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.
The reasons for this are varied, but it becomes clear that companies are unable to identify possible use cases for AI technologies or assess the potential for their business activities. Other companies simply lack the know-how to implement intelligent solutions or a suitable data basis.
We at Tallence see an enormous potential in the use of Artificial Intelligence in everyday business life to relieve people in the performance of their work and to make more qualified decisions through the efficient evaluation of large amounts of data. In this way, AI can be used to make more informed strategic and operational decisions, resources can be used more efficiently, and customers can be better served and addressed more individually. In the long term, this can make a significant contribution to reducing costs and increasing sales. With this article we want to give an overview of the field of Artificial Intelligence and provide use cases to illustrate the added value and the various fields of application. In our opinion, companies should actively approach the field of Artificial Intelligence in order to be optimally prepared for future challenges and to generate long-term competitive advantages.
What is behind the term "Artificial Intelligence"?
Generally, Artificial Intelligence pursues the goal of solving problems and tasks that cannot be solved with conventional, rule-based algorithms or can only be solved with considerable effort. The field of Artificial Intelligence has been actively researched since the 1950s. However, it has experienced a real boom, especially in the last decades. Apart from important progress in research, this can be attributed in particular to the sharp increase in the computing power of computers and the data which is available today in large quantities and in a wide variety of forms. The enormous improvements in these areas open up completely new possibilities and fields of application for Artificial Intelligence today, which would have been impossible years before.
Today, AI algorithms are successfully used in the medical field, e.g. for cancer diagnosis or in the intelligent maintenance of aircraft, keyword: Predictive Maintenance (will be explained in more detail later). Both areas require a high degree of precision and quality, which must be achieved by AI before value can be achieved through its use.
Machine learning solutions, which form a sub-discipline of Artificial Intelligence, are largely responsible for applications in such demanding and various other areas. They enable machines to learn new content based on data within a specific task field and to transfer this knowledge to other situations. The process of machine learning can be compared very well with the human learning process. Human beings learn from the experiences they make in the course of their lives. They use the newly gained knowledge to apply it to other life situations. In Artificial Intelligence, data replace human experience. In contrast to conventional programmes, a machine learning solution is not ready for use without prior training. Such training can take various forms. Different solutions have different requirements on the training data set. For supervised learning, the training data set must contain examples with known results. In unsupervised learning, the programme can independently identify the structure of the training data according to certain criteria. In reinforcement learning, the programme is continuously improved during real use by evaluating the results of its actions. It applies equally to all the above-mentioned constructs that the training determines the quality and accuracy of the machine learning solution. The better the data basis, the better the expected results. It is often true that more and more varied data improve the training effect. There are, however, procedures that achieve a high degree of precision with only a small amount of medium-quality data. These approaches build on a model that has already been pre-trained with a basic stock of data. Chatbot solutions are a good example of this. Often basic information such as sentence structures or vocabulary is already conveyed to the chatbot through training. So for chatbots, a few sample data sets are often sufficient to capture certain contexts within the field of application.
One sub-discipline of machine learning is particularly interesting and associated with great opportunities for the future: deep learning. This sub-discipline describes Artificial Intelligence, which makes use of deep, multi-layered neural networks. These algorithms are - on a simplified basis - modelled based on the processes of the human brain. They benefit greatly from large amounts of data. Thanks to advances in computing power and data availability, these algorithms have made significant progress in recent years. When trained in this way, they deliver results of a quality that was previously unattained. Deep learning solutions have been particularly successful in the analysis of poorly structured data such as speech, text, images and video. In this way, deep learning algorithms are already providing support today for many complex problems such as the diagnosis of tumours by analysing MRI images.
Artificial Intelligence is generally divided into three classes that relate it to human intelligence. The AI solutions and application areas already mentioned can be assigned to the area of "Weak AI". Solutions in this area perform specified tasks in a defined area. They are adapted for these specific applications and trained with the necessary data. "Strong AI", however, acts on an equal level with human intelligence, even for difficult tasks. Its field of application is not limited to individual areas. We refer to "Super AI" when Artificial Intelligence is superior to humans in many or even all aspects. Even if, according to current expert opinion, it will still take some time before the latter two forms of intelligence are realised, the potentials and risks are already being discussed controversially (reference: Open Letter on Artificial Intelligence, Steven Hawking).
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).
