EN

Mit Künstlicher Intelligenz in die Zukunft

Close

Artikel

Mit Künstlicher Intelligenz in die Zukunft

27.11.2020

Warum KI auf die Digitalisierungsagenda jedes Unternehmens gehört.

Künstliche Intelligenz (Abkürzung: KI, im Englischen: Artificial Intelligence bzw. AI), ein Themenbereich, der heutzutage kaum noch aus der Technologielandschaft wegzudenken ist und dessen Berücksichtigung durch Unternehmen für ihre Digitalisierungsinitiativen zunehmend unumgänglich wird. Tatsächlich spiegelt sich dies jedoch nicht in der Verbreitung von KI-gestützten Lösungen in Deutschland wider. Gerade einmal 6% der Unternehmen setzen laut eigener Aussage auf diese Art von Technologien [1] . Die Gründe hierfür sind vielfältig, oftmals wird jedoch klar, dass Unternehmen mögliche Use Cases von KI-Technologien nicht identifizieren sowie das Potenzial für ihre Geschäftsaktivitäten nicht einschätzen können. Anderen Unternehmen fehlt schlichtweg das Know-How zur Implementierung intelligenter Lösungen oder eine geeignete Datengrundlage.
Wir bei Tallence sehen im Einsatz von Künstlicher Intelligenz im Geschäftsalltag ein enormes Potenzial, Menschen in der Ausübung ihrer Arbeit zu entlasten und durch die effiziente Auswertung großer Datenmengen qualifiziertere Entscheidungen zu treffen. Auf diese Weise können mit KI u.a. fundiertere strategische und operative Entscheidungen getroffen werden, Ressourcen effizienter eingesetzt sowie Kunden besser betreut und individueller angesprochen werden. Langfristig kann dies maßgeblich zu einer Senkung der Kosten und einer Steigerung der Umsätze beitragen. Mit diesem Artikel wollen wir einen Überblick über den Bereich Künstliche Intelligenz geben und mithilfe von Use Cases den Mehrwert und die vielfältigen Einsatzgebiete verdeutlichen. Denn aus unserer Sicht sollten Unternehmen das Thema Künstliche Intelligenz aktiv angehen, um optimal für kommende Herausforderungen aufgestellt zu sein und langfristige Wettbewerbsvorteile zu generieren.

Was verbirgt sich hinter dem Begriff „Künstliche Intelligenz“?

Grundsätzlich verfolgt Künstliche Intelligenz das Ziel, Probleme und Aufgaben zu lösen, die mit herkömmlichen, regelbasierten Algorithmen nicht oder nur sehr aufwändig zu lösen sind. Das Gebiet der Künstlichen Intelligenz wird schon seit den 1950er Jahren aktiv erforscht. Gerade in den letzten Jahrzehnten hat es jedoch einen regelrechten Boom erlebt. Neben wichtigen Fortschritten in der Forschung ist dieser speziell dem starken Anstieg der Rechenleistungen von Computern sowie den heute in großen Mengen und vielfältigen Ausführungen verfügbaren Daten zuzuschreiben. Die enormen Verbesserungen in diesen Bereichen eröffnen Künstlicher Intelligenz heute ganz neue Möglichkeiten und Anwendungsfelder, die Jahre zuvor noch undenkbar gewesen wären.
Heute werden KI-Algorithmen erfolgreich im medizinischen Bereich z.B. bei der Krebsdiagnose oder in der intelligenten Wartung von Flugzeugen eingesetzt, Schlagwort Predictive Maintenance (wird im weiteren Verlauf eingehender erläutert). Beide Bereiche fordern einen hohen Grad an Präzision und Qualität, der von der KI erreicht werden muss, bevor ein Mehrwert durch deren Einsatz erzielt werden kann.

Maßgeblich verantwortlich für Einsätze in solch anspruchsvollen und zahlreichen anderen Gebieten sind Machine Learning-Lösungen, die eine Teildisziplin der Künstlichen Intelligenz bilden. Sie statten Maschinen mit der Fähigkeit aus, basierend auf Daten innerhalb eines bestimmten Aufgabenfeldes neue Inhalte zu erlernen und diese auf andere Situationen übertragen zu können. Der Vorgang des Machine Learnings lässt sich sehr gut mit dem menschlichen Lernvorgang vergleichen. Ein Mensch lernt aus den Erfahrungen, die er im Laufe seines Lebens macht. Er nutzt neu gewonnenes Wissen, um es auf andere Lebenssituation anzuwenden. Bei Künstlicher Intelligenz ersetzen Daten die menschlichen Erfahrungen. Anders als bei den klassischen Programmen ist eine Machine Learning-Lösung nicht ohne vorheriges Training einsatzbereit. Ein solches Training kann in verschiedenen Formen stattfinden. Unterschiedliche Lösungen haben hierbei unterschiedliche Anforderungen an den Trainingsdatensatz. Beim überwachten Lernen müssen im Trainingsdatensatz Beispiele mit bekannten Ergebnissen enthalten sein. Beim unüberwachten Lernen kann das Programm die Struktur der Trainingsdaten nach bestimmten Kriterien selbstständig erfassen. Beim Reinforcement Learning wird das Programm während des realen Einsatzes kontinuierlich dadurch verbessert, dass es das Ergebnis seiner Handlungen bewertet. Für alle genannten Konstrukte gilt gleichermaßen, dass das Training über die Qualität und Genauigkeit der Machine Learning-Lösung entscheidet. Je besser dabei die Datengrundlage ist, desto besser sind die zu erwartenden Ergebnisse. Häufig gilt, dass mehr und vielfältigere Daten den Trainings-Effekt verbessern. Es gibt jedoch Verfahren, die schon mit wenigen Daten mittlerer Qualität eine hohe Präzision erreichen. Bei diesen Ansätzen wird auf einem bereits mit einem Grundstock an Daten vortrainierten Modell aufgebaut. Ein gutes Beispiel dafür sind Chatbot-Lösungen. Oft werden grundlegende Informationen wie Satzkonstrukte oder Vokabular dem Chatbot durch Training bereits vermittelt. So reichen für Chatbots meist wenige Beispieldatensätze aus, um bestimmte Kontexte im Rahmen des Einsatzgebiets zu erfassen.

Besonders interessant und mit großen Chancen für die Zukunft verbunden ist eine Teildisziplin des Machine Learnings: Deep Learning. Diese Teildisziplin beschreibt Künstliche Intelligenz, die sich tiefgehende, vielschichtige neuronale Netze zu Nutze macht. Dabei handelt es sich um Algorithmen, die vereinfacht den Abläufen des menschlichen Gehirns nachempfunden sind. Sie profitieren stark von großen Datenmengen. Durch Fortschritte in Rechenleistung und Datenverfügbarkeit konnten diese Algorithmen in den letzten Jahren maßgebliche Fortschritte aufweisen. So trainiert, liefern sie Ergebnisse in einer Qualität, die vorher unerreicht war. Besondere Erfolge erzielten Deep Learning-Lösungen im Bereich der Analyse wenig strukturierter Daten wie z.B. Sprache, Texten, Bildern und Videos. Auf diese Weise unterstützen Deep Learning-Algorithmen heute schon bei vielen komplexen Problemen wie der Diagnose von Tumoren durch die Analyse von MRT-Bildern.

Künstliche Intelligenz wird klassischerweise in drei Klassen eingeteilt, die sie in Relation mit der menschlichen Intelligenz setzen. Die bereits angeführten KI-Lösungen und Anwendungsgebiete lassen sich dem Bereich der „Schwachen KI“ zuordnen. Lösungen in diesem Bereich erfüllen definierte Aufgaben in einem festgelegten Bereich. Sie werden für diese konkreten Anwendungsfälle angepasst und mit den notwendigen Daten trainiert. „Starke KI“ hingegen agiert auch bei schwierigen Aufgaben auf Augenhöhe mit der menschlichen Intelligenz. Ihr Einsatzbereich ist nicht auf einzelne Gebiete beschränkt. Von „Super KI“ spricht man, wenn die Künstliche Intelligenz dem Menschen in vielen oder sogar allen Belangen überlegen ist. Auch wenn bis zur Realisierung der letzteren beiden Formen der Intelligenz nach gängiger Expertenmeinung noch einige Zeit vergehen wird, werden Potenziale und Risiken bereits heute kontrovers diskutiert (Referenz: Open Letter on Artificial Intelligence, Steven Hawking).

Wertvolle Einsatzpotenziale von KI im Geschäftsalltag.

Große Potenziale für Unternehmen bietet branchenübergreifend bereits heute die Vielzahl verschiedener Anwendungen der „Schwachen KI“. Einzelne Aufgaben oder Betriebsabläufe können intelligent unterstützt und automatisiert werden, um so die eigene Effizienz zu steigern und langfristig Wettbewerbsvorteile aufzubauen. Die Vielseitigkeit der Einsatzgebiete von Machine Learning soll durch folgende Beispiele verdeutlicht werden:

  • Prognose von Absatzzahlen: Mithilfe von Zeitreihenanalysen werden historische Daten ausgewertet, um Voraussagen über die Zukunft zu treffen. Machine Learning-Modelle (z.B. Rekurrente Neuronale Netze) erweitern die klassischen Zeitreihenanalysen. Sie werden anhand historischer Absatzzahlen und weiterer Variablen wie Absatzregionen oder Produkteigenschaften trainiert und können dann Voraussagen über zukünftige Absätze machen. Diese Ergebnisse bieten eine breitere Grundlage und können kombiniert mit der Erfahrung von Fachkräften zu qualifizierteren strategischen und operativen Entscheidungen führen.
  • Automatisierte Bearbeitung von Support-Anfragen: Der Kundensupport eines Unternehmens kann durch den Einsatz von Machine Learning-basiertem Natural Language Processing (NLP) und Understanding (NLU) stark entlastet und verbessert werden. Diese Algorithmen analysieren und verarbeiten natürliche Sprache bis hin zu einem Verständnis der Inhalte. Auf diese Weise kann z.B. ein Chatbot Kundenanfragen zu definierten Themen schnell und automatisiert beantworten oder bei Bedarf an entsprechende Kundenservice-Mitarbeiter verweisen. Darüber hinaus können Kunden-E-Mails ausgewertet und hinsichtlich z.B. Thema oder Emotionslage kategorisiert werden. So stehen den Servicemitarbeitern bereits relevante Informationen für die Bearbeitung des Anliegens zur Verfügung.
  • Personalisierung und automatisierte Verschlagwortung von Web-Angeboten: Recommender Systeme werden von fast allen Web-Plattformen wie z.B. Amazon eingesetzt. Sie können verwendet werden, um das Nutzerverhalten über ein Web-Angebot hinweg auszuwerten und basierend auf diesen Informationen den Usern personalisiert Produkte oder Services zu empfehlen.
    Machine Learning-Verfahren können zudem bei der Generierung von Metadaten unterstützen durch das Extrahieren von Informationen aus Bildern und Texten aus dem Web-Angebot. Durch diese Datenanreicherung können weitere Beziehungen zwischen den einzelnen Web-Objekten untereinander sowie zu den Usern identifiziert werden. In einem konkreten Beispiel kann ein Onlinehändler für Schuhe auf diese Weise automatisiert seine Produkte verschlagworten. Typisch wäre hier eine Kategorisierung nach Farbe oder Stilrichtung. Dies entbindet nicht nur den Menschen von einer aufwändigen, manuellen Tätigkeit, sondern ermöglicht auch eine viel granularere Kategorisierung.
  • Intelligente Wartung in Form von Predictive Maintenance: Ziel dieses Feldes ist die proaktive Wartung von Maschinen, Geräten und Anlagen. Hierbei wird durch das Analysieren historischer Daten versucht, Muster zu erkennen, die Rückschlüsse darauf zulassen, wann es zu Systemausfällen kommt und welche Komponenten gewartet werden müssen. Dadurch können Ausfallzeiten minimiert sowie die Effizienz und Qualität insgesamt gesteigert werden. Ein sehr anschauliches Beispiel für die Vorteile des Einsatzes von Predictive Maintenance ist die Wartung von Fahrstühlen. In diesem Bereich ist eine hohe Zuverlässigkeit besonders wichtig. Ungeplante Ausfälle verursachen Kosten und sorgen für Unzufriedenheit, denn niemand möchte gerne im Fahrstuhl stecken bleiben. Mithilfe von im Fahrstuhl eingebauten Sensoren können wichtige Betriebs- und Wartungsdaten gesammelt und ausgewertet werden. Dies ermöglicht die frühzeitige Erkennung von Problemen und beugt so drohenden Ausfällen vor.

Die genannten Beispiele verdeutlichen, dass Künstliche Intelligenz den Menschen in seiner Arbeit entlasten kann und darüber hinaus in bestimmten Bereichen sogar maßgeblich dabei unterstützt, qualifiziertere Entscheidungen zu treffen. Sie kann Mitarbeitern repetitive, manuelle Tätigkeiten abnehmen und ihnen auf diese Weise mehr Zeit für die Ausübung kreativer und komplexer Tätigkeiten zur Verfügung stellen. Zudem ermöglicht KI die Analyse von großen multidimensionalen und multivariaten Datensätzen, die aufgrund ihrer Komplexität von Menschen nur schwierig zusammenzuführen und auszuwerten sind. Ein weiterer Faktor ist die Beschleunigung von Arbeits- und Entscheidungsfindungsprozessen. Diese reicht bis hin zu einer automatischen Echtzeitauswertung und Bearbeitung von einkommenden Daten. Auf diese Weise kann eine enorme Verbesserung der Qualität und Effizienz erzielt werden. Tallence sieht KI daher nicht als Ersatz für Fachkräfte, sondern vielmehr als Innovationstreiber und sinnvolle Ergänzung der menschlichen Arbeitskraft wie wir sie heute kennen. Aus unserer Sicht ist es die ausgewogene Kombination aus intelligenten Assistenten und Fachkräften, die es Unternehmen ermöglicht, den maximalen Wert aus Künstlicher Intelligenz zu generieren. Wir bei Tallence sind uns sicher, dass durch Innovation die langfristige Wettbewerbsfähigkeit verbessert und damit der Grundstein für zukünftiges Wachstum gelegt werden kann.

Im Rahmen vergangener Projekte konnten wir als Tallence bereits erfolgreich KI-Lösungen für unsere Kunden umsetzen. Unter anderem haben wir einen Chatbot entwickelt, der Informationen aus bestehenden Schnittstellen des Kunden nutzt, um Usern auf intelligente Art und Weise ihre Fragen zu beantworten. In einem weiteren Projekt haben wir eine E-Mail-Klassifikationslösung in eine existierende E-Mail-Infrastruktur integriert.
In unserem nächsten Blog-Artikel erfahrt ihr, wie wir bei Projekten im Bereich Künstliche Intelligenz vorgehen und Euch von der Idee bis hin zur intelligenten Lösung als kompetenter Partner begleiten.

 

von: Dr. Bastian Eggert,  Timo Fuhrmann und Dr. Kai Matzutt

 

 

[1] Quelle: PwC-Studie: „Künstliche Intelligenz in Unternehmen“, 2019

ProjektanfrageIch möchte mit TALLENCE über ein neues Projekt sprechen.Kontakt Wir freuen uns, Dich kennenzulernen.