Schritt für Schritt zum smarten Unternehmen

Unzählige Daten und Informationen stehen Unternehmen heute als Entscheidungsgrundlage zur Verfügung. Meist ungenutztes Potenzial, dass sich durch den Einsatz der richtigen Technologien zu einem echten Mehrwert entwickelt. [...]

Foto: AnetaEsz/Pixabay

Als ein Resultat der Digitalisierung stehen Unternehmen unzählige Informationen in unterschiedlichen Quellen und Formaten zur Verfügung. Diese bergen ein riesiges Potenzial, sie jedoch nur zu besitzen bringt noch keinen Mehrwert.

Erst wenn diese entsprechend aufbereitet und im richtigen Moment und Kontext zur Verfügung stehen, können Unternehmen sie als Entscheidungsgrundlage heranziehen oder Workflows und Arbeitsprozesse effizienter gestalten.

Hier besteht jedoch noch großer Nachholbedarf. Das geht aus einer aktuellen Studie von Capgemini hervor. So stehen Unternehmen im Durchschnitt lediglich 60 Prozent ihrer Informationen abteilungsübergreifend und organisationsweit zur Verfügung.

In Behörden ist diese Zahl mit weniger als 40 Prozent sogar noch geringer. Die größte Herausforderung in diesem Zusammenhang: Datensilos. Meist existieren Datenquellen parallel ohne direkte Verbindung zueinander. Sie verhindern, dass die vorhandenen Daten in vollem Umfang genutzt werden können.

Datensilos aufbrechen und KI schrittweise integrieren

Um diese Datensilos aufzubrechen und das volle Potenzial der Informationen ausschöpfen zu können, sind intelligente Werkzeuge erforderlich. Sogenannte Insight Engines bieten Unterstützung. Es handelt sich dabei um innovative Wissensmanagementsysteme, die semantisches Verständnis und Methoden der künstlichen Intelligenz (KI) wie Machine- und Deep Learning in State-of-the-Art-Lösungen vereinen.

Mit modularen Services verhelfen sie Unternehmen zu einer schrittweisen Umsetzung mit hohem Skalierungspotenzial. Dazu stellen sie Dienste in den Bereichen Entity Recognition, Klassifizierung, Semantic Relations, Proactive Insights, Knowledge Extraction und natürlicher Sprachverarbeitung (NLP) zur Verfügung, die Unternehmen eine ganzheitliche Sicht auf ihre Daten ermöglicht.

1.) Erkennung von Entitäten

Die regelbasierte Extraktion bzw. Entity Recognition/ Extraction ist eine Methode, die es Systemen ermöglicht, spezifische Informationen in vorhandenen Datensätzen zu erkennen und zu extrahieren. Personen, Organisationen, Orte und Datumsangaben ebenso wie unternehmensspezifische Entitäten, beispielsweise Abkürzungen, Produkt-Kennzeichnungen, Registrierungsnummern etc. in Inhalten wie Dokumenten, E-Mails, Notizen, Kalendereinträgen etc., lassen sich so rasch und unkompliziert herausfiltern und Nutzern bereitstellen.

Abb.1: Erkennung von Entitäten (Quelle: Mindbreeze GmbH)

2.) Extraktion von Wissen

Das Erkennen einfacher Entitäten ist für viele Geschäftsprozesse aber nicht ausreichend. Oft ist es relevant, die semantische Bedeutung hinter den Informationen zu kennen und zu verstehen. Damit Insight Engines diese automatisiert erkennen können, werden sie mit sogenannten Pre-defined Models trainiert. Diese bereits gekennzeichneten Informationen verknüpfen sie anschließend mit Schlüsselinformationen aus Dokumenten. Das verschafft ihnen die Fähigkeit die Bedeutung bzw. den Inhalt der Dokumente zu ermitteln.

Anwendung finden diese Methoden beispielsweise im Vertragsmanagement. Das Erkennen und Verstehen von Daten wie Firmennamen, Adresse, Datumsangaben in Verträgen, ermöglicht die automatisierte Berechnung von beispielsweise Vertragslaufzeiten oder Kündigungsfristen.

Abb. 2: Extraktion von Wissen aus Dokumenten (Quelle: Mindbreeze GmbH)

3.) Herstellung von semantischen Beziehungen

Mithilfe von Methoden im Bereich Semantic Relation verwandeln Insight Engines Daten in Informationen und erzeugen damit wertvolles Wissen. Dafür analysieren sie die in den unterschiedlichen Quellsystemen enthaltenen Informationsobjekte – das sind Personen, Unternehmen, Dokumente, Tickets, Produkte, Lieferanten, etc. – und verknüpfen diese miteinander.

Durch die Konstruktion sogenannter Knowledge Graphs ermitteln sie entsprechende Gemeinsamkeiten, Verknüpfungen und Abhängigkeiten und extrahieren die Ergebnisse.

Zum Einsatz kommen derartige Methoden bereits im Bereich Skills Management, wenn es darum geht benötigte Kompetenzen zu finden. Die Analyse und Interpretation der vorhandenen Daten ermöglicht, dass Person mit dem relevanten Wissensstand mit einem Knopfdruck gefunden und Endanwendern bereitgestellt werden.

4.) Kategorisierung und Klassifizierung unstrukturierter Texte

Mittels Methoden aus dem Bereich der KI, insbesondere Machine Learning, sind Insight Engines in der Lage auf Basis der Semantik eines Inhalts völlig automatisiert zu ermitteln, um welchen Dokumententyp es sich handelt. Dieses integrierte maschinelle Lernmodell, optimiert stetig seine Performance und ist auch die Basis für die automatisierte Zuteilung und Weiterleitung an entsprechende Fachbereiche und Experten.

Derartige Modelle finden heute bereits vor allem in Bereichen Anwendung, die tagtäglich mit einer Flut an unterschiedlichen Dokumenten und Anliegen konfrontiert werden, wie zum Beispiel Posteingangsstellen (Klassifizierung der Eingangspost), dem Kundenservice (Klassifizierung eingehender Tickets)  oder Sales (Klassifizierung Kundenfeedback).

Abb.3: Klassifizieren unstrukturierter Texte (Quelle: Mindbreeze GmbH)

5.) Proaktive Bereitstellung relevanter Informationen

Anwender können nur dann effizient und produktiv arbeiten, wenn sie mit Informationen interagieren, die für sie, ihre Rolle, Position und vor allem ihren Anwendungsfall relevant sind.

Insight Engines ermöglichen genau das. Dabei legen Anwender selbst fest, welche Informationen und Daten für sie am wichtigsten sind und setzen damit den Grundstein für die visuelle Darstellung ihrer Ergebnisse.

Durch die stetige Beobachtung von neuen Informationen und das Analysieren von Keywords ist das System in der Lage Änderungen von Dokumenten, Inhalten oder Objekten proaktiv via Information Alerting beziehungsweise Push-Benachrichtigungen anzuzeigen.

6.) Verarbeitung natürlicher Sprache

Mithilfe innovativer Ansätze der Spracherkennung, insbesondere Natural Language Processing (NLP), Natural Language Understanding (NLU), lassen sich Suchanfragen in natürlicher Sprache analysieren, verstehen, interpretieren und direkt weiterverarbeiten.

Ein wichtiger Anwendungsfall in diesem Zusammenhang ergibt sich im Supportbereich: Noch bevor ein Kunde seine Anfrage abschließt und den Helpdesk wegen eines technischen Problems kontaktiert, können smarte Systeme wie Insight Engines basierend auf der Problembeschreibung automatisiert Hilfestellung leisten. Im Idealfall kann der Kunde damit sein Problem sofort lösen, und der Helpdesk muss kein Ticket bearbeiten.

Insight Engines sind heute bei Arbeiten, welche riesige Datenmengen analysieren sollen oder bei Routinearbeiten unverzichtbar. Die dargestellten Dienste können separat oder in Kombination zum Einsatz kommen. Durch die individuelle Zusammenstellung können Unternehmen auf diese Weise maßgeschneiderte KI-Lösungen für ihre Ansprüche realisieren.

*Gerald Martinetz ist Head of Presales bei Mindbreeze. Er stützt sich auf seine umfassende Erfahrung als Datenanalyst, Mindbreeze-Systemarchitekt, End-to-End-Anforderungsingenieur und Projektmanager, um die künstliche Intelligenz von Mindbreeze InSpire für eine wertvolle Transformation der Geschäftsprozesse zu nutzen


Mehr Artikel

Studierende der Business Communications (c) FH St. Pölten / Peter Rauchecker
News

Studie: Künstliche Intelligenz in Investor Relations

Ist KI in den Investor Relations Game Changer oder Challenger in der Finanzkommunikation? Dieser Frage ging eine Studie des Studiengangs Digital Business Communications der FH St. Pölten in Kooperation mit junicorn consulting nach. Studierende befragten 253 börsennotierte Unternehmen und ihre IR-Abteilungen im DACH-Raum zum Thema. […]

Be the first to comment

Leave a Reply

Your email address will not be published.


*