Künstliche Intelligenz
Den KI-Turbo zünden
Anwendungsfälle von Künstlicher Intelligenz und Deep Learning gibt es bereits reichlich. Oft verhilft diesen der Dreischritt „Analysieren – Lernen – Optimieren“ zu mehr Erfolg. Unternehmen müssen jedoch ein paar Punkte beachten, um die KI erfolgreich einsetzen zu können.
Die Zahlen sprechen eine deutliche Sprache: Unternehmen auf der ganzen Welt erkennen zunehmend die Business-Chancen, die ihnen Technologien wie Künstliche Intelligenz (KI), Machine Learning (ML) und Deep Learning (DL) bieten. Anwendungen, die einen Mehrwert generieren, gibt es quer durch alle Branchen – vom Gesundheitswesen über die Finanzwirtschaft und den Handel bis hin zu Energie, Transport, Medien und Unterhaltung. Die Marktanalysten von Allied Market Research prognostizieren, dass die KI-Investitionen weltweit von vier Milliarden US-Dollar im Jahr 2016 auf rund 170 Milliarden US-Dollar im Jahr 2025 steigen werden. Gestützt wird die Wachs-tumsprognose durch die Geschäftsentwicklung in den vergangenen fünf Jahren. Allein von 2015 bis 2019 nahm laut Gartner die Anzahl der Unternehmen, die in KI-Technologie investieren und bereits Lösungen implementiert haben, weltweit um 270 Prozent zu.
Getrieben durch enorme Fortschritte in Rechen-Power und Performance sind Künstliche Intelligenz und Machine Learning gerade dabei, eine Erfolgsgeschichte zu schreiben, die Marktbeobachter bereits mit der Erfindung des Automobils oder der Elektrizität vergleichen. Ein kurzer Blick hinter die Kulissen lohnt sich, um besser einschätzen zu können, wie die neuen Technologien in Wirtschafts-, Organisations-, Planungs- und Kreativ-Prozessen sinnvoll zum Einsatz kommen.
Die drei großen Erfolgstreiber
Drei Aspekte sind für den erfolgreichen Technologieeinsatz entscheidend: KI simuliert die Funktionsweise des menschlichen Gehirns, eines Super-Computers, der hinsichtlich der Kriterien Flexibilität, Einfallsreichtum, Assoziativität und Energieverbrauch immer noch ungeschlagen ist. Möglich, dass es Quantencomputer mit ihrer Fähigkeit, viele Millionen Operationen parallel zu berechnen, einmal schaffen, eine menschliche Universalintelligenz zu simulieren. Bislang ist das jedoch nichts weiter als ein schöner Traum von Science-Fiction-Autoren. KI im engeren Sinne, also fokussiert auf bestimmte Domänen und Fachgebiete, ist jedoch bereits Realität. Bekannte Anwendungsfälle gibt es in der Sprach- und Gesichtserkennung und in Problemlösungsverfahren, zum Beispiel in der Rechtswissenschaft. Oder in der Medizin: KI vergleicht und evaluiert etwa zehntausende von Patientenakten und schlägt auf Grundlage von Gesundheits-KPIs für einen ganz bestimmten Patienten eine Therapie vor, die mit hoher Wahrscheinlichkeit erfolgreich sein wird.
Der zweite große Treiber ist Machine Learning. Jeder Algorithmus ist eine Handlungsanweisung, die aus einem Input einen bestimmten Output generiert. ML fasst statistische und probabilistische Verfahren zusammen, die Rechner in die Lage versetzen, diese Handlungsanweisung selbstständig zu entwickeln, anhand von Daten zu verifizieren und kontinuierlich zu verbessern. Die Empfehlungs-Engines von Amazon oder Netflix und die Next-best-Action-Strategien im Kunden-Management funktionieren bereits nach diesem Prinzip. Je besser Amazon und Netflix den Kunden dabei kennen, desto treffsicherer fallen die Empfehlungen aus. ML-Modelle sind deshalb immer nur so gut wie die Daten, mit denen sie trainiert und gefüttert werden.
Eine erfolgsversprechende, aber auch sehr ressourcenhungrige Spielart des Machine Learning sind zu guter Letzt Deep Learning Neuronal Networks (DLNN), die ähnlich wie die Synapsen des menschlichen Gehirns Informationen gewichtet weiterleiten und diese Gewichtung selbstständig anpassen können. DLNN können eine Vielzahl an Informationen verarbeiten und in den Entscheidungsprozess einbeziehen. Besteht ein neuronales Netz aus Hunderten von Schichten, die ihrerseits wiederum aus Tausenden oder Zehntausenden von digitalen Synapsen bestehen, spricht man von Deep Learning. Die ML-Methodik Deep Learning benötigt keine vordefinierten Features, sondern entwickelt explorativ ihre teils sehr komplexen Lösungsalgorithmen vollkommen selbstständig.
Ein DLNN kann zum Beispiel anhand der Umsatzzahlen der vergangenen fünf Jahre so lange trainiert werden, bis es aus einer Unmenge an Faktoren (Input) wie Marktbedingungen, Investitionsklima und Wettbewerb die korrekten, bereits bekannten Umsätze (Output) generiert. Ist das DLNN anhand der historischen Umsätze austrainiert, kann es in die Zukunft schauen und etwa die Umsätze der kommenden drei Monate mit hoher Wahrscheinlichkeit voraussagen. Unternehmen werden so in die Lage versetzt, ihre Produktionskapazitäten, Ressourcen und Marketingaktivitäten entsprechend auszurichten.
- Den KI-Turbo zünden
- Betrugsprävention mit ML
Lesen Sie mehr zum Thema
