19.12.2016 Analysen im Umfeld von Big Data

Erfolgreiche Einsatzbeispiele von Künstlicher Intelligenz

Von: Ina Schlücker

Prognosen und Handlungsempfehlungen sind die Stärke von Business-Intelligence-Lösungen (BI), die auf Künstlicher Intelligenz (KI) aufbauen.

Machine Learning betritt das Trainieren von Algorithmen, um Daten zu analysieren, aus ihnen zu lernen und auf dieser Grundlage dann eine Feststellung oder eine Vorhersage zu treffen.

Wer sich heutzutage nach einer neuen Business-Intelligence-Lösung (BI) umschaut, kommt nicht umhin, sich mit Begriffen wie Big Data, Künstliche Intelligenz, Deep Learning oder Machine Learning auseinanderzusetzen. Dabei sind solche Technologien bei führenden Anbietern wie IBM, SAP oder Microsoft als KI-Ansätze bereits seit Jahren fester Bestandteil der Lösungs-suite. „Oft befinden sich diese Funktionsbausteine allerdings im Verborgenen und sind nur Spezialisten zugänglich“, betont Robert Brockbals, Divisionsleiter Business Solutions bei der Sievers-Group.

Während viele traditionelle BI-Lösungen bisher nur vergangenheitsbezogene Analysen durchführten und sich auf die Visualisierung von Daten konzentrierten, eröffnen sich mit der neuen Generation an BI-Software zahlreiche neue Möglichkeiten. Laut Robert Brockbals können BI-System künftig mithilfe neuer Prognosemodelle, die sich Künstlicher Intelligenz bedienen, auch Handlungsempfehlungen für die Zukunft ableiten. Dies gelingt durch die Auswertung der vorliegenden Daten anhand komplexer mathematischer Algorithmen.

Experten sprechen in diesem Zusammenhang gerne von Deep Learning und Machine Learning. Dabei betritt letzteres das Trainieren von Algorithmen, um Daten zu analysieren, aus ihnen zu lernen und auf dieser Grundlage dann eine Feststellung oder eine Vorhersage zu treffen. „Die Maschine ‚trainiert‘ dabei mit einer großen Menge an Daten ihre Algorithmen, die ihr gleichzeitig die Möglichkeit geben zu lernen, wie eine bestimmte Aufgabe zu lösen ist“, erläutert Matthias Fuhrmann, IBM Sales Leader Business Intelligence & Predictive Analytics für Deutschland.

Darüber hinaus beginnt „Deep Learning unserem Verständnis nach da, wo klassische Verfahren des maschinellen Lernens an ihre Grenzen stoßen. Manche bezeichnen es aber auch als Untergebiet des maschinellen Lernens“, ergänzt Simon Nehls, Consultant im Competence Center Data Science bei dem Dienstleister B.telligent. Bei sehr komplexen Problemen, sei es z. B. bei der Erkennung von Bildern oder bei der inhaltlichen Einordnung von Bewegtbild, reichen klassische Machine-Learning-Verfahren nicht aus. Hier sind Deep-Learning-Methoden gefragt. Allerdings stelle Deep Learning hohe Anforderungen an die Rechen-Power. „Die Datenmengen zum Lernen bzw. Trainieren der Systeme sind immens“, so Nehls.

Im konkreten BI-Anwendungsfall wird laut Ralf Pichl, Vice President Sales, Alliances & Marketing bei der Cubeware GmbH, viel mit Empfehlungsmethodik experimentiert. Sprich welche Berichte und Analysen ruft ein BI-Anwender zu welchem Zeitpunkt an welchem Ort mit welchem Endgerät in welcher Reihenfolge auf. Dies ermögliche Rückschlüsse auf das Nutzungs- und Informationsverhalten und könne als Grundlage für Empfehlungen für Anwender mit ähnlichen Präferenzen, Rollen etc. im Unternehmen dienen. „Generell wird aktuell viel mit der Methodik aus der KI-Forschung im BI-Umfeld experimentiert, die erfolgreiche Verzahnung mit Anwendungen steckt jedoch noch in den Kinderschuhen“, schätzt Pichl die Situa­tion ein.

Ergebnisse kommerzialisieren


So weit, so gut. Doch die besten Ergebnisse aus Machine oder Deep Learning nutzen nichts, wenn sie sich nicht kommerzialisieren lassen. Allerdings, betont Simon Nehls, sei es viel zu spät, erst nach der Analyse die nächsten Schritte einleiten zu wollen. Denn eine Analyse-Aufgabe, egal in welchem Umfeld, muss schon zu Beginn das Ziel und den Use Case definieren und deutlch vor Augen haben. „Wenn das Ziel klar ist, folgt daraus  auch der eigentliche Fahrplan mit den nächsten Schritten, sobald die ersten Erkenntnisse vorliegen. Sei es das technische Deployment oder beispielsweise die Schulung der Mitarbeiter an einer neuen Kennzahl“, ergänzt Simon Nehls.

Dabei sollten sich die Verantwortlichen stets vor Augen führen, dass „man nicht alles, was man kann, auch darf“, betont Nehls. Vielmehr stehen Analysen im Umfeld von Big Data vor derselben Herausforderung wie Analysen auf Basis klassischer Data Warehouses. „Welche kundenindividuellen Daten zur Analyse, z.B. einer Kundensegmentierung, hergezogen werden dürfen, ist gerade in Konzernstrukturen nicht trivial. Nur mit der leichteren Verfügbarkeit einer Technologie ändern sich ja nicht die Rahmenbedingungen“, warnt Nehls. Da potentiell größere und auch unstrukturierte Datenmengen verarbeitet werden können, steige die Gefahr, dies auch zu tun. Laut Nehls tut hier eine Sensibilisierung der Mitarbeiter not.

Erfolgreiche Beispiele für den Einsatz von Künstlicher Intelligenz lassen sich bereits verschiedentlich finden. So verweist Matthias Fuhrmann von IBM Deutschland, Österreich und Schweiz auf ein Beispiel für die Spracherkennnung, -analyse und -interpretation des kognitiven Systems Watson. „Diese Fähigkeiten in Kombination mit der Automatisierung von Workflows können eine wichtige Hilfestellung im Umgang mit Kundenanfragen sein und genau das macht sich seit einiger Zeit auch die Versicherungskammer Bayern zunutze“, berichtet Fuhrmann. Die Kammer erhält mehr als sieben Millionen Kundenbriefe und Mails jährlich, die zeitnah beantwortet werden müssen. Bisher war da mittels eines Software-Tools im Vorfeld nur eine verhältnismäßig einfache Einordnung und Zuteilung nach Schlagworten möglich. „Das ist nun Schnee von gestern“, erklärt Matthias Fuhrmann. Denn durch eine dedizierte Analyse jedes Satzes, auch im Hinblick auf Ironie und Tonfall, sorge das System automatisch für eine Zuordnung an den jeweils richtigen Sachbearbeiter. Dies geschehe zudem sehr schnell und mit hoher Treffsicherheit. So würden ironische Seitenhiebe, wie beispielsweise die Kombination aus „herzlichen Dank für die schnelle Schadenbearbeitung“ und die darauf folgende Bemerkung, dass das ganze ja nur zehn Wochen gedauert habe, erkannt und entsprechend eingeordnet. „Damit kann der Versicherer Kundenanliegen viel effektiver und zielgerichteter bearbeiten“, beschreibt Fuhrmann die Vorteile.

Langes Kurzzeitgedächtnis

Ein weiteres Beispiel führt Simon Nehls mit der dramatischen Verbesserung der Spracherkennung am Smartphone in den letzten Jahren an. Dabei basiert Googles System maßgeblich auf zwei Beiträgen der Teams um Prof. Jürgen Schmidhuber, dem wissenschaftlichen Direktor des Schweizer Forschungsinstituts für Künstliche Intelligenz IDSIA. Er spricht von dem sogenannten langen Kurzzeitgedächtnis, einem rückgekoppeltem neuronalen Netzwerk sowie dem dazugehörigen Lernverfahren namens „Connectionist Temporal Classification“. „Wer sich noch an die Anfänge der Spracherkennung auf dem heimische Desktop-PC in den späten 90er-Jahren mit stundenlangen Trainings-Sessions erinnert, wird sofort verstehen, wovon ich rede“, glaubt Nehls.

Dies ist ein Artikel aus unserer Print-Ausgabe 12/2016. Bestellen Sie ein kostenfreies Probe-Abo.

Nicht zuletzt führt Robert Brockbals das Beispiel der Predictive Maintenance an: So sollen sich im Maschinen- und Anlagenbau durch vorausschauende Wartung Kosten einsparen lassen. „Dazu erhalten die Geräte einen Internet-Zugang, über den sie Daten an den Hersteller übertragen. Werden Abweichungen von der Norm registriert oder deuten statistische Merkmale auf eine Störung hin, kann der Hersteller direkt mit dem Kunden in Kontakt treten – bevor es zu einem Ausfall der Anlage kommt“, erklärt Brockbals.

Definition: Was ist Deep Learning?

Unter Deep Learning versteht man die Nutzung künstlicher neuronaler Netzwerke, um neben strukturierten auch unstrukturierte Daten wie Sprache oder Bilder, die bisher nicht für die Datenverarbeitung geeignet waren, auswerten zu können. Deep Learning ist demnach eine Art von Machine Learning, das bei der Verarbeitung von Sprache und dem Erkennen von Bildern in sehr großen, unstrukturierten Datenmengen genutzt wird. (Quelle: Matthias Fuhrmann, IBM)

Bildquelle: Thinkstock/iStock

©2017 Alle Rechte bei MEDIENHAUS Verlag GmbH