MEDIADATEN 2018 - Onlineportal von IT Management · PDF filefür IIoT. Dazu gehören...
Transcript of MEDIADATEN 2018 - Onlineportal von IT Management · PDF filefür IIoT. Dazu gehören...
MEDIADATEN 2018PRINT | ONLINE | MOBILE
2
IT Verlag fr Informationstechnik GmbH
Rudolf-Diesel-Ring 2182054 Sauerlach
Telefon: +49 (0) 8104 6494 0Telefax: +49 (0) 8104 6494 22
www.it-verlag.dewww.it-daily.net
MEDIADATEN 2018
Preisliste gltig ab 01.10.2017
ChefredakteurUlrich Parthier Tel. +49 (0) 8104 6494 [email protected]
RedaktionCarina Mitzschke [email protected]
Ansprechpartner Mediaberatung & Content Marketing-Lsungen
Kerstin BerthmannTel. +49 (0) 8104 6494 19 [email protected]
Karen Reetz-ReschTel. +49 (0) 8121 9775 94Mobil: +49 (0) 172 5994 [email protected]
Online RedaktionSilvia ParthierRedaktion it-daily.netTel. +49 (0) 8104 6494 26 [email protected]
Valerie [email protected]
Online Campaign ManagerVicky Miridakis [email protected]
MEDIADATEN 2018
Preisliste gltig ab 01.10.2017
Inhalt
Titelcharakteristik | Zielgruppe . . . . . . . . . . . . . . . . . . . . . . Seite 4
Druckauflage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 5
Themenplan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 6 | 7
Preisliste Anzeigen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 8
Formatplan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 9
Coverbelegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 10
Sonderwerbeformen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 11 | 12
Technische Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 13
Onlinewerbeformen | Onlineformate . . . . . . . . . . . . . . . . Seite 14
Newsletter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 15
Cross Media Pakete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 16
Geschftsbedingungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Seite 17
Stefan
ie Kreu
sel,
Patrick
Molck
-Ude,
T-Syst
ems In
ternat
ional G
mbH,
ber e
ine ne
ue ra
der
Netz
werkt
echnik
JULI-AUGUST 2017 www.it-daily.net
F C P M : C O N T I N U O U S A C C O U N T I N G
DEMATERIALISIERUNGDie Neuverteilung der Welt
MACHINE LEARNINGKeine Matrix-Vision
FOKUS: 3D-DRUCK Unendliche Mglichkeiten
ERP: Kennzahlen optimierenAb Seite 30
WIR INITIIEREN UNSERE WACHABLSUNG SELBST
Software-defined Networking
PLUS 16 SEITEN IT SECURITY SPEZIAL E F S S : E I N G E N R E V I E L E U N T E R S C H I E D EH
olger S
uhl, K
aspers
ky Lab
s
ber n
otwend
ige
Securi
ty-Ma
nahm
en
Industrie 4.0
Im Visier der Hacker
Rechtemanagement
Tr zu!
IOptimierte Geschftsprozesse
Fast User Switching
Die Zeit drngtModerne Cybersicherheitsarchitekturen
SPEZ
IAL
JULI-AUGUST 2017 www.it-daily.net
3
4
Redaktionskonzept , mit dem Supplement , informiert seit ber 25 Jahren ber strategisches Informationsmanagement und hat sich auf reine B2B-Kommunikation spezialisiert. Im Fokus der Berichterstattung steht immer das Informationsbedrfnis der Leser hinsichtlich Nutzwert, Integration neuer Lsungen in eine bestehende Infrastruktur und Investitionssicherheit. Die Beitrge werden von ausgewhlten Experten und anerkannten Beratern geschrieben.
Zielgruppe -Leser gehren den obersten Fhrungsebenen an und sind mageblich an strategischen Unternehmens- und Investitionsentscheidungen beteiligt. Sie sind:
IT-Vorstnde Geschftsfhrer CIOs Manager und Direktoren der IT IT-Architekten RZ-Leiter Consultants Projektleiter
Titelcharakteristik
MEDIADATEN 2018
Preisliste gltig ab 01.10.2017
46 J U N I 2 0 1 7 W W W . I T - D A I LY. N E T W W W . I T - D A I LY. N E T 47J U N I 2 0 1 7
FOK
US: K
N
STLICH
E INTELLIG
ENZ
Was bereits sehr gut funktioniert
Diese Bereiche sind schon heute gut entwickelt und nutzbar:
Image to Text: Gesichts- oder Finger-abdruckerkennung funktionieren be-reits seit langem zuverlssig ber de-dizierte Algorithmen. Seit diese Problemstellungen mit DL-Techni-ken angegangen wurden, hat sich hier viel getan. So knnen nun mit einem generischen Algorithmus beliebige Objekte sicher erkannt und textuell beschrieben werden. Das macht As-sistenzsysteme im Auto zuverlssiger und ermglicht autonomes Fahren. [KFF 2015]
Text to Image: Das Erzeugen von fo-torealistischen Bildern nur anhand ei-ner Textbeschreibung der Attribute im Bild funktioniert bereits sehr gut. Hieraus ergeben sich Chancen fr Fo-rensik und Kriminalittsbekmpfung. [ZXL 2016]
Speech to Text: Diese Technik nutzen wir in Sprachassistenten und ahnen nicht, dass im Hintergrund ein hoch-komplexes KNN seine Arbeit verrich-tet, das zum Beispiel auch in der Lage ist, undeutlich Gesprochenes mit der Zeit richtig zu verstehen.
Text to Speech: Alternativ zu den be-kannten samplebasierten Verfahren der Achtziger Jahre, klingt die mittels KNN erzeugte Sprache sehr realis-tisch. Selbst Atempausen und Schmatzer werden erzeugt, auch be-liebige Akzente lassen sich perfekt nachahmen. Darber hinaus lsst sich diese Technik dazu nutzen, neue klassisch klingende Kompositionen zu generieren. [Deepmind 2016]
bersetzung in andere Sprachen: Die Nutzung von KNN fr berset-zungen lst das klassische 1:1-Map-ping der Wrterbuch-Datenbanken ab. Google hat die ra einer maschi-nellen Metasprache eingelutet, bei der die Maschine die Sprache des Nutzers in ihre eigene Sprache ber-setzt. Den Sinn eines Satzes kann das System anschlieend viel filigraner in eine weitere Sprache bertragen als es bis dahin mglich war. [Google 2016]
Was noch nicht gut funktioniert
In diesen Bereichen hapert es derzeit noch an der Umsetzbarkeit:
Vorhersage der Kriminalitt: Dahin-ter verbirgt sich eine statistische Ana-lyse von historischen Ereignissen in sozial schwachen Gegenden in Gro-stdten. Wo ohnehin statistisch gese-hen oft Kriminalitt auftaucht, funk-tionieren solche Vorhersagen gut. Versuche haben gezeigt, dass eine bertragung auf ganze Stdte oder Bundeslnder nicht funktioniert.
Chatbots: Sie sind aktuell sehr pr-sent, doch hinter ihnen verbirgt sich quasi immer noch ein seit Ende der 60er durch ELIZA bekanntes hart verdrahtetes Prinzip. [Weizenbaum 1966] Dabei wird eine Anzahl x mg-licher Fragen mit einer Anzahl y mglicher Antworten verbunden, die beim Festlegen eines bestimmten Kontexts definiert werden. Bei Ab-weichungen in der Wortwahl oder bei Fragen, die zuvor nicht definiert wur-
uch ein kognitives System, von dem es heit, es sei in der Lage, die Sterblichkeit bei einer Krebsbehandlung
zu reduzieren, ist kein Grund fr Mas-senproteste. Doch als dasselbe System sorgte dafr, dass in einer japanischen Versicherung, Sachbearbeiter in der Schadensregulierung ihren Job verlo-ren, weil es kurzerhand ihre Arbeit bernahm, da brach eine Welle der Entrstung los und es hagelte dstere Prophezeiungen bis hin zu einer Panik-mache vor der Rebellion der Maschi-nen, mit der die Kritiker Weltunter-gangsszenarien heraufbeschworen. Schaut man sich die Entwicklungen der letzten fnf Jahre an, dann sind Welt-untergangsszenarien im Zusammen-hang mit knstlicher Intelligenz keine Seltenheit, vor allem, wenn Menschen um ihre Arbeitspltze frchten. [Spie-gel 2016]
Dieser Artikel fasst die realistischen Mglichkeiten der Knstliche Intelli-genz (KI) zusammen. Er stellt Bereiche vor, die bereits gut funktionieren und andere, die sich noch im Entwicklungs-stadium befinden oder die noch Zu-kunftsmusik sind, zumindest noch im Moment.
Was ist Knstliche Intelligenz?
Bevor es um die einzelnen Bereiche der KI gehen wird, sollten wir vorab die Be-grifflichkeiten klren (vgl. Bild):
KI ist ein Bereich der Informatik, der viele Techniken in sich vereint, mit de-nen einer Maschine Fhigkeiten ver-mittelt werden, menschliche Intelligenz nachzuahmen. Dazu gehren diese Techniken:
Machine Learning (ML) ist ein Teil-bereich der KI, der viele statistische Verfahren umfasst, die es einer Ma-schine erlauben, im Laufe eines Lern-prozesses immer besser zu werden, bis anschlieend ein maximaler Grad an Effizienz erreicht wird.
Deep Learning (DL) ist ein Teilgebiet des ML, mit dem Fokus auf knstli-che neuronale Netzwerke (KNN) in verschiedenen Ausprgungen. Wh-rend ML vorgegebene Features nutzt und hier somit nur die Ereignisse
wahrgenommen werden, die mit den vorgegebenen Features bereinstim-men, extrahiert ein DL-Algorithmus die Features generisch und ist somit universell einsetzbar.
Beim Reinforcement Learning handelt es sich um eine weitere Technik, die dabei hilft, ML zu nutzen. Sie stellt da-mit einen kleinen Teilbereich des DL dar. Hier erlernt der Algorithmus mit der Zeit eine Strategie, die zum besten Resultat fhrt. Der Algorithmus be-kommt dafr in festen Abstnden ein Feedback, das auch negativ ausfallen kann. Somit ist der Algorithmus in der Lage, eine Kostenfunktion zu berech-nen und seine Strategie entsprechend anzupassen. Die Resultate sind vielver-sprechend: Es gibt beispielsweise Ro-boter, die selbststndig lernen, Tren aufzumachen [GHLL 2016], oder die Computerspiele in einer nie gesehenen Perfektion selbststndig durchspielen knnen. [LSC 2016]
A
Der Sprachassistent im Handy oder die
Mglichkeit, Spracherkennung bei der
Websu