Künstliche Intelligenz beschäftigt sich damit, menschenähnliche Entscheidungsstrukturen in einem nicht eindeutigen Umfeld nachzubilden, das sich permanent verändert. Mögliche Anwendungsszenarien reichen von der Datenanalyse über Chatbots bis hin zu neuen Dienstleistungen, Produkten und Geschäftsmodellen. Unternehmen profitieren beispielsweise von einer höheren Effizienz bei ihrem Kundenservice, indem die Kundenanfragen automatisiert dem richtigen Bearbeiter zugewiesen werden.
Ein früherer Blogbeitrag hat sich damit beschäftigt, welche vorgefertigten Lösungen der Markt bietet, um künstliche Intelligenz mit geringem Aufwand im Unternehmen zu realisieren. Allerdings sind auch Szenarien denkbar, die weder die vorhandenen Services der großen Cloud-Betreiber noch die branchenspezifischen Use Cases der kleineren Anbieter abdecken. In diesem Fall bleibt nur die Möglichkeit, die Problemstellung individuell zu bearbeiten.
Vor dem tatsächlichen Einsatz von künstlicher Intelligenz steht die Frage, ob er sich überhaupt lohnt. Das größte Potenzial von künstlicher Intelligenz liegt in der automatisierten Lösung von sich oft wiederholenden (repetitiven) Aufgaben, die einen Personalisierungsgrad aufweisen. Das bedeutet, dass es sich um Regeln handelt, die weiche Grenzen haben und somit einen gewissen Entscheidungsspielraum zulassen.
Eines der am häufigsten angewendeten Teilgebiete der künstlichen Intelligenz ist das maschinelle Lernen. Es versetzt IT-Systeme in die Lage, durch den Einsatz von Algorithmen oder mathematischen Modellen ein Modell der Struktur oder der Relation von verwendeten Daten zu lernen. Ein Modell ist lediglich eine Formulierung für ein Rezept bzw. für die nötigen Anweisungen, um die erlernten Strukturen oder Relationen erneut abzubilden. Die gewonnenen Erkenntnisse können verwendet werden, um das Problem für neue Daten zu lösen.
Bis künstliche Intelligenz dazu beitragen kann, den Automatisierungsgrad im Unternehmen zu erhöhen und die Effizienz zu steigern, sind zunächst einige manuelle Arbeitsschritte notwendig. Es gilt, die eigentliche Problemstellung anhand folgender Fragen genauer zu beleuchten:
Wann wäre eine Lösung mit künstlicher Intelligenz besser als die herkömmliche oder eine alternative Lösung?
Woher kommen die für das Training notwendigen Daten?
Existieren äußerliche Faktoren, die meine Daten beeinflussen? Zum Beispiel saisonale Events wie Schulferien etc.
Kann ich meinen Daten vertrauen? Wie schaffe ich Vertrauen zu meinen Daten?
Um diese Fragen zu beantworten, steht eine Reihe von Möglichkeiten bereit. Durch ein Brainstorming entwickeln wir beispielsweise Key Performance Indicators (KPIs) für unsere Aufgabenstellung, mit denen wir die KI-Lösung besser bewerten können. Zudem verhelfen sie uns zu einem noch besseren Verständnis über unsere Daten und deren Einflussfaktoren.
Wenn wir von Daten sprechen, lohnt sich immer der Einsatz von Visualisierungsmöglichkeiten, die uns mithilfe von Business-Intelligence-Lösungen zur Verfügung stehen. Der Blick in die Daten identifiziert Einflussfaktoren, löst Unklarheiten und stärkt das Vertrauen in unsere Daten.
Nach der intensiven Analyse der Daten stellen die meisten fest, dass die Datenqualität nicht so gut ist wie erwartet und notwendig. Im Machine Learning gibt es den Ausdruck „Garbage in, garbage out“. Er meint, dass die Lösung immer nur so gut sein kann wie die Daten, die verwendet wurden. Um die Qualität zu erhöhen, müssen die Daten bereinigt werden – im Fachjargon Data Cleansing oder Data Preparation genannt. Hierbei unterstützen SAP Data Hub oder andere Tools zur Qualitätssicherung, wie sie im Master Data Management verwendet werden.
Die bereinigten und verstandenen Daten können wir nun für das Trainieren unserer Modelle verwenden. Es ist auch möglich, mit Machine Learning zu beginnen, ohne dass die Daten richtig verstanden und bereinigt worden sind. Da das Ergebnis aber stark von unseren Daten abhängt, sollten wir sie sukzessive verstehen und verbessern. Eine KI-Lösung bringt nichts, wenn sie das Problem nicht „besser“ – im Sinne der festgelegten KPIs – löst.
Trotz des enormen Potenzials, das die künstliche Intelligenz in sich trägt, sollten Unternehmen berücksichtigen, dass das maschinelle Lernen kein Allheilmittel darstellt. Sein Erfolg steht und fällt mit den Daten, die für die Lösung verwendet wurden. Da es sich um statistische Verfahren handelt, führt erst eine hohe Anzahl von Wiederholungen zu präzisen und verlässlichen Resultaten. Bevor künstliche Intelligenz funktioniert, ist menschliche Intelligenz gefragt: Die relevanten Fragestellungen müssen formuliert, die Performance messbar gemacht, die passenden Daten beschafft und die Lösung im produktiven Betrieb eingesetzt werden.
Wer vor der Frage steht, ob sich der Aufwand lohnt, ein Machine Learning-Modell in Eigenregie zu entwickeln, sollte genau hinschauen. Gibt es für das Problem wirklich keine vorgefertigte Lösung? Führt mich die künstliche Intelligenz tatsächlich zum Ziel? Nicht immer bestätigen die Daten die Annahmen, mit denen die Bearbeitung des Problems angegangen wurde. In diesem Fall lohnt sich ein genauer Blick auf die zugrundeliegenden Daten. Eventuell lassen sich zusätzliche Daten erfassen und das Problem kann auf diesem Weg gelöst werden. Falls nicht, eignet sich die Anwendung offensichtlich nicht für Machine Learning.