500 Terabyte pro Jahr anwachsen.

Und das betrifft nur die Speicherung der Daten. Genomsequenzierung ist außerdem ein typisches High-Performance-Computing-Szenario: Auf einen Schlag wird extrem viel Rechenkapazität benötigt, die danach brach liegt. Für solche Szenarien sind die Rechenzentren der Krankenhäuser nicht ausgelegt. Die Lösung ist ein hybrider Ansatz, der das Beste aus beiden Welten miteinander verbindet – das eigene Rechenzentrum mit einem skalierbaren Kubernetes-Cluster mit der Google Kubernetes Engine (GKE). „In dem Moment, wenn die lokale Rechenkapazität ausgeschöpft ist, lege ich den Schalter um und gehe in die Cloud-Struktur", beschreibt Prof. Dr. Dr. Melanie Börries den Prozess. Das Klinikum zahlt nur für das, was es tatsächlich braucht.

Entscheidend ist dabei die Datensouveränität, denn Genomdaten gehören zu den sensibelsten Informationen überhaupt. „Nicht nur, dass wir in einer datenschutzkonformen Cloud-Struktur mit der Sovereign Cloud arbeiten – unsere Daten sind auch noch zusätzlich mit externen Schlüssel außerhalb der Google Cloud verschlüsselt", betont Prof. Dr. Dr. Melanie Börries. „Damit können wir jederzeit gewährleisten, dass wir mit den hochsensiblen Daten verantwortungsvoll in einem sicheren Bereich arbeiten."

Im Gespräch: Dr. Lennart Jahnke und Prof. Dr. Dr. Melanie Börries erläutern die Cloud-Strategie des Uniklinikums Freiburg.

Der Impact: Von der Qualitätssicherung zur Qualität in Echtzeit

Die eigentliche Transformation ist weniger technisch als kulturell. Bisher funktioniert Qualitätssicherung in Krankenhäusern retrospektiv. Eine Behandlung findet statt, dann wird darüber berichtet, der Bericht wird qualitätsgesichert und die Erkenntnisse fließen in die Behandlung künftiger Patientinnen und Patienten ein.

„Unser eigentliches Ziel ist Qualität in Echtzeit", sagt Jahnke. „Das bedeutet, dass wir unmittelbar bei der Behandlung schon die Qualitätssicherung mit einbauen – per Sensorik, per direkter Datenauswertung. Damit Patientinnen und Patienten, die jetzt behandelt werden, von der Qualitätssicherung profitieren und nicht erst die, die in einem halben Jahr kommen."

Dazu braucht es Technologie, die in Echtzeit große Datenmengen verarbeiten kann. Die Ärztinnen und Ärzte können heute nicht mehr verstehen, warum eine Google-Suche Millisekunden dauert, die Suche in der elektronischen Patientenakte aber deutlich länger. Mit der souveränen Cloud-Infrastruktur wird dieser Anspruch einlösbar.

Warum Stillstand keine Option ist

Das Universitätsklinikum Freiburg hat eine klare Haltung zur Digitalisierung: Sie ist kein Selbstzweck, aber auch kein ‘Nice-to-have’. Sie ist notwendig, um in einem unterfinanzierten, stark regulierten Umfeld weiterhin Spitzenmedizin zu liefern.

Im Gesundheitswesen ist das Schlimmste, nichts zu tun. Technologie kann ein Teil der Lösung sein und Ärztinnen und Ärzte bei der Dokumentation entlasten, damit sie mehr Zeit für Patientinnen und Patienten haben. Administrative Routinen automatisieren. Und medizinische Erkenntnisse schneller in die Praxis bringen.

„Ohne Cloud wird ein Krankenhaus wahrscheinlich in fünf bis zehn Jahren nicht mehr funktionieren", sagt Dr. Lennart Jahnke. „Die Uniklinik Freiburg hat eine neue Art, mit digitalen Technologien unsere Patientinnen und Patienten und unsere Mitarbeitenden zu unterstützen."

Innovation im Hafen: Wie die HPA mit KI-Tools von Google Cloud grünen Strom an Bord bringt

Thu, 27 Mar 2025 12:00:00 +0000

Wie wird ein Hafen zum Vorbild für nachhaltige Schifffahrt? Der Hamburger Hafen zeigt, dass digitale Innovation und Nachhaltigkeit Hand in Hand gehen können. In diesem Blogbeitrag erklärt David Yündem, Department Coordinator im Bereich Port Energy Solutions bei der Hamburg Port Authority (HPA), wie KI-Lösungen von Google Cloud dabei helfen können, die Landstromversorgung von Schiffen im Hafen effizienter zu organisieren.

Der Ausbau von Landstrom gehört zu den vielversprechendsten Maßnahmen zur CO₂-Reduktion. Rund 200.000 t CO₂ pro Jahr fallen während der Liegezeit der Seeschiffe im Hamburger Hafen an – schließlich müssen Schiffe auch während der Liegezeit ihren Energiebedarf decken. Doch was auf Parkplätzen schon lange undenkbar ist, wird jetzt auch am Hafen überflüssig: Indem wir Schiffe mit Landstrom, der auf grünen Energiequellen basiert, versorgen, können wir den Schiffsmotoren nach der Einfahrt im Hafen eine Pause gönnen, während die Stromversorgung an Bord weiterhin abgedeckt wird.

Als erster europäischer Hafen, der sowohl Kreuzfahrtschiffe als auch große Containerschiffe flächendeckend mit Landstrom versorgt, nehmen wir hier in Hamburg bei der weltweiten Landstrominitiative eine Vorreiterrolle ein. In meinem Team im Bereich Port Energy Solutions der HPA arbeiten wir jeden Tag daran, diese Entwicklung weiter voranzutreiben und sicherzustellen, dass der Hafenbetrieb auch bei wachsender Nachfrage effizient und umweltfreundlich bleibt.

Um diese Prozesse noch reibungsloser zu gestalten und den Hamburger Hafen bis 2040 klimaneutral zu gestalten, testen wir fortlaufend, welche smarten Technologien uns dabei helfen können. Dafür zählen wir auf die Unterstützung von Technologie-Expert*innen von Google Cloud und Devoteam.

Ein Hafen für Innovation: HPA setzt auf KI-Lösungen von Google Cloud

Eine zuverlässige und effiziente Landstromversorgung ist für unseren Hafen eine komplexe Herausforderung, der wir mit höchster Präzision begegnen müssen.. Schiffe legen oft mit kurzfristigen Zeitänderungen an, der Energiebedarf schwankt, und Schaltvorgänge erfordern qualifizierte Fachkräfte. Außerdem müssen wir optimal Strom einkaufen und Zertifizierungsprozesse bei der Erstversorgung durchführen. Damit alles reibungslos funktioniert, ist eine präzise Koordination entscheidend, denn nur so gelingt der sichere und effiziente Anschluss an die Landstromanlage.

Bild Copyright: HPA / Andreas Schmidt-Wiethoff

Vor jeder Ankunft im Hamburger Hafen müssen Schiffe umfangreiche Dokumente und Informationen mit unseren zuständigen Teams austauschen, darunter Schiffsnummer, Ankunftszeit, Strombedarf und vorhandene Zertifikate. Der Austausch dieser Informationen erfolgt bisher weitgehend über E-Mails, was viel Zeit kostet.

Um zu zeigen, wie wir diesen Prozess für alle Beteiligten erleichtern und die Energieversorgung der Schiffe im Hafen optimieren können, haben wir im Rahmen der IAPH World Ports Conference gemeinsam mit Google Cloud und Devoteam einen KI-gestützten Ansatz für die Landstromversorgung von Schiffen im Hamburger Hafen entwickelt.

Sprechender Hafen: Der Landstrom-Chatbot der HPA

Im Mittelpunkt unserer Lösung steht ein smarter Chatbot, der die Kommunikation zwischen Reedereien und der HPA vereinfacht, indem er umständliche E-Mail-Prozesse automatisiert. Er basiert auf KI- und Daten-Technologien von Google Cloud: Konversationelle KI-Lösungen wie die Text-to-Speech-API und die Speech-to-Text-API sorgen für flüssige und natürliche Interaktionen zwischen dem Chatbot und den Nutzer*innen. AlloyDB gewährleistet eine schnelle und zuverlässige Datenspeicherung im Hintergrund.

Der Chatbot macht den Prozess für alle Beteiligten denkbar einfach: Über einen speziellen Zugangslink können Reedereien ihre Landstromanfragen direkt über den Chatbot einreichen. Dann werden automatisch alle relevanten Daten abgefragt – von der IMO-Nummer, der weltweit einzigartigen Identifikationsnummer für Schiffe, über die geplanten Ankunfts- und Abfahrtszeiten bis zum benötigten Strombedarf.

Wurde das Schiff bereits über die Schiffsnummer (IMO) registriert, kann der Chatbot wichtige Informationen direkt aus der Datenbank abgreifen und den Prozess entsprechend beschleunigen. Dann fordert er alle wichtigen Dokumente an und prüft sie auf Vollständigkeit. Nach erfolgreicher Prüfung erstellt das System automatisch eine Bestätigung mit allen relevanten Details und sendet diese an die Reederei.

Parallel dazu generiert der Chatbot eine interne Übersicht für den HPA-Betrieb: Diese enthält alle notwendigen Informationen, um den optimalen Stromeinkauf zu planen und das schaltberechtigte Personal für die Versorgung rechtzeitig einzuplanen.

Auszug aus dem Chatbot: Screen1

Auszug aus dem Chatbot
Screen2

Auszug aus dem Chatbot
Screen3

Automatisch generierter Report pro Schiff
Screen4

Auszug aus dem Data Analysis Agent

Schneller, sauberer, nachhaltiger: Mit digitalen Lösungen zum Hafen der Zukunft

Der Landstrom-Chatbot zeigt, wie eine Win-Win-Win-Situation für Häfen, Reedereien und die Umwelt aussehen kann: Für Häfen bedeutet er weniger manuelle Arbeit, indem er alle relevanten Daten zentral erfasst. Reedereien profitieren von einer unkomplizierten Anmeldung ohne zeitraubende E-Mail-Abstimmungen. Und natürlich gewinnt auch die Umwelt, weil Schiffe durch den reibungslosen Umstieg auf grünen Landstrom ihre Motoren während der Liegezeit abschalten können. Das Resultat: weniger CO₂, weniger Lärm, bessere Luftqualität.

Im Zuge der IAPH World Ports Conference 2024 konnte Hanno Bromeis, Head of Port Energy Solutions, unsere Demoversion des KI-Chatbots bei einer Panel-Session vorstellen. Die Resonanz war durch und durch positiv: Viele Branchenvertreter*innen sehen großes Potenzial darin, KI-Lösungen zu nutzen, um komplexe Hafenprozesse effizienter zu gestalten und zu automatisieren.

Als „Proof of Concept“ hatte unser Chatbot vor allem ein Ziel: zu zeigen, ob KI-Lösungen in der Praxis im Hafenbetrieb einen Mehrwert bieten können. Und nach diesem Maßstab war das Projekt lehrreich und fortschrittlich: Es beweist, dass Digitalisierung helfen kann, unsere Häfen smarter und effizienter zu machen.

Nachhaltige Technologielösungen, die fest im Betriebsalltag verankert sind, können einen wichtigen Baustein darstellen, um unser Ziel eines klimaneutralen Hafens bis 2040 zu erreichen. Deshalb setzen wir auf die Unterstützung von Devoteam und Google Cloud, um unseren Hafenbetrieb mit innovativen Technologien effizienter und klimafreundlicher auszurichten.

Autor: David Yündem, Department Coordinator im Bereich Port Energy Solutions bei der Hamburg Port Authority (HPA)

Machine Learning und Künstliche Intelligenz als grüne Daumen: Wie Infarm nachhaltiges Pflanzenwachstum mit geringem Ressourcenaufwand realisiert

Thu, 11 May 2023 07:00:00 +0000

Gesunde Lebensmittel, ohne lange Transportwege und nachhaltig produziert – für Verbraucher*innen sind diese zunehmend entscheidende Kaufargumente. Das B Corp-zertifizierte Vertical-Farming-Unternehmen Infarm erfüllt diese Ansprüche: In ihren Indoor-Farmen wachsen lokal angebaute, erntefrische Lebensmittel – ohne den Einsatz von Pestiziden. Möglich macht dies die ständige Kontrolle und Optimierung des Wachstumsprozesses – cloudbasiert und datengesteuert.

Greening by IT und Greening of IT gehen Hand in Hand. Angesichts instabiler Lieferketten und klimatischer Schwankungen zeigt das Unternehmen damit einen Weg auf, wie die Erzeugung von Lebensmitteln von externen Einflüssen entkoppelt und stabilisiert werden kann. Infarms erklärtes Ziel: eine CO₂-neutrale Produktion bis 2045.

In Infarms vertikalen Farmen wachsen 365 Tage im Jahr frische Kräuter, Salate und Blattgemüse. Die Temperatur, die Zufuhr von Wasser und Nährstoffen, Luftfeuchtigkeit sowie Licht in den Farmen werden präzise und vollständig datenbasiert gesteuert. In seinem hochmodernen Crop Science Lab arbeitet Infarm ständig daran, die Produkte und Parameter zu optimieren, und garantiert somit eine konstant hohe Produktqualität. Der so gestaltete ressourcenschonende Anbau garantiert eine zuverlässige, von den Jahreszeiten unabhängige Lieferung an die Händler.

Daten sind der „Dünger“ für Infarm

Infarms globales “Growing Center”-Netzwerk besteht aus klimaresilienten, leistungsstarken modularen Farmen, die durch Anwendungen in der Google Cloud gesteuert werden und, mithilfe von Big Data, IoT und Cloud-Analysen in der Lage sind mitzulernen.

Infarms Farmen sind mit Sensoren ausgestattet, die mehrmals pro Minute die Daten einer jeden einzelnen Pflanze auslesen und unter anderem Temperatur-, Feuchtigkeits-, CO₂- und pH-Daten sammeln. Diese Daten werden durch multispektrale Bildtechnologien in 3D-Bilder der Pflanzen umgewandelt. Anhand dieser digitalen Simulationen wird der Anbau stetig verbessert und erzeugt hochwertigere, geschmacksintensivere Pflanzen, während der Verbrauch natürlicher Ressourcen signifikant reduziert wird.

Je mehr angebaut wird, desto besser kann Infarm agieren und adaptieren: Dank des ständigen Datenflusses lassen sich Ressourcen wie die Anbaufläche, Wasser, Dünger, CO₂ und Strom immer effizienter nutzen. „Was uns von anderen abhebt, sind das Know-how, das wir uns durch die Verwaltung eines so großen Netzwerks angeeignet haben, und die Daten, die wir im Laufe der Jahre sammeln konnten. Wir haben vom ersten Tag an in diese Daten investiert, denn sie sind der Schlüssel zu unserem Erfolg“, erklärt Pedro Silva, Director Software & IT bei Infarm.

Biofeedback-Anwendung via Google Cloud für mehr Nachhaltigkeit

Digitale Systeme wirtschaftlicher zu betreiben und die Lieferketten kurz zu halten – diese zwei Bestrebungen sind für Infarm zentral. Auch den Energieverbrauch möchte das Unternehmen mit Hilfe von KI- und ML-Optimierungen senken. Im Rahmen ihres sogenannten Biofeedback-Projekts plant Infarm, die derzeitige Nutzung Künstlicher Intelligenz zu erweitern, um die spezifischen Bedürfnisse einzelner Pflanzen zeitnah zu erkennen und deren Versorgung vollständig zu automatisieren. Das minimiert den Ressourcenverbrauch, indem es den Pflanzen nur so viele Nährstoffe zuführt, um den Ertrag zu maximieren. Erreicht wird dies durch die Erstellung simulierter digitaler Zwillinge einer jeden Pflanzensorte. Moderne „Controlled Environment Agriculture”-Farmen gleichen die Entwicklung ihrer Pflanzen mit deren prognostizierten Wachstumsmustern ab und optimieren deren Umwelt- und Wachstumsbedingungen..

Infarm konnte seinen Energiebedarf so in den vergangenen fünf Jahren um mehr als 25 Prozent reduzieren. Bei den derzeitigen Energiepreisen wird das Projekt dem Unternehmen in den kommenden fünf Jahren voraussichtlich mehr als 6 Millionen Euro einsparen.

Das Infarm „Farm Brain“ sammelt mehr als 50.000 Wachstums-, Farb- und Spektraldaten über die gesamte Lebensdauer einer Pflanze. Die Erfassung und Analyse dieser immensen Anzahl von Datenpunkten erfordert eine leistungsstarke Lösung. Seit Juni 2022 setzt Infarm deshalb auf Google Cloud und nutzt dabei vor allem BigQuery und Looker, um seine ehrgeizigen Ziele zu erreichen und das Biofeedback-Projekt voranzutreiben.

Die cloudbasierte Data-Warehouse- und Analytics-Lösung BigQuery bietet native Unterstützung für KI und ML und kann große Datenmengen bis in den Petabyte-Bereich und darüber hinaus mit hoher Leistung abfragen, analysieren und verarbeiten. Das Application Programming Interface (API) für Streaming-Insert-Anweisungen ermöglicht Echtzeitanalysen; mit Hilfe von Datastream lassen sich auch Daten aus heterogenen Quellen zuverlässig und mit minimaler Latenz synchronisieren.

Ein weiterer wichtiger Baustein, um Infarms Nachhaltigkeitsziele zu erreichen, ist Looker: Um langfristig die Energiekosten zu senken, Ressourcen einzusparen und die Kosten durch ML und KI zu optimieren, müssen die Daten für alle internen Abteilungen verfügbar und sichtbar sein. Mit Looker können die Datenexpert*innen von Infarm enorme Datenmengen übersichtlich aufbereiten, Dashboards erstellen und Datenmuster interpretieren. Dabei lassen sich Informationen aus unterschiedlichen Bezugsquellen abrufen, kombinieren und bei Bedarf exportieren.

Die Daten, die Infarm kontinuierlich von ihren Farmen sammelt, fließen auch in ein visuelles Nachhaltingkeits Tool – das Global Environment Impact Dashboard. Es liefert Echtzeit-Informationen über Daten zur Pflanzenproduktion, zu Land- und Wassereinsparungen sowie zu Abfällen und zeigt außerdem weitere Referenzdaten aus jedem einzelnen Betrieb weltweit an. Diese Informationen sind dank Google Cloud für alle Beteiligten im Netzwerk sichtbar und zugänglich. Künftig soll das Dashboard auch zur Nachverfolgung langfristiger Nachhaltigkeitsziele genutzt werden.

Weniger verbrauchen und gleichzeitig immer höhere und qualitativ hochwertigere Erträge erzielen – so funktioniert das Zusammenspiel ehrgeiziger Ideen mit hochmoderner Cloud-Technologie.

Neue KI-Agents für bessere Geschäftsergebnisse: Translation Hub, Document AI und Contact Center AI

Thu, 27 Apr 2023 08:00:00 +0000

Die Einführung künstlicher Intelligenz (KI) hat eine neue Stufe erreicht. Technologien, die früher nur von wenigen eingesetzt werden konnten, sind inzwischen allgemein verfügbar. Die logische Konsequenz: Investitionen in KI steigen kontinuierlich an. Die Unternehmensberatung McKinsey stellte jedoch fest, dass KI für einen gewinnbringenden Einsatz „über das gesamte Unternehmen skaliert werden und in die wichtigsten Geschäftsprozesse einfließen muss“. Dem können wir nur zustimmen.

Für viele Unternehmen sind Investitionen in reine Data Science weiterhin unerlässlich. Doch in den meisten Fällen kommen bei der KI-Einführung bestimmte Anwendungen und Services – sogenannte KI-Agents – zum Einsatz. Technologien wie Document AI oder Contact Center AI helfen unseren Kundinnen und Kunden dabei, die beste Lösung für ihre geschäftlichen Herausforderungen zu finden – und das mit begrenztem technischen Fachwissen. Auf der Google Cloud Next ‘22 haben wir neben neuen Features für unsere vorhandenen KI-Agents auch unseren neuen KI-Agent Translation Hub vorgestellt.

„Investitionen in KI werden ein entscheidender Faktor für den langfristigen Erfolg vieler Unternehmen sein. Die meisten Unternehmen befinden sich auf diesem Gebiet noch in der Testphase und haben die Technologie aufgrund langer Bereitstellungszeiten, dem damit verbundenen IT-Personalbedarf oder anderen Gründen noch nicht vollständig implementiert“, sagt Ritu Jyoti, Group Vice President, Global AI and Automation Research Practice, Global AI Research Lead bei IDC. „Unternehmen benötigen sofort einsatzfähige KI-Produkte, um Prozesse zu automatisieren und geschäftliche Herausforderungen zu bewältigen. Google Cloud löst dieses Problem durch vollständig verwaltete, skalierbare KI-Agents. Diese werden schnell bereitgestellt und liefern direkt Ergebnisse.“

Translation Hub: unternehmensweiter KI-Agent für Übersetzungen

Auf der I/O 2022 haben wir die Erweiterung von Google Translate um 24 neue Sprachen angekündigt, um insbesondere bei den Sprachen zu unterstützen, für die es bei technologischen Anwendungen meist keine Lokalisierung gibt. Unser oberstes Ziel war dabei, Kommunikationshindernisse durch Übersetzungen abzubauen. Auch Unternehmen streben danach, können dieses Ziel aufgrund der hohen Kosten, die mit der Skalierung von Übersetzungen verbunden sind, allerdings häufig nicht erreichen.

Aus diesem Grund präsentieren wir Ihnen unseren KI-Agent Translation Hub. Er ermöglicht unseren Kunden die Übersetzung von Dokumenten im Self-Service und unterstützt 135 Sprachen. Mit nur wenigen Klicks erreichen Sie eine wirkungsvolle, inklusive und kostengünstige globale Kommunikation.

Dank Translation Hub können Forscherinnen und Forscher ihre Erkenntnisse sofort mit aller Welt teilen. Zulieferer und Dienstleistungsunternehmen erreichen unterversorgte Märkte und auch Verwaltungen im öffentlichen Sektor können ihre Gemeindemitglieder in einer für sie verständlichen Sprache ansprechen. All das trägt letztlich zu einer besser vernetzten und inklusiveren Welt bei.

Translation Hub verbindet KI-Technologien von Google Cloud wie die neuronale maschinelle Übersetzung und AutoML. So können Inhalte aus den gängigsten Dateiformaten wie Google Docs und Google Präsentationen, PDF und Microsoft Word auf einfache Weise übernommen und übersetzt werden. Dabei werden nicht nur das Layout und Formatierungen beibehalten, beispielsweise bei der Nachbereitung von humanem Feedback oder der Prüfung von Dokumenten.

„In nur drei Monaten konnten wir mit Translation Hub- und AutoML-Übersetzungsmodellen 700 % mehr Übersetzungen generieren und dabei 90 % der Kosten einsparen“, berichtet Murali Nathan, Digital Innovation and Employee Lead von Avery Dennison, einem Unternehmen für Materialentwicklung. „Jenseits der Zahlen sorgt die Übersetzungstechnologie von Google bei unseren Mitarbeiter*innen für soziale Zugehörigkeit. Die gesamte Belegschaft von Avery Dennison hat Zugriff auf On-demand-Übersetzungen, sowohl allgemeine als auch unternehmensspezifische. Kein fließendes Englisch zu sprechen, stellt inzwischen keine Barriere mehr dar. Unsere Mitarbeiter*innen drücken sich in ihrer Muttersprache aus.“

Document AI: KI-Agent zur Dokumentverarbeitung und Automatisierung von Workflows

Jedes Unternehmen und jede Organisation muss Dokumente verarbeiten, deren Inhalte verstehen und sie den richtigen Personen zur Verfügung stellen. Document AI vereinfacht und automatisiert Prozesse – sei es beim Beschaffungszyklus, Rechnungen und Empfangsbestätigungen eingeschlossen, oder der Vertragsabwicklung. Darüber hinaus steigert es auch die Effizienz. Dank der zwei neuen Document AI-Features können sich Mitarbeitende in Unternehmen auf ihre Kernaufgaben konzentrieren und ihre Kund*innen besser bedienen.

Das Zahlungsdienstleistungsunternehmen Libeo nutzte Document AI, um einen Rechnungsparser mit 1.600 Dokumenten zu trainieren und seine Testgenauigkeit von 75,6 % auf 83,9 % zu erhöhen. „Mithilfe des Trainings konnte Document AI die Ergebnisse eines anderen Tools übertreffen und Libeo dabei helfen, die Gesamtkosten für das Modelltraining langfristig um 20 % zu senken“, so Pierre-Antoine Glandier, Chief Technology Officer von Libeo.

Folgende Features für den vorhandenen Document AI-Agent möchten wir Ihnen vorstellen:

Document AI Workbench: Mit Document AI Workbench überwinden Sie Hindernisse beim Erstellen unternehmensspezifischer Dokumente einfacher. Parser unterstützen Unternehmen bei der Extraktion von Fachgebieten, die für ihre Geschäftsanforderungen relevant sind. Im Vergleich zu herkömmlichen Entwicklungsansätzen sind dafür weniger Trainingsdaten erforderlich. Zudem steht eine intuitive Oberfläche – sowohl für das Labeling von Daten als auch für das Training – zur Verfügung.
Document AI Warehouse: Dieser Agent lässt die Herausforderungen, die beim Taggen und Extrahieren von Daten in Dokumenten entstehen, der Vergangenheit angehören. Möglich macht dies die Einbindung der Google-Suchtechnologien in Document AI. Mit diesem Feature wird die Suche nach und die Verwaltung von Dokumenten einfacher – sei es bei der Steuerung von Workflows für die Rechnungsverarbeitung, Verträgen, Genehmigungen oder anderen unternehmensspezifischen Workflows.

Contact Center AI: KI-Agent für bessere Callcenter-Erfahrungen

Die Skalierung des Callcenter-Supports kann kostspielig und schwierig sein, insbesondere wenn es um die Implementierung von unterstützenden KI-Technologien geht. Contact Center AI ist ein KI-Agent für beinahe alle Callcenter-Bedürfnisse – von der intelligenten (Telefon-) Weiterleitung von Kundinnen und Kunden und der Übergabe vom virtuellen zum menschlichen Support bis hin zur Analyse von Callcenter-Transkripten in Bezug auf Trends.

Kürzlich haben wir angekündigt, dass Contact Center AI Platform jetzt allgemein verfügbar ist und zusätzliche Auswahlmöglichkeiten und Flexibilität bietet. Wir wollten einen KI-Agent bereitstellen, mit dem Unternehmen und Organisationen ihre Callcenter schnell skalieren können. So lässt sich die Serviceerfahrung verbessern und durch datengestützte Entscheidungen ein Mehrwert generieren.

Dean Kontul, Division Chief Information Officer bei KeyBank, zum Thema Callcenter mit Contact Center AI von Google Cloud: „Mit Google Cloud und Contact Center AI werden wir unser Callcenter schnell in die Cloud verlagern und unsere Kundinnen und Kunden sowie unsere Mitarbeitenden mit erstklassigen und neuen Serviceerfahrungen unterstützen.“

Mit KI-Agents direkt bessere Geschäftsergebnisse erzielen

Wenn Sie neugierig auf Translation Hub sind, finden Sie weitere Informationen in dieser Next ‘22-Session – inklusive weiterer Details dazu, wie Avery Dennison den KI-Agent nutzt.

Weitere Informationen zu unseren Document AI-Ankündigungen finden Sie in unserem Webinar mit der Commerzbank „Improve document efficiency with AI“ sowie im Video „Transform digital experiences with Google AI powered search and recommendations.“

Der Anwendungsfall von KeyBank bietet weitere Einblicke in die Contact Center AI Platform. Sehen Sie sich hierzu das Video „Delight customers in every interaction with Contact Center AI“ an.

Die nächste Generation der KI für Entwickler*innen und Google Workspace

Tue, 14 Mar 2023 13:00:00 +0000

Google investiert schon seit Jahren in künstliche Intelligenz und trägt dazu bei, dass Einzelpersonen, Unternehmen und die Gesellschaft davon profitieren. Wir setzen uns dafür ein, KI für alle zugänglich zu machen - sei es durch die Veröffentlichung aktueller Forschungsergebnisse, die Entwicklung nützlicher Produkte oder die Bereitstellung von Tools und Ressourcen, die anderen dabei helfen, ihre Ziele zu erreichen

Auf unserer KI-Reise sind wir jetzt an einem richtungsweisenden Punkt angekommen. Durchbrüche in der generativen KI führen dazu, dass sich die Art und Weise, wie Menschen mit Technologie interagieren, grundlegend verändert – und wir bei Google haben auf verantwortungsbewusste Weise große Sprachmodelle entwickelt, die wir nun sicher in unsere Produkte integrieren können. Heute möchten wir einige Ergebnisse unserer Arbeit in diesem Bereich vorstellen: Entwickler*innen und Unternehmen können jetzt neue APIs und Produkte ausprobieren, mit denen sie die besten KI-Modelle von Google, Google Cloud und eine neue Prototyping-Umgebung namens MakerSuite einfach, sicher und skalierbar einsetzen können. Außerdem führen wir neue Funktionen in Google Workspace ein, die die Stärken der generativen KI für Entwicklung, Vernetzung und Zusammenarbeit nutzen.

PaLM API & MakerSuite: Ein einfacher Weg für die Erforschung neuer Möglichkeiten und die Entwicklung von Prototypen mit Hilfe generativer KI-Anwendungen

Die vielen technologischen und plattformseitigen Neuerungen – von der Mobiltechnik bis zum Cloud Computing – haben ganze Ökosysteme von Entwickler*innen dazu beflügelt, neue Unternehmen zu gründen, neue Produkte zu entwickeln und ihre Arbeitsweise grundlegend zu ändern. Wir befinden uns inmitten eines weiteren Wandels durch KI, der tiefgreifende Auswirkungen auf alle Branchen haben wird.

Für Entwickler*innen, die mit KI experimentieren, führen wir mit der PaLM-API eine einfache und sichere Möglichkeit ein, auf Basis unserer großen Sprachmodelle zu arbeiten. Heute stellen wir ein Modell zur Verfügung, das sehr effizient ist, was seine Größe und Fähigkeiten angeht. Weitere Modelle in anderen Größen werden folgen. Die API wird zudem mit einem intuitiven Tool namens MakerSuite bereitgestellt, mit dem sich rasch Ideen für Prototypen entwerfen lassen. Im Laufe der Zeit werden Funktionen für das sogenannte Prompt-Engineering (bspw. dialogorientierte Schnittstellen, wie Chatbots, virtuelle Assistenten und andere KI-gestützte sprachbasierte Systeme), die Generierung synthetischer Daten und das Custom-Model-Tuning hinzukommen – allesamt durch robuste Tools unterstützt. Ausgewählte Entwickler*innen können schon jetzt in einer „Private Preview“ auf die PaLM API und MakerSuite zugreifen. In Kürze werden wir auch eine Warteliste eröffnen.

Generative KI-Funktionen schon bald in Google Cloud verfügbar

Wir erweitern unser KI-Portfolio von Google Cloud um neue Funktionen auf Basis generativer KI. So können Entwickler*innen ihre eigenen Modelle und Anwendungen mit Hilfe von Google Clouds KI-Modellen inklusive PaLM erstellen. Durch die Einbindung in ihre bestehende Cloud-Lösung können auf diese Weise Sicherheit und Datenschutz unternehmensweit sichergestellt werden:

Unterstützung generativer KI in Vertex AI: Entwickler*innen und Unternehmen nutzen bereits die Plattform Vertex AI von Google Cloud, um in großem Umfang Modelle für maschinelles Lernen und KI-Anwendungen zu entwickeln und bereitzustellen. Wir stellen jetzt grundlegende Modelle zur Verfügung, zunächst für die Erstellung von Text und Bildern, später auch für Audio und Video. Kunden von Google Cloud werden die Möglichkeit haben, Modelle kennenzulernen, Prompts zu erstellen und zu verändern, diese mit ihren eigenen Daten zu verfeinern und Anwendungen einzusetzen, die diese leistungsstarken neuen Technologien nutzen.
Generative AI App Builder: Unternehmen und öffentliche Verwaltungen wollen auch ihre eigenen KI-gestützten Chat-Schnittstellen und digitalen Assistenten entwickeln. Hierfür führen wir den Generative AI App Builder ein, der dialogorientierte KI-Ströme mit vordefinierten Suchergebnissen und grundlegenden Modellen verknüpft. Die Lösung hilft Unternehmen dabei, generative KI-Anwendungen innerhalb von wenigen Minuten oder Stunden zu erstellen.
Neue KI-Partnerschaften und -Programme: Wir kündigen nicht nur neue KI-Produkte von Google Cloud an, sondern wollen auch der offenste Cloud-Anbieter sein. Künftig können Technologiepartner, auf KI spezialisierte Softwareanbieter und Start-ups noch stärker von unserem KI-Ökosystem und unseren spezialisierten Programmen profitieren.

Ab heute haben Trusted Tester Zugang zu Vertex AI mit Unterstützung generativer KI und den Generative AI App Builder.

Neue generative KI-Funktionen in Workspace

Schon jetzt profitieren mehr als drei Milliarden Menschen von den KI-gestützten Funktionen in Google Workspace, etwa bei der Verwendung von Smart Compose in Gmail oder von automatisch erstellten Zusammenfassungen in Google Docs. Jetzt gehen wir den nächsten Schritt und stellen einer kleinen Gruppe von Trusted Testern eine Reihe neuer Funktionen zur Verfügung, die den Schreibprozess weiter vereinfachen. In Gmail und Google Docs kann ein Thema eingegeben werden, über das man schreiben möchte, woraufhin sofort ein Textentwurf erstellt wird. So erspart Workspace zum Beispiel einer Führungskraft, die neue Mitarbeiter*innen begrüßt, Zeit und Mühe beim Verfassen der ersten Willkommensnachricht. Mit nur wenigen Klicks kann der erste Textentwurf erweitert oder gekürzt oder im Tonfall angepasst werden, um ihn vertrauter oder sachlicher klingen zu lassen. Wir werden diese neuen Funktionen in den kommenden Wochen für unsere Testpersonen freigeben.

Verantwortungsvolle Skalierung von KI

Generative KI ist eine junge und sehr dynamische Technologie, die komplexe Herausforderungen mit sich bringt. Deshalb bitten wir externe und interne Testpersonen, die neue Technologie auf Herz und Nieren zu prüfen, und geben ihnen unsere KI-Prinzipien für die Arbeit an die Hand. Diese Grundsätze sind für uns zugleich eine ständige Verpflichtung gegenüber unseren Kunden auf der ganzen Welt, die auf unsere Produkte vertrauen, um ihre Unternehmen mit Hilfe von KI sicher auf- und auszubauen. Wir wollen weiterhin mutig und verantwortungsbewusst handeln und mit unseren Partnern zusammenarbeiten, um unsere KI-Modelle zu verbessern, damit sie für alle sicher und nützlich sind.

Wir sind vom Potenzial der generativen KI und den Möglichkeiten, die sie eröffnen wird, begeistert – davon, wie sie Menschen dabei unterstützt, kreativ tätig zu werden, wie sie Entwickler*innen dabei hilft, neuartige Anwendungen zu entwickeln und wie sie Unternehmen und Behörden bei der Kommunikation mit ihren Kund*innen und Bürger*innen unterstützt. In den kommenden Wochen und Monaten werden wir weiter dazu berichten.

Aktuelles auf dem Google Cloud Blog

Tue, 07 Mar 2023 04:00:00 +0000

Im folgenden Blogbeitrag erfahren Sie mehr darüber, wie Google Cloud die Transformation in Unternehmen weltweit anstößt. Ob für die Migration Ihrer Legacy-Server, dem Upgrading Ihrer veralteten Ökosysteme oder für Kostensenkungen – nachfolgend finden Sie Inspiration dazu und erfahren zusätzlich, was die aktuellen IT-Trends für Unternehmen in Deutschland bedeuten.

Migration Ihrer Legacy-Datenbanken in die Cloud

Zukunftsorientierten Führungskräften kommt bei skalierbaren, zuverlässigen, sicheren und offenen Datenbanken als erstes die Cloud in den Sinn. Wenn jedoch Oracle- und SQL-Server-Datenbanken im Spiel sind, fragen sich viele, ob eine Cloud Migration überhaupt möglich ist.

Anlässlich der Google Cloud Next 2022 haben wir speziell für Oracle- und SQL Server-Kunden, die in die Cloud wechseln oder sich vollständig von Lizenz- und anderen Einschränkungen befreien möchten, fünf Videos bereitgestellt. Darin wird erklärt, wie Legacy-Datenbanken in die Google Cloud migriert werden können, und zwar unabhängig davon, ob dieselben Datenbanken oder eine völlig neue Datenbank-Engine verwendet werden sollen

6 Tipps zur API-Verwaltung und Kostensenkungen

Die Inflation, der Fachkräftemangel und die weltweiten Lieferengpässen belasten Unternehmen heute. Neue Studien zeigen, dass viele Firmen ihre Bemühungen zur Modernisierung ihrer Infrastruktur intensivieren und vermehrt Anwendungen aus lokalen Datenbanken in die Cloud migrieren.

Da kommen APIs ins Spiel. Sie ermöglichen die effektive Nutzung von alten und neuen Systemen, aber nur, wenn sie gut verwaltet werden. Mit unserem neuen „Pay as you go“-Preismodell für Apigee API Management bezahlen Sie nur für das, was Sie tatsächlich nutzen.

Cloud-native medizinische Bildgebung verändert Gesundheitswesen

Medizinische Fachkräfte und Patient*innen sollten einfachen Zugang zu einem Röntgen- oder MRT-Scan haben. Die riesigen Mengen an medizinischen Bilddaten müssen jedoch von den Gesundheitsdienstleistern gespeichert und verwaltet werden, und zwar häufig mit veralteten Datenökosystemen und trotz steigender Kosten und Cybersicherheitsrisiken.

Im Rahmen einer neuen Partnerschaft zwischen der Cloud-nativen Imaging-Plattform Change Healthcare und Google Cloud soll aufgezeigt werden, wie dies umsetzbar ist und welche Vorteile die zunehmende Datenmenge bieten kann, anstatt nur eine Belastung zu sein. Dank der Kombination von medizinischer Imaging-Expertise mit KI, Analysen und einer Secure-by-Design-Infrastruktur können Gesundheitseinrichtungen nun von jedem Ort aus sicher auf medizinische Bilddateien zugreifen und diese einfach und kosteneffektiv mit Dritten teilen.

Die Transformation Ihres Unternehmens mit Google Cloud

Sie möchten unsere Server-Lösungen oder andere Google Cloud-Tools auf die Probe stellen? Um mehr über die Google Cloud zu erfahren, können Sie unsere Produkte kostenlos testen und prüfen, ob sie für Sie und Ihr Unternehmen geeignet sind. Gerne können Sie sich aber auch an unser Sales Team wenden, das Sie bei der Auswahl der Produkte berät, mit denen Sie Ihre Ziele erreichen können.

Aktuelles auf dem Google Cloud Blog I Ausgabe 16

Tue, 07 Feb 2023 04:00:00 +0000

Vom globalen Luftfahrtkonzern bis zur städtischen Feuerwehr: Die Lösungen von Google Cloud sind so vielseitig wie die Herausforderungen unserer Kunden. In unserem Blog haben wir einige der interessantesten Ankündigungen, Studien und Interviews aus der Welt von Google Cloud Platform und Google Workspace für Sie zusammengestellt.

CO₂-Neutralität: wie die Lufthansa Group ihre Klimaziele erreicht

Die Lufthansa Group nimmt Kurs auf Netto-Null. Um dies zu erreichen, muss das Luftverkehrsunternehmen jedoch mehrere Herausforderungen auf einmal lösen: Nachhaltige Treibstoffe müssen entwickelt, Flugrouten optimiert und Flotten modernisiert werden – und das besser heute als morgen, denn der Wandel drängt.

Um künftig noch systematischer CO₂ zu sparen, hat die Lufthansa Group in Partnerschaft mit Google Cloud eine Plattform zur besseren Planung und Steuerung ihres täglichen Flugbetriebs entwickelt. Wir erklären, was diese Plattform kann und welche Google Cloud-Technologien dabei zum Einsatz kommen.

Schnelle Rettung dank Geodaten: So nutzt die Feuerwehr Düsseldorf Google Cloud

Sechs Minuten: So lange hat die Feuerwehr Düsseldorf Zeit, um eine beliebige Adresse im Stadtgebiet zu erreichen. Dieses Zeitfenster lässt keinen Spielraum für Verzögerungen, daher ist die strategische Platzierung der Feuer- und Rettungswachen essentiell. Die Verteilung der Standorte zu planen ist aber gar nicht so einfach: Gutachten von Beratungsunternehmen sind teuer und zeitaufwendig. Ein Google Cloud-basiertes Analyse-Tool schafft Abhilfe.

Mit Unterstützung von Ubilabs hat die Feuerwehr Düsseldorf ein Tool zur Standortplanung entwickelt, das mit Google Maps-Geodaten Erreichbarkeitsanalysen ermöglicht. Wie genau das funktioniert, erklärt David von der Lieth, Direktor der Feuerwehr Düsseldorf.

„Wir leben die Cloud”: Interview mit den CLOUDPILOTS

Die CLOUDPILOTS messen ihren Erfolg am Erfolg ihrer Unternehmenskunden, und der spricht für sich: Mehr als 500 erfolgreich abgeschlossene Cloud-Migrationen stehen mittlerweile in den Büchern des langjährigen Google Cloud-Partners. Von App-Modernisierungen mit Google Kubernetes Engine bis zum Aufbau digitaler Arbeitsplätze mit Google Workspace ist alles dabei.

Im Interview verraten Bernhard Fieglmüller (CEO, CLOUDPILOTS), und Paul Wölfel (CTO, CLOUDPILOTS), wie ein typisches Transformationsprojekt aufgebaut ist, welche Herausforderungen jede Cloud-Migration mit sich bringt und was die Partnerschaft mit Google Cloud so besonders macht.

Neue IDC-Studie hält den Mehrwert von Google Workspace in Zahlen fest

Hält Google Workspace, was es verspricht? Um das herauszufinden, hat das Marktforschungsinstitut IDC bei acht der größten Kundenunternehmen von Google Workspace genauer nachgefragt. Die Ergebnisse lassen sich mit der folgenden Aussage eines Kunden am besten zusammenfassen: „Google Workspace bietet uns in einer einzigen Lösung alles, was wir brauchen, um unsere Transformation voranzutreiben und produktiver zu arbeiten.“

In Zahlen ausgedrückt: Beschäftigte der Unternehmen benötigen dank Google Workspace 24 Prozent weniger Zeit für Routine- und Verwaltungsaufgaben und haben 36 Prozent mehr Zeit für kreative Projekte. Das sind aber nur einige der Vorteile, von denen die befragten Firmen berichten.

Lassen Sie Ihre Ideen real werden

Welche Herausforderungen beschäftigen Ihr Unternehmen? Bei Google Cloud finden Sie flexible Plattform-Lösungen und die nötige Infrastruktur. Maßgeschneiderte Unterstützung gibt es in unserem Partnernetzwerk. Und wenn Sie unsere Lösungen erst einmal ausprobieren möchten, können Sie unsere kostenlosen Testversionen nutzen.

Sie haben Fragen zu unseren Produkten oder Leistungen? Dann kontaktieren Sie unser Vertriebsteam, um die richtigen Lösungen für Ihre Branche oder Ihr Projekt zu finden.

Cloud Wisdom: Vier Wege zu Innovation und Kostensenkung mit KI und ML

Thu, 02 Feb 2023 15:00:00 +0000

Die Entwicklung von KI- und ML-Technologien ist oft kostspielig und zeitaufwendig. Die Nachfrage nach KI- und ML-Expertise übertrifft den vorhandenen Talentpool immer noch deutlich. Diese Faktoren veranlassen Technologieunternehmen und Start-ups, Ressourcen sorgfältig zuzuweisen, wenn sie KI in ihre Geschäftsstrategie einbeziehen möchten. In diesem Artikel finden Sie vier Tipps für Technologieunternehmen und Start-ups, die Innovationen beschleunigen und Kosten durch KI und ML senken.

Vier Tipps für mehr Innovation und weniger Kosten dank KI und ML

Viele der innovativsten Unternehmen von heute entwickeln Dienstleistungen oder Produkte, die es ohne KI nicht gäbe. Das heißt aber nicht, dass diese Unternehmen auch ihre KI- und ML-Infrastruktur sowie ihre Pipelines von Grund auf neu erstellen. Auch bei Start-ups, deren Geschäft sich nicht direkt mit KI befasst, kann die Einbindung von KI in operative Prozesse Kosten eindämmen, wenn das Unternehmen wächst. Durch die Nutzung eines Cloud-Anbieters für KI-Dienste können Organisationen Geschäftschancen erschließen, die Entwicklungen vorantreiben, Prozesse automatisieren und Kosten reduzieren.

1. Vortrainierte ML-APIs für die Produktentwicklung nutzen

Technologieunternehmen und Start-ups möchten ihre technischen Talente auf proprietäre Projekte konzentrieren, die für das Unternehmen von Bedeutung sind. Dazu gehört häufig die Entwicklung neuer Anwendungen für eine KI-Technologie, aber nicht unbedingt die Entwicklung der KI-Technologie selbst. In solchen Fällen helfen vortrainierte APIs, schnell und kostengünstig eine Grundlage zu schaffen, auf der höherwertige, differenzierte Projekte aufgesetzt werden können.

Beispiel: Viele Unternehmen, die Konversations-KI in ihren Produkten und Services nutzen, verwenden Google Cloud APIs wie Speech-to-Text API und Natural Language API. Mit diesen APIs können Entwicklungsteams auch Funktionalitäten wie Sprache-zu-Text, Sentimentanalyse, Inhaltsklassifizierung, Schimpfwortfilter und Sprecherdiarisierung auf einfache Weise einbinden. Diese leistungsstarken Technologien helfen Unternehmen, sich auf die Produktentwicklung zu konzentrieren, anstatt sich mit den Technologiegrundlagen befassen zu müssen.

In diesem Artikel finden Sie Beispiele dafür, warum sich Technologieunternehmen und Start-ups für die Speech APIs von Google Cloud entscheiden. Es geht um Anwendungsfälle, die von der Gewinnung von Kundeninformationen bis hin zur Ausstattung von Robotern mit einer empathischen Persönlichkeit reichen. Ausführlichere Informationen finden Sie hier:

Auf unserer KI-Produktseite: entdecken Sie weitere APIs, darunter Translation API, Vision API und mehr.
Auf der Lernplattform Google Cloud Skills Boost unter „APIs für maschinelles Lernen“.

2. ML-Entwicklung mit verwalteten Diensten skalieren und Modelle schneller für die Produktion bereitstellen

Vortrainierte Modelle sind äußerst nützlich, aber in vielen Fällen müssen Technologieunternehmen und Start-ups individuelle Modelle erstellen, um Erkenntnisse aus ihren eigenen Daten abzuleiten oder neue Anwendungsfälle auf öffentliche Daten anzuwenden. Unabhängig davon, ob sie datengetriebene Produkte erstellen oder Prognosemodelle aus Kundendaten generieren, benötigen diese Unternehmen Möglichkeiten, um Modelle schneller zu entwickeln und in ihren Produktionsumgebungen bereitzustellen.

Data Scientists starten in der Regel ein neues ML-Projekt auf einem Notebook und experimentieren mit Daten, die auf dem lokalen Computer gespeichert sind. Die Verlagerung solcher Projekte in eine Produktionsumgebung erfordert zusätzliche Tools und Ressourcen, komplexes Infrastrukturmanagement eingeschlossen. Das ist einer der Gründe, warum viele Unternehmen Schwierigkeiten haben, Modelle in die Produktion zu bringen. Sie vergeuden Zeit und Ressourcen, ohne den Umsatz zu steigern.

Verwaltete Cloud-Plattformen können Unternehmen beim Übergang von Projekten zu umfangreichen automatisierten Testverfahren oder zur routinemäßigen Bereitstellung unterstützen. Auch ein erneutes Training von Produktionsmodellen lässt sich realisieren. Leistungsstarke Plattformen bieten flexible Frameworks, erfordern weniger Programmcode für das Modelltraining, liefern einheitliche Umgebungen für Tools und Datensätze sowie benutzerfreundliche Pipelines für Infrastrukturverwaltung und Bereitstellung.

Wir bei Google Cloud haben festgestellt, dass Kunden mit diesem Anforderungsprofil gerne Vertex AI einsetzen. Diese Plattform zur beschleunigten ML-Entwicklung wird seit ihrer Einführung im letzten Jahr immer häufiger verwendet. Im Vergleich zu konkurrierenden Ansätzen verkürzt Vertex AI die Zeit bis zur Bereitstellung/Deployment in Produktion um bis zu 80 % und bietet erweiterte ML-Ops-Funktionen, mit denen Data Scientists und ML-Entwicklungsteams zur Beschleunigung von maschinellem Lernen beitragen können. Es enthält Features mit wenig Code wie AutoML, mit denen sich leistungsstarke Modelle ohne ML-Fachkenntnisse trainieren lassen.

In der ersten Jahreshälfte 2022 haben unsere Performance-Tests ergeben, dass die Anzahl der Unternehmen, die AI Workbench nutzen, um das 25-fache gestiegen ist. Es ist interessant zu sehen, welche Vorteile Vertex AI Workbench für Unternehmen generiert. So können Unternehmen beispielsweise große Modelltraining-Jobs um das Zehnfache beschleunigen. Auch Data-Science-Teams können die Modellgenauigkeit von 70 bis 80 % auf 98 % steigern.

Wenn Sie Vertex AI noch nicht kennen, sehen Sie sich diese Videoserie an und erfahren Sie, wie Modelle vom Prototypen bis in die Produktion überführt werden. Ausführlichere Informationen finden Sie hier:

Ein Artikel über die Rolle von Vertex AI in einem ambitionierten Projekt zum Messen des Klimawandels mit KI.
BigQuery bietet integrierte Funktionen für maschinelles Lernen und Analysen, mit denen Sie Vorhersagen ohne Code und nur mit SQL-Abfragen erstellen.
In diesem Blog geht es um den kombinierten Einsatz von Vertex AI und BigQuery, um die Datenanalyse einfacher und leistungsfähiger zu machen.
Dieser Blog über ein Feature für beispielbasierte Erläuterungen, eines unserer neuesten Updates, beschreibt, wie sich die Iteration eines Modells intuitiver und effizienter gestalten lässt.

3. Die passende Hardware in der Cloud für Anwendungsfälle nutzen um Kosten und Verwaltungsaufwand zu minimieren

Der Aufbau einer ML-Infrastruktur ist in der Regel teuer. Je nach Anwendungsfall können spezifische Hardwareanforderungen und Softwareintegrationen dazu führen, dass großangelegte Projekte kostspielig und komplex werden. Deshalb greifen viele Technologieunternehmen und Start-ups auf Cloud-Dienste zurück, um ihre Computing- und Speicheranforderungen abzudecken. Sie bezahlen nur für die Ressourcen, die sie tatsächlich nutzen, und skalieren diese entsprechend den wechselnden Geschäftsanforderungen.

Kund*innen von Google Cloud fordern Möglichkeiten, durch unterschiedliche Infrastrukturansätze verschiedene ML-Workloads zu optimieren. Manche verwenden CPU-Plattformen für flexibles Prototyping. Andere nutzen unsere Unterstützung von NVIDIA-Grafikprozessoren (GPUs) für bildorientierte Projekte und größere Modelle, insbesondere solche mit speziellen TensorFlow-Vorgängen, die teilweise auf CPUs ausgeführt werden müssen. Einige nutzen dieselben kundenspezifischen ML-Prozessoren, die auch Google-Anwendungen zugrunde liegen: Tensor Processing Units (TPUs). Wieder andere verwenden unterschiedliche Kombinationen aus den oben erwähnten Prozessoren.

Technologieunternehmen und Start-ups sollten nicht nur Anwendungsfälle auf die richtige Hardware abstimmen, sondern auch von der Größe und operativen Einfachheit eines verwalteten Dienstes profitieren, um fortgesetzt mit guter Kostenkontrolle zu operieren. Beispiele: Google Cloud-Features wie Time-Sharing und Multi-Instanz-Funktionen für GPUs oder Features wie der Vertex AI Training Reduction Server wurden für die Optimierung von GPU-Kosten und -Nutzung entwickelt.

Vertex AI Workbench lässt sich auch in den NVIDIA NGC-Katalog einbinden. So können Sie mit nur einem Klick Frameworks, Software Development Kits und Jupyter Notebooks bereitstellen. Dieses Feature zeigt, ebenso wie Reduction Server, Lösungen auf, wie Unternehmen KI mit verwalteten Diensten effizienter und kostengünstiger machen können.

4. KI für operative Vorgänge

Neben vortrainierten APIs und der ML-Modellentwicklung zur Entwicklung und Bereitstellung von Produkten können Start-ups und Technologieunternehmen mit KI auch die operative Effizienz steigern. Insbesondere in Wachstumsphasen lassen sich KI-Lösungen für spezifische operative Vorgänge wie Vertragsabwicklung oder Kundenservice gewinnbringend nutzen.

So wird bei den Document AI-Produkten von Google Cloud ML auf Text angewendet, beispielsweise zur Verwaltung von Vertragslebenszyklen oder für die Bearbeitung von Hypotheken. Für Unternehmen, deren Kundensupport immer stärker gefordert ist, gibt es Contact Center AI. Mit dieser KI-gestützten Callcenter-Lösung können Unternehmen intelligente virtuelle Agenten erstellen und Übergaben zwischen diesen und dem menschlichen Kundenservice planen sowie Analysen zu den Interaktionen mit dem Callcenter generieren. Durch die Nutzung von KI zur Verwaltung operativer Abläufe können Start-ups und Technologieunternehmen mehr Ressourcen für Innovation und Wachstum bereitstellen.

Die nächsten Schritte auf dem Weg in eine intelligente Zukunft

Die genannten Tipps helfen Technologieunternehmen und Start-ups, mit KI und ML Kosten zu sparen und die Effizienz zu steigern. Weitere Informationen können Sie auch unseren Vertex AI-Kurzanleitungen und BigQuery ML-Anleitungen entnehmen. Aktuelle Informationen zu unserer Arbeit mit Technologieunternehmen und Start-ups finden Sie auf unserer Start-ups-Seite.

Aktuelles auf dem Google Cloud Blog I Ausgabe 15

Tue, 17 Jan 2023 04:00:00 +0000

Von der Vision zur Wirklichkeit: Start-ups und Unternehmen aus aller Welt setzen ihre Ideen mit Google Cloud in die Tat um. Wir haben einige der interessantesten Ankündigungen, Insights und Fallstudien aus unserem Blog für Sie zusammengestellt.

Neuer Podcast führt hinter die Start-up-Kulissen

Was bewegt Start-up-Gründer*innen? Dieser Frage geht Google Cloud mit dem neuen Podcast Startup Stories auf den Grund, der ab sofort auf YouTube, Google Podcasts und Spotify zu hören ist.

Jede Episode stellt ein Start-up und dessen Gründer*innen vor. In den elf Folgen der ersten Staffel sind beispielsweise Rens ter Weijde vom niederländischen KI-Start-up KIMO und Reneta Tsankova vom Webhoster SiteGround zu Gast. Sie sprechen über ihre Geschäftsmodelle, Digitalstrategien und ihre Erfahrungen mit dem Scheitern.

Digitalisierung mit Google Cloud: fünf Maßnahmen für Führungskräfte

Digitalisierung in Deutschland ist das Thema einer neuen Studie der Boston Consulting Group (BCG). Die Unternehmensberatung stellt Unternehmen und ihren IT-Führungskräften gute Noten aus, identifiziert aber einige Herausforderungen, die ihre Transformation ausbremsen: Sicherheitsbedenken, Schwierigkeiten beim Recruiting oder eine fehlende Einbindung der Führungsebene beispielsweise.

Wir haben in unserem Thought Leadership Report fünf Maßnahmen zusammengestellt, mit denen IT-Führungskräfte gängige Hindernisse überwinden und den digitalen Wandel beschleunigen können.

Weniger Bürokratie für Pflegebedürftige und ihre Angehörigen

Mehr als vier Millionen Menschen in Deutschland sind pflegebedürftig – Tendenz steigend. Rund 80 Prozent von ihnen werden zu Hause versorgt, die meisten davon durch Angehörige. Doch wer bezahlt die Organisation der Pflege? Welche Fördermittel gibt es? Welche Anträge müssen gestellt werden? Das Start-up DeinePflege.de hilft Pflegebedürftigen und ihren Angehörigen, bürokratische Hürden zu überwinden. Die Technologie dazu liefern Google Cloud-Technologien wie Google Kubernetes Engine oder AppEngine.

In unserer Fallstudie spricht Markus Wild, Mitgründer und Technischer Leiter von DeinePflege.de, über die technologischen Herausforderungen des Start-ups und die erfolgreiche Zusammenarbeit mit Google Cloud.

Mit diesen 25+ Ressourcen gelingt der Einstieg ins Machine Learning

Seit Machine Learning im IT-Mainstream angekommen ist, werden ML-Grundkenntnisse fachübergreifend immer wichtiger. Doch wie gelingt der Einstieg? Die Antwort auf diese Frage hängt davon ab, wer sie stellt – Data Analysts haben schließlich ganz andere Bedürfnisse als beispielsweise Software Engineers.

In unserem Blogbeitrag haben Expert:innen von Google Cloud mehr als 25 Ressourcen für Data Analysts, Data Scientists, ML Engineers und Software Engineers zusammengestellt. Mit Videos, Leitfäden und umfangreichen Kursen können Sie kostenlos Ihre Kenntnisse über Machine Learning und künstliche Intelligenz erweitern und das Gelernte mit unseren Google Cloud-Lösungen direkt anwenden.

Meistern Sie Ihre geschäftlichen Herausforderungen mit Google Cloud

Sie möchten unsere Machine Learning-Lösungen oder andere Google Cloud-Tools selbst ausprobieren? Testen Sie unsere kostenlosen Versionen ganz unverbindlich oder kontaktieren Sie unser Vertriebsteam, um die richtigen Produkte für Ihr Projekt oder Ihre Branche zu finden.

Gründer*innen und IT-Führungskräfte schildern ihre Erfahrungen im Podcast „Startup Stories“

Thu, 05 Jan 2023 16:00:00 +0000

Fast alle Unternehmensgründer*innen stehen vor ähnlichen Grundsatzfragen: „Sollen wir auf serverlose Technologie umsteigen?“, „Wie verwalte ich meine Daten am besten?“ oder „Sind wir ein Fall für das Web3?“

In den Antworten auf diese und andere Fragen offenbaren sich die Unterschiede in der Entwicklung verschiedener Start-ups: von den ersten Schritten der Gründungspersonen über erste Personalentscheidungen und die Schaffung einer Unternehmenskultur bis hin zu Markteinführung und Skalierung des Produkts.

Sowohl die gemeinsamen Herausforderungen als auch die individuellen Wege zum Erfolg machen deutlich: Start-up Gründer*innen können viel voneinander lernen – und das branchen- und technologieübergreifend.

Um Gründer*innen Zugang zu solchen Erfahrungen und Erkenntnissen zu verschaffen, stellen wir unseren neuen Podcast „Startup Stories“ vor, der auf YouTube, Google Podcasts und Spotify abrufbar sein wird. In jeder Folge führen wir ein ausführliches und persönliches Gespräch mit der Führungskraft eines Start-ups, das mit Google Cloud zusammenarbeitet. Das Themenspektrum reicht von technischen Detailfragen bis hin zu spontanen Konzept-Brainstormings.

Elf Folgen der ersten Staffel sind bereits online. Mit dabei sind die folgenden Start-up-Gründer*innen und Geschäftsführer*innen:

KIMO: Rens ter Weijde ist Gründer und Geschäftsführer von KIMO, einem niederländischen KI-Start-up, das sich der individuellen Weiterbildung widmet. Er beschreibt, wie „mentale Resilienz“ zum Schlüssel für das Wachstum seines Unternehmens wurde.
Nomagic: Ex-Google-Mitarbeiter Kacper Nowicki ist Gründer und CEO von Nomagic, einem polnischen KI-Start-up für Robotersysteme. Nowicki schildert seine Erfahrungen beim Abschluss einer wichtigen Seed-Runde.
Withlocals: Matthijs Keij ist Geschäftsführer des niederländischen Erlebnisreisen-Start-ups Withlocals, das den Kontakt zwischen Reisenden und einheimischen Gastgebern im Zielland herstellt. Er berichtet, wie sich sein Unternehmen und die gesamte Branche auf COVID-19 eingestellt haben.
nPlan: Alan Mosca, Gründer und CEO des jungen Softwareunternehmens nPlan, hatte bereits ein klares Bild von seiner gewünschten Unternehmenskultur, bevor er sich entschied, welches Produkt er überhaupt anbieten wollte.
Huq Industries: Isambard Poulson, Mitgründer und CTO des britischen Mobilitätsdaten-Anbieters Huq Industries erzählt, wie sein Unternehmen eine schwierige Frühphase erfolgreich meisterte.
SiteGround: Reneta Tsankova, COO des europäischen Webhosting-Anbieters SiteGround beschreibt, wie das Gründungsteam auch in Zeiten rapiden Wachstums seinen Grundwerten treu blieb.
Puppet: Deepak Giridharagopal, CTO von Puppet, erläutert, wie sein Unternehmen den Weg zum ersten SaaS-Produkt namens Relay schnell und agil bewältigte.
Orderly Health: Entwickler*innen von Orderly Health schildern, wie sie mit rapiden Innovationszyklen eine ML-Lösung für genauere Gesundheitsdaten aufbauten – von der Erstellung des ersten Produkts in nur 60 Tagen bis zum Skalieren mit Google Cloud.
Kinsta: Andrea Zoellner, VP Marketing der US-amerikanischen WordPress-Hosting-Plattform Kinsta, erinnert sich, wie ihr Unternehmen hohe Kosten und Risiken in Kauf nahm, um Qualität an erste Stelle zu setzen.
Yugabyte: Karthik Ranganathan, Gründer und CTO von Yugabyte erzählt von den vielen Herausforderungen, die der Aufbau eines Unternehmens mit sich brachte, das eine vollständig verwaltete und gehostete „Database as a Service“ mit einer verteilten SQL-Datenbank bereitstellt.
Current: Trevor Marshall, CTO, erzählt vom Beginn seiner unternehmerischen Reise mit Current und davon, wie er den Erfolg mithilfe von Google Cloud sichern konnte.

Wir freuen uns darauf, Ihnen die innovativen Arbeits- und Geschäftsmodelle von Start-ups vorzustellen, die auf Google Cloud setzen.

Hier erfahren Sie mehr darüber, wie sich Start-ups die Unterstützung von Google Cloud sichern können.

Aktuelles auf dem Google Cloud Blog I Ausgabe 14

Wed, 21 Dec 2022 04:00:00 +0000

Von der digitalen Sicherheit bis zur Patientenversorgung: Cloud-Lösungen helfen Unternehmen und Privatpersonen dabei, die wichtigsten Herausforderungen unserer Zeit zu meistern. Wie, das erfahren Sie in unserem Blog. In diesem Beitrag haben wir die Highlights der vergangenen Wochen für Sie zusammengestellt.

Digitalisierung in deutschen Kliniken mit Machine Learning

Google Cloud unterstützt deutsche Kliniken bei der Entwicklung praktischer Cloud-Lösungen, die durch Fördermittel des Krankenhauszukunftsgesetzes finanziert werden können. Erste Projekte sind bereits angelaufen – beispielsweise für die Waldkliniken Eisenberg in Thüringen. Im Zuge dieses Pilotprojekts entwickelt Google Cloud gemeinsam mit Machine Learning-Profis von ML6 ein KI-gestütztes Prognosesystem für die datenbasierte Ressourcenplanung. Es wird den Waldkliniken dabei helfen, die Auslastung von Ressourcen und Personal, beispielsweise im OP oder der Notaufnahme, zu optimieren. Die Grundlage dafür bilden Google Cloud-Technologien wie Vertex AI, Cloud Storage, Dataflow, und PubSub.

Neun von zehn Start-ups scheitern – diese Studie untersucht, warum

In Gesprächen mit Gründer*innen, Geschäftsleuten und Investor*innen nimmt die Studie „Starting Up Smart“ von Sifted Intelligence, die von Google Cloud gefördert wurde, die Entwicklungsphasen von Start-ups unter die Lupe, um Erfolgsfaktoren und Risiken zu identifizieren. Kritisch ist beispielsweise bereits die Vorlaufphase: Sifted Intelligence fand heraus, dass erfolgreiche Start-ups ihre Geschäftsmodelle schon an die Bedürfnisse potenzieller Kund*innen abstimmen, bevor sie erste Produkte realisieren. Auch zu Kundenfindung und Kundenbindung, die Pflege der Unternehmenskultur und den Aufbau einer skalierbaren IT-Umgebung bietet die Studie überraschende Erkenntnisse.

Google Workspace-News: neuer Blog

Bereits seit den Anfängen von Gmail vor fast 20 Jahren bloggen wir über Technologie und Zusammenarbeit und teilen auf verschiedenen Kanälen Informationen dazu.

Mit unserem neuen Blog machen wir es Ihnen nun leichter, Produktneuheiten, aktuelle Informationen und Best Practices rund um die Themen Produktivität und Zusammenarbeit direkt auf der Workspace-Website zu finden – mit übersichtlichem Layout, verbesserten visuellen Elementen und Content zu jedem unserer Produktbereiche, von Google Docs und Drive bis zu Meet und AppSheet.

Weiterentwicklung der digitalen Souveränität

Im September 2021 haben wir „Cloud. Nach europäischen Maßstäben“ vorgestellt – eine große Initiative zur Bereitstellung von Cloud-Diensten, die maximale digitale Souveränität gewährleisten und europäische Unternehmen und Institutionen bei Wachstum und digitaler Transformation unterstützen. Seither ist bei Kunden und politischen Entscheidungsträgern die Nachfrage nach Lösungen zu digitaler Souveränität gestiegen.

Nach enger Zusammenarbeit mit unseren europäischen Kunden, Partnern, politischen Entscheidungsträgern und Regierungen haben wir auf der Google Cloud Next ein umfassendes Portfolio an Lösungen vorgestellt, die digitale Souveränität gewährleisten und die aktuellen und künftigen Anforderungen europäischer Kunden im Zuge ihrer digitalen Transformation erfüllen können.

Setzen Sie Ideen mit Google Cloud in die Tat um

Möchten Sie Ihre Mitarbeitenden besser vernetzen, innovative Lösungen entwickeln oder mit datengestützten Erkenntnissen bessere Entscheidungen treffen? Google Cloud liefert Unternehmenslösungen, mit denen Sie Ihre Ideen verwirklichen können. Wenn Sie mehr über das Leistungsangebot von Google Cloud erfahren möchten, hilft Ihnen unser Vertriebsteam gerne weiter.

Aktuelles auf dem Google Cloud Blog I Ausgabe 13

Wed, 30 Nov 2022 04:00:00 +0000

In der Cloud liegt die Zukunft: Sie macht Ressourcen skalierbar, Daten frei zugänglich und Teams produktiver. Mit den Lösungen von Google Cloud können Unternehmen aller Größen und Branchen die Chancen der Digitalisierung für sich nutzen und Kundenerlebnisse personalisieren, die Markteinführung neuer Produkte beschleunigen und nachhaltiger wirtschaften.

In unserem Blog finden Sie auch in diesem Monat aktuelle Nachrichten, Ankündigen, Interviews und Erfolgsgeschichten aus der Welt von Google Cloud. Wir haben einige der spannendsten neuen Blogbeiträge hier für Sie zusammengestellt.

Moss nutzt Google Cloud und die Blockchain, um CO₂-Emissionen auszugleichen

Auch mit einer nachhaltigen Lebensweise lassen sich CO₂-Emissionen nicht völlig vermeiden. Die CO₂-Kompensation erlaubt Menschen und Unternehmen, ihren Ausstoß an Treibhausgasen auszugleichen, indem sie Klimaschutzprojekte unterstützen, die dieselbe Menge an CO₂ einsparen. Doch wer kann garantieren, dass auch wirklich genug CO₂ kompensiert und die richtigen Projekte unterstützt werden? Moss macht es möglich.

Moss ist ein Klima-Tech-Unternehmen aus Brasilien, das Blockchain-Technologie nutzt, um den Handel mit Emissionszertifikaten transparenter, sicherer und dynamischer zu gestalten. Organisationen und Einzelpersonen können Emissionsgutschriften kaufen, die belegen, dass die Emission einer Tonne Kohlenstoff ausgeglichen wurden, und mit diesen Zertifikaten sogar handeln.

So bringen Sie Ihre VMware-Anwendungen problemlos zu Google Cloud

Mit der Google Cloud VMware Engine (GCVE) können Unternehmen ihre VMware-Umgebungen per Lift-and-Shift in die Cloud verschieben, ohne dass dabei Änderungen an Abläufen oder Anwendungen fällig werden. Besonders einfach ist die Migration mit der Hybrid Cloud Extension (HCX), die einen nahtlosen Übergang von On-Premises-Umgebungen in die Cloud ermöglicht.

In unserem neuen Whitepaper Google Cloud VMware Engine Performance Migration & Benchmarks erklären wir die Architektur der Lösung und stellen ihre wichtigsten Vorteile und Funktionen vor. Im Blogbeitrag fassen Robert Castruita, VMware Solutions Engineer, Center of Excellence, Google Cloud und Tom Nikl, Cloud Migration Team, Google Cloud, einige der wichtigsten Erkenntnisse des Whitepapers kurz zusammen.

Sieben wichtige Trends in der API-Economy

APIs sind heute nicht nur die Grundlage vieler Apps und Architekturen, sondern ganzer Geschäftsmodelle. Unternehmen können damit mehr aus ihren SaaS-Anwendungen herausholen, Geschäftsdaten effizienter nutzen, Kundenerlebnisse personalisieren und Apps von Drittanbietern problemlos in ihre Dienste integrieren. Der Trend hin zu API-basierten Geschäftsmodellen wird auch als API Economy bezeichnet.

Die API-Economy wird in den kommenden Jahren eine wichtige Rolle spielen, wenn es darum geht, Apps, Services und ganze Clouds miteinander zu verbinden. Dieses noch junge Feld entwickelt sich ständig weiter – nicht zuletzt deshalb, weil es bei API-Technologien immer wieder Innovationen gibt.

Wie Twitter mit Google Cloud mehr aus seinen Daten herausholt

Twitter ist für Millionen von Menschen weltweit zu einem Teil ihres Alltags geworden. Der Erfolg der Microblogging-Plattform hängt davon ab, die sich ständig verändernden Bedürfnisse der Nutzer*innen durch kontinuierliche Optimierung der Benutzererfahrung zu bedienen. Das erfordert Daten – und wirksame Methoden, um die richtigen Schlüsse aus diesen zu ziehen. Twitter setzt dafür auf Google Cloud.

Um die Datenverarbeitung zu standardisieren und zu automatisieren, migrierte Twitter große Teile seiner Dateninfrastruktur zu Google Cloud. Heute nutzt die Plattform zahlreiche Google Cloud-Lösungen, beispielsweise BigQuery oder Dataflow, um ihre Werbepartnerschaften zu stärken und die Produktivität zu steigern.

Nutzen Sie die Chancen der Digitalisierung mit Google Cloud

Jetzt sind Sie an der Reihe: Welche geschäftlichen Herausforderungen beschäftigen Sie derzeit besonders? Bei Google Cloud finden Sie die passende Plattform und die nötige Infrastruktur, um sie zu lösen. Viele Google Cloud-Produkte können Sie dabei völlig kostenlos und unverbindlich ausprobieren.

Falls Sie Fragen zum Leistungsangebot und unseren Lösungen haben, hilft Ihnen unser Vertriebsteam gerne weiter.

Einstieg in ML: mehr als 25 Ressourcen für jede Rolle und Aufgabe

Mon, 14 Nov 2022 06:00:00 +0000

Wie gelingt der Einstieg in Vertex AI? Nachfolgend finden Sie eine Liste mit Ressourcen, mit denen Sie Ihre Kenntnisse über Data Science, Machine Learning und künstliche Intelligenz in der Google Cloud erweitern und vertiefen können.

Wir haben die Ressourcen nach den Themenbereichen Data Analysts, Data Scientists, ML Engineers oder Software Engineers gegliedert, wobei es viele Überschneidungen zwischen diesen Rollen gibt. Einige Ressourcen für Data Scientists sind also auch für ML Engineers oder Entwickler*innen nützlich.

Data Analyst

Data Analysts helfen ihren Stakeholdern, den Wert ihrer Daten zu erkennen. Sie erschließen und analysieren Daten und modellieren damit Business-Szenarien.

Datenexploration und Feature Engineering

Datenvisualisierung

[Leitfaden] Visualizing BigQuery data using Data Studio

[Blog] Go from Database to Dashboard with BigQuery and Looker

Data Scientist

Um Erkenntnisse aus Daten zu gewinnen, setzen Data Scientists Techniken wie umfassende explorative Datenanalyse, Visualisierung, Feature Engineering und Modellierung ein. Ein guter Einstieg in diese Themen sind die Best Practices für die Implementierung von maschinellem Lernen in Google Cloud.

Modell-Registry

[Video] AI/ML Notebooks how to with Apache Spark, BigQuery ML and Vertex AI Model Registry

Modell-Training

Modell-Training im großen Maßstab

Modell-Tuning

Modell-Bereitstellung

ML Engineer

Die folgenden Ressourcen richten sich an ML Engineers und setzen Schwerpunkte bei den Themen MLOps, Operationalisierung von Feature Management, Modell-Bereitstellung und Monitoring sowie CI/CD mit ML-Pipelines.

Feature Management

Modell-Monitoring

[Blog] Monitoring feature attributions: How Google saved one of the largest ML services in trouble

ML Pipelines

Machine Learning Operations

[Guide] MLOps: Continuous delivery and automation pipelines in machine learning

Software Engineer mit ML-Anwendungen

Die folgenden Ressourcen sind hilfreich für Software Engineers, die ML hauptsächlich in Anwendungen einsetzen und weniger Zeit mit Datenmanipulation, Modellerstellung oder MLOps verbringen.

Die passende Ressource nicht gefunden?

Benötigen Sie weitere Informationen, können aber das Gesuchte nicht finden? Wir helfen Ihnen gerne! Schreiben Sie uns auf LinkedIn:

Die Geheimnisse erfolgreicher Start-ups

Thu, 10 Nov 2022 03:00:00 +0000

Ein Unternehmen zu gründen ist nichts für schwache Nerven: Neun von zehn Start-ups scheitern. Was zeichnet die wenigen, die zum Erfolg kommen, aus?

Mit „Starting Up Smart“ hat Sifted Intelligence dazu eine neue, von Google Cloud geförderte Studie vorgelegt. Sie geht in Gesprächen mit Gründer*innen, Geschäftsleuten und Investor*innen den Erfolgsfaktoren und Fallstricken bei Neugründungen auf den Grund. In diesem Beitrag schauen wir uns die Studie näher an und stellen die Ratschläge von Gründer*innen vor, die viel gewagt, Tiefschläge weggesteckt, und schließlich gelernt haben, wie Start-ups skalierbar zum Erfolg gebracht werden.

Wie fliegt man ein Raumschiff?

„Die ganz frühen Phasen von Neugründungen sind kritisch“, sagt Sarah Gerweck, Technical Director, Office of the CTO bei Google. Sie war selbst einmal Gründerin und konnte Erfolg und Misserfolg zahlreicher Start-ups verfolgen. „Die Frühphase der Unternehmensgründung ist wie ein Raketenstart: Oft beeinflussen kleine Entscheidungen den weiteren Verlauf enorm.“ Wichtig sind deshalb Anpassungsfähigkeit und Entschlusskraft. „Start-ups sollten schnell handeln, aber nicht leichtsinnig”, so Gerweck.

Doch wie startet ein Start-up? Viele beginnen damit, dass sie eine großartige Lösung für ein Problem entdecken und setzen all ihre Ressourcen für die Schaffung eines Minimum Viable Product (MVP) ein. Sifted Intelligence empfiehlt hingegen, zunächst zwei Kernfragen zu beantworten: „Wem möchte ich etwas verkaufen?“ und „Wie erreiche ich diese Kundschaft?“

Kasper Enggaard Krog, CEO von Vibrant.io, klopfte schon an Türen potenzieller Unternehmenskunden, als sein MVP noch gar nicht existierte: „Ich finde, Start-ups sollten ein Geschäftsmodell haben, das auch mit Kund*innen abgestimmt ist, bevor auch nur eine Zeile Code geschrieben wird.“ Dies helfe Start-ups, auf konkrete Bedürfnisse maßgeschneiderte Produkte zu entwickeln. Im Wechselspiel von Iteration und Feedback gelangt das MVP zur Marktreife.

Das „Google for Startups Cloud“-Programm bietet Unterstützung bei der Unternehmensgründung. Das Angebot umfasst neben Produkten auch Best Practices und Fachleute, die bei Konzeption und Validierung des MVP,der Bestimmung der Zielgruppe und der Skalierung helfen.

Die ersten zahlenden Kund*innen

Kaum ist das Produkt bereit für die Vermarktung, wartet schon die nächste Herausforderung: Jemanden zu finden, der dafür zahlt. Manche Start-ups konzentrieren sich auf einen bestimmten Kundentypen, der dann weitere auf das Produkt ziehen soll. Onfido, Anbieter einer Lösung zur Authentifizierung von Nutzenden, wandte sich zunächst an Neo-Banken und andere innovationsfreudige Unternehmen in der Finanzbranche und gelangte über diese schließlich auch an traditionellere Bankhäuser. Andere Start-ups stellen Wachstum und Datengewinnung über erste Umsatzerlöse. Sie setzen auf ein „Freemium“-Modell – eine Preisstrategie, bei der das Basisprodukt oder entsprechende Leistungen kostenlos sind, weitergehende Funktionen aber bezahlt werden müssen.

Dass die Kundschaft schon kommt, wenn das perfekte Produkt vorliegt, ist ein beliebter Irrtum. Dazu braucht es passgenaue Marketing-Botschaften. „Komplexe Produkte und Technologien müssen einfach und verständlich erklärbar sein“, so Rocio Pillado, Partner bei Adara Ventures. „Sie müssen den Mehrwert und die Vorteile der Leistung, die Sie verkaufen, klar benennen können.“

Diese Perspektive haben wir bereits in einem gesonderten Blogpost näher beleuchtet: Tipps zum Umgang mit Daten für junge Start-ups. Mit einer klaren Vorstellung davon, was das Produkt den Kund*innen bringt und wie es genutzt wird, gelingt es Start-ups leichter, die richtigen Tools zu wählen und die bestmöglichen Erkenntnisse aus Kundendaten zu ziehen.

Kundenbindung und Wachstumskurs

Von der Kundenfindung zur Kundenbindung: Sifted Intelligence unterstreicht hierzu die Bedeutung von kundenseitigen Anwendungsdaten. Die aus ihnen gewonnenen Erkenntnisse leiten die Weiterentwicklung des Produkts an. Allerdings können solche Datensätze äußerst umfangreich, unscharf und kompliziert in der Handhabung sein. Deshalb rät Janneke Niessen, Gründungspartnerin der Beteiligungsfirma CapitalT, die Datenanalyse so weit wie möglich zu automatisieren. „Messwerte gibt es zu Millionen“, erklärt sie. „Doch häufig sind es nicht mehr als fünf Faktoren, fünf KPIs, an denen sich Ihr Geschäftserfolg ablesen lässt. Diese zu identifizieren verdient also größte Aufmerksamkeit.“

Google Cloud hat dazu das Whitepaper „The future of data will be unified, flexible, and accessible“ herausgegeben. Es empfiehlt modernen Tech-Unternehmen Streaming-Stacks einzusetzen, die mit der Datenmenge skalieren, die Nutzung von KI und ML für fundierte Vorhersagen ermöglichen, und Prozesse operationalisieren. Mit dem richtigen Technologie-Stack gewinnen Start-ups schnell die entscheidenden Erkenntnisse und können diese umsetzen.

Mit wachsenden Nutzungszahlen erhöhen sich die Ansprüche an die Ressourcen. Start-ups müssen Wege finden, nachhaltig zu expandieren. Kelsey Hightower, Principal Engineer bei Google Cloud, rät jungen Start-ups, eine serverlose Infrastruktur in Betracht zu ziehen. Diese Art Infrastruktur ist vollständig verwaltet und skaliert selbsttätig anforderungsgemäß.

Expandiert das Start-up, wächst auch die Belegschaft. „Bevor sich Ihr Headcount binnen Jahresfrist verdoppelt, sollten Sie besser Ihre Wertvorstellungen formuliert haben – sonst ist die Aufrechterhaltung Ihrer Unternehmenskultur reine Glückssache“, sagt Meri Williams, CTO-Beraterin und frühere CTO bei MOO und Monzo.

Neben klaren Aussagen zu seinen Wertprinzipien ist ein rapide wachsendes Unternehmen auf die schnelle und zuverlässige Zusammenarbeit seiner Mitarbeiter*innen angewiesen. Als sich Seriengründer Gil Laurent 2019 bei der Gründung von CAST AI, einem Spezialunternehmen für Cloud-Kostenmanagement beteiligte, sorgte er dafür, dass Google Workspace konsequent genutzt wurde, um die Kommunikation zu optimieren, neue Beschäftigte einzuarbeiten und Echtzeit-Zusammenarbeit auch im Homeoffice zu gewährleisten. Drei Jahre und eine Pandemie später hat sich CAST AI bestens entwickelt.

Learnings von Gründer*innen

Kein Start-up ist wie das andere, und aus jedem lässt sich etwas anderes lernen. Johan Attby, CEO von Fishbrain AB, rät dazu, zunächst mit einer kleinen Zielgruppe zu starten, ein Produkt zu entwickeln, das diese ersten Nutzer*innen bindet und erst dann zu expandieren. Derweil empfiehlt Husayn Kassai, Mitgründer von Onfido, anderen Gründer*innen vor allem in die Zusammenstellung eines passenden Teams zu investieren: „Erfolg kommt zu 98 % von den richtigen Leuten, und zu 2 % von allem anderen“.

Weitere Informationen und Erfahrungen von Gründer*innen finden Sie in dem vollständigen Bericht von Sifted Intelligence. Wenn Sie aus erster Hand erfahren wollen, wie Google Cloud Start-ups bei der Entwicklung ihrer Produkte und Nutzerbasen unterstützt, dann lernen Sie von der Google Cloud Next 2022.

Aktuelles auf dem Google Cloud Blog I Ausgabe 12

Mon, 31 Oct 2022 04:00:00 +0000

Wie nachhaltig sind die IT-Abteilungen von Unternehmen in Deutschland, Österreich und der Schweiz? Um das herauszufinden, hat das Marktforschungsunternehmen IDC die Nachhaltigkeitsstrategien von mehr als 300 Unternehmen anhand ausführlicher Umfragen untersucht. Berücksichtigt wurden dabei Firmen mit 50 oder mehr Mitarbeitenden, die bereits konkrete Nachhaltigkeitsinitiativen geplant oder eingeführt haben. Die Ergebnisse der Studie finden Sie hier.

Hier eine Zusammenfassung weiterer Neuigkeiten aus der Welt des Cloud Computing.

Zero Trust für Regierungen und Organisationen

In einem komplexen, vernetzten System kann jede einzelne Komponente ein potenzielles Sicherheitsrisiko darstellen. In Unternehmen, die heute immer mehr Anwendungen, Geräte, und Nutzer*innen managen müssen, gewinnt deshalb das Zero Trust-Sicherheitsmodell an Beliebtheit.

Um besser mit dem Risiko umgehen zu können, dass Benutzerinformationen gelegentlich in falsche Hände geraten, hat Google Cloud das BeyondCorp-Framework entwickelt. Es überträgt Zugriffskontrollen von der Netzwerkumgebung auf individuelle Nutzer, sodass Mitarbeitende mit BeyondCorp auch ohne VPN von überall aus sicher arbeiten können.

Mit der im Januar 2021 veröffentlichten BeyondCorp Enterprise-Lösung können Unternehmen ihren Teams sicheren, Zero Trust-basierten Zugriff auf Ressourcen und Anwendungen in der Cloud und On-Premises garantieren.

Google und das Internet: Traffic von A nach B

Traffic ist überall: Jede E-Mail, die wir versenden, jede Videokonferenz und jeder Dateidownload verursacht Datenverkehr, der eine komplexe, internationale Netzwerk-Infrastruktur erfordert. Diese Infrastruktur wird von einer Vielzahl an lokalen Anbietern und Unternehmen betrieben. Eines davon ist Google.

Genau wie Straßenverkehr erfordert Internet-Traffic ausreichend Platz, denn sonst entstehen Staus und Blockaden. Deshalb betreibt Google auf der ganzen Welt Glasfaser-Netze und Datenzentren, die digitalen Content auf dem schnellsten Wege zwischen unseren Kund*innen und uns austauschen.

Fünf Methoden für Personalisierung im Einzelhandel

Der Einzelhandel ist es gewohnt, im Marketing mit datenbasierter Kunden-Segmentierung zu arbeiten. Doch in der schnelllebigen E-Commerce-Landschaft bietet eine weitergehende Personalisierung neue Möglichkeiten, um die Erfahrung von Kund*innen zu optimieren.

Mit Cloud-basierten Daten-Plattformen wie der Kundendatenplattform von Google Cloud, oder Lösungen aus den Bereichen Künstliche Intelligenz und Machine Learning (KI/ML) können Einzelhändler die Kundenerfahrung in Echtzeit personalisieren.

Im Blogbeitrag stellen Matt Sullivan, Global Head of Strategic Partnerships, Google Cloud und Scott Duby, Retail ISV Partnerships Lead, Google Cloud, fünf Lösungen und Strategien vor, mit denen Einzelhandelsunternehmen ihre Kundenerfahrungen verbessern können.

Wie Brain Corp die Roboter von morgen betreibt

Roboter können mehr als Lagerarbeit. Brain Corp nutzt innovative KI-Software, um Roboter zu bauen, die vielseitig in öffentlichen Räumen einsetzbar sind und Seite an Seite mit Menschen operieren können. Die zugrunde liegende KI-Software BrainOS® wird in der Cloud ausgeführt. Um sie noch effizienter zu betreiben, migrierte Brain Corp die Robotik-Plattform jetzt von Amazon EKS zu Google Kubernetes Engine (GKE) Autopilot.

Autopilot versorgt das System nun automatisch mit den neuesten Sicherheitsupdates und garantiert Verfügbarkeit und Skalierbarkeit der Cluster. Weil dieser Mehraufwand, der früher manuelle Arbeit erforderte, wegfällt, kann sich das Brain Corp-Team auf andere Aufgaben konzentrieren – wie etwa die Entwicklung neuer Roboter.

Digitalisierung mit Google Cloud

Jetzt sind Sie an der Reihe: Welche geschäftlichen Herausforderungen beschäftigen Sie derzeit besonders? Google Cloud bietet die passenden Plattform-Lösungen und die nötige Infrastruktur, um sie zu lösen. Viele unserer Google Cloud-Produkte können Sie übrigens völlig kostenlos und unverbindlich ausprobieren. Falls Sie Fragen zum Leistungsangebot und unseren Lösungen haben, hilft Ihnen unser Vertriebsteam gerne weiter.

Machine Learning à la Volkswagen: Entwicklung energieeffizienterer Autos in der Google Cloud

Wed, 28 Sep 2022 09:00:00 +0000

Volkswagen ist danach bestrebt, nicht nur ästhetische und leistungsstarke, sondern auch energieeffiziente Fahrzeuge zu entwickeln. Dies geschieht in einem iterativen Prozess, bei dem die Designer*innen viele Designentwürfe durchgehen, jeden einzelnen bewerten, das Feedback integrieren und verfeinern.

Der Luftwiderstandsbeiwert eines Fahrzeugs ist dabei einer der wichtigsten Faktoren für die Energieeffizienz. Schätzungen des Luftwiderstandsbeiwerts für mehrere Entwürfe helfen den Konstrukteurinnen und Konstrukteuren, sich beim Experimentieren auf energieeffizientere Lösungen zu einigen. Das Problem ist, dass die Schätzung des Luftwiderstandsbeiwerts ein teurer und zeitaufwändiger Vorgang ist, der entweder einen physischen Windkanal oder eine rechenintensive Simulation erfordert, was zu Engpässen im Feedback-Zyklus führen kann.

Volkswagen und Google Cloud haben deshalb beschlossen, in einem gemeinsamen Forschungsprojekt zu untersuchen, wie Machine Learning zu schnellen und kostengünstigen Schätzungen des Luftwiderstandsbeiwerts eingesetzt werden kann. In diesem Beitrag geht es um die Herausforderungen und Lösungsansätze bei diesem Projekt.

Als Grundvoraussetzung mussten wir zunächst einen Datensatz mit bestehenden Fahrzeugdesigns und ihren Luftwiderstandsbeiwerten sammeln. Dann mussten wir eine geeignete Darstellung der verschiedenen Autos für Machine Learning erstellen. Schließlich begannen wir damit, ein Deep-Learning-Modell darin zu trainieren, den Luftwiderstandsbeiwert vorherzusagen, und dieses Modell dann zu verwenden, um den Luftwiderstand für jedes neue Design effizient zu schätzen.

Darstellung dreidimensionaler Autodesigns

Die verwendete Konstruktionssoftware stellt Automobile als dreidimensionale Dreiecksnetze dar, die aus drei Arten von Objekten bestehen: Flächen, Kanten und Scheitelpunkte. Abbildung 1 zeigt ein solches Netz für einen Audi S6 und hebt die drei Netzkomponenten hervor. Flächen sind flache Oberflächen, wie zum Beispiel das Fenster in einer Autotür. Eine Kante ist die Stelle, an der sich zwei Flächen treffen (etwa die Seite der Tür), und ein Scheitelpunkt ist die Stelle, an der sich zwei oder mehr Kanten treffen, wie zum Beispiel die Ecke der Tür.

Abbildung 1: Netzdarstellung eines Audi S6 (aus ShapeNet) mit Hervorhebung von Scheitelpunkten, Kanten und Flächen.

Autokarosserien gibt es jedoch in allen Formen und Größen. Ein Volkswagen Golf unterscheidet sich stark von einem Tiguan SUV, und Fahrzeuge können sowohl große glatte Flächen als auch Bereiche mit vielen fein gezeichneten Merkmalen aufweisen, was zu einer Vielfalt zwischen den einzelnen Polygonnetzen führt.

Modelle für Machine Learning benötigen eine einheitliche Darstellung der Automobile, um robuste verallgemeinerte Regeln zu bilden: Bei einer zu großen Varianz zwischen den einzelnen Polygonnetzen könnten die Ergebnisse sonst eine große Fehlerspanne aufweisen.

Wir mussten einen Weg finden, um einfache, für ML-Lernmodelle geeignete Netze zu erstellen, die die Form des Autos korrekt erfassen.

Darstellung eines Autos mit digitaler Schrumpffolie

Anstatt die 3D-Netze jedes Autos von Grund auf neu zu erstellen, wendeten wir die Methode des "Shrink-Wrapping" an – ähnlich wie beim Einschweißen einer Gurke (Abbildung 2). Die Gurke wird dabei in eine Plastiktüte gesteckt, aus der dann nach und nach die Luft entzogen wird, bis die Tüte die Gurke fest umschließt und ihre Form annimmt.

In unserem Ansatz beginnen wir mit einem Grundnetz, wie die Plastiktüte in unserem Beispiel. Wir verformen es, bis es die Form des Zielnetzes – der Gurke – entspricht. Für unsere Zwecke ist das Basisnetz eine vereinfachte Darstellung eines Autos und das Zielnetz ist das spezifische Auto, das wir gerade entwerfen. Solche Meshes können mit den Tensorflow Graphics- und trimesh-Bibliotheken definiert, verwaltet und ML-Lernmodellen zum Training vorgelegt werden.

Abbildung 2: Vakuumversiegelung einer Gurke.

Unsere "Schrumpffolien"-Methode (oder auch Shrink Wrapping Algorithmus) funktioniert hauptsächlich durch die iterative Minimierung eines Abstandsmaßes (zum Beispiel Fasenabstand) zwischen den Polygonnetzen. Zusätzlich können wir unser Netz regulieren, um bestimmte Eigenschaften wie etwa die Glattheit des resultierenden Netzes zu erhalten. Diese iterative Optimierung ähnelt der Vakuumpumpe, die die Scheitelpunkte des Netzes allmählich schrumpft und es so eng wie möglich an die komplexe Form des Fahrzeugs anpasst. Durch das Schrumpfen können wir exaktere Netze erzeugen, die für unsere Schätzaufgabe besser geeignet sind. Ein Beispiel für dieses Verfahren ist in Abbildung 3 dargestellt.

Abbildung 3: Schrumpfung eines Basisnetzes auf das Zielnetz eines Audi S8.

Wie man ein Modell trainiert

Das Einschrumpfen der 3D-Automodelle war ein wichtiger erster Schritt, doch die Arbeit war noch lange nicht beendet. Unsere nächste Herausforderung bestand darin, die Algorithmen für das Machine Learning zu entwickeln und zu testen.

Wir wollten, dass unsere Algorithmen in der Lage sind, ein neues Design zu betrachten und den Luftwiderstandsbeiwert so genau und schnell wie möglich zu schätzen. Zu diesem Zweck mussten wir das ML-Lernmodell mit den uns vorliegenden Daten trainieren.

Aus öffentlich zugänglichen Datensätzen berechneten wir die Luftwiderstandsbeiwerte für 800 verschiedene Fahrzeugpolygonnetze, mit denen wir die Modelle trainierten. Dann bewerteten wir die trainierten Modelle an weiteren 100 Polygonnetze, um zu sehen, wie genau ihre Schätzungen bei neuen Daten ausfielen.

Im Laufe des Trainings haben wir unseren Ansatz verfeinert. Zunächst testeten wir Modelle auf der Grundlage von faltenden neuronalen Netzen – ähnlich wie PointNet –, die nur die Scheitelpunkte, also die festen Punkte in jedem Netz, beobachteten. Als wir jedoch Modelle mit faltenden neuronalen Netzen für Polygonnetze – ähnlich wie bei FeastNet – testeten, stellten wir fest, dass ein etwas anderer Fokus die Genauigkeit der Schätzungen verbesserte. Diese Modelle konzentrierten sich nicht nur auf die Scheitelpunkte, sondern betrachteten ein Netz von Scheitelpunkten und deren Beziehung zueinander. Diese Modelle setzten jeden Scheitelpunkt in einen umfassenderen Kontext, was zu genaueren Schätzungen führte, wenn die Luftströmung auf besonders fein detaillierte Designmerkmale traf.

Paralleles Arbeiten in großem Maßstab

Für die Zusammenarbeit über Zeitzonen und zwei Organisationen hinweg – nämlich Volkswagen und Google – nutzen wir die Google Cloud Vertex AI-Plattform.

Vertex AI Workbench dient als zentraler Knotenpunkt für die Interaktion mit anderen Diensten und der Infrastruktur auf der Vertex AI-Plattform. Sie hilft beim schnellen Experimentieren sowie bei der Vorbereitung von Programmcode für ressourcenintensive ML-Modell-Trainingsaufträge, und basiert auf einer Python-Notebook-Umgebung, die sofortige Ausführungen von Code erlaubt. Die Notebook-Umgebungen machen eine codebasierte Interaktion mit anderen Diensten auf Google Cloud und ML-Tools wie Vertex AI Training und Vertex AI Pipelines möglich.

Beim Training eines neuen Modells wird zunächst ein Datensatz vorbereitet und in Google Cloud Storage gespeichert, normalerweise mit Hilfe von Tensorflow Datasets. Dann verpacken und speichern wir für jedes ML-Lernmodell, das wir testen wollen, den Trainingscode als Container-Image mit Google Cloud Build und Container Registry. Dadurch wird sichergestellt, dass jeder Auftrag vollständig dokumentiert ist, einschließlich der bereitgestellten Parameter, des Trainingscode-Pakets, der Protokolle der Trainingsaufgabe, und der resultierenden Artefakte wie Metriken und Modelldateien.

Von dort aus übermitteln wir das Modell an den Vertex AI Training Service, der einen einfachen Zugang zu großer Infrastruktur und Hardware-Beschleunigern wie GPUs und TPUs bietet, indem wir einfach den Ressourcenbedarf bei der Übermittlung eines Auftrags definieren. Mit Hilfe der Hyperparameter-Tuning-Funktion von Vertex AI Training können wir Experimente parallel mit mehreren neuronalen Netzen vornehmen, um das richtige für unsere Zwecke zu finden.

Mit Vertex AI Tensorboard können wir Metriken erfassen und die Ergebnisse unserer Experimente visualisieren. Diese sind für jedes Teammitglied, egal wo auf der Welt, für eine breitere Diskussion leicht zugänglich.

Der erste Meilenstein

Die gemeinsame Forschungsarbeit von Volkswagen und Google hat mit Hilfe der KI-Plattform Vertex vielversprechende Ergebnisse hervorgebracht. Mit unserem ersten Meilenstein ist es dem Team gelungen, die jüngsten KI-Forschungsergebnisse einen Schritt näher an die praktische Anwendung für das Autodesign heranzuführen. Die erste Iteration des Algorithmus kann nun innerhalb einer Sekunde eine Schätzung des Luftwiderstandsbeiwerts mit einem durchschnittlichen Fehler von nur 4 Prozent erstellen.

Eine Varianz von 4 Prozent ist zwar nicht ganz so genau wie ein physikalischer Windkanaltest, aber gut genug, um eine große Auswahl an Designkandidaten auf eine kleine Shortlist einzugrenzen. Und wenn man bedenkt, wie schnell die Schätzungen erscheinen, haben wir eine wesentliche Verbesserung gegenüber den bisherigen Methoden erzielt, die Tage oder Wochen benötigen. Mit dem von uns entwickelten Algorithmus können Designer mehr Effizienzprüfungen durchführen, mehr Kandidaten einreichen und in einem Bruchteil der Zeit, die sie früher benötigten, zu detailreicheren und effektiveren Designs übergehen.

Schnellere und genauere Schätzungen könnten in Zukunft sogar eine automatisierte Suche nach effizienten Entwürfen bereitstellen, was sowohl den Ingenieur*innen als auch den Designer*innen helfen würde, sich auf die Bereiche der Fahrzeugkarosserie zu konzentrieren, in denen sie die größten Verbesserungen erzielen können. Ein wichtiger nächster Schritt wird die Integration der Ergebnisse in 3D-Konstruktionssoftware sein, damit die Konstrukteur*innen von ihnen profitieren und Feedback geben können.

Im weiteren Verlauf konzentrieren wir uns auf die Verbesserung der Genauigkeit der Modelle. Dazu werden wir einen größeren Datensatz mit besserer Qualität erstellen und damit unseren Shrink Wrapping Algorithmus optimieren, um mehr Details zu erfassen. Schließlich werden wir unsere bestehenden Modelle verbessern, indem wir mit Vertex AI Neural Architecture Search experimentieren, um verschiedene Optionen für die neuronale Architektur zu erforschen und zu testen.

Unsere Ergebnisse für die Schätzung des Luftwiderstandsbeiwerts sind lediglich ein Ausgangspunkt für weitere Untersuchungen. Es könnte zahlreiche Anwendungsfälle im Bereich der physikalischen Simulationen und Betrachtungen geben, bei denen Kosten- und Zeiteinsparungen durch ML-basierte Schätzungen erzielt werden könnten.

Aktuelles auf dem Google Cloud Blog I Ausgabe 11

Fri, 23 Sep 2022 04:00:00 +0000

Daten sind das A und O moderner Unternehmen. Sie sind die Grundlage für bahnbrechende Ideen und der Schlüssel zu digitalen Innovationen, die unseren Alltag revolutionieren. Mit den Lösungen von Google Cloud können Unternehmen noch mehr aus ihren Daten herausholen, und so ihre Umsätze, Produktivität und Wettbewerbsfähigkeit steigern. Deshalb stehen Daten im Mittelpunkt dieser Ausgabe unserer Google Cloud-Blogübersicht: Wir haben einige unserer spannendsten Beiträge der letzten Wochen für Sie zusammengestellt.

Wie KI- und Data Science-Teams ihre Mission effektiver erfüllen können

Für viele Unternehmen und Branchen eröffnet Künstliche Intelligenz völlig neue Perspektiven. Doch nicht jedes KI-Projekt ist sinnvoll, und nicht jedes sinnvolle Projekt ist wirtschaftlich tragbar. Um die Spreu vom Weizen zu trennen und den Fokus auf KI-Lösungen zu legen, die ein Unternehmen langfristig weiterbringen, müssen KI- und Data Science-Teams ihre Ressourcen und Prioritäten optimal verteilen. Dabei hilft eine Checkliste wie die folgende:

Wer sind die Kund*innen?
Jedes Projekt bedient eine interne Kundschaft. KI-Teams sollten genau wissen, welchen Mehrwert sie für diese Zielgruppe schaffen.
Wie lautet das wirtschaftliche Argument?
Der Aufwand eines Projekts muss in einem gesunden Verhältnis zu seinem Nutzen stehen, sowohl für das eigene Unternehmen als auch für die Kund*innen.
Welche Prozesse sind nötig?
Straffe Zeitpläne erfordern klare Strukturen, Prozesse und Verantwortlichkeiten, die Teams vorab definieren sollten.
Wie wird der Erfolg des Projekts gemessen?
Projekte sollen einen wirtschaftlichen Nutzen für das Unternehmen generieren. Teams müssen diesen Wertzuwachs messbar machen.

Bayer Crop Science sorgt mit BigQuery und Dataflow für fruchtbare Böden

Gesunde und fruchtbare Böden sind die Grundlage unseres Lebens. Sie speichern Wasser, produzieren Nahrung, und helfen uns sogar dabei, den Klimawandel zu verlangsamen. Bayer Crop Science schenkt der Bodengesundheit die Aufmerksamkeit, die sie verdient; Die Konzerntochter des weltweit tätigen Life-Science-Unternehmens Bayer nutzt Technologie von Google Cloud, um hunderte Millionen Hektar Land zu analysieren und dessen Beschaffenheit besser zu verstehen.

Mit Google Cloud-Diensten wie BigQuery und Dataflow analysiert das Bayer-Team die vielen öffentlich zugänglichen Daten, die von Agenturen wie dem National Weather Service herausgegeben werden, in großen Mengen und gewinnt wichtige Erkenntnisse daraus. Wie das funktioniert und wie Bayer mit diesen Erkenntnissen die Bodengesundheit fördern kann, erklären Aswin Ramakrishnan, Senior Data Engineer bei Bayer Crop Science, und Travis Webb, Solutions Architect bei Google Cloud, in unserem Blogbeitrag.

So sieht die Daten-Zukunft aus: Flexibel, zugänglich und einheitlich

Daten sind die Währung der digitalen Welt. Dementsprechend produzieren wir immer mehr davon: 2021 erzeugte die Welt täglich fünf Exabyte an Daten – das entspricht 2,5 Milliarden Gigabyte. 2025 sollen es täglich bereits 463 Exabyte sein. Datengetriebene Geschäftsmodelle sind somit kritisch für Tech-Firmen und Start-ups, doch die Erfahrung hat gezeigt, dass die Verwaltung von und Wertschöpfung aus Daten für viele Unternehmen noch immer eine große Herausforderung ist.

Dafür gibt es viele Gründe: Unternehmen müssen sich ständig an neue Datenquellen und -formate anpassen, der einfache Datenzugriff für Mitarbeitende ist nicht überall gegeben, und auch Compliance- oder Sicherheitsbedenken halten manche Firmen zurück. Ein neues Whitepaper von Google Cloud widmet sich diesen Herausforderungen und untersucht, wie erfolgreiche Technologieunternehmen und Start-ups Google Cloud-Lösungen nutzen, um ihre Daten für sich arbeiten zu lassen.

Daten optimal nutzen: Tipps & Best Practices für Start-ups

Die Anfangsphase eines Start-ups ist oft kritisch: Entscheidungen, die in den ersten Wochen und Monaten getroffen werden, haben langfristige Auswirkungen – positiv wie negativ. Der richtige Umgang mit Daten und entsprechende Investitionen in Daten-Tools können das Wachstum eines Start-ups zu Beginn enorm ankurbeln und sich auf lange Sicht auszahlen. Doch wie treffen Start-ups die richtigen Entscheidungen?

In seiner Rolle als Director, Analytics & AI Solutions bei Google Cloud, hilft Lak Lakshmanan Start-ups dabei, Google Cloud-Lösungen im Bereich KI und Analytics optimal zu nutzen. Dabei haben sicheinige Best Practices etabliert, die Start-ups beachten sollten. Bereits die Auswahl konkreter Technologielösungen sollten Entscheider*innen im Start-up beispielsweise fundiert, auf Basis der Value Proposition des Unternehmens, vornehmen. Ebenso wichtig für die Zusammenstellung des Technologie-Stacks ist eine klare Vorstellung, wie Kund*innen die Dienstleistungen eines Start-ups nutzen werden.

Holen Sie mit Google Cloud das Maximum aus Ihren Daten heraus

Ob Start-up oder Großkonzern, Cloud-Neuling oder Digital Native: Google Cloud unterstützt Unternehmen aller Größen und Branchen dabei, das volle Potenzial ihrer Daten auszuschöpfen. Die offene Technologie von Google Cloud lässt sich dabei flexibel an Ihre individuellen Herausforderungen anpassen.

Sie möchten Google Cloud-Lösungen wie BigQuery selbst ausprobieren? Mit unseren kostenlosen Versionen können Sie sie ganz unverbindlich testen. Oder kontaktieren Sie noch heute unser Vertriebsteam, um mehr über die Produkte und das Leistungsangebot von Google Cloud zu erfahren.

Neuigkeiten bei Googles offener und intelligenter Daten-Cloud

Thu, 22 Sep 2022 16:00:00 +0000

Wir haben das Privileg, täglich mit höchst innovativen Kunden weltweit zusammenzuarbeiten. Viele von ihnen entschieden sich für Google Cloud, weil wir über fundiertes Fachwissen in den Bereichen Datenanalyse und KI verfügen. Bei der Zusammenarbeit haben wir festgestellt, dass viele der führenden Datenunternehmen ähnliche Prioritäten haben: Datenbarrieren und -komplexität abbauen, neue Anwendungsfälle erschließen und mehr Menschen mit mehr Wirkung erreichen.

Diese disruptiven Unternehmen treiben die Dateninnovation mit einer Daten-Cloud voran, die ihre Mitarbeiter*innen befähigt, Daten aller Art, jeglichen Umfangs und aus jeder Quelle schnell zu bearbeiten – ohne Kapazitätsgrenzen. Diese Daten-Cloud bietet Bewegungsfreiheit, die Nutzer*innen wechseln ihre Workloads mühelos zwischen SQL und Spark, Business Intelligence und Machine Learning. Und für all das muss nur wenig Infrastruktur eingerichtet werden. Außerdem bildet diese Daten-Cloud das Fundament eines Ökosystems zur Schaffung von Datenprodukten, mit denen Mitarbeiter*innen, Kunden und Partner informierte Entscheidungen auf einer breiten Grundlage treffen können.

Am 11. Oktober, auf der Google Cloud Next ‘22, werden wir eine ganze Reihe neuer Funktionen vorstellen, die für diese Vision und ihre Weiterentwicklung stehen. Sollten Sie sich noch nicht für den Data Cloud-Track bei der Google Next angemeldet haben, sichern Sie sich am besten noch heute einen Platz!

Doch weil passionierte Datenfachleute nur ungern warten, möchten wir schon vor der Next eine Vorschau auf die jüngsten Daten-Cloud-Innovationen bieten.

Data Sharing ohne Barrieren, Erkenntnisse in Echtzeit, offene Ökosysteme

Gewöhnlich sind nicht alle Daten, die Sie benötigen, an einer Stelle versammelt, sondern liegen in einer Vielzahl von Quellen und Formaten vor. Nach Jahrzehnten von digitalem Datenaustausch kann die Datenbewegung bei einem traditionellen Austausch sehr aufwendig sein. Sicherheits- und Compliance-Fragen kommen erschwerend hinzu.

Deshalb haben wir uns entschieden, den nun verfügbaren Analytics Hub zu entwickeln – eine Data-Sharing-Plattform für Teams und Organisationen, die den Datenaustausch intern und extern sicher und zuverlässiger gestalten möchten.

Diese Innovation gewährleistet nicht nur, dass große Datensätze global analysebereit zusammengestellt und geteilt werden können, sondern erschließt auch Datensätze, die nur Google bereitstellen kann, z. B. die Google Search Trends oder den Data Commons Knowledge Graph.

Analytics Hub bietet ein erstklassiges Nutzungserlebnis innerhalb von BigQuery: Testen Sie den Hub jetzt im Rahmen der BigQuery-Nutzung kostenlos, ohne Angabe von Kreditkartendaten.

Daten schnell in Ihre Analyseumgebung zu bringen geht aber auch ohne Analytics Hub. Eine kürzlich neu eingeführte Option erlaubt es, Daten in Echtzeit für BigQuery zu extrahieren, zu laden und zu transformieren: das Pub/Sub-Abonnement „BigQuery Subscription“. Diese ELT-Innovation vereinfacht das Streamen von einzuspeisenden Workloads, sie lässt sich leichter implementieren und bietet auch wirtschaftliche Vorteile, denn Sie müssen keine neue Rechenleistung bereitstellen, um Daten zu bewegen, und für die Stream-Einspeisung in BigQuery auch nichts mehr zahlen.

Was aber, wenn Ihre Daten nun in verschiedenen Lakes, Warehouses, Clouds und Dateiformaten stecken? Mit der Zahl der Nutzer*innen vermehren sich auch die Anwendungsfälle und lassen eine herkömmlich aufgebaute Infrastruktur zur Datenbewegung schnell an die Grenzen ihrer Skalierbarkeit stoßen, wodurch hohe Kosten und Risiken entstehen können.

Wir haben deshalb die neue Speicher-Engine BigLake eingeführt, die den innovativen BigQuery-Speicher auf offene Dateiformate ausdehnt, die in öffentlichen Cloud-Objektspeichern residieren. Mit BigLake können Kunden sichere Data Lakes auf der Grundlage offener Dateiformate aufbauen. Und da die Lösung konsistente, granulare Sicherheitskontrollfunktionen für Google Cloud- und Open-Source-Query Engines bietet, muss das Sicherheitssystem nur an einer zentralen Stelle konfiguriert werden, um überall wirksam zu sein.

Kunden wie die Deutsche Bank, Synapse LLC und Wizard haben die Preview-Version von BigLake bereits im Einsatz. Die allgemeine Verfügbarkeit von BigLake gibt Ihnen Gelegenheit, zu erproben, wie Sie Ihr eigenes Daten-Ökosystem aufbauen können.

Freie Wege in der Datenverarbeitung

Wenn sich Ökosysteme auf Datenarten, -größen, -typen und -formate aller Art ausdehnen, werden Organisationen oft in der Innovation ausgebremst, denn die Mitarbeiter*innen müssen, je nach Workload, ständig zwischen unterschiedlichen Schnittstellen wechseln.

Das gilt insbesondere für den Bereich Machine Learning, wo die ML-Schnittstelle häufig eine andere als die für Geschäftsanalysen ist. Nach unseren Erfahrungen kommen BigQuery ML Kunden auf ihren Innovationspfaden jedoch sehr viel schneller voran – weil die Machine Learning-Fähigkeiten integraler Bestandteil von BigQuery sind, während sie bei anderen Lösungen lediglich aufgesetzt werden.

Dieselbe Philosophie wenden wir nun beim Data-Logging an, indem wir einen Loganalyse-Dienst in Cloud Logging anbieten. Dieses derzeit noch im Preview-Status befindliche neue Feature bietet seinen Anwender*innen profunde Einblicke in ihre BigQuery-Logging-Daten. Über die Cloud Logging-Gebühren hinaus fallen keine weiteren Kosten für die Loganalyse an, die zudem von den bald allgemein verfügbaren BigQuery-Features zur Loganalyse profitieren wird: Suchindizes, ein JSON-Dateityp und die Storage Write API.

Kunden, die ihre eigenen maschinengenerierten Daten von Servern, Sensoren und anderen Geräten speichern, untersuchen und analysieren, können damit auf dieselben BigQuery-Features zurückgreifen und haben es so bei der Abfrage der Logs leicht. Sie verwenden einfach die standardmäßige BigQuery-SQL, um operative Log-Daten zu analysieren, genauso wie bei ihren anderen Geschäftsdaten.

Doch das war noch längst nicht alles. Wir freuen uns darauf, Sie am 11. Oktober auf der Google Next ’22 zu begrüßen und Ihnen weitere Details zu den Daten-Cloud-Lösungen der nächsten Generation zu verraten. Suchen Sie die Ihrer Rolle und Ihren Interessen entsprechenden Beiträge unter den Top-Sessions der Next für Datenentwicklung, Datenwissenschaft und Datenanalyse aus – oder erstellen und teilen Sie Ihre eigenen Playlists.

Kommen Sie zur Next ’22 und hören Sie aus erster Hand, wie Boeing, Twitter, CNA Insurance, Telus, L’Oreal, Wayfair und andere Top-Unternehmen datengestützte Erkenntnisse in Erfolge umsetzen – mit der Daten-Cloud von Google.

Die Zukunft der Daten: vereinheitlicht, flexibel, zugänglich

Thu, 15 Sep 2022 03:00:00 +0000

Die von Menschen und Unternehmen produzierten Datenmengen nehmen exponentiell zu. Datengestützte Verfahren sind deshalb vor allem für Technologieunternehmen und Start-ups aller Branchen besonders wichtig. Allerdings wird in unseren Kundengesprächen – ebenso wie in zahlreichen Branchenberichten – immer wieder deutlich, dass das Management und die Auswertung insbesondere großer Datenmengen nach wie vor schwierig ist.

Das hat verschiedene Ursachen – darunter Probleme mit Datenzugriff und Datenspeicherung, inkonsistente Tools, neue und veränderte Datenquellen und Formate, Compliance-Anforderungen und Sicherheitsüberlegungen. Wir möchten Ihnen helfen, diese Herausforderungen zu verstehen und anzugehen, und haben dazu ein neues Whitepaper mit dem Titel „The future of data will be unified, flexible, and accessible“ herausgegeben. Wir untersuchen darin, warum Kunden, die ihre Daten optimal nutzen möchten, sich für Google Cloud entscheiden.

Ein typisches Fallbeispiel: Sie wollen Daten aus Alt-Systemen im Rahmen einer neuen Technologie-Plattform nutzen: Müssen Sie deshalb alle Ihre Daten in die Cloud verlagern? Sollten Sie sie in einer Cloud zusammenfassen oder auf mehrere Clouds verteilen? Wie erschließen Sie alle diese Daten, ohne dass weitere Silos entstehen?

Vielleicht sind Sie auch gezwungen, Ihre Daten statt in Echtzeit mit Batchverarbeitung zu analysieren, was Latenzen verursacht, teure Wartungsmaßnahmen erfordert und Ihre Architektur unnötig komplex macht. Oder Sie müssen mit unstrukturierten Daten zurechtkommen und tun sich schwer, diese skalierbar zu bearbeiten und zu analysieren. Was auch immer die Umstände sind – die Problemursachen sind oft der Zugang zu Daten, die häufig in Silos isoliert sind, und das Fehlen adäquater Möglichkeiten, diese Daten zu verarbeiten und zu analysieren.

Gefragt ist ein moderner Software-Stack, der auf einer Streaming-Architektur aufbaut und mit Ihrem Datenbestand wächst, Echtzeit-Analysen ermöglicht, alle relevanten Datentypen unterstützt und Ihnen erlaubt, mithilfe von maschinellem Lernen Prognosen zu erstellen und Prozesse zu operationalisieren. Eine effektive Nutzung Ihrer Datenbestände setzt Folgendes voraus:

Von Zulieferern, Partnern und über alle Plattformen hinweg werden unternehmensweit einheitliche Daten bereitgestellt, um organisatorische und technologische Silos zu vermeiden.
Unstrukturierte Daten werden erschlossen und sind Teil Ihrer Analysestrategie.
Das Softwarepaket ist so weit vereinheitlicht und flexibel, dass es alle Anwendungsfälle – von der Analyse von Batch-Daten, über das Echtzeit-Streaming, bis hin zum Einsatz von ML – unterstützt.
Es ist problemlos zugänglich und unterstützt verschiedene Plattformen, Programmiersprachen, Tools und offene Standards, die den Bedürfnissen und Fähigkeiten Ihrer Teams entsprechen.

Wenn diese Voraussetzungen erfüllt sind, steht der optimalen Nutzung Ihrer Daten nichts mehr im Wege – sei es, um sich verändernde Kundenerwartungen zu erkennen und abzudecken, oder den Zeit- und Arbeitsaufwand Ihrer Data Engineers und Data Scientists zu optimieren.

In den kommenden Wochen werden wir an dieser Stelle auf weitere Aspekte des Whitepapers eingehen. Wenn Sie schon jetzt tiefer einsteigen und Ihre Daten besser nutzen möchten, können Sie unser Whitepaper hier kostenlos herunterladen.

Neue Google Cloud-Lösungen für die Fertigung: intelligente Fabriken, intelligenteres Arbeiten

Thu, 08 Sep 2022 03:00:00 +0000

Im Zuge der digitalen Transformation setzt die Fertigungsindustrie heute auf innovative Cloud- und KI-Technologien, die eine gesteigerte Konkurrenzfähigkeit und nachhaltiges Wachstum versprechen. Laut McKinsey setzen bereits fast zwei Drittel der Hersteller in der EU und den USA Cloud-Lösungen ein. Doch nach Einschätzung von Analysten stellt die Skalierung digitaler Transformationsprojekte, von der Machbarkeitsstudie bis zur Produktion, für die meisten von ihnen nach wie vor eine große Herausforderung dar.

Aus unserer Sicht sind die Ursachen dafür das Fehlen von kontextualisierten Geschäftsdaten und ein Mangel an Fähigkeiten beim Umgang mit komplexen Data-Science- und KI-Tools.

Um das produzierende Gewerbe bei der Umsetzung digitaler Transformationsprojekte zu unterstützen, kündigt Google Cloud nun neue Fertigungslösungen an, die speziell auf die Bedürfnisse von Herstellern zugeschnitten sind.

Die neuen Fertigungslösungen von Google Cloud bieten Fertigungsingenieuren und der Werksleitung mit einheitlichen und kontextualisierten Daten den Zugriff auf die unterschiedlichen Prozesse und Anlagen in der Produktion.

Werfen wir einen Blick auf diese neuen Lösungen und verfolgen wir den Weg der Daten von der Werkshalle in die Cloud:

Manufacturing Data Engine ist das Fundament dieser Cloud-Lösung zur Verarbeitung, Kontextualisierung und Speicherung von Werksdaten. Die Cloud-Plattform kann von jeder Art von Maschine Daten erfassen und unterstützt dabei eine Vielzahl von Datentypen – von Telemetrie- bis zu Bild- Daten – über eine private, sichere und kostengünstige Verbindung zwischen Edge und Cloud. Mit integrierten Funktionen zur Datennormalisierung und Kontexterweiterung stellt sie ein gemeinsames Datenmodell für die Speicherung in einem für das Werk optimierten Data Lakehouse bereit.
Manufacturing Connect ist die gemeinsam mit Litmus Automation entwickelte Edge-Plattform für Produktionsstätten. Mit einer umfassenden Bibliothek von mehr als 250 Maschinenprotokollen lässt sie sich rasch mit nahezu jeder Produktionsanlage verbinden. Sie wandelt Maschinendaten in verwertbare Datensätze um und sendet sie zur Verarbeitung, Kontextualisierung und Speicherung an die Manufacturing Data Engine. Dank der Unterstützung containerisierter Workloads können Hersteller Datenvisualisierungen, Analysen und ML-Funktionen mit niedriger Latenz direkt auf Edge-Geräten ausführen.

Basierend auf der Manufacturing Data Engine entwickeln Google Cloud und unsere Partner eine wachsende Anzahl von Datenanalyse- und KI-Anwendungsfälle:

Manufacturing Analytics & Insights: Eine gebrauchsfertige Integration mit Looker-Vorlagen für umfangreiche Dashboard-Analysen. Mit dem intuitiven, codefreien Daten- und Analysemodell können Fertigungsingenieure und Werkleiterrasch an ihre Bedürfnisse angepasste Dashboards erstellen. Neue Maschinen, Einrichtungen und Werke werden dabei automatisch hinzugefügt. Die Daten lassen sich anhand von KPIs aufschlüsseln oder nach Bedarf analysieren, um neue Erkenntnisse zu gewinnen und überall im Werk Verbesserungsmöglichkeiten aufzudecken. Die Erkenntnisse können geteilt und im gesamten Unternehmen oder in der Zusammenarbeit mit Partnern genutzt werden.
Predictive Maintenance: Hersteller können vordefinierte ML-Modelle in wenigen Wochen bereitstellen, ohne dass dies die Genauigkeit der Vorhersage beeinträchtigt. In Zusammenarbeit mit Google Cloud-Ingenieuren lassen sich diese Modelle kontinuierlich verbessern und verfeinern.
Machine-level Anomaly Detection: Eine speziell entwickelte Integration, die mithilfe der Time Series Insights API von Google Cloud auftretende Anomalien in Maschinen- und Sensordaten in Echtzeit erkennt und meldet.

„Unsere Fertigungslinien generieren immer mehr Sensordaten, die wir für intelligentere Analysen der Produktqualität, Produktionseffizienz und Anlagenfunktion nutzen können“, sagt Jason Ryska, Director Manufacturing Technology Development der Ford Motor Company. „Die Erfassung und Verwaltung dieser Datenmengen bringt allerdings auch neue Herausforderungen mit sich. In Zusammenarbeit mit Google Cloud haben wir deshalb eine Datenplattform implementiert, die jetzt auf mehr als 100 produktionskritischen Maschinen in zwei Werken läuft. Pro Woche überträgt und speichert sie mehr als 25 Millionen Datensätze. Aus diesen Daten gewinnen wir entscheidende Erkenntnisse, die uns helfen werden, vorausschauende und vorbeugende Maßnahmen zu treffen, damit unsere Fertigungsanlagen noch effizienter werden.“

„Die enge Integration einer leistungsstarken Factory-Edge-Lösung mit Google Cloud macht es jetzt noch einfacher, Cloud-Funktionen in der Fabrik zu nutzen“, sagt Masaharu Akieda, General Manager Digital Solutions Division der KYOCERA Communication Systems Company. „Mit den Lösungen von Google Cloud können nicht nur Data Scientists, sondern praktisch alle Beschäftigten Daten rasch abrufen, analysieren und in einer Vielzahl von Anwendungsfällen nutzen. Wir freuen uns sehr, gemeinsam mit Google Cloud neue Fertigungslösungen einzuführen, die die Produktionsabläufe optimieren und die Qualität kontinuierlich verbessern.“

„Als weltweiter Innovator der Festkörpertechnik für Kälte- und Wärmeanlagen haben wir eine nachhaltige Fertigungsplattform entwickelt, die weniger Wasser und Strom verbraucht und weniger chemische Abfälle erzeugt“, sagt Jason Ruppert, Chief Operations Officer von Phononic. „Dank der Partnerschaft mit Google Cloud können wir Daten über alle Fertigungsprozesse hinweg kontextualisieren und analysieren. Dadurch gewinnen wir Erkenntnisse, die uns in die Lage versetzen, unsere Abläufe zu optimieren und weiterhin Produkte zu entwickeln, die nachhaltig kühlen, Treibhausgasemissionen reduzieren und die Umwelt schonen.“

Immer mehr Partner steuern weitere Google Cloud-Fertigungslösungen bei – von Konnektoren bis hin zu KI-gestützten Anwendungsfällen. Sehen Sie in unserem neuen Google Cloud Manufacturing Spotlight selbst, was unsere Partner über die Manufacturing Data Engine und Manufacturing Connect sagen.

Die neuen Fertigungslösungen von Google Cloud stärken und integrieren drei wichtige Aspekte des intelligenten Fertigungsbetriebs: Fertigungsingenieure , Daten und KI.

Fertigungsingenieure in den Mittelpunkt der intelligenten Fertigung stellen

In den vergangenen Jahren betrug der direkte Anteil der Fertigungsindustrie am Bruttoinlandsprodukt der USA mehr als 10 %. Zusammen mit dem indirekten Beitrag, also den Käufen aus anderen Branchen, beläuft sich ihr Anteil sogar auf 24 %. in diesem Sektor arbeiten etwa 15 Millionen Menschen und damit 10 % der US-amerikanischen Arbeitskräfte. Ähnlich wie in vielen anderen Ländern weltweit sind allerdings mehr als 20 % der Beschäftigten in der Fertigung älter als 55 Jahre; das Durchschnittsalter liegt bei 44 Jahren.

Weil es für die Hersteller immer schwieriger wird, Ersatz für ausscheidende Arbeitskräfte zu finden, setzen sie viel daran, ihre vorhandene Belegschaft zu unterstützen und für Nachwuchskräfte attraktiver zu werden. Damit dies gelingt, müssen entscheidende Technologien wie Cloud und KI zugänglich, einfach nutzbar und eng in das Tagesgeschäft der Hersteller integriert werden.

Die Fertigungslösungen von Google Cloud sind genau dafür ausgelegt: Sie geben den Fertigungsingenieuren leistungsstarke, rasch einsetzbare und intuitive digitale Tools an die Hand, die neue Erkenntnisse bieten, mit denen Abläufe auf ganz neue Weise optimiert werden können.

Die entscheidenden Komponenten der Lösung können mit wenig oder ganz ohne Programmierkenntnisse eingerichtet und genutzt werden. Die auf Skalierbarkeit ausgelegten Lösungen unterstützen Rollouts anhand standardisierter und wiederverwendbarer Vorlagen. Sie wurden auf der Basis von Best Practices konzipiert und erlauben den Herstellern, ihre wertvollen Ressourcen statt auf die zugrundeliegende Infrastruktur ganz auf die jeweiligen Anwendungsfälle zu konzentrieren.

Mit der auf der Business Intelligence Engine von Looker basierenden Integration Manufacturing Analytics & Insights können produktionstechnische Teams Daten visualisieren und aufschlüsseln. Dank ihrer automatischen Konfiguration im Rahmen der Manufacturing Data Engine haben sie rasch einen stets aktuellen Überblick über alle Aspekte des Fertigungsbetriebs. Vom COO über das Werksmanagement bis zu den Fertigungsingenieuren können alle Beschäftigten mühelos Werksdaten auf Unternehmens-, Werks-, Anlagen- und Sensorebene einsehen und erkunden.

Google Cloud und seine Partner entwickeln von Grund auf benutzerfreundliche Lösungen für die Fertigung und unterstützen die Hersteller auch aktiv bei der Qualifizierung ihrer Mitarbeiter.

Alle Datenpunkte zugänglich und praktisch nutzbar machen

Daten sind die Grundlage der digitalen Transformation in der Fertigung und fallen bei den Herstellern in großen Mengen an: Pro Woche können allein die Performance-Protokolle einer einzigen Maschine fünf Gigabyte, die Prozesse einer typischen intelligenten Fabrik sogar fünf Petabyte Daten generieren.

Diese Datenfülle und die in ihr verborgenen Erkenntnisse sind für viele Hersteller heute noch weitgehend unzugänglich. Häufig werden Daten nur teilweise erfasst und dann in einer Vielzahl unterschiedlicher und proprietärer Systeme unter Verschluss gehalten.

Manufacturing Connect stellt deshalb eine besonders umfangreiche Bibliothek mit mehr als 250 nativen Protokoll-Konnektoren bereit. Mit ihrer Hilfe lassen sich praktisch alle Produktionsanlagen und Systeme rasch abfragen und die benötigten Daten herunterladen. Dank integrierter Analysefunktionen und Unterstützung für containerisierte Workloads können die Hersteller die Daten direkt vor Ort verarbeiten.

Eine ergänzende Cloud-Komponente ermöglicht es den Herstellern, die Edge-Instanzen verschiedener Werke für globale Rollouts zentral zu verwalten, zu konfigurieren, zu standardisieren und zu aktualisieren. In derselben Oberfläche lassen sich dann die eingehenden Daten durch entsprechende Konfiguration der Manufacturing Data Engine-Lösung weiterverarbeiten. .

Die Manufacturing Data Engine von Google Cloud strukturiert die Daten und ermöglicht ihre semantische Kontextualisierung. Dadurch sind die Daten dann im gesamten Unternehmen universell zugänglich und nutzbar. Sie abstrahiert die Komplexität der Fertigungsdaten, sodass die Hersteller und ihre Partner wiederholbare, skalierbare und rasch anwendbare Analysen und KI-Anwendungsfälle entwickeln können.

KI für die intelligente Fertigung erfordert ein breites Partner-Ökosystem

Viele Hersteller haben erkannt, dass KI-Lösungen dazu beitragen, Kosten zu senken und die Produktion zu optimieren. Manche von ihnen haben sogar Patente auf ihre KI-Initiativen angemeldet. In einer Google-Umfrage vom Juni 2021 berichten 66 % der Hersteller, die in ihren Betriebsprozessen künstliche Intelligenz einsetzen, dass die Bedeutung der KI für ihr Unternehmen weiter zunimmt.

Google Cloud hilft Herstellern, die Abläufe in ihren Werken mit Cloud-Technologie und künstlicher Intelligenz schneller und reibungsloser zu gestalten. Kunden, die die Manufacturing Data Engine nutzen, können direkt auf die Vertex AI-Plattform von Google Cloud zugreifen, die eine Vielzahl integrierter KI/ML-Tools bereitstellt – von AutoML für die Fertigungstechnik bis hin zu komplexen Tools für die Feinabstimmung der KI-Resultate. Mit Google Cloud ist die Entwicklung von KI/ML-Anwendungsfällen für Hersteller heutzutage einfacher denn je.

Erst die Skalierbarkeit ermöglicht den Einsatz von Cloud und KI in der Fertigung

Unser Ziel ist, Datensilos aufzubrechen, um Ihre digitale Transformation zu beschleunigen und durch den Einsatz von intuitiven KI-Technologien und einer industrietauglichen Datenplattform jeden Fertigungsingenier zu einem Datenwissenschaftler zu machen. Mehr dazu erfahren Sie in unserem Google Cloud Manufacturer Spotlight.

KI & Machine Learning

Vom Chatbot zur Genomsequenzierung: Das Universitätsklinikum Freiburg auf dem Weg zum KI-nikum

Moderne Medizin braucht Spitzentechnologie

Spitzenmedizin unter Druck

Spitzenmedizin braucht Spitzentechnologie

Projekt "Modellvorhaben 64e": Genommedizin aus der Cloud

Im Gespräch: Dr. Lennart Jahnke und Prof. Dr. Dr. Melanie Börries erläutern die Cloud-Strategie des Uniklinikums Freiburg.

Der Impact: Von der Qualitätssicherung zur Qualität in Echtzeit

Warum Stillstand keine Option ist

Innovation im Hafen: Wie die HPA mit KI-Tools von Google Cloud grünen Strom an Bord bringt

Ein Hafen für Innovation: HPA setzt auf KI-Lösungen von Google Cloud

Sprechender Hafen: Der Landstrom-Chatbot der HPA

Schneller, sauberer, nachhaltiger: Mit digitalen Lösungen zum Hafen der Zukunft

Machine Learning und Künstliche Intelligenz als grüne Daumen: Wie Infarm nachhaltiges Pflanzenwachstum mit geringem Ressourcenaufwand realisiert

Daten sind der „Dünger“ für Infarm

Biofeedback-Anwendung via Google Cloud für mehr Nachhaltigkeit

Neue KI-Agents für bessere Geschäftsergebnisse: Translation Hub, Document AI und Contact Center AI

Translation Hub: unternehmensweiter KI-Agent für Übersetzungen

Document AI: KI-Agent zur Dokumentverarbeitung und Automatisierung von Workflows

Contact Center AI: KI-Agent für bessere Callcenter-Erfahrungen

Mit KI-Agents direkt bessere Geschäftsergebnisse erzielen

Die nächste Generation der KI für Entwickler*innen und Google Workspace

PaLM API & MakerSuite: Ein einfacher Weg für die Erforschung neuer Möglichkeiten und die Entwicklung von Prototypen mit Hilfe generativer KI-Anwendungen

Generative KI-Funktionen schon bald in Google Cloud verfügbar

Neue generative KI-Funktionen in Workspace

Verantwortungsvolle Skalierung von KI

Aktuelles auf dem Google Cloud Blog

Migration Ihrer Legacy-Datenbanken in die Cloud

6 Tipps zur API-Verwaltung und Kostensenkungen

Cloud-native medizinische Bildgebung verändert Gesundheitswesen

Die Transformation Ihres Unternehmens mit Google Cloud

Aktuelles auf dem Google Cloud Blog I Ausgabe 16

CO2-Neutralität: wie die Lufthansa Group ihre Klimaziele erreicht

Schnelle Rettung dank Geodaten: So nutzt die Feuerwehr Düsseldorf Google Cloud

„Wir leben die Cloud”: Interview mit den CLOUDPILOTS

Neue IDC-Studie hält den Mehrwert von Google Workspace in Zahlen fest

Lassen Sie Ihre Ideen real werden

Cloud Wisdom: Vier Wege zu Innovation und Kostensenkung mit KI und ML

Vier Tipps für mehr Innovation und weniger Kosten dank KI und ML

Die nächsten Schritte auf dem Weg in eine intelligente Zukunft

Aktuelles auf dem Google Cloud Blog I Ausgabe 15

Neuer Podcast führt hinter die Start-up-Kulissen

Digitalisierung mit Google Cloud: fünf Maßnahmen für Führungskräfte

Weniger Bürokratie für Pflegebedürftige und ihre Angehörigen

Mit diesen 25+ Ressourcen gelingt der Einstieg ins Machine Learning

Meistern Sie Ihre geschäftlichen Herausforderungen mit Google Cloud

Gründer*innen und IT-Führungskräfte schildern ihre Erfahrungen im Podcast „Startup Stories“

Aktuelles auf dem Google Cloud Blog

Aktuelles auf dem Google Cloud Blog I Ausgabe 14

Digitalisierung in deutschen Kliniken mit Machine Learning

Neun von zehn Start-ups scheitern – diese Studie untersucht, warum

Google Workspace-News: neuer Blog

Weiterentwicklung der digitalen Souveränität

Setzen Sie Ideen mit Google Cloud in die Tat um

Aktuelles auf dem Google Cloud Blog I Ausgabe 13

Moss nutzt Google Cloud und die Blockchain, um CO₂-Emissionen auszugleichen

So bringen Sie Ihre VMware-Anwendungen problemlos zu Google Cloud

Sieben wichtige Trends in der API-Economy

Wie Twitter mit Google Cloud mehr aus seinen Daten herausholt

Nutzen Sie die Chancen der Digitalisierung mit Google Cloud

Einstieg in ML: mehr als 25 Ressourcen für jede Rolle und Aufgabe

Data Analyst

Data Scientist

ML Engineer

Software Engineer mit ML-Anwendungen

Die passende Ressource nicht gefunden?

Aktuelles auf dem Google Cloud Blog

Die Geheimnisse erfolgreicher Start-ups

Wie fliegt man ein Raumschiff?

Die ersten zahlenden Kund*innen

Kundenbindung und Wachstumskurs

Learnings von Gründer*innen

Serverlose Plattformen: Tipps für Start-ups auf dem Weg in die Cloud

Aktuelles auf dem Google Cloud Blog I Ausgabe 12

Zero Trust für Regierungen und Organisationen

Google und das Internet: Traffic von A nach B

Fünf Methoden für Personalisierung im Einzelhandel

Wie Brain Corp die Roboter von morgen betreibt

Digitalisierung mit Google Cloud

Machine Learning à la Volkswagen: Entwicklung energieeffizienterer Autos in der Google Cloud

CO₂-Neutralität: wie die Lufthansa Group ihre Klimaziele erreicht