01.03.2019

FAQ AI: 8 Fragen, die sich Unternehmen zu künstlicher Intelligenz stellen

Business Value
Cortana Spracherkennung von Microsoft
(Grafik: Microsoft)

Funktioniert KI heute schon wie in Science-Fiction-Werken? Wie weit ist die Technologie?

Was ist der Unterschied zwischen starker und schwacher KI?

Machine Learning, Deep Learning, KI – wo ist der Unterschied?

Maschinelle Lernen und Deep Learning im Google Trend
Seit 2014 ziehen Machine Learning und Deep Learning immer größere Aufmerksamkeit auf sich. (Grafik: Google Trends)

Ist KI auch was für „normale“ Unternehmen?

Anwendungsfälle von KI in Unternehmen
Typische Anwendungsfälle von KI in Unternehmen. (Grafik: ORAYLIS)

Wird KI durch die DSGVO der Boden entzogen?

Keine Frage: Die DSGVO fordert von Unternehmen eine größere Sorgfalt beim Umgang mit personenbezogenen Daten. Und das betrifft natürlich auch den Einsatz künstlicher Intelligenz. So dürfen personenbezogene Daten ohne explizite Zustimmung der Betroffenen nur dann verwendet werden, wenn kein Rückschluss auf einen realen Menschen möglich ist. Dass dies kein Hindernis für eine funktionierende KI sein muss, zeigt das Beispiel der Berliner Polizei: Die Verantwortlichen können allein auf Basis von anonymisierten und aggregierten Daten erfolgreich Wohnungseinbrüche vorhersagen.

Nicht zu vergessen: Es gibt jede Menge Daten ganz ohne Personenbezug, die für KI genutzt werden können. Man denke nur an all die Maschinen- und Sensordaten, die der Industrie für Prozessverbesserungen oder vorausschauende Wartungstätigkeiten – also „Predictive Maintenance“ – dienen können. Die DSGVO ist also definitiv kein der Sargnagel für KI.

Ist KI ein Prozess oder ein käufliches Produkt?

Für mich ist KI definitiv ein Prozess! Vermeintliche KI-Produkte – wie die Programmiersprache „R“ oder „Azure Machine Learning Services“  – sind immer nur Werkzeugkästen, mit deren Hilfe Unternehmen künstliche Intelligenzen bzw. entsprechende Modelle aufbauen können. Um diese Werkzeuge nutzbar zu machen, bedarf es eines entsprechenden Prozesses, wie er zum Beispiel im CRISP-Modell beschrieben wird. Dieser Prozess reicht von der Ideengenerierung über die Datenaufbereitung bis hin zur Analyse und Bewertung eines Data-Science-Projektes.

Die Ergebnisse eines solchen Data-Sciences-Projektes können anschließend in die unternehmenseigenen Prozesse eingebettet werden. Natürlich gibt es auch Softwarehersteller, die ihre Produkte um KI-Funktionen anreichern. Ein Beispiel sind CRM-Systeme, die dem Anwender auf Basis historischer Daten konkrete Vorschläge zur Kundenansprache machen. Ob diese Funktionen tatsächlich zu den Prozessen des Unternehmens passen, bleibt offen. Aber prinzipiell kann man natürlich argumentieren, dass in solchen Fällen KI käuflich ist.

Was verbirgt sich hinter Automated Machine Learning?

Hierunter verstehen wir Softwarelösungen, die weitestgehend selbständig Daten analysieren und Machine-Learning-Modelle trainieren. Die Software testet automatisch unterschiedliche Algorithmen auf den bereitstehenden Daten und wählt den besten für die jeweilige Aufgabenstellung aus. Darüber hinaus werden die Daten teilweise auch aufbereitet und mit neuen Attributen versehen. Mittlerweile arbeiten diverse Anbieter an entsprechenden Lösungen, wie etwa Microsoft, Google, Amazon oder verschiedene Open-Source-Communities.

Bei allgemeinen Problemstellungen funktioniert automatisches Machine Learning und Deep Learning schon erstaunlich gut. Gleichwohl steht die Entwicklung noch am Anfang. Vor allem das automatische Erkennen von fachlichen Zusammenhängen und das Generieren neuer Features (Feature Engineering) lassen sich nur schwer automatisieren.

Grafik zu automated machine learning
Automated Machine Learning in der Übersicht (Grafik: Microsoft)

Was hat KI mit R und Python zu tun?

Python und R sind freie Programmier- bzw. Skriptsprachen, die diverse Bibliotheken für Statistik, Machine Learning und Deep Learning mitbringen. Hinter beiden steht eine riesige Community, die stetig neue Algorithmen verfügbar macht oder Frameworks wie Keras anbindet. Hinzu kommt, dass beide Sprachen Open Source sind und somit von jedem kostenlos verwendet werden können. Natürlich bieten auch anderen Programmiersprachen Bibliotheken oder Software Development Kits für Data-Science-Projekte. Allerdings haben gerade die Open-Source-Projekte in den vergangenen Jahren die größte Dynamik entwickelt.

Neuen Kommentar schreiben

Der Inhalt dieses Feldes wird nicht öffentlich zugänglich angezeigt.

Klartext

  • Keine HTML-Tags erlaubt.
  • HTML - Zeilenumbrüche und Absätze werden automatisch erzeugt.
  • Web page addresses and email addresses turn into links automatically.
Teilen auf

Newsletter Anmeldung

Abonnieren Sie unseren Newsletter!
Lassen Sie sich regelmäßig über alle Neuigkeiten rundum ORAYLIS und die BI- & Big-Data-Branche informieren.

Jetzt anmelden