Selbstlernende Maschinen nutzen Big Data und Cloud-Computing, um laufend die abhängigen Prozesse zu optimieren.

von Andreas Fuhrich

Eine eindeutige Definition des Begriffs „Künstliche Intelligenz“ (KI) sucht man zwar vergebens, aber zumindest für den aktuellen, die Wirtschaft betreffenden Diskurs lässt er sich relativ klar skizzieren. Im Wesentlichen lässt er sich dabei in die Bereiche des maschinellen Lernens und des Cognitive Computings aufteilen:

Unter maschinellem Lernen versteht man die Fähigkeit eines künstlichen Systems, aus Erfahrung Wissen zu generieren. Dabei werden nicht nur Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten erkannt, wodurch es in die Lage versetzt wird, auch unbekannte Daten beurteilen zu können. Kognitive Systeme gehen bei der Humanisierung der Maschine noch einen Schritt weiter. Neben der Fähigkeit des Lernens sind sie auch in der Lage, mit Ambiguitäten und Unschärfen umzugehen. Wichtige Voraussetzungen für eine KI beim „natürlichen“ Umgang mit menschlicher Sprache oder dem Deuten von Emotionen aus einer Gesichtsmimik.

Durch die Entwicklung der Informationstechnologie sind immer größere Datenmengen (Big Data) verfügbar. Diese enthalten oft implizites Wissen, das, wenn es bekannt wäre, große wirtschaftliche oder wissenschaftliche Bedeutung hätte. Unter Data-Mining versteht man die Suche nach potenziell nützlichem Wissen in großen Datenmengen – maschinelle Lernverfahren gehören zu den Schlüsseltechnologien innerhalb dieses Gebiets. Sie unterstützen den Data-Mining-Prozess vor allem beim Aufspüren neuer Muster und Gesetzmäßigkeiten. Andererseits unterstützt der Data-Mining-Prozess aber auch das maschinelle Lernen, indem dadurch neue Lerndaten zur Verfügung gestellt werden.
Zusätzlich profitiert das maschinelle Lernen von den Entwicklungen der Cloud-Technologie, denn flexible Rechenkapazitäten und Managed Services machen den Einsatz von Machine-Learning einfacher. Die großen Cloud-Anbieter wie Amazon, Google und Microsoft bieten Machine-Learning bereits als Schnittstelle (API) an. Durch Open-Source-Projekte wie Prediction.io oder TensorFlow steht zudem Technologie frei zur Verfügung, auf der man aufsetzen kann.

Nach aktuellen Prognosen von Crisp Research werden sich die Ausgaben für Infrastruktur, Software und Plattformen, Algorithmen-Design und verbundene Dienstleistungen von rund 1,96 Mrd. Euro in 2015 auf rund 15 Mrd. Euro im Jahr 2020 nahezu verzehnfachen.(1)
Einsatzmöglichkeiten für künstliche Intelligenz entstehen dabei für nahezu alle Branchen, weshalb sich CIOs und Digitalisierungsverantwortliche darauf gefasst machen sollten, dass nicht nur unternehmensintern diese Art von Skills nachgefragt werden. Die Anzahl an Machine-Learning-Spezialisten ist begrenzt und die Schnittmenge derjenigen, die auch noch Business-Verständnis mitbringen, umso kleiner. Für Unternehmen ist es daher umso wichtiger, sich rechtzeitig um Experten für den eigenen Betrieb zu bemühen, z. B. durch Kooperationen mit Universitäten, um unmittelbar die Nachwuchskräfte zu binden, die auf dem freien Arbeitsmarkt kaum zur Verfügung stehen werden.

Künstliche Intelligenz: Trends

Digitale Assistenten
Bei digitalen Assistenten mit Spracherkennung hat es in den letzten Jahren ein wahres Wettrüsten gegeben. Siri, Cortana und OK Google stritten um das beste System und mit Alexa von Amazon ist jetzt auch noch ein neuer Player auf den Markt gekommen. In Zukunft werden solche digitalen Assistenten für Geschäftsprozesse immer wichtiger werden. Typische Sekretärs-Aufgaben, wie das Anlegen von Terminen oder das Buchen von Geschäftsreisen werden immer häufiger durch solche Systeme vorgenommen.

Smart Cars
Smart Cars bieten jetzt schon einige auf künstlicher Intelligenz beruhende Möglichkeiten. Bremsassistenten sind in der Lage, auf plötzliche Hindernisse oder Stauenden zu reagieren. Tempomaten erkennen Verkehrsschilder und regeln die Geschwindigkeit selbstständig. Auch das voll automatische Einparken ist keine Zukunftsmusik mehr. Fleißig geforscht wird noch am komplett autonom fahrenden Auto, welches schon in naher Zukunft Marktreife erlangen dürfte.

Smart Farming
Unter Smart Farming versteht man verschiedene, teils zusammenarbeitende intelligente Systeme in der Landwirtschaft. Sowohl Daten von Wetterdiensten als auch die eigener Sensoren, die beispielsweise den Säuregehalt im Boden messen, nutzen intelligente Systeme, um Dünger optimal zu dosieren oder die Felder durch automatische Anlagen zu sprenkeln. Selbst Landmaschinen können basierend auf den analysierten Daten zu den richtigen Zeiten autonom die Felder bewirtschaften.

Cobots
Unter Cobots versteht man autonom operierende Roboter, die in unmittelbarer Umgebung des Menschen eingesetzt werden können. Dabei dienen sie beispielsweise in der Montage als Assistenten, in dem sie selbstständig erkennen, welche Teile oder Werkzeuge der Monteur für seinen nächsten Schritt benötigt, diese herbeischaffen und dem Monteur anreichen. Cobots sind ein wichtiger Bestandteil von Industrie-4.0-Konzepten, welche ohne künstliche Intelligenz nicht denkbar sind.

Empathie
Um optimal mit Menschen interagieren zu können, werden kognitive Systeme in Zukunft immer besser in der Lage sein, auch auf das emotionale Befinden des Gegenübers reagieren zu können. Der Teilbereich des Affective Computings beschäftigt sich mit der Simulation von Empathie. Hierzu können beispielsweise die Gesichtsmimik, aber auch die Wortwahl und Stimmfärbung des menschlichen Gegenübers analysiert werden. Empathische Systeme werden beispielsweise in Pflege- oder pädagogischen Einrichtungen eingesetzt.

Geschäftsmodelle im Fokus

Chatbots für den Support
Auf Cognitive Computing beruhende Chatbots sind in der Lage, einen menschlichen Gesprächspartner zu simulieren. Die virtuellen Assistenten können einfache Kundenanfragen beantworten, Informationen zum Angebot des Unternehmens liefern oder sogar Bestellungen entgegennehmen. Dabei lassen sich die Chatbots nicht nur auf der eigenen Homepage oder in der eigenen App betreiben, sondern auch in Messenger-Dienste wie WhatsApp oder soziale Netzwerke einbinden. Durch Chatbots kann die Kundenbindung verbessert werden, da diese beispielsweise im Support unmittelbar Fragen beantworten können. Ein Geschäftsmodell könnte in Zukunft darin bestehen, Kunden solche Chat­bots als Service zur Verfügung zu stellen. Eine Abrechnung könnte dabei nach tatsächlich erfolgten Anfragen erstellt werden.

Kognitive Beratung
Sogenannte Robo-Advisors sind schon seit einigen Jahren ein disruptives Geschäftsmodell in der Finanzbranche. In der Regel wird dabei ein Portfolio für den Kunden erstellt und in gewissen Intervallen ein automatisches Rebalancing durchgeführt. Bisher funktioniert das Rebalancing auf einem einfachen statischen Algorithmus, aber in Zukunft könnten dabei selbstlernende Systeme zum Einsatz kommen. Kognitive Systeme könnten dabei nicht nur den Algorithmus stetig verbessern, sondern zudem noch richtige Beratungsgespräche führen. Das Führen von Beratungsgesprächen lässt sich auch auf andere Dienstleistungen übertragen, sodass wir in Zukunft nicht nur das Geschäftsfeld des Kognitiven Finanzberaters haben dürften, sondern auch des Kognitiven Versicherungs-, Steuer- oder Rechtsberaters, selbst ein Kognitiver Universalberater könnte entstehen.

„Machine Learning as a Service“ (MLaaS)
Die großen Cloud-Anbieter bieten mittlerweile bereits MLaaS-Dienste an, ohne dass man sich selbst Kenntnisse von komplexen Machine-Learning-Algorithmen aneignen muss. Über eine einfache Oberfläche unterstützen die Anbieter einen bei der Erstellung eines zugeschnittenen Algorithmus. Dieser lässt sich dann durch einfache APIs mit den eigenen Anwendungen verbinden. Auf diese Weise lassen sich dann Milliarden von Prognosen nach einem skalierbaren Bedarf erstellen. Zusätzlich gibt es sogar die Möglichkeit einer automatischen Skalierung, die ebenfalls auf selbstlernenden Systemen aufbaut und wobei stetig der Bedarf des Kunden prognostiziert wird.

Taxi 2.0
Durch die Möglichkeiten der künstlichen Intelligenz werden Fahrzeuge in die Lage versetzt, völlig autonom zu fahren. Das autonom fahrende Auto, welches den Nutzer zu seinem Ziel chauffiert, steht kurz vor der Realisation, wodurch auch das Geschäftsmodell des völlig autonomen Taxibetriebs entstehen dürfte. Bezahlt werden könnte, wie dies bei Car-Sharing-Anbietern bereits jetzt schon der Fall ist, über ein Abomodell. Vielfahrer zahlen dabei eine höhere Grundgebühr, aber weniger Kilometergeld. Die Flotte des Anbieters nutzt dabei neben anderen verkehrsrelevanten Daten auch die eigenen Bewegungsprofile, um mittels selbstlernender Systeme die stets optimale Route hinsichtlich Geschwindigkeit oder Treibstoffverbrauch und Verschleiß zu ermitteln. Zusätzlich lassen sich die autonomen Autos auch als Kurierdienst nutzen, ohne dass ein menschlicher Kurier notwendig ist.

Content-Generatoren
Auf News-Portalen können kognitive Systeme dazu genutzt werden, Content zu generieren. Dazu können verschiedene Quellen in Bezug auf ihren Informationsgehalt untersucht und ein eigener Text erstellt werden. Auch Prognosen können die Systeme liefern und dafür bspw. auch Daten aus sozialen Netzwerken verwenden. Sportergebnisse, Wahlausgänge oder Aktienkurse könnten so kontinuierlich vorhergesagt und dem Leser in einfacher Textform angeboten werden. Selbst müsste man den Content der Seiten nicht mehr verwalten, sogar auf Kommentare könnten Chatbots reagieren. Geld erwirtschaftet man wie üblich durch Ads oder Premiuminhalte für Abo-Kunden. //

 

Autorenvita Andreas Fuhrich

 

(1) „Künstliche Intelligenz und echte Profite – Machine Learning auf dem Weg in den Mainstream“, von: Carlo Velten, 2016,
URL: https://www.crisp-research.com/kunstliche-intelligenzund-echte-profite-machine-learning-auf-dem-weg-den-mainstream/ (Abgerufen: 24.November 2016).
Der Text ist unter der Lizenz CC BY-SA 3.0 DE verfügbar.
Lizenzbestimmungen:
https://creativecommons.org/licenses/by-sa/3.0/de/