Warum Amazon und Google uns besser kennen als wir selbst

Künstliche Intelligenz steckt bereits in deutlich mehr Alltagsgegenständen, als wir denken. Intelligente Algorithmen filtern und lenken unser Einkaufsverhalten – und machen auch Maschinen ausfallsicher. Doch was ist Künstliche Intelligenz eigentlich? Warum boomt diese Trend-Technologie ausgerechnet jetzt? Und wie vereinfacht sie unseren Berufsalltag?

Künstliche Intelligenz: Warum Amazon und Google uns besser kennen als wir selbst. Bild: © iMrSquid / Getty Images.

Künstliche Intelligenz: Warum Amazon und Google uns besser kennen als wir selbst. Bild: © iMrSquid / Getty Images.

Wenn Amazon uns passende Bücher, Kleidung oder Haushaltsartikel empfiehlt, hat die Shopping-Plattform vorher unser individuelles Kaufverhalten analysiert. Die Bildanalyse von Google und Facebook erkennt und verwaltet Gesichter – unabhängig von Alter, Situation und Bildkomposition. Spam-Filter in PCs und Laptops sind ebenso KI-gesteuert wie Techniken, die Kreditkartenbetrug unterbinden. Künstliche Intelligenz begegnet uns also schon in vielen Alltagssituationen. Und auch für die Produktion der Zukunft ist sie enorm wichtig.

 

Das Thema Künstliche Intelligenz nimmt Fahrt auf

Künstliche Intelligenz (KI) ist zwar nicht neu. Autoren beschäftigen sich schon seit Jahrhunderten mit Zukunftsszenarien, in denen Maschinen intelligent und autark agieren – mal mehr, mal weniger bedrohlich für die Menschheit. Und auch die Geburtsstunde des wissenschaftlichen KI-Diskurses – die Dartmouth Conference von 1956 – liegt schon etwas zurück.

Doch jetzt nimmt das Thema richtig Fahrt auf, denn die Technik hat sich in den vergangenen Jahren rasant weiterentwickelt:

  • Rechen- und Datenspeicherkapazitäten: Die Rechenleistung von Computern hat sich vervielfacht, Cloud-Lösungen bieten enorme Datenspeicherkapazitäten über Unternehmensgrenzen hinweg.
  • Unternehmen können eigene KI-Anwendungen implementieren: Mit TensorFlow stellte Google 2015 eine ausgereifte Open-Source-Plattform mit Machine-Learning-Framework bereit, über die Anwender seitdem eigene KI-Anwendungen implementieren können. Inzwischen bieten auch weitere Unternehmen und Universitäten ML-Frameworks und Open-Source-Software an.
  • SaaS, PaaS, IaaS: IT-Anwendungen sind heute so unkompliziert und die Kosten für notwendige Ressourcen so weit gesunken, dass komplexe Algorithmen nicht nur für Großkonzerne nutzbar sind, sondern auch für Mittelständler. Jeder kann inzwischen Software, Plattformen oder Infrastrukturen als Servicedienstleistung bedarfsgerecht beziehen.

 

Viele Vorteile, wenn Maschinen lernen

Sprechen wir allgemeinhin von Künstlicher Intelligenz, meinen wir in der Regel Maschinelles Lernen (ML) – eine Teildisziplin von KI. Bei Künstlicher Intelligenz kann Software Probleme selbstständig lösen.

Bei Machine Learning trainieren Algorithmen zunächst anhand großer Datenmengen richtig und falsch zu unterscheiden und können auf dieser Basis selbstständige Entscheidungen zu vordefinierten Szenarien treffen. Damit entlasten sie Mitarbeiter in ihrem Arbeitsalltag oder assistieren Menschen in unterschiedlichen Situationen:

  • Routine-Services in der Finanzbuchhaltung oder Poststelle werden automatisiert
  • Kundenkommunikation und Customer Experience lassen sich verbessern
  • Autos fahren autonom
  • Medizinische Assistenzsysteme unterstützen Ärzte in der Tumordiagnostik.

Wie im realen Leben auch sind Maschinen auf umfangreiche Trainingsdaten und zahlreiche Wiederholungen angewiesen, um Zusammenhänge erkennen zu lernen und später richtige Entscheidung auch bei unbekanntem Dateninput treffen zu können. Per Trial-and-Error-Prinzip lernen sie, Daten wie oder Töne korrekt zum vorgegeben Trainingsziel zuzuordnen.

Der Vorteil: Eine Maschine arbeitet im 24/7-Betrieb an 365 Tagen im Jahr. Anders als beim Menschen ermüden Maschinen nicht, benötigen keine Pause oder Nahrung, um die Akkus wieder aufzuladen. Das einzige Futter, das sie brauchen, sind Datenmengen.

 

Einsatz von KI und Machine-Learning-Tools im Mittelstand

Daten sind die Basis für den Geschäftserfolg, ganz gleich ob kundenbezogenes Wissen oder die detaillierte Kenntnis über betriebsinterne Prozesse. Durch die technische Weiterentwicklung und die gesunkenen Kosten profitieren auch mittelständische Betriebe von ML, analysieren und kombinieren ihr Datenwissen, optimieren so ihre Geschäftsprozesse und steigern ihre Wettbewerbsfähigkeit.

Die QSC AG begleitet Mittelständler bei ihren Digitalisierungsprozessen und unterstützt die Einführung intelligenter Technologien in unterschiedlichen Geschäftsbereichen:

  • Finance, Sales und Procurement automatisieren: Mit SAP Cash Applications nutzen die QSC-Experten beispielsweise ein ML-Tool, mit dem Unternehmen manuelle Prozesse in den Bereichen Finance, Sales und Procurement automatisieren.
  • Beschwerdemanagement verbessern: Mithilfe von ML-Modellen von QSC wird der Automatisierungsgrad beim E-Mail-Routing erhöht. Dadurch werden das Beschwerdemanagement verbessert und Mitarbeiter entlastet.
  • Abläufe ganzheitlich durch Process Mining optimieren: Betriebsprozesse sind sehr komplex, teils sehr unübersichtlich. Daraus resultieren Fehler oder lange Bearbeitungszeiten. Weil jeder computerbasierte Arbeitsschritt einen digitalen Fußabdruck hinterlässt, bildet Celonis durch sogenanntes Process Mining jeden einzelnen Geschäftsprozess digital ab und identifiziert Zusammenhänge zwischen den Prozessschritten in Echtzeit. So lassen sich sämtliche Abweichungen von optimalen Abläufen analysieren und Ineffizienzen im Einkauf, Schleifen in der Logistik oder Engpässe in der Produktion aufzeigen. QSC bietet diese Technologie ihren Kunden an – und unterstützt sie so dabei, Fehlerquellen zu erkennen und Prozesshemmnisse zu beheben.
  • Mit dem Internet of Things Alltagsgegenstände digitalisieren: Wie QSC im Zusammenspiel mit ihrer Tochterfirma Q-loud auch simple Alltagsgegenstände durch Maschinelles Lernen und SAP Leonardo intelligent macht, zeigt die Eistruhe Q-Freezer. Der via IoT-Sensorik von Q-loud vernetzte Tiefkühler meldet eigenständig Temperatur, Stromverbrauch und Füllstand. Ein eigens trainiertes ML-Programm unterscheidet zum Beispiel verschiedene Eissorten und prognostiziert, wann Besucher eine spezielle Eissorte aus der Truhe nehmen. So wissen Einzelhändler vom Kiosk bis zum Supermarkt immer über den aktuellen Bestand Bescheid und können durch die Schnittstelle in die eigene SAP-Landschaft ERP-Prozesse automatisch generieren.

 

ML ist wichtiger Treiber für die Industrie 4.0

Geschäftsprozesse verbessern, Arbeitsschritte automatisieren, Kosten senken: Für Unternehmen gibt es viele Gründe, um intelligente Algorithmen zu nutzen. Nicht zuletzt machen sie eine umfassende Digitalisierung der industriellen Produktion – also Industrie 4.0 – erst möglich.

Beispiel Predictive Maintenance: Durch die vorausschauende Wartung von Produktionsmaschinen lassen sich Ausfälle, Fehlermuster oder Materialschäden prognostizieren, noch bevor es zum Stillstand durch Materialverschleiß oder -fehler kommt. Historische Maschinendaten sind die Grundlage für ML-Modelle, um zu erwartende Ausfälle vorherzusagen.

In der Trainingsphase lernt das ML-System typische Zusammenhänge aus einer bestehenden Datenbasis abzuleiten. So erfassen beispielsweise Turbinen, Rolltreppen oder Aufzüge regelmäßig Parameter wie Schwingungen, Spannungsverläufe, Temperatur und Druck. Informationen über bisherige Funktionsausfälle ergänzen die Datenbasis.

In der Anwendungsphase dann kategorisieren und bewerten ML-Modelle einzelne Datensätze anhand erlernter Zusammenhänge, um Lösungen für neue und unbekannte Probleme zu finden.

 

SAP Predictive Analytics liefert Prognosemodelle

Eine Software-Lösung, mit der sich solche Prognosemodelle schnell erstellen, trainieren und einführen lassen, ist SAP Predictive Analytics. SAP-Kunden profitieren dabei von einer Schnittstelle in bestehende Systemprozesse: Die SAP Cloud Platform liefert Technologiebausteine in Form von Cloud-Services, die SAP ERP sowie SAP S/4HANA ergänzen oder als Software-as-a-Service, wie beispielsweise SAP SucessFactors, eingesetzt werden können.

Die SAP Cloud Platform setzt auf die In-Memory Datenbank von SAP HANA auf, wobei Daten nicht mehr auf herkömmlichen Festplattenspeichern abliegen, sondern direkt den Arbeitsspeicher nutzen. Durch die wesentlich höheren Zugriffsgeschwindigkeiten lassen sich ML-Modelle betriebsintern problemlos trainieren und betreiben. Auch bei der Nutzung dieser Lösungen unterstützt die QSC AG ihre Kunden.

 

Produktion und Ressourcen planen, Marketing auf Kundenbedürfnisse zuschneiden

Hat ein ML-Modell erst einmal historische Maschinen verinnerlicht und mit definierten Parametern wie Schwingungen, Spannungsverläufen oder Geräuschentwicklungen in Verbindung gebracht, weiß es um projektbezogene Muster und Gesetzmäßigkeiten. Weil das Programm die Eintrittswahrscheinlichkeit bestimmter Entwicklungen prognostiziert, können Industrieunternehmen ihre Produktions- und Ressourcenplanung optimieren.

Auch der Einzelhandel profitiert von intelligenten Algorithmen: Unternehmen können beispielsweise ihre Marketingaktivitäten individuell auf die Kundenwünsche und -bedürfnisse zuschneiden. ML-Modelle erstellen auf Basis historischer Kundendaten zu Kaufverhalten und Onlinesuchen Kaufprognosen für jeden einzelne Kunden. So wis-sen ML-Modelle um Kaufentscheidungen korrelierend zu den entsprechenden Jahreszeiten und Lebensereignissen wie Reisen, Hochzeiten oder Umzüge – und kennen die Kundschaft manchmal besser als sie sich selbst.

 

Weitere Informationen:

 

Drucken

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

*

Um die Diskussionsqualität zu wahren, veröffentlichen wir nur noch Kommentare mit nachvollziehbarem Vor- und Nachnamen sowie authentischer E-Mail-Adresse. Bitte beachten Sie zudem unsere Social Media Guidelines.