Künstliche Intelligenz

Andreas Mühlbauer,

Wie KI einen praktischen Mehrwert bringt

Künstliche Intelligenz automatisiert Prozesse, wartet Maschinen, trifft Entscheidungen und findet Lösungen für knifflige Probleme. Unternehmen können enorm davon profitieren. Voraussetzung ist allerdings die richtige KI-Strategie und eine gelungene Kombination aus Algorithmen, Methoden und Daten.

Künstliche Intelligenz fasst in immer mehr Bereichen Fuß. © CGI Deutschland

Künstliche Intelligenz (KI) ist kein Produkt, sondern ein Oberbegriff für eine Vielzahl von Methoden und Techniken. Dazu gehören auf den ersten Blick so unterschiedliche Dinge wie Deep Learning, Machine Learning, neuronale Netze, Bild- und Spracherkennung, Robot Process Automation, Chatbots oder entscheidungsunterstützende Systeme. Allen diesen Techniken liegt die Überzeugung zugrunde, dass das Wissen für die Lösung von Problemen in den Daten bereits vorhanden ist, man muss es nur erkennen und nutzen. Mit selbstlernenden Algorithmen wird aus Datenmengen und Zeitfolgen ein Lösungsmuster herausgeschält, das sich zudem an neue Situationen anpasst.

All diese unterschiedlichen Methoden tragen in klar definierten Anwendungsszenarien dazu bei, dass Computer eine gewisse „Intelligenz“ suggerieren, dass sie lernen und selbstständig Entscheidungen treffen können, die in den ursprünglichen algorithmischen Regeln so noch nicht angelegt waren. Unternehmen in Deutschland haben zwar mittlerweile den Mehrwert von Künstlicher Intelligenz für die Weiterentwicklung ihrer Produkte und Dienstleistungen erkannt. Doch die schwierigste Frage bleibt, welche Anwendungsszenarien langfristigen Mehrwert versprechen und wie eine erfolgreiche KI-Strategie aussehen sollte.

Anzeige

Anwendungsszenarien evaluieren

Bei der Einführung von KI-Projekten in Unternehmen empfiehlt sich ein Vorgehen in drei Schritten. Den Ausgangspunkt und damit den ersten Schritt bei KI-Projekten bildet die Identifikation und Beschreibung potenzieller Use Cases. Bewährt haben sich an dieser Stelle Design-Thinking-Methoden, die zum Ziel haben, sehr schnell zu ersten Prototypen zu gelangen. In Workshops, und begleitet durch einen darauf spezialisierten IT-Dienstleister, erarbeiten die Fachabteilungen mögliche Anwendungsfälle. Schritt zwei befasst sich mit der Auswahl der passenden Methoden, Algorithmen und mathematischen Verfahren, die sich für die Umsetzung des Use Cases am besten eignen. Im dritten Schritt muss der Datenbestand entweder aus eigenen oder externen Datenquellen definiert und aufbereitet werden, um die Prognosemodelle zu trainieren.

Ein ganz typischer Anwendungsfall ist die Bilderkennung oder Bildanalyse. Sie wird bereits erfolgreich in der medizinischen Diagnostik, beispielsweise bei der Auswertung von Röntgenbildern, eingesetzt. Medizinischen Studien zufolge lässt sich mit geeignetem Trainingsmaterial und durch den Einsatz von Convolutional Neural Networks (CNN) die Trefferquote zum Beispiel in der Krebsdiagnose erheblich steigern. Ein guter Radiologe erreicht eine Trefferquote von etwa 60 Prozent; mit gut trainierten CNNs lässt sich die Quote auf über 80 Prozent steigern.

Auch Versicherer setzen in ersten Pilotprojekten auf die Bilderkennung und nutzen sie zur Automatisierung der Prozesse bei der Schadenbearbeitung und -abwicklung. Ein einfaches Unterfangen ist das nicht, denn bei einem Kfz-Schaden etwa werden Abertausende Bilder von Unfällen benötigt, damit der Algorithmus trainiert werden kann. Ein Versicherer muss dazu eigene Bilddatenarchive auswerten oder auch externe Bilder mit hinzuziehen. Der aufwändige Prozess wird am Ende jedoch mit einer Schadensregulierung belohnt, die anstelle von Tagen und Wochen nur noch wenige Stunden in Anspruch nimmt.

Banken und Versicherungen

Von den smarten Bildanalyse-Algorithmen profitieren dabei nicht nur die Versicherungsunternehmen, indem sie den Personal- und Zeitaufwand für die Bearbeitung einfacher Kfz-Schadensfälle reduzieren und auf diese Weise Versicherungspolicen preisgünstiger anbieten können. Auch der Kunde profitiert: Er sendet mit dem Smartphone aufgenommen Fotos des Schadens an den Versicherer. Dort analysiert Künstliche Intelligenz auf Grundlage der Aufnahmen und in Abhängigkeit vom Fahrzeugtyp die zu erwartende Schadenssumme und empfiehlt Vertragswerkstätten, die sich in der Nähe des Unfallortes befinden.

Sämtliche Informationen gehen innerhalb weniger Sekunden per Mail zurück an den versicherten Kunden. Eine weitere im Banken- und Versicherungswesen eingesetzte Lösung ist die mithilfe von KI optimierte Betrugsbekämpfung und Prävention. KI-Algorithmen kommen verdächtigen Mustern und versteckten Anomalien viel schneller auf die Spur als menschliche Berater. Auch bei der verbesserten Betrugsbekämpfung kommt es darauf an, den Schaden zu reduzieren, um den Kunden am Ende kompetitivere, preisgünstigere Angebote unterbreiten zu können.

In der vorausschauenden Wartung oder Predictive Maintenance werden Maschinen oder Anlagen über Sensoren gewartet. Bei Verladekränen, Baukränen, Windkrafträdern oder Hochspannungsleitungen setzt man mittlerweile Drohnen für eine vereinfachte Datenerfassung und proaktive Wartung ein: ein Lösungsansatz, der von CGI für einen Energieversorger in Skandinavien entwickelt wurde und seit einiger Zeit kosteneffizient eingesetzt wird. Die damit erzeugten Bilder oder auch Videos – kombiniert mit einem Machine-Learning-basierten Analyseprogramm – identifizieren Schwachstellen in Bauteilen, bevor ihr Totalausfall zu Stillstandszeiten führt und helfen Monteuren bei der Reparatur.

Auch für ThyssenKrupp wurde eine Lösung zur vorausschauenden Wartung von Fahrstühlen entwickelt, die die Fehler- und Ausfallzeiten um ein Vielfaches reduziert. Vorausschauende Wartung generiert gleich eine ganze Reihe von Mehrwerten: Kunden erleiden keine Geschäftseinbußen durch ausfallende Maschinen, Techniker werden nur noch für den Austausch von Ersatzteilen vor Ort benötigt, die Kontrolle übernehmen Sensoren und Drohnen und schließlich werden Teile just-in-time ausgetauscht und nicht schon dann, wenn sie eigentlich noch mehrere Monate fehlerfrei funktionieren würden.

Fahrpläne automatisiert erstellen

Im Transportwesen, der Logistik und in der Personenbeförderung können KI-Systeme zum Beispiel die Erstellung von Fahrplänen automatisieren und dabei helfen, die Bewegungen von Fahrzeugen und die Auslastung von Schienennetzen in Echtzeit zu tracken, um auf diese Weise Soll- und Ist-Zustände abzugleichen und Optimierungspotenziale zu identifizieren. Chatbots werden in Call Centern, in der Finanzberatung und in Hotlines eingesetzt, um ihr Potenzial und die Akzeptanz beim Kunden auszutesten.

All diese Beispiele zeigen einen kleinen Ausschnitt von Use Cases in Unternehmen aller Branchen. Vieles ist bereits realisiert, anderes in der Planung, über Weiteres wird nachgedacht. Ein entscheidender Faktor ist, dass Unternehmen und Entscheider ein klares Verständnis brauchen, wo und wie Methoden und Verfahren des Bereichs Künstliche Intelligenz eingesetzt werden können. Je konkreter der Use Case beschrieben ist, desto erfolgreicher können KI-Projekte durchgeführt werden.

Was bei der Einführung von KI zu beachten ist. © CGI Deutschland

Die Basis von KI-Aktivitäten ist immer ein prognostisches Modell, das in der Lernphase an vorhandene Daten angepasst wird und so das Zustandekommen bestimmter Ereignisse erklärt. Ein Projektteam trainiert einen geeigneten mathematischen Algorithmus mit einer passenden Datenmenge und setzt die Idee in einem Proof of Concept um. In der Regel werden Modelle anhand von historischen Daten trainiert, auch weil sich dort die Gültigkeit der Prognosen überprüfen lässt. Es ist ja alles schon passiert. Fallen die Ergebnisse zufriedenstellend aus, wird das Modell zur Prognose zukünftiger Ereignisse eingesetzt. Die Herausforderung besteht darin, den richtigen Datenbestand zu definieren, um die mathematischen Modelle trainieren zu können. Davon ist letztlich auch der Projekterfolg abhängig.

Qualifizierte Mitarbeiter sind entscheidend

Technologische Voraussetzungen, organisatorische Bedingungen und personelle Ressourcen zählen zu den zentralen Herausforderungen. KI-Lösungen benötigen viel Rechenleistung und bei der Bilderkennung darüber hinaus auch Graphical Processing Units (GPU).

Notwendig sind aber auch qualifizierte Mitarbeiter, die über Kenntnisse mathematisch-statischer Verfahren verfügen. Dazu kommen Entwickler mit Erfahrungen beim Einsatz von Programmiersprachen wie Python, R sowie den Deep-Learning-Frameworks Caffee und Theano oder TensorFlow, einem Framework zur numerischen Berechnung von Datenflussgraphen. Gerade für Unternehmen, die sich nicht selbst in Forschung und Entwicklung engagieren, lohnt sich dabei eine Partnerschaft mit einem qualifizierten Technologieunternehmen.

Lars Keuneke, Director Consulting Services bei CGI Deutschland

Anzeige

Das könnte Sie auch interessieren

Anzeige

Cobots und KI

Roboter lernen Montage

Für viele Unternehmen, insbesondere kleine und mittlere, ist ein breiter Einsatz von Robotern in der Montage oder der Qualitätssicherung nicht leicht zu rechnen. Selbst günstige Roboter erzeugen zu viel Aufwand und machen zu unflexibel.

mehr...
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige