Künstliche Intelligenz in der industriellen Anwendung: Wo stehen wir heute wirklich? — Empolis Blog

Künstliche Intelligenz in der industriellen Anwendung: Wo stehen wir heute wirklich?

0

Das Thema künstliche Intelligenz entfacht in der Presse eine regelrechte Euphorie. Aber findet wirklich eine KI-Revolution statt? Wie sieht die Realität in Anwendung und Implementierung von KI-Technologien in Unternehmen heute aus?

KI in der Industrie: Aktueller Stand und die Zukunft

Das Versprechen von KI

Warum sind so viele Unternehmen und Branchen interessiert am Thema KI? Hauptsächlich geht es darum, in einer digitalisierten Welt mithilfe von KI-Technologien bessere Entscheidungen zu treffen.

Ausgangspunkt ist ein Paradoxon: Unternehmen und auch Behörden stehen als Entscheidungsgrundlage so viele Informationen in unzähligen Quellen wie noch nie zur Verfügung – Sensoren-/Maschinen-Daten, Big Data, Dokumente, Internet, SharePoint, historische Unternehmensdaten etc. Um die richtigen Entscheidungen zu treffen, ist das benötigte Wissen im Grunde verfügbar.

Allerdings war es noch nie so schwierig, operativ oder strategisch die richtigen Entscheidungen zu treffen, da man diese Informationen bislang nur mit hohem (Kosten-)Aufwand nutzbar machen konnte (aufgrund fehlender Ressourcen und/oder vieler Informationssilos).

Daher verspricht man sich von KI-Technologien, diese riesigen Datenmengen verfügbar zu machen, zu analysieren und damit zur gesicherten Entscheidungsunterstützung heranzuziehen. In der Studie „2015 State of Artificial Intelligence & Big Data in the Enterprise Report” von Narrative Science wurde dies auch von 48,5 Prozent aller weltweit befragten Führungskräfte bestätigt.

Wie weit sind wir in der Entscheidungsautomatisierung?

Mithilfe von KI sollen aus Daten Entscheidungsempfehlungen an den Menschen generiert werden, der dann die richtige Aktion einleiten kann. Der Kernsatz lautet demnach: „From Data to Action“.

Die Unterstützung durch KI ermöglicht bereits heute hohe Effizienzgewinne und der Übergang von der Entscheidungsunterstützung zur Entscheidungsautomatisierung ist nicht mehr weit entfernt. Aber wie hoch kann dessen Grad werden und wo wird noch menschliche Expertise gefragt sein?

 

Möglichkeiten zum Einsatz von KI nach Aufgabenschwierigkeit

Abbildung 1: Automatisierung mit Software vs. menschliche Entscheidungen

Die Grafik zeigt vereinfacht, dass Probleme in unterschiedlicher Häufigkeit und Komplexität auftreten. Oft auftretende, einfache Probleme (oben links) können durch Software schon heute ganz leicht automatisiert werden. Demgegenüber gibt es Sachverhalte, die sehr selten auftreten und dazu sehr komplex sind (unten rechts), welche zur Lösung unbedingt die menschliche Expertise erfordern.
Zwischen beiden Extremen gibt es einen großen Bereich, in dem es immenses Potenzial zur Effizienzsteigerung gibt: Zu komplex für manche Systeme, aber einfach genug, um grundsätzlich automatisierbar zu sein. Und genau hier können KI-Technologien ins Spiel kommen.

Das Potenzial von KI in der Entscheidungsautomatisierung

Die aktuelle Trendstudie der Pierre Audoin Consultants (PAC) “What AI can bring to business applications” veranschaulicht das Potenzial von KI in der Entscheidungsautomatisierung. Dort wurden Führungskräfte befragt, was sie sich hinsichtlich ihrer Geschäftsprozesse versprechen:

Hoffnungen an KI-Automatisierung

Abbildung 2: PAC Trendstudie: “What AI can bring to business applications”, Mai 2018

Aber wie kann man dieses Potenzial von KI erschließen?

Aus meiner Sicht haben sich drei maßgebliche Faktoren für den erfolgreichen Einsatz von KI in Geschäftsprozessen etabliert: Datenverfügbarkeit, Datenqualität, Nachvollziehbarkeit.

1. Datenverfügbarkeit – Massive Datensätze zum Trainieren

Hierbei besteht oft das Problem, dass man nicht über genügend Daten verfügt, um die Systeme trainieren zu lassen.

2. Datenqualität – Neutralität in Daten und Algorithmen

Naturgemäß verfügt man über viele Daten aus normalen Standardprozessen. Tatsächliche Wertschöpfungen lassen sich jedoch bei den Ausnahmen erzielen. Es ist ziemlich schwierig, in dem riesigen Datenhaufen genau die Nadel zu finden, die einen Gewinn für das Unternehmen erzielen kann. Man muss daher ein Bias-Problem lösen, um nicht immer die gleichen Schlüsse aus den Daten zu ziehen.

3. Nachvollziehbarkeit – Können Unternehmen mit „Black-Box-Entscheidungen“ leben?

Der letzte und wichtigste Aspekt ist der Umgang mit sogenannten „Block-Box-Entscheidungen“ der KI. Deep-Learning-Algorithmen funktionieren so, dass sie Input bzw. Stimuli bekommen und ein entsprechendes Ergebnis produzieren. Kann man also mit Ergebnissen leben, die keine Erklärung liefern, warum sie so ausfallen?

Ähnlich wie beim Fußball, ist es für Entscheidungsträger zunächst zweitrangig, wie Ergebnisse zustande kommen. Zieht man allerdings die rechtliche Ebene hinzu, kann es sehr kompliziert werden: Als Stichworte seien nur Haftung, Rechenschaftspflicht, Verantwortung, Verständlichkeit, Arbeitnehmervertretung, Gleichberechtigung und DSGVO genannt. Diese könnten mit dem Zustandekommen von Entscheidungen kollidieren, wenn die KI bestimmte Rechtsvorschriften verletzt.

Welche Art von KI wollen wir?

Vergleich Sub- / Symbolische KI

Abbildung 3: Symbolische KI vs. Subsymbolische KI

Man kann zwischen zwei Arten von KI unterscheiden:

Auf der einen Seite die klassische, symbolische KI. Diese zeichnet sich durch folgende Eigenschaften aus:

  • Keine Daten
  • Wissensgetrieben
  • Erfordert viel manuelle Arbeit und Aufwand
  • Erfordert viel menschliche Expertise
  • Dadurch sehr teuer

Diese KI steht für Repräsentation.
Auf der anderen Seite haben wir die moderne, subsymbolische KI:

  • Datengetrieben
  • Erfordert massive Daten, Erfahrung & Beispiele zum Lernen
  • Dadurch auch viel Aufwand.

Allerdings produziert sie entsprechend viele qualitativ gute Daten. Sie steht für Lernen.

Vergleich White Box / Grey Box / Black Box KI

Abbildung 4: Die Grey Box AI als Hybrid

Aus meiner Sicht müssen diese beiden KI-Formen in einer Grey Box AI zu einem Hybrid zusammengeführt werden, sodass „Repräsentation“ und „Lernen“ zusammenkommen.

Ein Beispiel dafür ist Case-based Reasoning (CBR), welche als Grey Box AI die Vorteile klassische und moderner KI-Anwendungen kombiniert. Case-based Reasoning (CBR) erlaubt das Lösen von Problemen mithilfe von Erfahrungswissen, das in Form von Fällen in einer Wissensbasis gespeichert ist. Zur Lösung eines neuen Problems wird in der Fallbasis nach dem ähnlichsten Problem gesucht und dessen Lösung wiederverwendet.

Durch die Grey Box wird Wissen und Daten zusammengeführt und damit KI zu einer tatsächlich wertschöpfenden Technologie, die das Beste aus beiden Welten vereint.

Hinweis: Wenn Sie an der philosophischen Betrachtung der Frage „Welche KI wollen wir?“ interessiert sind, empfehle ich den Beitrag von Dr. Christian Schulmeyer zu diesem Thema.

Quo vadis, KI?

Der aktuelle Status der künstlichen Intelligenz kann mit Schrödingers Katze aus der Physik verglichen werden: KI ist „lebendig“ und „tot“ zugleich, je nach Blickwinkel. Das maschinelle Lernen ist inzwischen unheimlich weit fortgeschritten; von einer „starken“ KI mit eigenem Bewusstsein sind wir aber noch immer sehr weit entfernt.

Persönlich mag ich daher den Begriff „Künstliche Intelligenz“ überhaupt nicht, da er zu viele Emotionen und auch Ängste hervorruft. Außerdem droht die Diskussion oft in Science-Fiction abzudriften, ohne dass die Wirklichkeit und dessen aktuelle Herausforderungen betrachtet werden. Die neuen KI-Technologien bieten schon eine Menge Vorteile, ohne dass man immer gleich übertrieben müsste.

Als Beispiel wäre Robotic Process Automation (RPA) zu nennen. RPA bezeichnet intelligente Software-Roboter, die mithilfe von KI und Machine Learning wiederholbare Aufgaben mit großen Datenmengen bewältigen und damit Geschäftsprozesse automatisieren können.
Dies betrifft vor allem Routinearbeiten mit festen und strukturierten Abläufen, wie z. B. Sachbearbeitung, Kosten- und Rechnungsprüfung oder Mitarbeiter-Onboarding. Also der bekannte Graubereich aus Abbildung 1.

Auch hier entstand ein anfänglicher Hype um die Möglichkeiten von RPA für die Unternehmen. Laut einer aktuellen Studie des Marktanalysten Forrester müssen RPA und die angewendeten KI-Technologien allerdings noch smarter werden, um das Potenzial auszuschöpfen. Hier seien als Beispiele die Anwendung von Text Mining bei unstrukturierten Inhalten sowie bessere Analysemethoden für die Prozessbewertung und die Software-Wartung der entsprechenden Bots genannt. Wir stehen gewissermaßen noch am Anfang einer Entwicklung, die allerdings sehr schnell an Geschwindigkeit zunehmen wird.

Ich spreche daher lieber von KI als der „Künftigen Informatik und AI steht für mich für „Augmented Intelligence“, welche die menschliche Intelligenz zur besseren Entscheidungsfindung verstärkt, diese aber nicht ersetzt.

Die zukünftigen Herausforderungen durch nahezu vollständig digitalisierte Geschäftsprozesse, wird aus meiner Sicht nur durch die Kombination aus wissens- und datengetriebener KI bewältigt.

 

Sie möchten alle Informationen rund um KI und Big Data druckfrisch erhalten? Das Blog-Abo ist für Sie da.

Teilen:

Über den Autor

Stefan Wess

Dr. Stefan Wess, Diplom Informatiker, ist anerkannter High-Tech-Experte und verfügt über langjährige, internationale Erfahrung im Bereich der Unternehmensführung. Er ist über viele Jahre Autor und Herausgeber von mehreren Büchern und zahlreicher Fachartikel zum Thema „Künstliche Intelligenz“. Im Laufe seiner beruflichen Karriere bekleidete er die Position des Technical Managers beim amerikanischen CRM-Software-Anbieter Inference Corp. (heute eGain Corp.). Er war Vorstand der tecmath AG (heute Avid) und Geschäftsführer der tec:inno GmbH. Von 2000 bis 2008 war Dr. Wess CTO und später CEO eines Tochterunternehmens der Bertelsmann arvato AG, Gütersloh und Geschäftsführer der arvato Middle East in Dubai. Später wurde er Mitglied im Management Board der Attensity Group, Palo Alto, aus der er im Jahr 2012 die Empolis Information Management GmbH ausgründete. Dr. Wess ist Mitglied im Aufsichtsrat des Deutschen Forschungszentrums für Künstliche Intelligenz, im Aufsichtsrat der RS Media AG, Singen und Kurator der Fraunhofer Gesellschaft. In seiner Freizeit ist er Motorradfahrer aus Leidenschaft und immer noch ein Computer-Nerd.

Sagen Sie Ihre Meinung!

Ich habe die Datenschutzbestimmungen gelesen, akzeptiere diese und stimme der Veröffentlichung der eingetragenen Daten zu