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).
