Demystifying buzzwords – Das Einmaleins der Künstlichen Intelligenz

Publish date:

Vielen Unternehmen scheint unklar zu sein, was sich hinter Schlagwörtern wie „KI“, „Machine Learning“ und „Deep Learning“ verbirgt – ein Verständnis ist jedoch zwingend notwendig, um entscheiden zu können, an welchen Stellen intelligente Lösungen sinnvoll eingesetzt werden sollten.

Dass Algorithmen, das Herzstück einer jeden Künstlichen Intelligenz (KI), zunehmend den Geschäftsalltag von Unternehmen bestimmen, dürfte längst kein Geheimnis mehr sein. Unternehmen erhoffen sich durch den Einsatz von KI eine insgesamt höhere Wertschöpfung zu erreichen und eine Basis für verschiedenste Prozess-Automatisierungen zu schaffen. Bedenklich ist jedoch, dass vielen Unternehmen unklar ist, was genau sich hinter der Technologie verbirgt und nicht jeder Anbieter, der behauptet KI in seiner Lösung zu nutzen, kann sein Versprechen einhalten. Denn rund um das Thema KI existieren zahlreiche, teilweise schwierig voneinander abgrenzbare Schlagwörter wie etwa „Machine Learning“, „Deep Learning“ oder „Data Science“ – Begriffe, die oftmals in der Chefetage falsch verwendet oder nicht richtig verstanden werden. Das daraus resultierende Halbwissen führt dazu, dass Unternehmen in ungenügendem Maße entscheiden können, an welchen Stellen intelligente Lösungen sinnvoll eingesetzt werden sollten und wo nicht.

Dieser Artikel zielt daher darauf ab, Unternehmensverantwortlichen einen kompakten Einblick in das Konzept der Künstlichen Intelligenz zu gewähren und aufzuzeigen, was diese bereits heute in der Praxis leisten kann.

Eine Einführung zu KI

KI kann nicht als isolierte Technologie betrachtet werden, sondern dient als Oberbegriff für andere Schlüsseltechnologien wie „Machine Learning (ML)“ und „Deep Learning (DL)“, wobei „Big Data“ und „Data Science“ die Grundlage für solche Anwendungen bilden.

Data Science

Data Science ist die Grundlage aller KI/ ML-Modelle und basiert auf den drei Grundpfeilern „Statistik“, „Coding“ und „wirtschaftlichem Denken“. Das Ziel von Data Science und insbesondere von Data Mining ist es mithilfe wissenschaftlicher Methoden, Erkenntnisse aus sowohl strukturierten als auch unstrukturierten Daten zu gewinnen, um fundierte Entscheidungen zu ermöglichen.

Big Data

Wie der Name schon sagt, besteht Big Data aus extrem großen Datensätzen, die KI-Modelle dazu verhelfen, noch leistungsstärker zu werden: Denn nur mehr und bessere Daten können auch zu verbesserten Modellen führen.

KI

Was genau ist KI? Eine klare und allgemein gültige Definition, scheint zu fehlen – KI soll im Wesentlichen jedoch dazu dienen, Aufgaben zu lösen, ohne vorher explizit auf bestimmte Situationen programmiert worden zu sein. Rationales Handeln ist daher ein Kernelement von KI und basiert auf den Grundprinzipen „Denken“, „Lernen“ und der „Autonomie“.

KI Bild

(Abbildung 1: KI-Übersicht)

Machine Learning

Maschinelles Lernen ist eine Teilmenge von KI und wendet statistische Modelle an, um kontinuierlich aus Datensätzen zu lernen und genaue Vorhersagen treffen zu können. Ein System, das auf maschinellem Lernen basiert, lernt somit von Beobachtungen und den daraus entstehenden Erfahrungen.

Man unterscheidet im Wesentlichen zwischen drei unterschiedlichen Arten von Machine Learning: Supervised Learning, Unsupervised Learning und Reinforcement Learning.

Supervised Learning: Supervised Learning ist die am weitesten verbreitete Methode und versieht Datensätze mit sogenannten „Lables“, welche dem System signalisieren sollen, nach welchen Mustern es zu suchen hat. Ein bekanntes Beispiel hierzu ist On-demand-Filme-Anbieter Netflix, dessen Algorithmus die Nutzerpräferenzen (in diesem Fall Filme) prognostiziert und entsprechende Empfehlungen ausspricht.

Unsupervised learning: Beim Unsupervised Learning erfolgt eine Mustererkennung von Datensätzen, ohne Rückgriff auf „Lables”. Ein Beispiel ist die Segmentierung von Kundengruppen nach klar abgrenzbaren Verhaltensmerkmalen.

Reinforcement Learning: Diese Methode stellt die neueste Form des maschinellen Lernens dar. Hierbei lernt der Algorithmus mithilfe einer Belohnungsfunktion – das System wird „belohnt“ oder „bestraft“, je nachdem, ob dessen Verhalten zu einer bestimmten Zielerreichung führt oder nicht. Ein bekanntes Beispiel, das auf dieser Methode beruht, ist Googles Computerprogramm Alpha Go.

Deep Learning: Deep Learning ist eine spezifische Form des maschinellen Lernens. Algorithmen, die auf dem Deep-Learning-Prinzip basieren, können selbst kleinste Muster in Datensätzen finden und genaue Vorhersagen treffen. Grund hierfür ist die besondere Struktur dieser Algorithmen. Diese nutzen für ihre Lernprozesse neuronale Netze, welche der menschlichen neuronalen Struktur sehr ähnlich sind. Zahlreiche Schichten von Rechenknoten wirken zusammen und durchforsten Datensätze nach Mustern, um am Ende effektive Ergebnisse zu erzielen.

Wie KI/ML bei der Optimierung der Geschäftsprozesse helfen kann – ein Fallbeispiel

Begrifflichkeiten zu verstehen ist das eine, aber nachzuvollziehen, wie intelligente Technologien im Unternehmenskontext eingesetzt werden können, das Andere. Das folgende Beispiel soll verdeutlichen, wie eine bestimmte Form des maschinellen Learnens, in diesem Fall „Intelligent Character Recognition (ICR)“ mittels Supervised Learning, Unternehmen zu verbesserter Datenqualität, Effizienzsteigerungen und höherer Geschäftsprozess-Transparenz verhelfen können.

Vorteile ICR

(Abbildung 2: Vorteile einer ICR Anwendung)

Ausgangssituation: Angestellte in Unternehmen müssen täglich zahlreiche Dokumente (z.B. Bestellungen, Rechnungen, CV-Korrespondenz, Reklamationen, etc.) unterschiedlicher Formate mit hohem manuellen Aufwand verarbeiten. Es wird somit viel Zeit in „low-value“-Aktivitäten investiert, wie dem Kopieren und Einfügen von Text in unterschiedliche Backend Systeme. Das Resultat sind demotivierte Mitarbeiter und teils fehlerhafte Datenübertragungen.

KI/ML Lösungsansatz: Die ICR-Technologie ermöglicht die automatisierte Extraktion von Text aus unstrukturierten und strukturierten Daten in ein elektronisch nutzbares Format und erleichtert damit arbeitsintensive Verwaltungsarbeiten. Das zugrundeliegende ML-Modell wird mit Klassifizierungsbeispielen (in diesem Beispiel Bilder/ Text) trainiert und kann anhand gelernter Eigenschaftsmerkmale Bilder und Texte korrekt zuordnen bzw. erkennen. Diese Form von ML gehört somit zum Supervised Learning, da der Algorithmus mithilfe von „Lables“ lernt.

Erzielte Vorteile: Unternehmen, die diese Technologie auf ihre Geschäftsprozesse übertragen, können mit entscheidenen Effizienzsteigerungen rechnen. Zum Einen sorgt ICR für hohe Datenqualität und verhindert menschliche Fehler durch automatisierte Datenübertragungen (hierbei kommt eine weitere Technologie ins Spiel – RPA). Des Weiteren wird eine höhere Verarbeitungsgeschwindigkeit durch weniger manuelle Eingaben erreicht und Mitarbeiter können sich auf wertsteigernde Maßnahmen konzentrieren. Schließlich wird eine höhere Transparenz von Geschäftsprozessen erzielt, da sich die Technologie an Vorgaben hält und standardisiert vorgeht.

Weitere Posts

Artificial Intelligence

Künstliche Intelligenz benötigt Datenmanagement – und umgekehrt

Axel Toonen
Date icon September 27, 2019

Wie Künstliche Intelligenz und Machine Learning digitale Transformationsinitiativen antreiben...

KI-Ethik

Künstliche Intelligenz: Wie halten wir’s mit Recht und Ethik!?

Fabian Schladitz
Date icon August 30, 2019

Beim Einsatz Künstlicher Intelligenz wird zunehmend auch über den rechtlichen Rahmen und...

Künstliche Intelligenz

Künstliche Intelligenz im Gesundheitswesen: Die Krankenversicherung der Zukunft

Lisa Neumann
Date icon Juni 21, 2019

KI bietet gesetzlichen Krankenversicherungen und ihren 70 Millionen Versicherten neue...