Künstliche Intelligenz ist keine magische Lösung, doch die Technologie hat reale Anwendungsbereiche in einer Vielzahl von Unternehmenssystemen, insbesondere im Bereich der Analytik und Anomalieerkennung. [...]
Künstliche Intelligenz (KI) ist etwas, das jede IT-Organisation haben muss, um erfolgreich zu sein. So könnte man meinen, angesichts des stetigen Hype, der die Bedeutung der Technologie mahnt.
Ja, KI kann geschäftlichen Nutzen bringen. Nein, es wird nicht alle Probleme Ihres Unternehmens auf magische Weise lösen.
Dennoch kann KI, rational betrachtet, Ihre Unternehmenssysteme und damit Ihre Geschäftsabläufe voranbringen. Um zu verstehen, wo die Unternehmens-IT die Vorteile der KI heute sinnvoll nutzen kann, hat CIO.com die KI-Analysten Kjell Carlsson von Forrester Research, Charley Rich von Gartner und Mickey North Rizza von IDC befragt.
Verwechseln Sie Automatisierung nicht mit KI
Anbieter behaupten oft, dass irgendeine KI-Geheimsoße in ihren Produkten Ihr Geschäft revolutionieren würde, wenn Sie nur deren Angebote einsetzen würden. Glauben Sie nicht daran. „Seien Sie misstrauisch, wenn es wie etwas aussieht, das Sie in einem Film gesehen haben könnten“, betont Carlsson.
Was die meisten Hersteller anbieten, sind regelbasierte Systeme, so IDC’s North Rizza. Hochentwickelte Algorithmen oder Logik in ihrer Software bewältigen viele gängige Anwendungsfälle – und das schneller und genauer als das, was Menschen normalerweise leisten können. Dabei handelt es sich jedoch um Automatisierung, nicht um KI.
Automatisierung ist gut, aber Automatisierung auf der Grundlage von Maschinen-Intelligenz ist wahrscheinlich falsch oder problematisch. Bei echter KI entscheidet das System selbst, was zu tun ist, und das ist in den meisten Geschäftsfällen wahrscheinlich nicht das, was Sie sich wünschen. Stellen Sie sich vor, Ihre Finanzen, die Rekrutierung, die Produktplanung, das Netzwerkmanagement und so weiter würden von einer unabhängigen Intelligenz betreut, die Sie nicht wirklich verstehen und nicht wirklich kontrollieren können.
Fokus KI-Implementierungen auf angewandte Analytik und Anomalieerkennung
Was real ist, ist der Einsatz von KI-Technologien, um abnorme Muster für die menschliche Entscheidungsfindung zu identifizieren. Bekannte Muster können durch Automatisierung bearbeitet werden, aber um unbekannte Muster aufzudecken, sind maschinelles Lernen und Formen wie tiefes Lernen und künstliche allgemeine Intelligenz die Technologien, an die man sich wenden sollte.
Analysegesteuerte KI in Form von Anomalie-Erkennung kann unbekannte Muster oft viel schneller identifizieren als ein Mensch. Sie kann sogar Vorgehensweisen vorschlagen, die auf ähnlichen Mustern basieren, sofern sie existieren. Aber die Entscheidung darüber, was zu tun ist, bleibt der menschlichen Intelligenz überlassen, die von anderen Personen überprüft werden und über die Analytik hinausgehende Expertise nutzen kann.
Die Automatisierung, oder zumindest Software, kann dann die Entscheidungen unter Verwendung von Regelbasen und anderer kodierter Logik ausführen. Technologien wie die robotergestützte Prozessautomatisierung (RPA) sind gute Beispiele für die heute verfügbaren Fortschritte in der Automatisierung. Sie sind keine KI – sie „denken“ nicht für sich selbst, sondern handhaben dank ihrer immer ausgefeilteren Algorithmen immer anspruchsvollere Arbeitsabläufe. Die Software mag intelligent aussehen, aber es ist Intelligenz, die menschliche Entwickler eingebacken haben, keine dem System angeborene künstliche Intelligenz.
Die Analytik, insbesondere zur Erkennung von Anomalien, macht also einen Großteil der heute in Unternehmenssystemen implementierten KI aus. Diese Integration wird in der Regel von Softwareanbietern auf der Grundlage bekannter Anwendungsfälle und Geschäftsprozesse durchgeführt.
Für selbst entwickelte Systeme ist es nicht so einfach, KI in die Analytik zu bringen, erklärt Carlsson von Forrester. Die Datenwissenschaft ist die Domäne für die Verschmelzung von Intelligenz und Analytik, aber „die Leute merken oft nicht, dass Datenwissenschaftler nicht in Entscheidungsfindung und Geschäftsanalyse geschult sind, so dass man bei Bedarf eine großartige Vorhersage erhält, aber nicht weiß, was zu tun ist“, meint er.
Im Idealfall „baut die KI-Seite ein besseres Vorhersagemodell für bessere Eingaben in Ihre klassische Optimierungsmaschine ein. Sie ergänzen sich gegenseitig“, fügt Carlsson hinzu. „Aber es ist schwierig, weil die Optimierungs-Leute nicht wissen, wie sie mit den Datenwissenschaftlern reden sollen oder umgekehrt. ‚Datenwissenschaftler‘ ist ein höchst fragwürdiger Begriff, der fast alles bedeuten kann, und nicht viele IT-Organisationen verstehen das“.
Aber es gibt Hoffnung, betont Carlsson: Ingenieure beginnen, auf maschinelles Lernen über AutoML zuzugreifen, also über Frameworks, die die Notwendigkeit beseitigen, maschinelle Lernmodelle von Grund auf neu zu erstellen. Und die Tools werden zunehmend leichter für datenversierte Geschäftsanwender nutzbar und bringen Fachkenntnisse mit, die Datenwissenschaftler oft nicht selbst einbringen können. Funktionsübergreifende Prozessverbesserungsteams, die mit Ansätzen wie Six Sigma und Lean vertraut sind, eignen sich besonders gut, um die KI in die Analytik zu bringen. „Sie haben die DNA, um mit den Aspekten des Änderungsmanagements umzugehen“, sagt Carlsson. „Die Schwierigkeiten bestehen immer darin, die Daten zu bekommen und sie zu rationalisieren.“
Diese eher explorativen Formen der KI – das, was Carlsson als „Augmented Intelligence“ bezeichnet – haben legitime, hilfreiche Anwendungsfälle in einer Vielzahl von Unternehmenssystemen: Marketing, Logistik, Dokumentenverarbeitung und IT-Systeme selbst sowie für die Benutzerschnittstellen von benutzerorientierten Systemen.
KI angewandt auf Geschäftssysteme
Die angewandte Analyseform der KI findet sich häufig in Unternehmenssystemen, die mit vielen Daten, wechselnden oder unsicheren Umgebungen und der Notwendigkeit, Prozesse schnell anzupassen, zu tun haben.
Zu den klassischen Anwendungsfällen gehören Logistik, wie z.B. Paketzustellung, Fahrzeugrouting und Just-in-Time-Bestandsverwaltung, sowie situationsbezogene Schätzungen, wie Kreditwürdigkeitsprüfung und Produktempfehlungen. Zu den neueren Bereichen gehören das Reputationsmanagement, die Bewertung von Lebensläufen und das Risikomanagement in verschiedenen Bereichen.
Ein unbesungener Bereich für KI ist die automatisierte Dokumentenverarbeitung. „So viele Prozesse sind von ihnen abhängig“, meint Carlsson von Forrester. Obwohl Verträge, Policen, medizinische Berichte und so weiter sehr formelhaft und damit leicht zu analysieren erscheinen mögen, sei es nach wie vor schwierig, aus solchen Dokumenten Informationen zu extrahieren, sagt er. Scheinbar geringfügige Abweichungen wie Überschriftenstile und Tabellenränder können beispielsweise regelbasierte Dokumentenextraktoren verwirren.
Schwieriger ist es, Bedeutung zu extrahieren, die in den Formularen nicht explizit definiert wurde. „Zum Beispiel Finanzberater mit Kunden, die an einem neuen Teil des Marktes interessiert sind. Die Berater müssen sich mit dem Investitionsprofil, den Ressourcen und den Marketingmustern befassen“, anstatt die klassische Methode anzuwenden, bei der Investitionsmuster vorgeschlagen werden, die ähnliche Kunden wählen. Ein weiteres Beispiel: die Analyse medizinischer Pathologieberichte auf beiläufige Informationen wie „um zu sehen, ob ein Krebsrisiko besteht, basierend auf den vergrabenen Details, die oft nebensächlich zu der ursprünglichen [Patienten-] Beschwerde sind“, so sagt er und fügt hinzu, dass er von einem Krankenhausunternehmen weiß, das die KI-Dokumentenverarbeitung nutzt, um solche Beispiele zu finden und die Dateneingabe in die nationale Krebsdatenbank der USA zu automatisieren.
KI angewandt auf IT-Systeme: AIOps
Der Bereich der AIOps (KI-Operationen) ist für IT-Arbeitslasten vielversprechend, wenn es darum geht, Probleme in Netzwerken, Geschäftsprozessabläufen und so weiter zu identifizieren und zu diagnostizieren, so dass die Automatisierung dann mögliche Abhilfemaßnahmen vorschlagen oder sogar ausführen kann. Ähnliche Ansätze können Sicherheitsbemühungen wie Intrusion Detection und Insider-Datendiebstahl unterstützen.
„AIOps ist weit weniger ausgereift als die anderen KI-Bereiche der Unternehmen“, stellt Rich von Gartner fest. Im Allgemeinen handelt es sich dabei um maschinelles Lernen, sowohl beaufsichtigt als auch unbeaufsichtigt, und manchmal um Deep Learning und Grafikanalyse, um „Mathematik auf Probleme anzuwenden“. Das bedeutet, nach Mustern und Anomalien zu suchen – normalerweise in Protokollen -, die signalisieren, dass die IT sich direkt oder durch Automatisierung mit Problemen befassen muss.
Die Herausforderung für AIOps besteht darin, dass „es zu viel Lärm gibt, was zu Fehlalarmen führt“, sagt Rich. Jetzt, da fast alles digitalisiert ist, ist die Schwierigkeit noch viel größer geworden. Die Ereigniskorrelationsanalyse, die zugrundeliegende Technik, gibt es seit Jahrzehnten. Aber „sie sind regelbasiert und erfordern daher sehr schweres Training und müssen immer auf den neuesten Stand gebracht werden“, so Rich. „Die Datenqualität kann chaotisch sein, daher ist jede Implementierung normalerweise kundenspezifisch. Aber es funktioniert“, wenn Sie die Kosten tragen können. Der Markt wünscht sich ein Gesamtpaket, um diese Arbeit zu erledigen und den Bedarf an Datenwissenschaftlern zu vermeiden, aber das ist heute einfach nicht möglich.
Eine weitere Herausforderung ist die Durchführung von Zeitreihenanalysen von Oberflächenanomalien, die auf zeitbasierten Mustern basieren. „Die Algorithmen gibt es seit den 1950er Jahren, aber erst seit kurzem verfügen wir über die nötige Rechenleistung“, erklärt Rich.
Ein weiterer lang ersehnter Bereich, mit dem sich die KI befassen muss, ist die Ursachenanalyse, die massive Mengen an Korrelations- und Zeitreihenanalysen beinhaltet. „Es ist schon ewig in Aussicht gestellt worden, aber wir beginnen, Fortschritte bei der Graphenanalyse zu sehen“, fügt er hinzu.
Noch weiter draußen stehen Begriffe wie selbstheilende Systeme, auch NoOps genannt. „Vielleicht schaffen wir das eines Tages“, so Rich. „Was heute getan werden kann, ist das Auslösen von Aktionen, die auf bedingter Logik basieren, um Skripte auszuführen. In den letzten sechs bis acht Monaten haben die Anbieter Wissensdatenbanken zu häufigen Problemen mit einem Toolkit zum Hinzufügen neuer Probleme geliefert.
Rich warnt jedoch davor, von AIOps zu erwarten, dass sie eines Tages den IT-Betrieb selbst übernehmen. „Man bekommt nie alle Signale. Selbst wenn Sie es täten, was, wenn es ein neues Problem ist, für das es keine Lösung gibt? Dann gibt es das Risiko einer Veränderung: Was werden Sie noch brechen? Eine Risikoanalyse ist notwendig, aber es gibt sie nicht wirklich“.
In der Zwischenzeit können AIOps die Bemühungen des IT-Personals verstärken, Probleme zu identifizieren, so dass sie diese schneller lösen oder verhindern können.
KI angewandt auf Benutzerschnittstellen
Seit Jahren sehen wir Versprechungen rund um die Verarbeitung natürlicher Sprache (NLP), die darauf abzielen, den Bedarf an menschlichem Hilfspersonal zu eliminieren. Chatbots sind ein Beispiel für dieses Versprechen und für die Gefahren, wenn man ihnen Glauben schenkt – sind diese „intelligenten“ Interaktionen für den Kunden jemals nicht frustrierend und belastend? Die deterministischen Regeln, denen sie folgen, gehen oft nicht auf das Anliegen eines Kunden ein – aber manchmal können sie es doch. Unabhängig davon hat NLP – sowohl textlich als auch mündlich – erhebliche Fortschritte in seiner Fähigkeit gemacht, menschliche Dialoge zu verstehen, stellt Carlsson fest.
Im Bereich der Spracherkennung und des Verstehens von unstrukturiertem Text hat NLP in den letzten 20 Jahren große Fortschritte gemacht, indem es Interaktionen ohne Tastatur ermöglicht und hilft, die Bedeutung einer Anfrage einzugrenzen, bevor sie an ein menschliches oder automatisiertes System weitergeleitet wird, um darauf zu reagieren. Es handelt sich gewissermaßen um eine Form der Analytik, bei der es um Bedeutung und Ausdrucksweisen geht und bei der z.B. die Sprache auf ihre beabsichtigte Kommunikation hin analysiert wird.
Auch die Machine Vision hat in den letzten Jahrzehnten bedeutende Fortschritte gemacht. Während selbstfahrende Autos nach wie vor vielversprechender sind als die Realität, zeigen Crash-Minderungstechnologien, dass die Fähigkeit, Umweltbedingungen wahrzunehmen und einige automatische, auf Regeln basierende Anpassungen vorzunehmen (auf die Bremse treten!), real ist. Wie beim NLP ist die maschinelle Bildverarbeitung der KI-Teil und nicht die regelbasierte automatisierte Anpassung oder Reaktion.
Mit der Verbesserung der zugrundeliegenden Musteranalyse werden Machine Vision und andere Wahrnehmungstechnologien zunehmend in der Lagerhaltung zur Identifizierung von zu verpackenden Objekten, in der Medizin zur Erkennung von Tumoren und im Einzelhandel zum Verständnis des Käuferverhaltens eingesetzt.
Entscheidend ist, dass die KI in diesen Fällen die Eingaben von Menschen und Umgebungen aus der realen Welt korrekt analysiert, so dass die Menschen die spezifische Syntax und die Einschränkungen von Benutzerschnittstellen nicht mehr verstehen müssen und mehr Menschen in die Lage versetzt werden, mit Technologiesystemen auf natürlichere Weise zu interagieren.
*Galen Gruman ist leitender Redakteur für globale Inhalte auf den Unternehmensseiten von IDG.
Be the first to comment