KI-Fachbegriffe verständlich erklärt

Was ist was – von KI bis ML

Eine wichtige Rolle spielt dafür maschinelles Lernen (auch Machine Learning, kurz ML), einer der streng von KI abzugrenzenden Begriffe. Dazu muss zunächst festgehalten werden: Maschinen können nicht alles, aber einiges besser und schneller als Menschen. Die richtigen Fälle zu identifizieren und zu nutzen, ist daher ein wichtiger Schritt. Denn einmal trainierte Maschinen können im Team mit Menschen mehr erreichen als jeder für sich allein. Hier folgt der Übergang zum ML, einem Zweig der Informatik, der sowohl explizit programmierte Algorithmen für das überwachte – Vorhersagen und Klassifizierung – als auch für das nicht überwachte – Clustering und ‚Feature Detection‘ – Lernen beschreibt. Das maschinelle Lernen stammt aus dem Bereich der künstlichen Intelligenz (KI), der darauf abzielt, Computern mit Algorithmen die Möglichkeit zu geben, ohne explizite Programmierung zu lernen. Es ist daher keine spezifische wissenschaftliche Domäne, sondern eine Reihe von Domänen, die viele Ansätze zur Lösung sehr komplexer Probleme bieten. Künstliche Intelligenz und das sogenannte Reinforcement Learning konzentrieren sich hingegen weiterhin auf die Entwicklung von Algorithmen, die sich selbst beibringen können, sich iterativ anzupassen, wenn sie neuen Daten ausgesetzt sind, um ihre definierten Ergebnisse kontinuierlich zu verbessern.

RPA und intelligente Automatisierung

Ein weiterer, häufig wenig trennscharf in die KI-Ursuppe beigemengter Begriff ist die Robotic Process Automation, kurz RPA. Damit ist der Einsatz von Software gemeint, die Aktionen nachahmt, wie sie ein menschlicher Benutzer ausführen würde: Sich hochgradig wiederholende, regelbasierte Prozesse können so automatisiert durchgeführt werden. Damit RPA funktioniert, sind strukturierte Daten notwendig – und auch hier liegt ein zentraler Unterschied zu KI vor, die sich gemäß der obigen Definition ja gerade dadurch auszeichnet, dass sie auch nicht strukturierte Daten verarbeitet. Hier ist nun der Weg zur intelligenten Automatisierung (IA) nur kurz. Im Endeffekt lässt sich IA durch eine virtuelle Belegschaft beschreiben, die sich wiederholende Schritte schneller, genauer und kostengünstiger ausführt, indem sie grundlegende RPA-Maßnahmen in intelligente Automatisierung verwandelt. Die Basis dafür bilden kognitive Dienste und ML sowie virtuelle Agenten – das sind autonome Systeme, die intelligent Informationen bereitstellen, ein Gespräch führen oder Antworten über interaktive Dialoge geben können. Damit lassen sich über IA Aufgaben ausführen, die früher nur Menschen erledigen konnten. Denn im Verbund mit maschinellem Lernen können solche Systeme die Aufgaben des menschlichen Gehirns replizieren, verstehen, Schlüsse daraus ziehen, entscheiden und lernen. ‚Erweiterte KI‘ unterstützt und erweitert also durch maschinelles Lernen die Fähigkeiten der Mitarbeiter.

Auf zum Erfolg mit KI

Mit den bisher eingesetzten Technologien können Unternehmen nur noch schwer neue Produktivitätslevel erreichen – und genau darum geht es bei der Digitalisierung. Dementsprechend finden sich KI-Anwendungsfälle häufig in den zentralen Diensten eines Unternehmens, etwa der IT-Abteilung, im Kundenservice oder im kaufmännischen Bereich. So hat Avanade etwa für ein großes Energie-Unternehmen durch ein RPA-Projekt eine 30-prozentige Produktivitätssteigerung erreicht, indem Prozesse innerhalb der Finanzabteilung automatisiert wurden. Allerdings müssen Unternehmen für den gewinnbringenden Einsatz mit RPA und AI ihre Hausaufgaben erledigen: realistische Projekte entwickeln, zielführende Prozesse einführen, Kosten dem erhofften Nutzen gegenüberstellen. In der Regel empfiehlt es sich Projekte umzusetzen, deren Return on Investment nach mindestens 15 Monaten gegeben ist. Darüber hinaus kann KI das Kernprodukt beeinflussen, bis hin zu geänderten Geschäftsmodellen. So können sowohl Nutzer- als auch KI-Vorgaben in die Produkte einfließen. Unternehmen gäben dabei Anforderungen vor, Algorithmen könnten diverse Designs erstellen und Kunden schließlich ihr favorisiertes Produkt auswählen. Mit 3D-Druck ist so ein Szenario näher an der Realität, als viele ahnen. Grundsätzlich gilt: Um die Vorteile künstlicher Intelligenz zu nutzen, bedarf es einer Reihe von Fähigkeiten und Produktionsmitteln. Dazu zählen sowohl Wissen und Talent als auch Daten und Technologien – ebenso wie eine präzise Sprache. n Intelligent Automation Lead bei der Avanade GmbH.

Seiten: 1 2Auf einer Seite lesen

Thematik: Allgemein
Ausgabe:
www.avanade.com/de-de

Das könnte Sie auch Interessieren

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.