Artificial Intelligence, Machine Learning, Deep Learning – das sind nur einige der aktuellen Hype-Begriffe rund um die Analyse von Daten. Kaum eine Konferenz oder Produktpräsentation, kaum ein Fachbeitrag kommt gegenwärtig ohne Schlagworte rund um Künstliche Intelligenz aus. Und auch die Herstellerunternehmen überschlagen sich mit Angeboten, die einen schnellen und einfachen Einstieg in das Thema versprechen.
Ganz vorne dabei ist Microsoft mit seiner Cloud-Plattform Azure. Es ist schon beeindruckend, wie rasant sich die AI-Produktwelt in Azure entwickelt und die Dienste an Zahl und Funktionsumfang zunehmen. Jedoch verliert man auch leicht den Überblick. Wofür sind die einzelnen Dienste gut? Welche Aufgabenstellungen lassen sich damit konkret lösen? Und vor allem: Ist die Anwendung tatsächlich so einfach, wie versprochen? Fragen wie diese möchte ich in diesem Blog beantworten und dabei einen aktuellen Überblick über die AI-Dienste von Microsoft schaffen.
KI für unterschiedliche Anwendungsszenarien
Steigen wir direkt mit der Frage nach dem erforderlichen Know-how ein: Sind die AI-Dienste von Microsoft einfach nutzbar? Als Antwort muss eine klassische Berater-Floskel herhalten: „It depends“. Grundsätzlich gibt es viele Azure-Dienste, die den Start in die AI-Thematik enorm erleichtern. Allerdings sind diese Dienste für unterschiedliche Zielgruppen bzw. Anwendungsszenarien gedacht. Das Spektrum reicht von erweiterten Analysefunktionen für Power-BI-Nutzer bis hin zu umfangreichen Entwicklungsumgebungen für Data Scientists.
Viele der Dienste greifen ineinander. Die Cognitive Services nutzt Microsoft beispielsweise, um Power BI mit AI hochzurüsten. Dadurch kann der Marketer mal eben 10.000 Social-Media-Feeds mit einem Sentiment versehen und den Verlauf seiner Werbekampagne direkt in einem interaktiven Chart auswerten. Viele der Funktionen sind auch noch in der Preview. Aber Microsoft lässt keinen Zweifel an der Ernsthaftigkeit der AI-Motive. So war die Q&A-Funktion eines der ersten Feature von Power BI. Der Nutzer kann hierbei Fragen in echter Sprache an ein Dataset stellen, wie z. B.: „Wie war der Umsatz in den letzten 4 Wochen im Vergleich zum Vorjahr?“
KI in der Versicherungsbranche
Das Zusammenspiel der Dienste lässt sich am besten an einem konkreten Anwendungsszenario illustrieren. Nehmen wir das Beispiel eines Versicherungsunternehmens: Jenes ermöglicht es seinen Kunden über eine App, Bilder eines Schadensfalls direkt hochzuladen. Mit Hilfe der Cognitive Services können diese Bilder automatisch analysiert und mit passenden Schlagworten versehen werden. Ein mittels Bot Services entwickelter Assistent entscheidet daraufhin, ob der Vorgang weiter geprüft oder direkt freigegeben werden kann. Neben der Schadensbeschreibung, den Bild-Schlagworten sowie der Kundenhistorie nutzt der Bot hierfür ein Modell zur Betrugserkennung, das ebenfalls in der Cloud über Azure ML Studio oder Azure ML Services bereitgestellt wird. Ist ein menschlicher Eingriff erforderlich, wird die entsprechende Person benachrichtigt. Parallel sieht das Management die aktuell eingegangenen Forderungen aus Schadenfällen near-realtime in einem Dashboard auf dem Smartphone.
Natürlich ließe sich ein solcher Fall auch mit „älteren“ Technologien umsetzen. Allerdings wäre der Aufwand an Zeit und Arbeitskraft ungleich höher. Demgegenüber liefern die Azure-Dienste schon ein stabiles Grundgerüst, das nur noch an die jeweiligen Unternehmensprozesse angepasst werden muss.
KI für Fortgeschrittene
Knifflige Teilaufgaben – wie Bild-, Sprach- oder Texterkennung – können also bereits über Cloud-Services gelöst werden, ohne dass eine Schar von Data Scientists umfangreiche Deep-Learning-Modelle aufbauen muss. Gerade die Cognitive Services bieten in diesem Kontext eine Vielzahl hilfreicher Funktionen. Anders sieht es bei komplexen Anforderungen aus, die sich gezielt an den individuellen Prozessen innerhalb eines Unternehmens orientieren. Hier ist im Regelfall fachliche und technische Expertise gefragt.
Beispielsweise ist das zuvor dargestellte Modell zur Betrugserkennung im Regelfall so speziell, dass es sich nicht als eine fertige Blaupause in der Cloud bereitstellen lässt. Daher gibt es mit den Azure Machine Learning Services eine Coding-Umgebung, über die Data Scientists und Entwickler KI-Modelle mit Unternehmenswissen anreichern können. Für findige Experten ohne größere Programmiererfahrung stellt Microsoft zudem eine Low-Code-/No-Code-Umgebung in Form des Azure Machine Learning Studios zur Verfügung. In beiden Fällen können die benötigten Rechnerressourcen kurzfristig in Anspruch genommen und wieder freigegeben werden. Eine aufwändige Einrichtung von Servern oder gar Clustern für große Deep Learning Modelle entfällt fast vollständig. Entsprechend lassen sich neue Anforderungen – etwa in Form von Prototypen – zeitnah evaluieren und im Anschluss als Service ausrollen.
Zur weiteren Orientierung hier noch einmal eine Übersicht über alle Azure-Dienste, die Microsoft derzeit im AI-/ML-Umfeld anbietet:
Schöne neue KI-Welt
Mit der Hinwendung zur Künstlichen Intelligenz hat Microsoft auch seine Unternehmensphilosophie verändert – weg vom reinen Technologie-Haus und hin zum Lösungsanbieter. Diese Lösungen werden meist in schöne Geschichten verpackt: KI lässt verlorene Städte auferstehen, optimiert die Landwirtschaft oder hilft mit Sprachassistenten sehbehinderten Menschen bei der Orientierung. Die Botschaft ist dabei eindeutig: Alles ist möglich.
Ebenso ist die Demokratisierung von AI ein erklärtes Ziel von Microsoft. Das heißt: Nicht nur jedes Unternehmen, sondern vielmehr jeder von uns soll in die Lage versetzt werden, seine täglichen Herausforderungen mit Künstlicher Intelligenz zu bewältigen. Vieles davon ist bereits Realität – oder wird es zumindest in naher Zukunft sein. Ich bin jedenfalls gespannt, wo die Reise hingeht und welche spannenden Projekte uns bei ORAYLIS noch erwarten.
Kommentare (0)