Künstliche Intelligenz

Häufig durchlaufen Produktionsanlagen oder Maschinen reguläre Wartungszyklen. Mit Hilfe sensorgestützter KI-Systeme können diese Zyklen optimiert werden. Verschleiß oder anbahnende Defekte werden auf der Grundlage automatischer Klassifikationen prognostiziert bzw. frühzeitig erkannt. Maschinen werden so nur im Bedarfsfall gewartet – nicht proaktiv. Ausfallzeiten werden minimiert.

Das digitale Zeitalter macht es möglich, den Anbietermarkt für einzelne Produkte annähernd vollständig zu beobachten. So können bspw. für elektronische Artikel über Preissuchmaschinen alle aktuellen Preise identifiziert werden. Passen die großen Player ihre Preise an, kann beobachtet werden, dass kleinere Händler binnen Stunden auf diese Preisanpassungen reagieren. Das Ziel: vom Konsumenten berücksichtigt zu werden oder bei zu geringen Marktpreisen bewusst auf Nachfrage zu verzichten.

Bei einer Vielzahl von Artikeln ist dies möglich, da gleiche Artikel über Produktnummern leicht identifizierbar sind. Bei Artikeln, wie beispielsweise Kleidung, ist dies allerdings nur schwer realisierbar. Von Menschen lässt sich die Ähnlichkeit zwar leicht beurteilen, für einfache Algorithmen ist dies schwierig. Künstliche Intelligenz kann hier helfen. Indem Artikeleigenschaften und Bilder automatisiert miteinander verglichen werden, können ähnliche Artikel identifiziert werden.

Ein weiterer typischer Anwendungsfall, für künstliche Intelligenz ist die Unterteilung von Kunden in verschiedene Kundensegmente. KI ist deutlich mächtiger als die klassische ABC-Analyse, bei der Kunden einfach nach einer zentralen Kennzahl in Segmente unterteilt werden.

In die Analyse mit Hilfe von künstlicher Intelligenz können eine beachtliche Anzahl von Kennzahlen oder Kundeneigenschaften einfließen und zusätzliche Hinweise zur geeigneten bzw. zielgerichteten Ansprache mitgeliefert werden. Im Idealfall wird das Ergebnis der Kundensegmentierung automatisch in das Kampagnen-Management-Tool eingespeist und bei neuerlichem Kontakt mit dem Kunden aktualisiert. Somit muss die Kampagne vom Marketingverantwortlichen allenfalls noch designt und einem Kundensegment zugeordnet werden. Die Kundenansprache erfolgt dann automatisiert.

Künstlicher Intelligenz kann helfen die Zahlungsfähigkeit von Kunden vorherzusagen. Dabei können Daten über Kunden, die in der Vergangenheit ihren Zahlungsaufforderungen nicht nachkamen als Basis genutzt werden. Auf dieser Grundlage prognostizieren Algorithmen KI-gestützt die Zahlungsbereitschaft neuer Kunden. Diese Information kann dann bspw. im Online-Shop genutzt werden, um die Zahlungsmodalitäten des neuen Kunden automatisiert einzuschränken.

Informationen stehen heute oft in Stichpunkten oder einzelnen Datenpunkten zur Verfügung. So sind Börsenkurse einfache Listen von Preisen zu bestimmten Zeitpunkten, Nachrichtenagenturen, liefern Neuigkeiten als Sammlungen von Schlagworten oder Artikel werden vom Hersteller zunächst als Beschreibung für einzelne Eigenschaften, wie Farbe oder Material, geliefert.

Künstliche Intelligenz erlaubt es, aus einzelnen Begriffen vollständige, für den Benutzer gut verständliche, Fließtexte zu generieren. Webseiten zur Entwicklung von Börsenwerten, aber auch Zusammenfassungen von Fußballspielen oder ausführliche Produktbeschreibungen werden heute bereits mit entsprechenden Methoden generiert. Sie werden von Menschen nur noch gegengelesen, ehe sie dem Konsumenten bereitgestellt werden.

Die Kundenbetreuung oder die Unterstützung des Kunden beim Kauf, ist die geläufigste KI-Anwendung. Heutzutage ist es möglich zu analysieren, wie ein Interessent bzw. Kunde sich in der Interaktion mit einem Unternehmen über alle Kontaktpunkte hinweg verhält.

Diese Informationen werden genutzt, um Kunden spezifisch zu betreuen bzw. anzusprechen sowie die Schwachstellen in der Kundeninteraktion aufzudecken und zu verbessern. Die Kundenzufriedenheit nimmt so deutlich zu.

Darüber hinaus entsteht eine Transparenz über Kunden und Interessenten, die strategisch weitreichende Mehrwerte in der gesamten Customer Journey stiftet.

Obwohl der Begriff “Künstliche Intelligenz” schon alt ist, ist er nicht eindeutig definiert. Dies ist der Tatsache geschuldet, dass das Wort Intelligenz an sich nicht klar abgegrenzt ist.

Meist wird unter künstlicher Intelligenz ein System verstanden, das menschliches Verhalten nachbildet. Die Künstliche Intelligenz kann im einfachsten Fall auf ein Regelsystem zurückgreifen, dass vorher definierte Entscheidungsregeln implementiert.

Künstliche Intelligenz kann auch Systeme umfassen, die selbständig das Umfeld überwachen, auf Basis der überwachten Daten Verhalten entwickeln, die Reaktion des Umfelds auf das eigene Verhalten beobachten und aus den Beobachtungen wieder für künftige Situationen Entscheidungen fällen.

Heute werden unter Künstlicher Intelligenz meist Systeme subsumiert, die mit Hilfe von maschinellem Lernen auf historischen Daten Muster erkennen (lernen) und das Gelernte auf aktuelle Daten anwenden. Ein aktueller Trend liegt darin Modelle nicht einmalig zu erlernen und so lange anzuwenden, bis das gelernte veraltet ist, sondern vielmehr kontinuierlich zu lernen und das Modell laufend an neue Daten anzupassen. Durch Machine Learning werden Muster und Gesetzmäßigkeiten in den Lerndaten erkannt und abstrahiert.

ist ein Teilbereich des Machine Learnings. Als Deep Learning werden Modellierungsansätze mit künstlichen neuronalen Netzwerken bezeichnet, die neben einer Ein- und Ausgabeschicht noch mindestens eine als “Hidden Layer” bezeichnete Zwischenschicht besitzen. Komplexere Modelle, gerade im Bereich der Bilderkennung oder Textprozessierung, haben dabei Architekturen mit dutzenden solcher versteckten Layer. Darüber hinaus gibt es von Feed-Forward-Netzwerken abweichende Architekturen mit komplexeren Vernetzungen zwischen einzelnen Ebenen und Knoten.

Artificial Intelligence als Begriff wurde in den 1950er Jahren geprägt. Durch die stark steigende Verarbeitungsgeschwindigkeit damaliger Computersysteme war man sich damals sicher, innerhalb kurzer Zeit Algorithmen entwickeln zu können, die sich schlussendlich als starke KI-Systeme erweisen sollten. Nach anfänglicher Begeisterung für dieses Thema sorgten die ausbleibenden Erfolge schnell für Ernüchterung.

Die daraufhin folgende Epoche mit geringem Interesse seitens der Forschergemeinde wird allgemein als „KI-Winter“ bezeichnet.

Erst die steigende Verarbeitungsgeschwindigkeit von Computern, verbesserte Software sowie die Allgegenwart von Daten sorgte für eine Renaissance des Themas Künstliche Intelligenz rund um die Jahrtausendwende.

Das Lernen der Künstlichen Intelligenz beginnt prinzipiell mit dem Verständnis des zu lösenden Data-Science-Problems durch den Data Scientist und dem Vermögen Daten zu erkennen, die zur Problemlösung beitragen.

Benötigte Daten werden vom Data Scientist beschafft, bereinigt und ggfs. aggregiert. Anschließend wird ein Modell erstellt. In der Regel wird auf historischen Daten, die für das Lernen der Muster und Zusammenhänge verwendet werden, trainiert und validiert.

Im Trainingsschritt werden die Modellparameter derart angepasst, dass die Ergebnisse eines Trainingsdatensatzs optimal vorhergesagt werden können. Im Anschluss daran wird das Modell mit Hilfe eines Testdatensatzes, dessen Daten nicht für das Training des Modells verwendet wurden, validiert. Auf diese Weise wird sichergestellt, dass das Modell zukünftig bei der Verwendung von neuen Daten valide Ergebnisse erzielt.

Ist die Qualität des Modells zufriedenstellend, ist die KI-Lösung bereit zum Einsatz und kann als Service bereitgestellt oder in Dashboards integriert werden. Ist die Qualität nicht ausreichend, startet der Prozess erneut. Ggfs. werden zusätzliche Daten oder andere Modelle verwendet bzw. die Fragestellung angepasst.

Kurz: Das Lernen einer künstlichen Intelligenz ist das Zusammenspiel aus menschlicher Intelligenz, einer Menge an Daten und der Auswahl eines geeigneten Algorithmus.

Künstliche Intelligenz beschäftigt sich im Kern mit der Imitation von menschlichem Verhalten. Der Fokus liegt auf dem Nachbilden menschlicher Wahrnehmung, dem Lernen aus historischen Daten und der Nachahmung menschlicher Entscheidungen.

Wahrnehmung

Eine Stärke von Menschen liegt darin, schnell Wichtiges von Unwichtigem zu trennen. So erkennen Menschen auf Bildern sofort andere Menschen und können diese schnell ihnen bekannten Personen zuordnen. Ein Teilbereich der künstlichen Intelligenz beschäftigt sich damit, dieses Verhalten in verschiedenen Bereichen nachzubilden. Der Fokus liegt dabei auf der Bild-, Sprach- und Textverarbeitung.

Verstehen und Lernen

Die Stärken in der menschlichen Wahrnehmung sind das Ergebnis des „lebenslangen Lernens“. Wie dies funktioniert, ist bisher noch nicht vollständig geklärt. Künstliche Intelligenz folgt unterschiedlichen Ansätzen dies Nachzubilden, wie maschinellem Lernen, verstärkendem Lernen oder auch Crowd-Sourcing.

Ziel dabei ist, vergangene Erfahrungen zu nutzen, um mit einem computerbasierten System Muster zu erkennen und diese für die Zukunft nutzbar zu machen. KI-Systeme lernen durch Feedback-Schleifen während ihres Einsatzes.

Handeln

Wurden entsprechende Muster gelernt, kann dies genutzt werden, um in künftigen Entscheidungssituationen zu Handeln. Dabei wird unterschieden, wie stark in das Verhalten eingegriffen wird.

Mit Predictive Analytics werden dem menschlichen Entscheider Daten und Zahlen vorgelegt, auf deren Basis dieser entscheiden kann. Bei Experten Systemen wird ein Schritt weiter gegangen. Hier tritt die Künstliche Intelligenz als Berater auf, der einen Vorschlag für die Entscheidung macht, die der Mensch annehmen oder ablehnen muss. In der Robotik trifft die Künstliche Intelligenz ohne menschliches Zutun einfache Entscheidungen.