Zwischen Regelwerk und Selbstlernen

Field Service Management:

Zwischen Regelwerk und Selbstlernen

Bild: SAP SE

Nach einer Studie von Gartner soll bis 2022 der Geschäftswert von KI auf 2,85 Billionen Euro steigen. Der Löwenanteil davon wird voraussichtlich auf den Bereich der Kundenerfahrung entfallen, für das schon ausgereifte Tools am Markt existieren. Dieser Überblick zeigt, wie es heute um KI im Field Service Management steht und wohin die Reise geht.

Regelbasierte Systeme bilden einen der einfachsten Typen im KI-Segment. Allerdings weist ihre Charakteristik eine Reihe von Nachteilen auf. Beispielsweise stehen Programmierer vor der Notwendigkeit, aufwendige Regeln und Schwellenwerte zu definieren. Als besonders schwierig erweist es sich, wenn sich Daten innerhalb kürzester Zeit ändern. Der Grund: Diese Art von Systemen kann lediglich solche Fehler finden, die bereits bekannt sind – sie sind nicht dafür ausgelegt, unbekannte Anomalien aufzudecken. Grundsätzlich liefern regelbasierte Systeme, die auch als Expertensysteme bezeichnet werden, eine ausreichende Operationsbasis für die Verwaltung und Analyse selbst bei größeren Datensätzen. Das gilt jedoch nicht für komplexe Daten wie Bilder oder Videos. Hier gilt es dafür zu sorgen, dass die Datenpunkte auf eine Menge verringert werden, die sich effektiv verarbeiten lässt – mit dem Nebeneffekt, dass dann allerdings nicht mehr der ganze Bestand abgebildet wird.

Basis für selbstständiges Handeln

Sobald die Komplexität jener Abläufe in Produktion und Field Service zunimmt, in denen regelbasierte Ansätze zum Einsatz kommen, geraten diese aufgrund ihres Funktionsprinzips schnell an ihre Grenzen. Einen Gegenentwurf bilden KI-Ansätze, die auf maschinellem Lernen basieren. Hierbei wird ein System anhand großer Datenmengen trainiert: es erzeugt selbst die Regeln und ein Modell zum Klassifizieren der Trainingsdaten. Die Interpretation der zu bewertenden Daten erfolgt in Echtzeit. Eine weitere Besonderheit ist, dass diese Form von künstlicher Intelligenz in der Lage ist, Aktionen selbstständig auszulösen. Anhand ‚gesunder‘ Datenströme lernt sie Prozesse kennen und erkennt dann auch Anomalien, die gar keine definierten Schwellenwerte verletzen.

Voicebots und Chatbots

Beispiele für konkrete Anwendungsfälle, in denen beide KI-Ansätze – der regelbasierte und der lernende – beim Field Service Management zum Einsatz kommen, sind Voicebots und Chatbots. In einem regelbasierten System werden im Vorfeld Fragen und entsprechende Antwortmöglichkeiten definiert. Bei sämtlichen Fragen, die hierbei nicht berücksichtigt wurden, kann der Chatbot nicht behilflich sein. Regelbasierte Voicebots und Chatbots sind also für begrenzte Anwendungsbereiche nutzbar, solange sich die erforderlichen Daten nicht regelmäßig ändern. Einen flexibleren Einsatzbereich weisen KI-basierte Lösungen auf, die in der Lage sind, selbstständig zu lernen. Sie werden mit Datensätzen trainiert, erkennen Gesetzmäßigkeiten und leiten daraus weitere Antworten ab. Außerdem führt jede neue Spracheingabe dazu, dass diese weitertrainiert wird. Je nach Einsatzbereich sorgen Chatbots, denen eine regelbasierte oder eine lernende KI zugrunde liegt, für Entlastung im Service-Sektor. Sie erteilen einfache Auskünfte über Chatfenster und stellen Anwendern bei Bedarf technische Datenblätter oder Gebrauchsanweisungen bereit.

Seiten: 1 2Auf einer Seite lesen

SAP SE
www.sap.com/swiss

Das könnte Sie auch Interessieren

Anzeige

Anzeige

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.

Anzeige

Anzeige

Anzeige