06503 Automation durch den Einsatz von künstlicher Intelligenz im Service
|
Künstliche Intelligenz (KI) ist ein spannendes, viel diskutiertes Thema, das unsere 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 und erläutert Praxisbeispiele für mögliche Einsatzfelder. Dabei wird ein Ausblick auf zukünftige Entwicklungen und Limitierungen der Nutzung gegeben. Der Artikel enthält Beispiele für mögliche Fehlerquellen bei der Implementierung und erläutert, an welchen Stellen besondere Vorsicht geboten ist. von: |
1 Einführung
Künstliche Intelligenz ist zurzeit in aller Munde. Konkrete Umsetzungsprojekte gibt es aber noch selten, und der Weg zur Implementierung ist steinig. Dabei sind die wesentlichen Techniken und Zielsetzungen zur Optimierung und Automation von Prozessen 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 wesentlichen Merkmale dieser Technologie zu verstehen. Zu Beginn des Beitrags werde ich eine Einführung zu diesem Thema geben. Anschließend stelle ich konkrete Beispiele für die Umsetzung vor.
Mehrwert von KI
Wenn wir über den Einsatz von KI sprechen, sollten wir uns grundsätzlich immer die Frage stellen: Welchen Mehrwert erwarten das Unternehmen und seine Kunden?
Wenn wir über den Einsatz von KI sprechen, sollten wir uns grundsätzlich immer die Frage stellen: Welchen Mehrwert erwarten das Unternehmen und seine Kunden?
2 Künstliche Intelligenz (KI)
Drei Stufen
Der Begriff „künstliche Intelligenz” kann grundsätzlich in unterschiedliche Ansätze und Methoden klassifiziert werden. Im Wesentlichen geht es darum, die geistige Leistung von Menschen zu simulieren. KI lässt sich dazu in drei Stufen unterteilen.
Der Begriff „künstliche Intelligenz” kann grundsätzlich in unterschiedliche Ansätze und Methoden klassifiziert werden. Im Wesentlichen geht es darum, die geistige Leistung von Menschen zu simulieren. KI lässt sich dazu in drei Stufen unterteilen.
| ANI | |
| • | Artificial Narrow Intelligence (ANI)Die ANI referenziert auf Applikationen oder spezielle Aufgaben. Dazu 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 alternative Cloudlösungen bereits geläufig ist. Wenn wir über den Einsatz von Chatbot-Lösungen reden, handelt es sich um ANI.Bei der Bilderkennung existieren ebenfalls zahlreiche Produkte und Einsatzgebiete, z. B. in der Medizintechnik oder im Kundenmanagement. Speziell im Bereich soziale Medien finden sich diverse Möglichkeiten, um durch den Einsatz von KI Daten und Inhalte zu analysieren. |
| AGI | |
| • | 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 vorher beschriebenen ANI. |
| ASI | |
| • | Artificial Super Intelligence (ASI)ASI bezeichnet Maschinen, deren Fähigkeiten dem Menschen überlegen sind und die neue, bisher nicht vorhandene Denkmuster erzeugen. Ein Beispiel: Google DeepMind 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 ihr 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. |
3 Lernverfahren
Überwachtes vs. unüberwachtes Lernen
Im Rahmen der KI wird zwischen dem „überwachten Lernen” (supervised learning) und dem „unüberwachten Lernen” (unsupervised learning) unterschieden.
Im Rahmen der KI wird zwischen dem „überwachten Lernen” (supervised learning) und dem „unüberwachten Lernen” (unsupervised learning) unterschieden.
Das „überwachte Lernen” beruht auf Modellen, deren Basis aus Ein- und Ausgabedaten besteht. Diese Daten werden mithilfe von Datenklassifikation und Regression ausgewertet.
Der wesentliche Unterschied zum „unüberwachten Lernen” liegt in der Gruppierung und Interpretation von Nur-Eingabedaten, die durch Clustering analysiert werden (s. Abb. 1).
3.1 Überwachtes Lernen
Ziel
Ziel des „überwachten Lernens” ist die Entwicklung eines Modells, das basierend auf Evidenz Vorhersagen unter Berücksichtigung von Unsicherheiten erlaubt. Um ein solches Vorhersagemodell zu erzeugen, wird eine gegebene Menge von Eingangsdaten zusammen mit der zugehörigen gewünschten Reaktion auf diese Daten, also den Ausgangsdaten, in das System eingegeben. Auf der Basis dieser Ein- und Ausgabedaten wird das System trainiert. Dieses Training basiert auf Klassifikationstechniken. Das System sagt diskrete Ausgaben voraus, z. B., ob es sich um eine Spam-E-Mail handelt oder nicht.
Ziel des „überwachten Lernens” ist die Entwicklung eines Modells, das basierend auf Evidenz Vorhersagen unter Berücksichtigung von Unsicherheiten erlaubt. Um ein solches Vorhersagemodell zu erzeugen, wird eine gegebene Menge von Eingangsdaten zusammen mit der zugehörigen gewünschten Reaktion auf diese Daten, also den Ausgangsdaten, in das System eingegeben. Auf der Basis dieser Ein- und Ausgabedaten wird das System trainiert. Dieses Training basiert auf Klassifikationstechniken. Das System sagt diskrete Ausgaben voraus, z. B., ob es sich um eine Spam-E-Mail handelt oder nicht.
Die richtige Antwort muss während der Trainingsphase also vorliegen, und der Algorithmus muss die Lücke zwischen dem Input (Eingabewerte) und dem Output (das vorgeschriebene Ergebnis) füllen.
Entscheidungsbäume
Ein häufig genutztes Modell der Entscheidungsfindung sind Entscheidungsbäume. Sie leiten die gesuchte Antwort her, indem sie sukzessive Merkmale abfragen. Lernen in einem Entscheidungsbaum bedeutet, den Knoten von oben nach unten abzufragen und die Eigenschaften zuzuweisen. Je geschickter der Knoten abgefragt wird, desto prägnanter und nachvollziehbarer wird der Baum. Das Resultat besteht aus verständlichen Regeln zur Lösung der Aufgabe.
Ein häufig genutztes Modell der Entscheidungsfindung sind Entscheidungsbäume. Sie leiten die gesuchte Antwort her, indem sie sukzessive Merkmale abfragen. Lernen in einem Entscheidungsbaum bedeutet, den Knoten von oben nach unten abzufragen und die Eigenschaften zuzuweisen. Je geschickter der Knoten abgefragt wird, desto prägnanter und nachvollziehbarer wird der Baum. Das Resultat besteht aus verständlichen Regeln zur Lösung der Aufgabe.
