Alon Eirew, CTO (KI) von MCE Systems – Interview-Serie

Alon Eirew, CTO (KI) von MCE Systems, leitet die KI-Strategie und den gesamten Technologie-Stack des Unternehmens, der Architektur, Modellentwicklung, Infrastruktur, Produktintegration und die breitere Einführung von KI in interne Betriebsabläufe umfasst. Zuvor verbrachte er mehr als neun Jahre bei Intel (INTC ), wo er von Senior-Software-Entwickler und Software-Architekt zum Leiter der Forschung für natürliche Sprachverarbeitung (NLP) aufstieg, wo er Forschungen zur Wissensextraktion leitete, Mittel für mehrjährige Projekte sicherte, auf großen NLP-Konferenzen veröffentlichte und Start-ups über Intel Ignite betreute. Früher in seiner Karriere half Eirew bei der Entwicklung von Technologie für persönliche Assistenten bei Telmap, die später Teil von Intel wurde, und er hat seitdem frühe KI-Unternehmen beraten, während er Informatik, objektorientierte Programmierung, Data-Mining und Informationsabruf an mehreren israelischen Universitäten unterrichtete.

MCE Systems entwickelt eine KI-natürliche Erfahrungsschicht für Telekommunikationsanbieter, die Legacy-Systeme, Echtzeit-Daten und intelligente Workflows verbindet, um Kundeninteraktionen über mehrere Touchpoints zu unterstützen. Gegründet im Jahr 2005, baute das Unternehmen sein Geschäft um die digitale Geräte-Lebenszyklus-Verwaltung auf, mit Technologie, die Geräte-Diagnose und -Pflege, Handelsprogramme, Remote-Geräte-Bewertung und Rückgaben abdeckt. MCE wendet zunehmend generative und agente KI auf diese Workflows an, um Betreibern zu helfen, Geräteprobleme zu erkennen, Kunden durch mögliche Lösungen zu führen und komplexere Service-Reisen über digitale und unterstützte Kanäle zu koordinieren.

Sie haben fast ein Jahrzehnt bei Intel an NLP, Wissensextraktion, Informationsabruf und sogar frühen persönlichen Assistententechnologien gearbeitet, die vor der LLM-Ära bei Telmap entstanden und später Teil von Intel wurden. Wenn Sie zurückblicken, welche Ideen aus diesen frühen KI-Systemen sich als vor ihrer Zeit erwiesen, und welche Annahmen hat die Branche völlig falsch gemacht?

Eine Idee, die sich eindeutig als vor ihrer Zeit erwiesen hat, war der persönliche Assistent, an dem wir vor der LLM-Ära gearbeitet haben. Diese Systeme verstanden die Absicht, verbanden den Kontext über Aufgaben hinweg und halfen Benutzern, Ziele auf natürliche Weise zu erreichen. Diese hatten die gleichen Ambitionen wie heutige Agenten. Der Unterschied lag in der zugrunde liegenden Methode: Anstatt auf Sprachmodelle zu setzen, verließen wir uns auf eine Kombination aus maschinellem Lernen und Algorithmen, um die Benutzerabsicht abzuleiten. Diese Methode erwies sich jedoch als schwierig, wenn sie im großen Maßstab angewendet wurde, wenn man die verschiedenen Arten berücksichtigt, wie Benutzer die gleiche Anfrage formulieren.

Stellen Sie sich vor, Sie beschäftigen einen Servicemitarbeiter, der Tausende von Kundenanfragen bearbeiten soll, aber nur Anfragen bearbeiten kann, die mit einer bestimmten Satzstruktur formuliert sind. Wie Sie sich vorstellen können, würde dies nur einen kleinen Bereich von Anwendungsfällen abdecken und es wäre schwierig, viele Kundenprobleme zu bearbeiten. LLMs haben alles geändert. Heute ist das Verständnis der Benutzerabsicht größtenteils gelöst. In unserem Beispiel ist der Mitarbeiter jetzt flexibel und kann mit Millionen von Kunden sprechen.

Während ich nicht behaupten würde, dass die Branche etwas völlig falsch gemacht hat, glaube ich, dass viele die zentrale Rolle von Sprachmodellen unterschätzt haben. Der große Sprung kam, als die ersten Sprachmodelle wie ELMo, BERT und RoBERTa eingeführt wurden. Zu diesem Zeitpunkt verstand kaum jemand die Tragweite der bevorstehenden Transformation. Diese waren die Grundmodelle der modernen LLMs, die wir heute täglich verwenden und die wir uns kaum vorstellen können, ohne sie zu haben.

Die meisten Unternehmen sahen diese anfänglichen Modelle als nützliche Komponenten in engen Anwendungen, nicht als Grundlage für ein völlig neues Rechenparadigma. Im Nachhinein verpassten viele von ihnen die Gelegenheit, sich als große KI-Spieler zu positionieren.

Während Ihrer Forschungskarriere konzentrierten Sie sich auf die Extraktion von Wissen aus mehreren Dokumenten und das Verständnis von Ereignissen. Da Unternehmen zunehmend auf große Sprachmodelle setzen, warum glauben Sie, dass die strukturierte Wissensextraktion immer noch eine so kritische Herausforderung darstellt?

LLMs sind leistungsfähige Werkzeuge, um eine Vielzahl von Themen anzugehen, aber Unternehmen und Endbenutzer benötigen Expertenwissen, um ein bestimmtes Problem zu lösen, was den Zugriff auf Wissen erfordert. Dieses kontextuelle, eigene Wissen ist normalerweise nicht Teil der Trainingsdaten des Modells, so dass die Bereitstellung eines LLM in einem Unternehmen bedeutet, Verständnis über möglicherweise Millionen interner Datenpunkte zu sammeln. Heutige LLMs haben größtenteils Schwierigkeiten damit, aufgrund technischer und Zugangsbeschränkungen erheblichen Kontext zu vermissen, und diese Lücke begrenzt ihren Einfluss.

Bei MCE beispielsweise bieten wir eine KI-Agenten-Lösung für die Kundenbetreuung. Eines der Ziele dieser Lösung ist es, Telekommunikationsanbietern zu helfen, ihre Kunden technische Mobilgeräteprobleme ohne menschliche Intervention lösen zu lassen. Ohne dem KI-Agenten kontextuelle technische Informationen über das Gerät zu liefern, würde der KI-Agent nur generische Ergebnisse liefern, die das Problem nicht lösen oder irrelevant sind und den Kunden dann zur menschlichen Hilfe zwingen. Dies ist die Art von Wissensextraktionsproblem, das wir überwinden mussten, um KI mit unseren Kunden bereitzustellen, und es ist dort, wo Organisationen oft versagen, die Ergebnisse zu erzielen, die sie wollen.

Meine eigene Forschung hat sich mit der Wissensextraktion und Informationsabruf aus großen Dokumentensammlungen beschäftigt, wobei ich die Beziehung zwischen “Ereignissen” erforscht habe, ein Begriff in der Disziplin der KI, der die zugrunde liegende Kausalität und den Zeitrahmen jeder Art von Informationsdarstellung definiert. Wir wenden dies bei MCE innerhalb unserer KI-Lösungen für die menschliche Interaktion an, indem wir ein strukturelles Verständnis aufbauen, das LLMs helfen kann, Wissen besser zusammenzufassen, darzustellen und zu suchen, um ein Kundenproblem zu lösen.

Sie haben Forschung auf Top-NLP-Konferenzen wie ACL, EMNLP und NAACL veröffentlicht. Welche Durchbrüche der letzten fünf Jahre hatten den größten realen Einfluss, und welche viel diskutierten Fortschritte halten Sie derzeit für überbewertet?

Es gibt einige Durchbrüche, die mir auffallen, und diese treten in einer Abfolge auf, da LLMs entwickelt wurden.

Der erste war die Anweisungstuning und Prompt-Engineering. Dies musste zuerst gelöst werden, bevor eine weitere weite Verbreitung erreicht werden konnte. Wir haben alle schon einmal ein LLM gefragt und es hat uns in Kreisen geführt, ohne die Antwort zu liefern, die wir benötigen. Also musste herausgefunden werden, wie Modelle die Anweisung verstehen und genaue Ergebnisse liefern können. Dies war ein erster großer Schritt.

Infolgedessen war der nächste Durchbruch für Agenten, die LLMs benötigten, um über einfache Anweisungen hinaus zu gehen und tatsächlich mehrere Dinge tun zu können: Pläne erstellen, mit Endbenutzern interagieren, Werkzeuge verwenden, Speicher und Wissen nutzen. Dies war unerlässlich, um dorthin zu gelangen, wo wir heute sind.

Der nächste Durchbruch, der nur teilweise gelöst ist, aber in Arbeit ist, ist die vollständige Lösung des Halluzinationsproblems. Bisher gab es genügend Fortschritte, um LLMs viel zuverlässiger zu machen als zuvor. Aber es gibt noch Arbeit zu leisten und ein weiterer Grund, warum menschliche Aufsicht und Sicherheitsvorkehrungen unerlässlich bleiben.

Was überbewertet wird, ist das Maß an Autonomie, die Agenten haben sollen. Vollautonome Systeme, die in komplexen Geschäftsumgebungen ohne menschliche Aufsicht operieren, sind in meiner Meinung noch nicht zuverlässig genug. Was ich produktiver finde, ist die Gestaltung von KI, um hochwertige Aufgaben auszuführen, Unsicherheiten zu eskalieren und ihre Argumentation zu erklären, ohne die menschliche Kontrolle über den Gesamtablauf abzugeben. Das ist, wo agente KI den größten realen Wert in naher Zukunft schaffen wird.

Sie haben als Forscher, Software-Architekt, Engineering-Leader, Start-up-Berater, Dozent und jetzt als Chief-AI-Officer gearbeitet. Wie hat sich Ihre Definition von erfolgreicher KI im Laufe Ihrer verschiedenen Karrierestufen geändert?

Im Laufe meiner Karriere habe ich gelernt, dass die Definition von erfolgreicher KI weiterhin evolviert und die verschiedenen Kernwerte über Disziplinen hinweg liegen. Angewandte Forschung und Architektur haben mich gelehrt, dass KI unter realen Einschränkungen arbeiten muss. Akademische Forschung hat mir die Bedeutung von Strenge und Bewertung gezeigt. Engineering-Führung hat mir gezeigt, dass Ausführung und betriebliche Disziplin ebenso wichtig sind wie das Modell selbst. Die Beratung von Start-ups hat mich gelehrt, dass KI den größten Einfluss hat, wenn sie ein reales Problem löst und einen klaren Weg zur Übernahme hat.

Heute, als KI-Chef bei MCE, definiere ich Erfolg als KI, die messbaren Wert schafft, während sie das Vertrauen des Endbenutzers gewinnt. Sie muss die Ergebnisse für Kunden, Mitarbeiter und das Unternehmen verbessern, zuverlässig genug für die Produktion sein, transparent genug, um regiert zu werden, und nützlich genug, dass Menschen sie tatsächlich anwenden. In diesem Sinne hat sich meine Definition von “Funktioniert die Technologie?” zu “Schafft sie verantwortungsvoll, wiederholt und im großen Maßstab Wert?” entwickelt.

Dies ist auch der Übergang, den wir bei MCE gemacht haben, der vor zwei Jahren begann und uns hierher geführt hat. Der letzte Wert ist, wie wir über KI für interne Anwendungsfälle und für unsere Kunden in der Telekommunikation nachdenken.

MCE Systems wendet KI für die Kundenerfahrung, die Kundenbetreuung und das Marketing in der Telekommunikationsbranche an. Welche sind die überzeugendsten KI-Anwendungsfälle, die derzeit in der Telekommunikationsindustrie entstehen?

Kommunikationsdienstleister (CSPs), oder “Anbieter”, wie sie normalerweise genannt werden, stehen in einer schwierigen Lage, in der sie mit einem Kommoditätsproblem konfrontiert sind. Der Preis ist wirklich die attraktive Kraft, um neue Kunden zu gewinnen oder zu behalten, aber er ist nicht nachhaltig. Wenn man sich andere Giganten ansieht, die Verbraucherprodukte oder -dienstleistungen anbieten, wie Apple (AAPL ), Amazon (AMZN ) oder Netflix (NFLX ), haben sie ein großartiges Produkt und eine Erfahrung darum herum aufgebaut. Dies hat sich deutlich in der Finanzbranche gezeigt, wo Banken von neuen agilen Spielern gezwungen wurden, von der Verwaltung von Ersparnissen und dem Angebot von Investitionsprodukten zu einer vollen digitalen Erfahrung umzusteigen. Gleiches gilt für die Telekommunikation.

Unsere Vision ist es, den Kunden von CSPs durch eine bessere Erfahrung auf dem bereits großartigen Konnektivitätsprodukt, das sie bereits bieten, zusätzlichen Wert zu bieten. Dies bedeutet, proaktiver und kommunikativer mit Kunden über ihre gesamte Netzwerk- und Geräteerfahrung zu sein. Und für uns ist KI das, was es ihnen endlich ermöglicht, dies gut zu tun.

In der Branche ist es jedoch größtenteils zu einem defensiven Werkzeug geworden, um Call-Center-Arbeitskosten zu senken oder Mitarbeiter produktiver zu machen. Aber für uns ist KI auch ein offensives Werkzeug, um proaktiv mit der Kundenbetreuung umzugehen und personalisierten Service anzubieten, und zwar auf dem Mobilgerät des Kunden.

Beispielsweise das Erkennen von Geräte- oder Konnektivitätsproblemen oder Batterieverschleißproblemen, bevor der Kunde es bemerkt, und ihm helfen, es zu beheben. Solche Erfahrungen schaffen echte Loyalität. Wenn man die Situation eines Kunden gut genug kennt, um ihm das richtige Breitband-Bundle, Daten-Add-on oder Lifestyle-Produkt zum richtigen Zeitpunkt anzubieten, treibt dies eine höhere Konvertierung. Und das Zusammenführen von Signalen über Netzwerk-Assets, CRM und Gerätedaten, um den Abwanderungs-Wahrscheinlichkeit genau vorherzusagen und dann frühzeitig zu handeln, ist vielleicht der leistungsstärkste Anwendungsfall von allen. CSPs, die dies richtig machen, werden einen bedeutenden Vorteil haben.

Es gibt viel Hype um das “KI-natürliche” oder “KI-bereite” Werden. Wie geht MCE auf dieses Paradigma zu, und was sind die wichtigsten Punkte, die Organisationen bei dieser Transformation verpassen?

Was viele verpassen, ist, dass die KI-Transformation nicht nur eine Technologie-Bereitstellung, sondern auch eine Änderung der Arbeitsweise ist. Die besten Chancen liegen dort, wo die Übernahme natürlich erscheint: Der Arbeitsablauf existiert bereits, der Schmerz ist messbar und KI kann deutlich die Geschwindigkeit, Qualität oder Entscheidungsfindung verbessern. MCE geht auf dieses Paradigma mit einigen Ideen zu.

Wir begannen damit, die Reife von KI-Tools und die Übernahme von KI in Bereichen zu untersuchen, in denen sie die Produktivität der Mitarbeiter multiplizieren kann. Wir fragten uns, wie wir unsere Teams schulen, klare Verwendungskriterien definieren und interne Systeme mit KI verbinden können, wo sie wirklich einen Unterschied machen kann.

Sobald wir unsere Grundlage an Tools bewertet hatten, suchten wir nach Workflow-Automatisierung und identifizierten Bereiche, in denen Agenten manuelle Arbeit reduzieren können. Natürlich fanden wir, dass wir die Zeit bis zur Entwicklung drastisch reduzieren können. In einem Beispiel dauerte die Erstellung einer hochfunktionalen, prototypischen App nur ein paar Tage, während es sonst zwei oder drei Wochen gedauert hätte.

Was oft unterbewertet wird, ist die Daten-Demokratisierung für interne Produktivität. Wir arbeiten daran und werden weiter daran arbeiten, unsere internen Daten besser zu nutzen, damit sowohl Menschen als auch KI-Systeme bessere Entscheidungen treffen können. Dies umfasst das Verständnis der Kundenbedürfnisse, die Verbesserung der Betriebsabläufe und die Erstellung von Produkten, die aus vergangenen Erfahrungen lernen. Es ist noch ein iterativer und analytischer Prozess, um zu bewerten, was funktioniert und was nicht.

Viele Organisationen sind dabei, KI-Agenten bereitzustellen. Welche praktischen Lektionen haben Sie über die Bereiche gelernt, in denen autonome KI tatsächlich Wert schaffen kann, und wo menschliche Aufsicht unerlässlich bleibt?

Es ist leicht, sich von der Automatisierungshype mitreißen zu lassen. Aber ich glaube an die methodische Herangehensweise. Ich würde raten, nie mit einem Ziel-Automatisierungsgrad zu beginnen; stattdessen sollten Sie damit beginnen, Workflows zu identifizieren, in denen Agenten Wert schaffen können, sie in kleinere Teile aufteilen und fragen, welche Teile vollautomatisiert, welche halbautomatisiert und wo menschliche Urteilsfähigkeit erforderlich ist.

In der Praxis finden wir, dass Agenten den größten Wert schaffen, wenn sie in hochdefinierten Aufgaben eingesetzt werden, die von der Informationsbeschaffung bis zur Analyse von Eingaben, der Generierung von Empfehlungen und der Vorbereitung von Ausgaben für den nächsten Schritt reichen. Fein abgestimmte Automatisierung, bei der die Aufgabe einfach genug ist, funktioniert viel besser als der Versuch, einen gesamten komplexen Prozess zu automatisieren.

Wo Menschen unerlässlich bleiben, ist in der Aufsicht, der Ausnahmebehandlung, kundenempfindlichen Entscheidungen und allgemein in Situationen, in denen Rechenschaftspflicht wichtig ist. Das Ziel ist nie, menschliche Entscheidungsfindung zu ersetzen, sondern Agenten die Teile zu überlassen, bei denen sie zuverlässig Wert schaffen können, während Menschen die Entscheidungen treffen, die Rechenschaftspflicht erfordern.

MCE hat über die Verwendung von KI zur Bereitstellung personalisierter Geräteerfahrungen und zur Verbesserung der operativen Effizienz für Mobilfunkanbieter gesprochen. Wie balancieren Sie Personalisierung mit den wachsenden Bedenken um Datenschutz, Transparenz und Benutzervertrauen?

Weil KI so menschlich erscheint, interagieren Benutzer auf natürliche Weise mit ihr, was dazu führt, dass sie mehr preisgeben, als sie manchmal sollten. Das legt eine echte Verantwortung auf Organisationen, wachsam und transparent über die gesammelten Daten zu sein. Ein einfaches Beispiel: Wenn ein Kunde ein Screenshot als Teil eines Troubleshooting-Prozesses einreicht, kann dieses Bild unbeabsichtigt persönliche Informationen auf seinem Bildschirm erfassen. Es ist unerlässlich, dass Organisationen Schutzmaßnahmen anwenden, um das Bild auf den relevanten Inhalt zu beschränken und unnötige Datenexposition zu reduzieren.

Für mich sollte jede gesammelte Daten dem Kundeninteresse und -bedürfnis dienen. Sie sollte nur gesammelt werden, wenn sie einem bestimmten Zweck dient, wie der Lösung des Kundenproblems oder der Bereitstellung eines angemessenen Grades an Personalisierung. Gleichzeitig sollte die Datenverarbeitung auf eine datenschutzfreundliche Weise erfolgen, die jede unnötige Verbindung zur realen Identität des Kunden vermeidet.

Mit anderen Worten, man sollte das spezifische Bedürfnis des Kundenprofils im Hinblick auf das eigene Geschäft verstehen. In unserem Fall, als datenschutzkonformes Unternehmen, geht es darum, den Zustand des Mobilgeräts und das Benutzerverhalten im Hinblick auf den Anbieter zu kennen, nicht um die Identität des Kunden und andere Arten von Verhalten.

Was auch wichtig ist, ist die Interaktion mit dem Kunden selbst. Sicherheitsvorkehrungen sind hier entscheidend, um innerhalb des Zwecks, der Marke und der Stimme zu bleiben und wirklich zu vermeiden, über das hinauszugehen, was Organisationen bereit sind, zu regieren. In der Praxis helfen Sicherheitsvorkehrungen, rechtliche oder regulatorische Verstöße und negative Kundenerfahrungen zu vermeiden. Manchmal sind diese Prozesse mühsam, aber sie sind unerlässlich.

Sie haben eine Vielzahl von Themen unterrichtet, von Grundlagen der Informatik bis hin zu Informationsabruf und Data-Mining. Wenn Sie ein KI-Curriculum für Studenten, die in die Arbeitswelt eintreten, entwerfen würden, welche Themen würden Sie priorisieren, und welche veralteten Konzepte würden Sie entfernen?

Das Curriculum muss sich in zwei Richtungen ändern. Themen, die einst auf Graduate-Programme beschränkt waren, wie neuronale Netze, Transformer, große Sprachmodelle, Abruf-ergänzte Generierung, Bewertung, Ausrichtung und verantwortungsvolle KI, müssen zu grundlegenden Bachelor-Themen werden. Studenten, die in die Arbeitswelt eintreten, müssen verstehen, wie diese Systeme funktionieren und wie man sie kritisch bewertet.

Studenten müssen auch lernen, KI verantwortungsvoll als Werkzeug für das Lernen und die Forschung zu nutzen. Das bedeutet, Ausgaben in Frage zu stellen, Quellen zu überprüfen, Einschränkungen zu verstehen und KI als Denkpartner und nicht als Abkürzung für die Hausaufgaben zu behandeln.

Was ich nicht streichen würde, sind Mathematik und algorithmische Grundlagen. Ich würde argumentieren, dass sie wichtiger sind als je zuvor. Was ich reduzieren würde, sind Aufgaben, die mechanische Implementierung ohne kritische Denkfähigkeit belohnen. Der Fokus sollte sich von der Lösung von Problemen auf die Formulierung von Problemen, Bewertung, Systemdesign und verantwortungsvolle Nutzung verlagern.

Nachdem Sie zahlreiche Start-ups zur KI-Strategie beraten haben, welche sind die häufigsten Fehler, die Gründer machen, wenn sie KI-Produkte aufbauen, und was unterscheidet Unternehmen, die erfolgreich von Prototypen zu Produktionsversionen übergehen?

Der häufigste Fehler, den ich sehe, ist, sich in die Technologie zu verlieben, bevor man das Problem, den Kunden oder den Weg zur Übernahme wirklich versteht. Ein enger Zweiter ist, die Grenzen von KI nicht gut genug zu kennen, so dass man sie in Anwendungsfälle zwingt, in denen sie noch nicht ausgereift genug ist.

Was Gründer unterscheidet, die erfolgreich in die Produktion gelangen, ist tiefes Fachwissen und eine Forschungshaltung. Die besten KI-Produkte kommen von Gründern, die ein bestimmtes vertikales Segment gut genug verstehen, um eine echte Technologie-Lücke zu identifizieren. Sie beginnen nicht mit “Was können wir mit KI machen?”, sondern mit “Hier ist ein spezifisches Problem, hier ist, warum bestehende Lösungen auf dem Markt unzureichend sind und hier ist, warum KI es jetzt nachhaltig lösen kann.”

Darüber hinaus lernen erfolgreiche Gründer ständig von Kunden, Wettbewerbern, Beratern und fehlgeschlagenen Versuchen. Sie studieren, wie Entscheidungen getroffen werden, wie Budgets bewegt werden und was Vertrauen für ihr Zielpublikum schafft. Letztendlich bauen sie nicht nur ein Produkt, sondern etwas, das in einer realen Umgebung überleben muss und nicht nur für sich selbst.

Blicken Sie fünf Jahre voraus, glauben Sie, dass der größte Einfluss von KI aus leistungsfähigeren Grundmodellen, agentenbasierten Systemen, multimodaler KI, Intelligenz auf dem Gerät oder einem völlig anderen Trend kommen wird, den die Branche derzeit unterschätzt?

Der größte Einfluss wird nicht nur von Verbesserungen der Grundmodelle kommen, sondern von der Art und Weise, wie Modelle in Systeme eingebettet werden, die innerhalb realer Workflows beobachten und handeln können, während sie auch die Fähigkeit verbessern. Dieser Übergang von einem leistungsfähigen Modell zu einem fähigen System ist, wo ich den bedeutendsten Fortschritt in naher Zukunft erwarte.

Dies wird besonders stark werden, wenn Systeme vollständig multimodal werden, über Text, Sprache, Bilder, Video und andere kontextuelle reale Signale hinaus, und nahezu so verstehen, wie Menschen die Welt verstehen. Dies wird neue Möglichkeiten in der Kundensupport, im Gesundheitswesen, in der Fertigung usw. eröffnen.

Eine weitere aufkommende Technologie, die ich für disruptiv halte, sind Agenten, die mit der physischen Welt interagieren. Unternehmen wie Boston Dynamics zeigen bereits die Kunst des Möglichen und das Potenzial, wenn Wahrnehmung, Vernunft, Planung und physische Aktion konvergieren. Ob in humanoider Form oder in spezialisierten robotischen Systemen, Agenten mit Körpern könnten sich als eine der tangiblen und revolutionären Ausdrucksformen von KI in den nächsten fünf Jahren erweisen. Für MCE eröffnet dies Chancen in der Logistik und in operativen Workflows, wo viele repetitive, niedrig komplexe Aufgaben immer noch physische menschliche Interaktion erfordern. Beispiele sind das Aufheben eines Geräts, das Drücken von Tasten, das Anschließen von Kabeln oder das Bewegen von Geräten zwischen Stationen. Diese sind ideale Kandidaten für die Automatisierung durch Robotik und KI, die es Systemen ermöglichen, effizienter, konsistenter und mit viel mehr Volumen zu arbeiten.

Für die Telekommunikation wird das Vorhersagen von Kundenabwanderung und Handeln darauf mit KI-Modellen der Ort sein, wo das Geld in den nächsten Jahren sein wird. Wenn Sie ein zuverlässiges Modell aufbauen können, das Daten aus allen verschiedenen Kundenpunkten integriert, die Abwanderungswahrscheinlichkeit genau bewerten und dann darauf reagieren kann, werden Sie ein stagnierendes Problem für Anbieter gelöst haben.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten MCE Systems besuchen.