Start Blog

small Machine Learning ist der nächste große Sprung in Richtung KI

0
Weaver Ants or Green Ants (Oecophylla smaragdina)
Weaver Ants or Green Ants (Oecophylla smaragdina)

Der Boom in der robotic process automation (RPA) in den letzten Jahren hat ziemlich deutlich gemacht, dass Geschäftsprozesse in nahezu jeder Branche eine endlose Anzahl von Engpässen aufweisen und Effizienzverbesserungen erzielt werden müssen. Bereits Jahre vor dem vollen Anstieg von RPA schätzte McKinsey die jährlichen Auswirkungen der Automatisierung der Wissensarbeit auf rund 6 Billionen US-Dollar im Jahr 2025.

Nachdem ich die Entwicklung von RPA von Python-Skripten zu verallgemeinerten Plattformen verfolgt habe, habe ich eine ziemliche Veränderung erlebt. Die in RPA verfügbaren Tools und Bibliotheken haben sich im Laufe der Zeit verbessert. Jede Iteration erweitert die Vielfalt der Prozesse, die automatisiert werden können, und verbessert die Gesamtautomatisierungsraten weiter. Ich glaube, dass die Aufnahme von maschinellem Lernen (ML) in die alltägliche Toolbox von RPA-Entwicklern der nächste große Sprung in Umfang und Effektivität der Prozessautomatisierung ist. Und ich bin nicht allein. Aber da ist ein Fang. Es wird ganz anders aussehen, als der ganze Hype Sie glauben machen würde.

Warum sollte man sich überhaupt für maschinelles Lernen interessieren?

Stellen Sie sich RPA ohne if-else-Logik oder Variablen vor. Sie konnten nur einfache und vollständig statische Klickprozesse automatisieren. Wenn wir nach und nach einige Variablen und Logik hinzufügen, können wir damit beginnen, komplexere und wirkungsvollere Prozesse zu automatisieren. Je komplexer der Prozess ist, den Sie automatisieren möchten, desto mehr Logikregeln müssen Sie hinzufügen und desto mehr Randfälle müssen Sie berücksichtigen. Die Belastung des Regelsystems des RPA-Entwicklers wächst exponentiell. Sehen Sie, wohin wir damit gehen?

Das Gesetz der sinkenden Rendite schreibt vor, dass die Entwicklung von Regelsystemen irgendwann (überraschend bald) so kostspielig wird, dass sich die Automatisierung des Prozesses nicht mehr lohnt. Hier kommt maschinelles Lernen ins Spiel. Bei richtiger Anwendung kann es jedes herkömmliche Regelsystem leicht überlisten, während es weitaus weniger Ressourcen benötigt. Und noch besser, es entsperrt Automatisierungen, die so komplex sind, dass der Versuch, sie mit Regelsystemen zu lösen, lächerlich wäre. Letztendlich gilt das Gesetz der sinkenden Rendite natürlich auch für maschinelles Lernen, aber wir werden bald verstehen, warum es im Moment eigentlich keine Rolle spielt.

Regelsystem vs. Machine Learning Quelle: eigene Darstellung

Ist maschinelles Lernen nicht verrückt teuer?

Ja und nein. Wenn Sie den richtigen Ansatz und die richtigen Tools auswählen, können Sie zwischen verrückt teuer und verrückt profitabel wählen. Ich teile die Automatisierung gerne in zwei Kategorien ein:

1. Automatisierung mit hoher Auswirkung und geringem Volumen

2. Automatisierung mit geringen Auswirkungen und hohem Volumen.

Die erste Kategorie enthält alle hochgespielten Anwendungen wie persönliche KI-Assistenten, Big-Data-Business-Analysen, automatisierte F & E und andere Konzepte, die massive Auswirkungen auf das Geschäft versprechen.

Diese werden als große Projekte für maschinelles Lernen mit großen Ambitionen gestartet, werden jedoch eher zu PR-Stunts und liefern nicht viel tatsächlichen Wert. Warum? Die Antwort ist in der Grafik. Die Anwendungen mit hoher Auswirkung erfordern eine enorme Investition, um die endgültige Erhöhung der Genauigkeit um 2% auszugleichen, die erforderlich ist, damit sie funktioniert, und den ROI auf negativ zu drücken. Normalerweise verbrauchen diese Projekte so viele Ressourcen, dass das Unternehmen gezwungen ist, die Kosten zu senken und sie zu schließen. In der zweiten Kategorie dreht sich alles um Effizienz. Es hat weit weniger Medienattraktivität, lässt sich aber nicht von seiner unauffälligen Natur täuschen. Hier finden Sie realisierbare Gewinne und echte organisatorische Veränderungen. Dinge wie die Rechnungsbearbeitung, die Kategorisierung von Kundenbeschwerden und die Qualifizierung von Vertriebsleads klingen nicht nach weltverändernden Automatisierungen. Zusammengenommen steigern sie jedoch die Effizienz Ihres Unternehmens um eine Größenordnung. Denken Sie über die Auswirkungen des Internets nach. Sie haben kein einziges großes Internetprojekt, sondern das Internet ist in jede einzelne Funktion Ihres Unternehmens eingebettet. Das gleiche wird beim maschinellen Lernen passieren. Sie möchten in der profitablen Hocheffizienzzone sein. Anstatt große ML-Projekte durchzuführen, binden Sie kleine ML in Ihre tägliche RPA-Arbeit ein und lassen Sie sich überraschen.

Effizienz vs. PR Stunt Quelle: eigene Darstellung

Wie mache ich das? Unsere Data Scientists sind sehr beschäftigt

Wählen Sie einfach Tools aus, mit denen Ihr RPA-Team maschinelles Lernen nutzen kann, ohne sich bei jeder Automatisierung auf das Data Science-Team verlassen zu müssen. Es gibt Tools für maschinelles Lernen, die sich an Entwickler richten und den ganzen Aufwand an Modellschulung, Hosting und Wartung überspringen. Natürlich könnten Sie mit einem benutzerdefinierten Modell eines Data-Science-Teams immer eine höhere Leistung erzielen, aber Sie müssen bewerten und begründen, ob sich die Investition lohnt. Wenn das RPA-Team das maschinelle Lernen selbst nutzen kann, sinkt der Schwellenwert für die Einbeziehung von Intelligenz in die Prozessautomatisierung. Sie werden es überall sehen. Die meisten ML-Tools richten sich an Datenwissenschaftler, um ihre Arbeit zu optimieren. Sie müssen also etwas graben, um entwicklerorientierte Lösungen zu finden. Ich werde am Ende des Beitrags darauf zurückkommen.

Ok, wo soll ich anfangen?

Schauen Sie sich Ihre aktuellen Automatisierungen an. Müssen einige von ihnen ständig in ihrem Regelsystem aktualisiert werden oder müssen sie häufig von Menschen eingegriffen werden? Wenn ja, könnten diese Engpässe mit etwas Intelligenz behoben werden?

Eine weitere gute Quelle ist Ihr RPA-Rückstand. Gibt es Automatisierungen, die dort schon eine Weile mit mittlerer bis hoher Priorität sitzen, sich aber nie weiterentwickelt haben? Es sind normalerweise diejenigen mit etwas Komplexität, die im Rückstand stecken bleiben.

Automatisierungen, bei denen Intelligenz erforderlich ist, befinden sich im Allgemeinen in einem der folgenden Felder:

  1. Hat unzuverlässige Eingabedaten: z. B. Der Benutzer hat nicht alle erforderlichen Informationen in ein Formular eingegeben oder Tippfehler gemacht.
  2. Benötigt ein komplexes Regelsystem: z. B. Identifizieren, ob ein Eintrag bereits in der Datenbank vorhanden ist, jedoch in einem anderen Format (GmbH. vs Gesellschaft mit beschränkter Haftung).
  3. Erfordert kognitive Entscheidungen: z. B. Ein Beschwerde-Ticket muss dem richtigen Kundendienstmitarbeiter entsprechend seiner Kategorie oder Dringlichkeit zugewiesen werden.
  4. Umgebung oder Daten ändern sich häufig: z. B. Die im Einzelhandel verkauften Produkte ändern sich ständig, wenn neue Produkte eingeführt und alte eingestellt werden

Kann ich das auf meiner RPA-Plattform tun?

Ja. Der springende Punkt ist, maschinelles Lernen zu einem normalen Werkzeug in Ihrer täglichen RPA-Toolbox zu machen und dazwischen liegende Reibungspunkte zu entfernen. Die Verwendung solcher Lösungen erfordert nicht viel mehr als das Senden von HTTP-Anforderungen, eine Standardfunktion in jeder RPA-Plattform. Wir arbeiten an Lösungen und Workshops, um Ihnen den Einstieg zu erleichtern, und wir starten Bibliotheken und Komponenten, um die Verwendung von ML auf den Plattformen noch einfacher zu gestalten. Sie können mir gerne eine Nachricht auf LinkedIn senden oder mir eine E-Mail (j.funke@it-p.de) senden, wenn Sie sich den Early Adopters anschließen möchten. Wir sehen uns im ML-Zug!

[hubspot type=form portal=8345604 id=091d29b5-3b75-4803-8cc4-b153ed8ddc18]

Der Touring Test

0
Ophthalmological test
Ophthalmological test

1950 schlug Alan Turing vor, eine Maschine dann als intelligent zu bezeichnen, wenn sie in der Lage sei, ein Verhalten zu zeigen, dass ich nicht zum Verhalten eines intelligenten Menschen unterscheiden lässt. Turing beschrieb ein Gespräch Situation in der ein Mensch von einer Maschine interviewt werden sollte ohne dass dies dem Interview bekannt sein sollte. In interviewte nicht feststellen konnte ob seine Interviewer eine Maschine oder ein Mensch war, dann würde dies bedeuten dass die Maschine den Turing Test bestanden hätte.

Die Ermittler zum Turing ist sowohl sehr einflussreich als auch sehr kontrovers diskutiert worden. Zum Beispiel gibt Turing nicht an, wie lange der Menschen der Maschine sprechen müsste bevor er eine Entscheidung trifft. Dennoch markiert der Turing Test eine wichtige Etappe in die Begrifflichkeit der Intelligenz und des eigenständigen Denkens genauer zu definieren.

Auf Wikipedia gibt es natürlich noch weitere Details

https://de.wikipedia.org/wiki/Turing-Test

Träumen wir nicht alle manchmal davon dass sich unsere E-Mails automatisiert bearbeiten?

0
Stylish businessowman reading an email on his laptop while being in a coffee shop
Stylish businessowman reading an email on his laptop while being in a coffee shop

Dieser Traum ist mittlerweile gar nicht mehr so weit entfernt!

Automatisierte regelbasierte Systeme können bereits E-Mails vor Filtern – diese Filterung gibt es schon seit Jahrzehnten. Die Neuerungen sind, dass E-Mails ebenfalls automatisiert analysiert, bewertet und auch bearbeitet werden können.

Jetzt sagen Sie sicherlich das kann ich mir nicht vorstellen. Oder vielleicht in einer normalen Fachdomäne kann ich es mir vorstellen aber wir sind dafür viel zu spezifisch. Und ich antworte Ihnen:

doch auch für ihr spezifisches Thema ist es ebenfalls möglich ihre E-Mails zu analysieren zu klassifizieren und sie zu einem hohen Prozentsatz automatisiert zu bearbeiten.

Zu Recht fragen Sie sich jetzt wie kann das denn funktionieren.

Auch darauf möchte ich Ihnen gerne eine Antwort geben.

Ich habe ein Beispiel vorbereitet, an denen es relativ gut zu erläutern ist wie eine künstliche Intelligenz uns bei der E-Mail Bearbeitung unterstützen kann. Wie ein guter Sekretär / eine Sekretärin, kann eine künstliche Intelligenz bis zu einem gewissen Punkt E-Mails verstehen und bearbeiten. Um eine 100 %ige Bearbeitungsquote zu erreichen ist noch einiges zu tun. Aber überlegen Sie sich wie viel Ihnen schon eine automatisierte Bearbeitung zwischen 70 und 80 % Ihres gesamten E-Mail Aufkommens an Zeit sparen würde.

Wie bereits in anderen Artikeln geschrieben, kann eine künstliche Intelligenz durch Beispiele lernen. Die Anzahl der Beispiele spielt hierbei kaum eine Rolle. Natürlich spielt sie schon eine Rolle, aber es können sehr viele Daten automatisiert verarbeitet werden. Nehmen wir an, Sie würden einen neuen Sekretär einstellen. Dieser Sekretär müsste erst einmal verstehen wie Sie arbeiten welche E-Mails Sie in der Vergangenheit schon wie bearbeitet haben was ihre normalen Antwortsätze sind usw. Nehmen wir des Weiteren an Sie haben in den vergangenen Jahren 100.000 E-Mails versendet. Jede E-Mail benötigt zum Lesen zwischen zwei und 3 Minuten im Durchschnitt. Natürlich gibt es auch E-Mails die wesentlich länger sind aber ebenfalls auch E-Mails die kürzer sind und dies soll ja nur in Beispiel sein.

100.000 × 2 Minuten sind 200.000 Minute, soweit mein Verständnis der Grundrechenarten.

Wenn ihr neueingestellter Sekretär 24 Stunden am Tag und sieben Tage die Woche arbeiten würde bräuchte er etwas mehr als 135 Tage an denen er jede Minute arbeitet um diese 100.000 E-Mails zu lesen. Künstliche Intelligenz benötigt wesentlich weniger Zeit. Je nach Rechenleistung nur wenige Sekunden bis hin zu einigen Stunden.

Dieses Beispiel zeigt uns, dass gerade bei großen Datenmengen auch eine künstliche Intelligenz sehr schnell arbeiten kann. Das Lernen aus Beispielen erzielt innerhalb sehr kurzer Vorbereitungszeit sehr gute Ergebnisse.

Gehen wir das konkret auf das Beispiel ein:

um das Beispiel etwas mehr zu konkretisieren, würde ich gerne folgende Rahmenbedingungen annehmen

• verwenden als Beispiel hierbei die info@domain.de E-Mail-Adresse

• im Schnitt werden ca. 500 E-Mails pro Tag an diese E-Mail-Adresse gesendet

• ca. 100 E-Mails davon sind Werbung, Newsletter, oder sonstige unerwünschte E-Mails

• diese unerwünschten E-Mails werden bereits durch eine Spamfilterung automatisiert aussortiert

• die übrig bleibenden E-Mails müssen aktuell durch einen Menschen gelesen, klassifiziert, analysiert und entsprechend die Inhalte in weiteren Systemen ein gepflegt werden

• ebenfalls wird eine Antwort auf die eingegangene E-Mail benötigt

diese Rahmenbedingungen zeigen dass es sehr aufwendig sein kann ein solches E-Mail Postfach bearbeiten. Die angenommene netto E-Mail Anzahl von ca. 400 ist hier ein sehr kleines Beispiel. Sicherlich gibt es Postfächer in den wesentlich höheres E-Mail Aufkommen herrscht. Rechnen wir hier ebenfalls im Durchschnitt bei einer Bearbeitungszeit von 5 Minuten pro eingegangene E-Mail, müssten wir 400 mal 3 Minuten am Tag bearbeiten. Hierbei kommen wir in der Summer auf ca. 20 Stunden am Tag die als Bearbeitungszeit aufgewendet werden müssten. Bei einer deutsch durchschnittlichen Arbeitszeit von 8 Stunden am Tag in Deutschland, wären dies mehr als zwei Vollzeitstellen, die sich nur um das Thema E-Mail Bearbeitung kümmern.

Im Endeffekt wären es sogar 2,5 Vollzeitstellen.

Wir lassen aktuell den Effekt außen vor das beispielsweise während Feiertagen und am Wochenende ebenfalls E-Mails eingehen können. Jedoch muss ebenfalls beachtet werden, dass mindestens 24 Tage Urlaub pro Jahr und auch einige Krankheitstage bei den 2,5 Vollzeitstellen mit ins Kontor schlagen. Um im Endeffekt eine vollständige Abarbeitung der 400 eingehenden E-Mails pro Tag zu ermöglichen, ist es demnach nötig mindestens drei Vollzeitkräfte hierfür zur Verfügung zu stellen.

Auf der einen Seite spielt natürlich das gebundene Kapital über eine Rolle. Auf der anderen Seite sind solche Bearbeitungen sehr repetitive und ebenfalls langweilig. Menschen sind nicht dafür gemacht langweilige Arbeiten durchzuführen. Sondern sie sind eher für den Bereich der Kreativität statt Guy oder auch bei neuen Herausforderungen einzusetzen.

Die hier genannten ungefähr drei Vollzeitstellen könnten sich beispielsweise um den Kundenservice für die VIP Kunden kümmern. Dadurch hätten beide Seiten sowohl der Kunde als hat auch der Auftragnehmer eine wesentlich bessere Bindung. Die Bearbeitung der E-Mail sollte durch ein Automatisierungsmechanismus erfolgen. Dieser kann im ersten Schritt beispielsweise eine regelbasierte System sein. Je nach Konnexität der eingehenden E-Mails ist dies möglich.

Gerade unstrukturierten Daten, wie es in einer E-Mail der Fall ist können regelbasierte Systeme jedoch schnell an ihre Grenzen kommen. Hierbei können dann Künstliche Intelligenz helfen. Für diese ist es möglich sowohl strukturierte als ebenfalls unstrukturierte Daten durch lernen von Beispielen analysieren zu können. Nehmen wir im ersten Schritt eine künstliche Intelligenz an die lediglich 60 % der eingehenden E-Mails automatisiert bearbeiten kann.

Dies würde bedeuten das pro Tag 240 E-Mails korrekt bearbeitet werden und lediglich 160 E-Mails noch manuell durch Menschen bearbeitet werden müssen. Plötzlich haben wir eine Reduktion der benötigten Arbeitszeit von drei Vollzeitstellen auf ungefähr eine Vollzeitstelle.

Diese Kolleginnen und Kollegen könnten sich beispielsweise einer wesentlich kreativeren Arbeit widmen.

Lassen Sie uns diese Themen gerne gemeinsam diskutieren, schreiben Sie mir eine E-Mail an j.funke@it-p.de oder schreiben Sie mir auflegt LinkedIn.

5 Voraussetzungen für den optimalen KI Einsatz

0
Robot holding Earth globe in hand, blue panorama background
Robot holding Earth globe in hand, blue panorama background

Daten sind das A und O bei jedem Einsatz von künstlicher Intelligenz – nicht überraschend ist, auch bei menschlicher Intelligenz. Nur wenn wir ähnliche Datenstrukturen oder sogar sehr gleiche Datenbestände einer KI zu Trainigszwecken zur Verfügung stellen werden die Ergebnisse den Anforderungen entsprechen.

Für den optimalen Einsatz müssen KI-basierte Applikationen aber optimal entwickelt und implementiert werden. Die wichtigsten Voraussetzungen dafür sind:

1. Große Datenmengen

Für die Leistungsfähigkeit der eingesetzten KI-Technologien wie prädikative Analytik, maschinelles und Deep Learning ist es entscheidend, dass die eingesetzten Algorithmen durch eine möglichst große Datenmenge „lernen“ und auf diese Weise bessere Ergebnisse in Form aussagekräftiger Analysen und Handlungsempfehlungen liefern. Hohe Geschwindigkeit und Zuverlässigkeit der Analyse sind maßgeblich, damit Unternehmen sie als Basis für ihre – oft kurzfristig nötigen – Entscheidungen nutzen können

2. Unstrukturierte Daten werden erschlossen

Strukturierte Daten stellen lediglich rund fünf Prozent aller zur Verfügung stehenden Daten dar; die große Mehrheit liegt unstrukturiert vor. Somit nutzen Unternehmen nur einen minimalen Anteil ihres zur Verfügung stehenden Datenkapitals als Basis für Geschäftsentscheidungen. KI-Lösungen sind, anders als bisherige Tools, auch in der Lage, Daten aus beliebigen Quellen zu analysieren – strukturierte, aber eben auch unstrukturierte. Unternehmen müssen dafür sorgen, dass sie für die Auswertung dieser beiden Datenarten eingesetzt werden. Damit erreichen KI-Lösungen eine völlig neue Ebene von Handlungsempfehlungen, die die Qualität der unternehmerischen Entscheidungen schlagartig verbessert.

3. Transparente Algorithmen

Der Einsatz von KI-Technologien ist zumindest anfangs ein Schritt ins Ungewisse. Bedingt durch die große Zahl von Parametern und technischer Verfahren bei der Auswertung und Aufbereitung von Daten kann es für Unternehmen schwer sein nachzuvollziehen, wie KI-Software zu einem Ergebnis gekommen ist. Wichtig für die Anwenderakzeptanz, egal ob Mitarbeiter oder Kunden, ist deshalb die Transparenz der Algorithmen: Wie und warum ist die KI-Lösung zu dem Vorschlag gekommen? In einigen Branchen wie bei Banken und Versicherungen ist die Transparenz aus Compliance-Gründen sogar vorgeschrieben.

4. Mitarbeiter und Entwickler besser für KI qualifizieren

Seit den Anfängen der Computergeschichte gilt das Prinzip, dass Applikationen nur die Aufgaben ausführen, die von Entwicklern programmiert wurden. Daran ändert sich auch bei KI-Lösungen nichts. Deshalb ist die Erfahrung, Kompetenz und Kreativität der Entwickler für die Qualität und Leistungsfähigkeit von KI-Lösungen entscheidend. Neben der Nutzung von KI-basierten Softwareentwicklungs-Assistenten ist die gute Ausbildung und kontinuierliche Weiterbildung der Entwickler und ebenso der Mitarbeiter die die KI nutzen also unverzichtbar: beim maschinellen Lernen, beim Deep Learning oder auch beim Natural Language Processing. Nur so ist die Erstellung optimaler KI-Lösungen möglich. Denn wenn auf der einen Seite die passenden Anforderungen der Fachprozesse verstanden werden müssen, so müssen eben jene auf der andere Seite auch von den Entwicklern umgesetzt und gewartet werden.

5. Künstliche mit menschlicher Intelligenz kombinieren

Aktuelle KI-Technologie kann in sehr kurzer Zeit sehr große Datenmengen verarbeiten und im Hinblick auf Muster und Trends untersuchen. Daher sind automatisierte KI-Werkzeuge wie Bots und Roboter in vielen Bereichen zwar unabdingbar, sie erschließen aber nur einen Teil des möglichen Potenzials. Das ist erst mit Augmented Intelligence möglich. Diese „erweiterte Intelligenz“ kombiniert die Ergebnisse automatisch arbeitender Algorithmen mit der Erfahrung und Intuition menschlicher Experten: Tatsächlich reicht es nicht, dass Entscheider die Empfehlungen einer KI-Lösung 1:1 übernehmen. Das enorme Potenzial können sie nur dann realisieren, wenn sie künstliche Intelligenz mit ihren eigenen kognitiven Fähigkeiten verstärken.

Schnellere Computer und größere Datenmengen stellen eine immer bessere Basis für die Nutzung von KI-Lösungen dar. Ihr wahres Potenzial können sie aber erst dann entfalten, wenn sie optimal eingesetzt werden. Die Analyse auch unstrukturierter Daten, transparente Algorithmen und nicht zuletzt hochqualifizierte Entwickler sind Voraussetzungen dafür. Aber erst die Kombination von künstlicher und menschlicher Intelligenz verbessert massiv die Qualität unternehmerischer Entscheidungen.

KI-Systeme: Vor welche Herausforderungen stellen sie uns?

0
Cropped image of man wearing earbuds when watching webinar on laptop and taking notes in planner

In allen Branchen wird die KI Veränderungen mit sich ziehen, doch der Mensch muss auch ihre Grenzen kennen.

Das Lernen auf der Grundlage von Daten ist die größte Einschränkung von KI-Systemen. Es gibt leider keine weitere Möglichkeit, in solche Anwendungen Wissen einzubetten. Das bedeutet aber ebenfalls, dass sich Ungenauigkeiten in den Daten und somit in den Ergebnissen widerspiegeln. Alle zusätzlichen Analyse- und Vorhersageschichten müssen zudem getrennt hinzugefügt werden.

Die heutigen KI-Systeme sind für umrissenen Aufgaben klar trainiert. Ein KI-System für die Betrugserkennung ist nicht dazu fähig, Rechtsauskünfte zu erteilen oder ein Fahrzeug zu steuern. Mit einem System, das Schach spielt, kann nicht Schach oder Solitär gespielt werden. Ein KI-System, welches Betrug bei Steuerzahlungen erkennt, kann keine präzisen Betrugsfälle im Gesundheitswesen erkennen.

Anders ausgedrückt: KI-Systeme sind sehr stark spezialisiert. Sie eignen sich ausschließlich für eine bestimmte Aufgabe und sind vom menschlichen Verhalten weit entfernt. KI-Technologien, die uns aus Filmen bekannt sind, bleiben weiterhin Science-Fiction. Rechner, die komplexe Datensätze untersuchen, und anhand diesen lernen können, bestimmte Aufgabenstellungen perfekt zu lösen, werden allerdings immer öfter eingesetzt.

Zusammenarbeit zwischen Mensch und künstlicher Intelligenz

0
Quelle:envato.com

Der Mensch soll durch KI nicht ersetzt werden. Sie erweitert die menschlichen Fähigkeiten und verhilft einem zu besseren Ergebnissen. Da KI-Algorithmen anders als Menschen lernen, ermöglichen Sie uns einen neuen Blick auf die Welt. Mithilfe von KI sehen wir Muster und Zusammenhänge, die und in den meisten Fällen verborgen bleiben. Die Partnerschaft zwischen KI-fähigen Maschinen und Mensch eröffnet folgende Chancen:

  • Die Leistungssteigerung bei vorhandenen Analysetechnologien wie Zeitreihenanalyse und Computer Vision.
  • Die Nutzung von Analytica in Bereichen und Branchen, die davon bislang nicht profitieren konnten.
  • Die Überwindung von ökonomischen Hindernissen wie Übersetzungs- und Sprachbarrieren.
  • Die Erweiterung von vorhandenen Fähigkeiten
  • KI verhilft dem Menschen zu besserem Verständnis, besserem Erinnern, besserem Sehen etc.

Künstliche Intelligenz – effizient in der Praxis

0
Quelle: envato.com

In jeder Branche besteht ein riesengroßer Bedarf an Fähigkeiten der KI – vor allem bei Systemen, bei denen medizinische Forschungsarbeiten, Risikohinweise, Patentsuchen, Rechtsauskünfte und die Beantwortung von Fragen zum Einsatz kommen können. Weitere Einsatzbereiche, in denen KI eingesetzt werden kann, sind folgende:

Einzelhandel

Durch KI werden viele virtuelle Einkaufsmöglichkeiten geschafft, die dem Interessenten personalisierte Kaufempfehlungen liefern und bei der Wahl von Kauf-Optionen interaktiv unterstützen. Selbst das Flächenlayout und das Bestandsmanagement können mit dem KI verbessert werden.

Sport

Mithilfe von KI wird Folgendes ermöglicht: die fotografische Spielzug-Erfassung, die Lieferung von Berichten zur Optimierung von Strategie und Spielaufstellungen an Trainer sowie die Verbesserung der Spielvorbereitung.

Gesundheitswesen

Mit Anwendungen der KI können personalisierte medizinische Leistungen bereitgestellt und Röntgenbilder ausgewertet werden. Mittlerweile bestehen selbst persönliche Gesundheitsassistenten und Life Coaches: Sie erinnern die Nutzer an Sport, gesunde Ernährung und die Medikamenteneinnahme.

Fertigung

Die IoT-Daten, die von vernetzten Geräten in Fabriken übertragen werden, können von künstlicher Intelligenz analysiert werden. Der Zweck: Mittels spezieller Deep-Learning-Netze, welche mit Sequenz-Daten arbeiten, prognostizieren Nachfrage und Auslastung.

Künstliche Intelligenz – was bedeutet der Begriff und was muss man darüber wissen?

0

Künstliche Intelligenz, kurz KI, versetzt Maschinen in folgende Lage: Sie lernen aus Erfahrung, stellen sich auf neu eingehende Informationen ein und bewältigen Aufgaben, die menschenartiges Denkvermögen erfordern. Die meisten Beispiele für KI (selbstfahrende Autos, Schach spielende Computer etc.) basieren vor allem auf natürlicher Sprachverarbeitung und Deep Learning. Mithilfe von derartigen Technologien können Computer für spezielle Aufgaben trainiert werden. Das erfolgt, indem sie große Mengen an Daten verarbeiten und in diesen Informationen notwendige Muster erkennen.

KI – wie wird sie uns in Zukunft unterstützen können?

  1. Mithilfe von KI wird das Lernen durch die Discovery und Wiederholung anhand von Daten automatisiert. Mittels Robotik unterscheidet sich die KI allerdings von der hardwarebasierten Automatisierung. Das System dient nicht der Automatisierung von manuellen Tätigkeiten – es führt vielmehr computergesteuerte und mit riesigen Datenmengen anfallende Aufgaben ohne Ermüdung und zuverlässig aus. Für diese Art von Automatisierung bleibt die menschliche Intelligenz dennoch unverzichtbar (zum Beispiel für die Ermittlung von richtigen Fragestellungen oder für die System-Einrichtung).
  2. Bestehende Produkte werden durch KI intelligenter. Eine eigenständige KI-Anwendung wird es in den wenigen Fällen zu kaufen geben. Produkte werden stattdessen um KI-Fähigkeiten erweitert. Intelligente Maschinen, Gesprächsplattformen, Bots und Automatisierung können in Kombination mit größeren Datenmengen etliche Technologien am Arbeitsplatz und zu Hause verbessern.
  3. Dank progressiver Lernalgorithmen ist KI wandlungsfähig – somit kann die Programmierung letztendlich durch die Daten erfolgen. KI findet Regelmäßigkeiten und Strukturen in Daten. Der Algorithmus erwirbt dadurch eine bestimmte Fähigkeit und wird zum Prädikator oder Klassifizierer. Genauso wie er sich das Schachspielen beibringen kann, kann er auch erlernen, welche Produkte als Nächstes im Netz angeboten werden sollte. Sobald neue Daten eingehen, verändert sich auch das Modell. Sollte die ursprüngliche Antwort des Modells ungenügend sein, kann es erneut trainiert und mit neuen Daten versorgt werden.
  4. Durch KI erfolgt die Analyse von großen Datenmengen in größerer Tiefe. Das erfolgt mithilfe von neuronalen Netzen, die häufig eine Vielzahl an verborgenen Schichten aufweisen. In den vergangenen Jahren war es beinahe unmöglich, ein Betrugserkennungssystem mit mehreren verborgenen Schichten aufzubauen. Dank Big Data und einer enorm hohen Rechenleistung, sieht das Ganze inzwischen anders aus. Deep-Learning-Modelle werden mithilfe von großen Datenmengen trainiert – je mehr Daten für derartige Modelle bereitgestellt werden, desto exakter werden sie.
  5. Mithilfe von KI wird das volle Potenzial von Daten erschlossen. Daten werden bei selbstlernenden Algorithmen selbst zum geistigen Eigentum. Alle Antworten befinden sich in den Daten und KI hilft dabei, sie zu finden. Heute spielen Daten eine größere Rolle als je zuvor: Unternehmen können Sie einen riesigen Wettbewerbsvorteil verschaffen. In einer Branche, die vom Wettbewerb stark geprägt ist, gewinnen die Firmen mit den besten Daten – und zwar selbst dann, wenn alle anderen Firmen ähnliche verfahren nutzen.

Künstliche Intelligenz als Gamechanger für das CRM

0
Cropped image of man wearing earbuds when watching webinar on laptop and taking notes in planner

CRM Systeme werden bereits von etlichen Unternehmen verwendet um Kundenanfragen optimal zu bearbeiten. Nur wer die richtigen Kunden zum passenden Zeitpunkt anspricht kann einen Lead erfolgreich zu einem Neukunden verwandeln.

In der Webinar Reihe von IT-P (www.it-p.de) hat mein Kollege Frank Schimke (LinkedIn Profil) über das Thema „AI als Gamecheanger für Ihr CRM“ vorgetragen.

Quelle: Darstellung F. Schimke