Werbung

Akzeptanz von KI-Lösungen wird steigen

Obwohl die Entwicklung noch am Anfang steht, beeinflusst künstliche Intelligenz bereits unser Leben. Was sich hinter dem Teilgebiet der Informatik verbirgt.

AdobeStock - vegefox

 

Künstliche Intelligenz (KI) ist ein spannendes Thema, das die Arbeitswelt verändern wird. Inwieweit KI bereits heute in Unternehmen eingesetzt werden kann, hängt im Wesentlichen von der Branche und dem Aufgabenbereich ab. Dieser Beitrag gibt einen Überblick zum Thema KI. Dabei wird ein Ausblick über zukünftige Entwicklungen gegeben.

Konkrete Umsetzungsprojekte in Bezug auf die künstliche Intelligenz sind zwar noch selten und der Weg zur Implementierung ist steinig. Aber Techniken und Zielsetzungen zur Optimierung und Automation von Prozessen sind seit Langem bekannt und werden schon erfolgreich eingesetzt. Durch neue technische Möglichkeiten hinsichtlich Rechenleistung, Cloudlösungen und vernetzter Daten ist nun ein Rahmen geschaffen worden, um den Grad von Automation weiter zu forcieren.
Um sich KI zu nähern, ist es wichtig, die Merkmale dieser Technologie zu verstehen. Wenn wir über den Einsatz von KI sprechen, sollten wir uns grundsätzlich immer die Frage stellen: Welchen Mehrwert erwartet das Unternehmen und seine Kunden? Der Begriff künstliche Intelligenz kann in unterschiedliche Ansätze und Methoden klassifiziert werden. Im Wesentlichen geht es darum, die geistige Leistung von Menschen zu simulieren. KI lässt sich hierzu in drei Stufen unterteilen.

Artificial Narrow Intelligence (ANI)
Die ANI bezieht sich auf Applikationen oder spezielle Aufgaben. Hierzu gehören das Verstehen von Texten oder die Erkennung von Bildern. Auch das Interpretieren von Emotionen kann heute durch den Einsatz von ANI abgebildet werden. Im Wesentlichen spiegelt ANI den Bereich der KI wider, der uns durch den Umgang mit Produkten wie Alexa, Siri und alternativen Cloudlösungen bereits geläufig ist. Wenn wir über den Einsatz von Chatbot-Lösungen reden, handelt es sich um ANI-gesteuerte KI. Speziell im Bereich Soziale Medien befinden sich diverse Möglichkeiten, um durch den Einsatz von KI Daten und Inhalte zu analysieren.

Artificial General Intelligence (AGI)
Mit AGI ist die Intelligenz gemeint, die eine intellektuelle Aufgabe quasi wie ein Mensch erfolgreich ausführen kann. Aus diesem Grunde nennt man AGI auch die „Menschenähnliche Künstliche Intelligenz“. Sie ist eine Weiterentwicklung der zuvor beschriebenen ANI.

Artificial Super Intelligence (ASI)
ASI bezeichnet die Fähigkeit, dass Maschinen dem Menschen überlegen sind und neue, bisher nicht vorhandene Denkmus­ter erzeugen. Ein Beispiel: Google Deep-Mind hat ein Programm namens „AlphaGo“ für das asiatische Brettspiel „Go“ entwickelt. Es nutzt KI und ist mittlerweile unschlagbar. Heißt: Selbst der amtierende Weltmeister im Go-Spiel ist nicht mehr in der Lage, die Maschine zu besiegen. Die Besonderheit dieses Programms ist, dass die Maschine alle Spielzüge und Strategien selbstständig erlernt hat. Mitgegeben worden sind ihm nur die Spielregeln. Die von der KI neu generierten Strategien und Spielzüge waren den Menschen bisher unbekannt. Demnach ist es gelungen, ein Programm zu entwickeln, dessen Fähigkeit weit über das menschliche Wissen hinausgeht.

Maschinelles Lernen
Data Mining ist im Zusammenhang mit Daten ein oft genanntes Schlagwort. Allgemein gesagt handelt es sich hierbei um einen Prozess zur Datenveredelung, um schließlich Wissen zu generieren. Im Wesentlichen basiert der Prozess auf Mustererkennung und sollte in der Regel automatisch stattfinden. Die Generierung von sinnvollen Mustern erlaubt nichttriviale Vorhersagen für ungekannte Daten. Man spricht hier von „Maschinellem Lernen“, einem Teilbereich der KI. Die Idee des „Maschinellen Lernens“ ist, einem Computersystem Fähigkeiten zu verleihen, die Menschen und Tieren von Natur aus gegeben sind, nämlich aus Erfahrung zu lernen. Diese Erfahrung bezieht ein Computersystem aus statistischen Methoden und Algorithmen. Je mehr Daten, genauer gesagt Datenpaare, zur Verfügung stehen, desto besser ist die Lernfähigkeit des Computersystems.

Wann sollte maschinelles Lernen genutzt werden?
Maschinelles Lernen sollte in Betracht gezogen werden, wenn:

  • die Aufgabe komplex ist,
  • das Problem eine große Datenmenge und viele Variablen umfasst,
  • keine explizite Formel bekannt ist.


In der Praxis wird heute in der Gesichts- oder Bilderkennung maschinelles Lernen eingesetzt. Auch bei stark variablen Daten, bei denen häufige Anpassungen des Programmes erforderlich sind, stellen „neuronale Netze“ eine gute Option dar. Auf diese Weise können erfolgreiche Vorhersagen, z. B. von Einkaufstrends, getroffen werden.

Warum sind Daten so wichtig?
Daten kommen in allen Formen und Größen vor. Real-World-Datensätze können chaotisch, unvollständig und in einer Vielzahl von Formaten bereits vorliegen. Gelegentlich müssen mehrere verschiedene Datentypen wie Sensorsignale, Texte oder Bilder auch kombiniert werden, um zu brauchbaren Ergebnissen zu kommen. Vor einem Projekt sollten folgende drei Fragen beantwortet werden:

  • Welche Art von Daten liegen vor?
  • Welche Erkenntnisse sollen daraus gewonnen werden?
  • Wie und wo werden diese Erkenntnisse angewandt?

Wie aus den Daten Wissen wird?
Die Grundlage für Entscheidungen basiert auf Wissen, das aus den Informationen abgeleitet werden muss. Hierbei ist zwischen Daten, Informationen und schließlich dem Wissen zu unterscheiden. Zu Beginn des Datentransformationsprozesses haben wir in vielen Fällen nur einen Zeichenvorrat. Diese Zeichen können beliebig sein, d. h. Zahlen, Buchstaben oder Symbole. Aus den Zeichen allein kann noch keine Erkenntnis gewonnen werden. Erst durch eine sinnvolle Anordnung können Daten generiert werden, die eine Interpretation erlauben. Aus einer Zeichenkette „1“, „7“, „0“ kann der Wert „1,70“ abgeleitet werden. Erst durch weiteres Anreichern von Informationen kann der Wert in z. B. einen Wechselkurs übersetzt werden. Durch Hinzufügen von weiteren Informationen kann eine Interpretation des Wertes, z. B. als günstiger Wechselkurs, erfolgen. Wenn dieses Wissen generiert worden ist, können daraus Handlungsoptionen abgeleitet werden.

Praxisbeispiele
Bei der Überwachung von Maschinen und IT-gestützten Systemen besteht die erste Herausforderung darin, zuerst einmal einen Zugriff auf die Daten zu bekommen. Die Systeme befinden sich fast immer im Netzwerk des Kunden. Unter Berücksichtigung von Datensicherheit und Datenregulierung müssen Wege gefunden werden, auf diese Daten zuzugreifen und sie außerhalb des Kundennetzwerkes verfügbar zu machen. Je nach Branche des Kunden, kann dieser Schritt aufwendig und kompliziert sein.
Ein Beispiel: Es gab ein Event, das den Ausfall des Systems beschrieb. Als die Systemnachricht gesendet wurde, ist der Techniker via Smartphone automatisch zur Störungsbehebung beauftragt worden. Der Ausfall ist aber nicht, wie erwartet, durch eine Störung verursacht worden, sondern durch die jährliche Wartung. Bei dieser Wartung ist das System nämlich auch nicht in Betrieb. Folge: Unnötigerweise standen zwei Techniker vor dem eigentlich funktionstüchtigen Gerät – einer zur Wartung, einer zur vermeintlichen Störungsbehebung. Das verursacht vermeidbare Kosten und stellt den Kosten-Nutzen-Effekt der Automation infrage. Der Schlüssel zum Erfolg ist eine ständige Qualitätskontrolle und das Messen der festgelegten Parameter.
Es zeigt sich, dass neben den systemischen und prozessualen Herausforderungen der menschliche Faktor unbedingt berücksichtigt werden muss. Mitarbeiter stehen Automation und Veränderungen selten positiv gegenüber. Die Angst vor Jobverlust oder des Wegfalls einer Kernkompetenz kann zu Widerständen in den betroffenen Bereichen führen. Nur durch Einbeziehung aller Betroffenen, also guter und transparenter Kommunikation, kann hier gegengesteuert werden. Mitarbeiter, die mit Automationsprozessen konfrontiert werden, muss eine Perspektive für die Zukunft aufgezeigt werden.

Fazit
Nur wer seine Prozesse kennt und seine Daten strukturiert auswertet, kann KI für die Automation seiner Prozesse erfolgreich einsetzen. Die Einführung von KI und Automationslösungen ist kein einmaliger Prozess. Nur durch die Einbindung in den Change-Management-Prozess können nachhaltige Erfolge erzielt werden. Veränderungen im Maschinenpark, neue Rollouts oder Wechsel von Verantwortlichkeiten haben direkten Einfluss auf die Datenbasis. Ständige Anpassung und Kontrolle der Systeme ist zwingend erforderlich für eine erfolgreiche Umsetzung und Nutzung. Intelligente Datensammlung und Analyse bilden das Fundament der Salesforce-KI.
Automation basiert auf messen, kontrollieren, anpassen und wiederholtem Messen. Hierfür sind entsprechende Prozesse, Tools und qualifizierte Mitarbeiter notwendig. Neben den IT-technischen Voraussetzungen und Anforderungen darf der Mensch nicht vergessen werden. Nach meinen Erfahrungen ist eine transparente Vorgehensweise und gute Kommunikation und Einbeziehung der betroffenen Bereiche ein wesentlicher Faktor für den Erfolg des Projekts. Unabhängig davon, welches Projekt im Bereich KI und Automation gestartet werden soll: Grundsätzlich gilt, dass man vorsichtig startet. Überraschungen sind garantiert und können sich negativ auf die Kunden und das gesamte Projekt auswirken. Neben den beeindruckenden Möglichkeiten der KI sollte der Kunde immer im Mittelpunkt stehen. Er erwartet Individualität, Menschlichkeit und Automation. Es ist wichtig, hier die richtige Balance zu finden.

„Unsichtbare“ Lösungen
Die Bedeutung von Customer Relationship Management (CRM) wird in den nächsten Jahren wachsen. Die Bereiche Sales und Service verschmelzen. Dadurch entstehen neue Datenbereiche, die für neue Funktionalitäten innerhalb von KI genutzt werden können. Das Kundenverhalten wird sich nachhaltig verändern. Die Akzeptanz von KI-Lösungen wird noch steigen. Kunden erwarten schnellen und hochqualifizierten Service. Probleme sollten, wenn möglich, im Hintergrund gelöst werden, nicht sichtbar für den Kunden.
Die Einsatzbereiche von KI sind vielfältig und werden oft nicht mit KI in Zusammenhang gebracht. Fakt ist, dass KI unser aller Leben schon heute beeinflusst und wir erst am Anfang dieser Entwicklung stehen.

Autor: Ingo Massholt, Senior Program Architect, Salesforce

www.salesforce.com/de

 


Artikel teilen:
Weitere Tags zu diesem Thema: