Ein technologischer Wendepunkt
Geschäftsprozesse digitalisieren mit KI
Wie lassen sich digitale Prozesse optimieren und das Beste aus den vorhandenen Daten herausholen? Ein Whitepaper von Iron Mountain geht dieser Frage nach und erörtert, wie Unternehmen KI gewinnbringend konkret für ihre digitalen Geschäftsprozesse einsetzen können.
Digital versus analog. Im Datenmanagement zahlreicher Unternehmen existieren diese Begriffe längst nicht mehr als gegensätzliche Pole. Die fortschreitende Digitalisierung führt dazu, dass Unternehmen nicht nur ihr Produktportfolio digitaler gestalten oder ihre Vertriebswege anpassen. Auch Geschäftsprozesse wie das Personalmanagement oder der Posteingang werden zunehmend digitalisiert. Allerdings sind physische Daten in Papierform in vielen Fällen noch immer Realität – und zwar eine notwendige. Unterlagen wie Urkunden oder Jahresabschlüsse unterliegen beispielsweise einer Lagerungsfrist von zehn Jahren. Entsprechend müssen Unternehmen physische Dokumente bei der Planung und Gestaltung von Geschäftsprozessen mitdenken. Trotzdem sollte das Potenzial der Digitalisierung bestimmter Abläufe unbedingt ausgeschöpft werden. Eine sinnvolle Verzahnung von digitalen und manuellen Prozessen muss das Ziel aller Unternehmen sein.
Aber was, wenn sie noch einen Schritt weitergingen? Was, wenn sich die Mitarbeiter nicht mehr darum kümmern müssten, dass Akten datenschutzkonform zum Ende der Aufbewahrungszeit vernichtet werden? Oder, dass persönliche Daten in Verträgen und Rechnungen automatisch geschwärzt würden, wenn es die Datenschutzgrundverordnung (DSGVO) verlangt? Wenn Informationsquellen jeglicher Art nach Ihren Vorgaben analysiert und klassifiziert werden könnten?
Dieser nächste, logische Schritt ist: das Einbinden von Künstlicher Intelligenz (KI). Mit Hilfe verschiedenster KI-Module können Unternehmen ihre digitalen Prozesse optimieren und das Beste aus ihren Daten herausholen.
Künstliche Intelligenz – Buzzword oder nützliches Werkzeug?
Künstliche Intelligenz ist ein Sammelbegriff für Algorithmen verschiedener Komplexitätsebenen, die sich dem menschlichen Denken annähern sollen, um Informationen zu analysieren und Lösungsentscheidungen für Probleme eigenständig zu erarbeiten. Unter KI fällt zum Beispiel maschinelles Lernen oder „Machine Learning“ (ML). Bei maschinellem Lernen erkennt die KI durch strukturierte Trainingsdaten Muster im Datensatz, welche später zur eigenständigen Problemlösung herangezogen werden. Ein mögliches Szenario für den Einsatz von Machine Learning ist die automatische Klassifikation von Dokumenten, basierend auf einem vorgefertigten Trainingsset, das verschiedene Dokumentarten, wie Rechnungen oder Verträge enthält. Dabei verbraucht eine ML-Anwendung weniger Ressourcen als aufwändigere KI-Lösungen.
Für komplexere Aufgabenstellungen, wie Videoanalysen, eignet sich eine andere KI-Form, das Deep Learning. Deep Learning-Lösungen basieren auf künstlichen neuronalen Netzen. Bei diesen neuronalen Netzen handelt es sich um mathematische Algorithmen, die den vernetzten Neuronen des menschlichen Gehirns nachempfunden sind. Die neuronalen Netze bestehen aus einer Input-Ebene, mehreren versteckten Ebenen (den sogenannten „hidden layers“) und der Output-Ebene. Ein Beispiel für eine Deep-Learning-Anwendung ist die Bild- oder Videoanalyse oder das Natural Language Processing (NLP), wobei die KI natürliche Sprache verarbeitet und analysiert. Als Ausgabe kann das neuronale Netz dann eine Entscheidung treffen, wie: „Zu 98 Prozent handelt es sich um Objekt xy“ oder im Fall des NLP: „die verwendete Sprache deutet Unzufriedenheit an“. Mit Hilfe von NLP können Nutzer Texte zum Beispiel auf ihre Tonalität hin untersuchen. Wichtig ist an dieser Stelle auch der Hinweis, dass es noch nicht möglich ist, zu bestimmen, welche Berechnungen die „hidden layers“ vollziehen. Zur besseren Einordnung des Outputs versieht die KI Ergebnisse mit einer Konfidenz, wie der obenstehenden Prozentangabe.
Um eine Vertrauensbasis für die Ergebnisse von Deep-Learning-Lösungen zu schaffen, widmet sich die Forschung verstärkt dem Konzept der Explainable AI (xAI). Im Zusammenhang mit „erklärbarer künstlicher Intelligenz“ werden verschiedene Methoden angewendet, um den Blackbox-Charakter komplexer neuronaler Netze zu mindern und somit verständlicher zu machen, wie die Netze zu ihren Entscheidungen kommen. Vor allem bei Entscheidungen, die Menschen betreffen (zum Beispiel Gerichtsurteile beziehungsweise Strafmaß) ist dies sehr wichtig.
Deep-Learning-Anwendungen müssen, genau wie ML-Anwendungen, trainiert werden. Wobei Deep-Learning-Netzwerke – je nach Art – auch ein Selbsttraining durchführen, oder andere Netzwerke trainieren können. Je mehr „hidden Layers“ das neuronale Netzwerk hat, desto ressourcenintensiver gestaltet sich das Training, vor allem in Hinblick auf die Hardwareauslastung. Dazu kommt, dass jede KI-Anwendung, egal ob maschinelles Lernen oder Deep Learning, nur eine zugewiesene Aufgabe bearbeiten kann. Eine Deep Learning-Lösung kann beispielsweise trotz intensiven Trainings nicht gleichzeitig den bildhaften Inhalt von Videos analysieren und parallel die Tonspur übersetzen – dafür werden zwei unterschiedliche Systeme benötigt.
Trainieren, trainieren, trainieren
Das Training einer KI-Lösung spielt eine zentrale Rolle für den Erfolg oder das Versagen der Anwendung, da die Trainingssets die Grundlage dafür bilden, dass die KI ihre Aufgabe zuverlässig erfüllt. Es gibt verschiedene Möglichkeiten für das Training einer KI, anhand dessen die KI entweder statistische Modelle oder neuronale Netze entwickelt. Das Training von Machine-Learning-Anwendungen erfolgt dabei mit eher strukturierteren Datensätzen. Deep-Learning-Lösungen können hingegen auch extrem unstrukturierte Daten verarbeiten, wie eine zufällige Auswahl von Fotos im Falle der Bilderkennung. Entsprechend sorgfältig müssen die Datensätze ausgewählt werden. Das gilt insbesondere deshalb, da ein falsch strukturierter Training-Datensatz oder ein lückenhafter Datensatz, in dem bestimmte Fälle fehlen, zu einer Voreingenommenheit, also einem „Bias“ der KI führen.
Einfachere Szenarien wie die Klassifizierung von Dokumenten können Unternehmen, die sich für den Einsatz von KI entschieden haben, selbst trainieren. Spätestens bei komplexeren Aufgabenstellungen ist es jedoch sinnvoll, einen Dienstleister heranzuziehen, der bereits über Erfahrung in der Zusammenstellung kundenspezifischer Training-Datensätze verfügt. Externe Dienstleister können auch dabei unterstützen, einen Datensatz entsprechend gewisser Anforderungen zusammen zu stellen. Ist eine KI-Lösung erfolgreich aufgesetzt, ergeben sich für Unternehmen gewichtige Vorteile aus der Synergie von KI und digitalisierten Geschäftsprozessen:
- Kosten und Zeit sparen: KI-Lösungen können Mitarbeiter im Rahmen von zeit- und personalintensiven Prozessen und bei der Entscheidungsfindung unterstützen, beispielsweise beim Klassifizieren und Archivieren von Verträgen und Rechnungen
- Fehlerraten reduzieren: KI-basierte Lösungen eliminieren den menschlichen Fehler und verbessern – ein korrektes Training vorausgesetzt – die Genauigkeit, gerade in Routineprozessen.
- Leistungsstarke Analysen und größere Wertschöpfung: Funktionen wie NLP können auch in Routineprozessen, wie dem Sichten des Posteingangs, komplexe Analysen durchführen und so zum Beispiel Mails anhand der Tonalität oder des Inhalts qualifizieren und an die entsprechenden Mitarbeiter weiterleiten. NLP kann Mitarbeitern in diesem Szenario auch passende Antworten vorschlagen beziehungsweise eindeutig identifizierte Anfragen automatisiert beantworten.
- Rechtliche Vorgaben zuverlässig einhalten: Eine korrekt trainierte KI kann aufwändige Löschprozesse, zum Beispiel im Rahmen der DSGVO, unterstützen, indem sie den zuständigen Mitarbeitern Dokumente zur Löschung vorschlägt. So lässt sich die Compliance eines Unternehmens zuverlässiger und ressourcensparender sichern.
Zusammengefasst können Unternehmen mit Hilfe von KI-Lösungen einen deutlichen Wettbewerbsvorteil im Vergleich zu ihren Konkurrenten erlangen. KI ist folglich nicht nur ein reines Buzzword und sollte entsprechend in unternehmerischen Entscheidungen berücksichtigt werden. Trotz aller Vorteile ist eine KI jedoch immer noch ein Werkzeug, das erst durch eine strategische Nutzung echten Mehrwert stiften kann. Auch einfache KI-Anwendungen können von großem Nutzen sein. Allerdings ist immer eine Einzelfallbetrachtung nötig, um zu bestimmen, welche Prozesse durch Künstliche Intelligenz unterstützt werden sollen.
- Geschäftsprozesse digitalisieren mit KI
- Wie KI in Prozesse einbinden?
- Die DSGVO im Fokus
Das könnte Sie auch interessieren
Hackerangriffe
Forschungschef von F-Secure warnt vor…
Cybercrime
KI allein ist keine Wunderwaffe
KI-gestützter Schutz
Sicherheit ohne Korsett
KI und Modern Workplace
Die Psychologie der Daten(-getriebenen)
Medizin und Forschung
Forscher der TU Dresden entwickeln implantierbares…
Nutzung von KI in Transaktionen
IBM stellt On-Chip-beschleunigten Prozessor vor
Verwandte Artikel
connect professional
Cyberversicherungen und PAM
Reaktive Sicherheit stellt Versicherer nicht mehr…
Geschäftsmodelle in der Digital Society
Wachstumstreiber Subscription Economy
