Unternehmen weltweit zeigen großes Interesse an Quanten-Computing in Verbindung mit künstlicher Intelligenz (KI). Mehr als 60 Prozent planen Investitionen oder erproben Einsatzszenarien mit Quanten-KI (Quantum AI). Das hat eine Befragung unter weltweit 500 Führungskräften ergeben, die der Daten- und KI-Spezialist SAS durchgeführt hat.
Die Umfrageteilnehmer sehen jedoch auch Barrieren, die einer umfassenden Adaption der Technologie im Wege stehen. Dazu gehören vor allem: hohe Kosten (38 Prozent), unzureichendes Verständnis für die Technologie (35 Prozent) und Unsicherheit, was den praktischen Nutzen angeht (31 Prozent). Dazu kommen mangelndes Knowhow der Mitarbeiter (31 Prozent) und Unklarheiten bei der Regulatorik (26 Prozent). Die Digitalisierungs- und Automatisierungslösungen von Retarus ermöglichen effiziente Abläufe ohne manuellen Aufwand oder Kompromisse bei der Datensouveränität ‣ weiterlesen
Business Process Solutions
Retarus beschleunigt Datenaustausch in der Produktion
Laut Studie geben rund 70 Prozent der Befragten an, das Konzept Quanten-KI zu kennen. Das größte Potenzial schreiben sie der Technologie im Zusammenhang mit folgenden Bereichen zu: Datenanalyse und Machine Learning (48 Prozent), Forschung und Entwicklung (41 Prozent), Cybersecurity (35 Prozent), Supply Chain Management und Logistik (31 Prozent), Finanz- und Risikomanagement (26 Prozent) sowie Marketing (20 Prozent).
Quanten-Computing und Datenanalyse in Kombination
Quanten-KI und fortschrittliche KI-Modelle nutzen die signifikanten Geschwindigkeitssteigerungen, die Quantencomputer versprechen. SAS will die Quantentechnologie so zugänglich machen, dass Unternehmen schneller einen Mehrwert daraus generieren können – ohne dass dafür ein tieferes Verständnis der physikalischen Grundlagen erforderlich ist. Entscheidend ist laut SAS ein hybrider Ansatz, bei dem Quanten-Computing und traditionelle Datenanalyse zusammenwirken.
Diese Kombination ermögliche die Entwicklung neuer Algorithmen, Modelle und Systeme, die in der Lage sind, komplexe Daten zu verarbeiten, komplizierte Machine-Learning-Modelle zu trainieren und Probleme zu lösen, die mit herkömmlichen Computern bisher nicht zu bewältigen waren. Anwendungsbereiche sind beispielsweise die Medikamentenentwicklung, das Risikomanagement im Finanzsektor oder die Verbesserung der Materialqualität und die Optimierung von Produktionsprozessen.
