Künstliche Intelligenz und Machine Learning
Blog

Künstliche Intelligenz und Machine Learning

8 min read May 07, 2020

Von vielen wird Künstliche Intelligenz (AI) bereits als eine neue Generation von Software, die selbstständig Entscheidungen treffen, lernen und Fortschritte machen kann, ganz ohne menschliche Eingriffe, verstanden. AI-Technologien können Dinge tun, die das menschliche Gehirn nicht vorhersehen kann, und hier sehen viele das große Potenzial dieser Technologie - über den menschlichen Verstand hinauszugehen.
Die Annahme, dass Technologie allein ausreicht, ist jedoch einer der Gründe für das Scheitern der meisten AI-Projekte. Wirkliche Vorteile ergeben sich nur, wenn die Ergebnisse der AI mit der menschlichen Erfahrung und Entscheidung kombiniert werden.
Machine Learning beeinflusst bereits unser tägliches Leben und ist für Unternehmen sehr vielversprechend. In diesem Interview fragten wir Milan Listeš, Customer Landing Manager, nach all den großen Vorteilen, die Unternehmen von der Nutzung der künstlichen Intelligenz erwarten können, nach den laufenden AI-Projekten bei BE-terna und nach der Bedeutung der datendiagnostischen Projektphase, die helfen kann, das Ergebnis der AI-Projekte vorherzusagen.

Warum ist Machine Learning gerade aktuell so beliebt?

Eine der Fragen, die ich heute oft in Bezug auf Künstliche Intelligenz höre, ist: Warum gerade jetzt? Meiner Meinung nach ist die Popularisierung von Clouds einer der Schlüsselaspekte, die die Dinge in diesem Bereich bewegt haben. Sie ermöglichte es Unternehmen, kosteneffektiv zu sein, während sie verschiedene Lösungen pilotierten und verschiedene Ansätze mit ihren Daten ausprobieren.
Das Sammeln von Daten brachte uns in eine Situation, in der diese, bedingt durch deren Menge, mit Standardberichts- und Analysewerkzeugen nicht richtig analysiert werden können. Die Fülle an Daten führte uns in diese Situation, die Sache ist die, dass viele Probleme, die heute durch Machine Learning gelöst werden, zu komplex sind, um (richtig oder optimal) manuell bearbeitet zu werden. Zum Beispiel enthält selbst ein mittelkomplexer Prozess, wie die Bestellung von Artikeln in einem Vertriebsunternehmen, so viele Eingaben und Beschränkungen, dass er für ein menschliches Gehirn zu schwer zu handhaben ist, wenn eine Person für die Bestellung von 100 Artikeln zuständig ist.

Wie können Unternehmen vom Einsatz des Machine Learnings profitieren?

Es gibt auch viele Schlagwörter in diesem Bereich, aber eine wichtige Botschaft an Unternehmen ist, geschäftliche Fragen an erster Stelle zu setzen, und dann werden technische Schlagwörter die Lösung dieser Probleme sein. Im Allgemeinen gibt es in jeder Branche eine ganze Reihe datenintensiver Geschäftsprobleme. Es ist schwer, sie unter einen Hut zu bringen, aber in etwa wären das: Vorhersage/Schätzung, Optimierung, Erkennung/Identifizierung und Personalisierung. Betrachten Sie diese nicht aus der technischen Perspektive, denn nicht alle sind immer AI-Probleme, einige lassen sich durch einfaches Reporting, Analytik oder verbesserte Prozesse lösen, sondern betrachten Sie sie als geschäftliche Probleme, die sich auf verschiedene Branchen anwenden lassen.

Gibt es einige Branchen, die von der Technologie des Machine Learnings mehr als andere profitieren können?

Die Zukunft ist bereits da! AI beeinflusst alle Branchen und jeden Geschäftsprozess und hat darüber hinaus ein großes Potential, nicht nur unser Geschäft zu verändern, sondern natürlich auch unser persönliches Leben - von der Art und Weise, wie wir unseren Urlaub verbringen, Essen bestellen bis hin zum Auto fahren.

Vor allem aber wird der Einsatz von Künstlicher Intelligenz jedoch die Wirtschaft verändern. In erster Linie sind es verbraucherbezogenen Branchen, die mehr Vorteile bemerken werden, da der Trend zur Personalisierung wirklich datenintensiv ist - Finanzdienstleister, die in den kommenden Jahren stark auf eine personalisierte Kundenansprache angewiesen sein werden und all jene entlang alle entlang der Lieferkette vom Hersteller über den Distributor bis hin zum Einzelhändler.

Laut Schätzungen der Unternehmensberatung McKinsey (1) liegt der potenzielle Nutzen, je nach Branche, bei etwa 30 - 40 % in der Bilderkennung und einigen anderen komplexeren Deep-Learning-Algorithmen.

undefined

Können Sie typische Anwendungsfälle beschreiben, in denen Machine Learning angewendet werden kann?

Der Fall, mit dem wir uns derzeit am meisten beschäftigen, ist die Nachfrageprognose und Bestandsoptimierung. Sie bietet sich an, um Geschäftsvorteile mit AI und Analytik zu realisieren. Kernproblem bei diesem Geschäftsproblem ist der Versuch, die Nachfrage für Ihre Artikel abzuschätzen und dies so gut wie möglich für verschiedene Arten von Artikeln zu tun; saisonale, solche mit stetigen Verkäufen, neue Produkte, Werbeartikel usw. Die Herausforderung der Nachfrageprognose wird mit Hilfe des Machine Learning gelöst, während die Kaufempfehlungen mit Hilfe von Mehrziel-Optimierungstechniken gelöst werden. Das Ergebnis ist eine nahezu optimale Bestellmenge für jeden analysierten Artikel. Dieses Verfahren bietet in zwei Bereichen große Vorteile, und zwar die Vermeidung von Fehlbeständen, die zu Umsatzverlusten führen würden, und die Minimierung von Überbeständen, die zu einem schlechten Cashflow führen würden. Da die Empfehlungen außerdem automatisch erfolgen, ermöglicht es der Einkaufsabteilung, sich auf kritischere Artikel zu konzentrieren, die normalerweise nicht Teil der Prognose sind (teure Produkte). Natürlich kann dieser Fall auf jedes Unternehmen angewendet werden, in dem Lager- und Bestandsoptimierung eine Schlüsselrolle für den Erfolg spielen, sei es in der Fertigung, in der Distribution oder im Einzelhandel usw.
Künstliche Intelligenz

Identifizieren und nutzen Sie neue Möglichkeiten mit der Kraft der Künstlichen Intelligenz

Mehr dazu

Unterscheidet sich das Projekt des Machine Learnings sehr von anderen IT-Projekten (CRM, ERP, BI)?

Zunächst ist es wichtig zu verstehen, wie diese Projekte aus der Perspektive der IT-Investitionen positioniert sind. ERP-, CRM- und BI-Projekte sind in den meisten Fällen Teil dieser unteren Quadranten (2), die als "Key operational" und "Support" bezeichnet werden. Sie bilden die solide Basis, auf der Ihr Unternehmen aufbaut, aber sie zu haben bedeutet nur, Nachteile auf einem Markt zu vermeiden. Wenn Sie z.B. Flugtickets weiterverkaufen, aber kein Webportal haben, dann ist es nahezu genauso fatal, als würden Sie nicht auf dem Einzelhandelsmarkt existieren. Diese Lösungen müssen sehr gut eingebettet und in das IT-Portfolio der Unternehmen integriert sein.

Andererseits können AI-Projekte, die es schaffen, gut in die Unternehmensprozesse eingebettet zu sein, wirklich Vorteile auf einem Markt schaffen und Ihrem Unternehmen die Möglichkeit geben, ihr Geschäft zu transformieren und einen Mehrwert für Ihre Kunden zu schaffen. 

Im Moment Null, wenn Unternehmen gerade erst anfangen, über sie nachzudenken, sind sie wie "High Potential"-Projekte positioniert, die in Zukunft zum Erfolg führen können, ihr Ergebnis ist jedoch noch unklar. Das bedeutet, dass Unternehmen diese Projekte "Quick & Dirty" angehen. Bei BE-terna wird dieser "Quick & Dirty"-Ansatz „Datendiagnostik“ genannt. Dabei handelt es sich um eine etwa 1 bis 2-monatige Phase, in der das Potenzial der Daten, die der Kunde hat, eingehend analysiert wird. Wenn das Potenzial aufgezeigt wird, hat der Kunde sowohl ein klares Bild von den Vorteilen, die er in einem realen Projekt erzielen kann, als auch vom Return on Investment (ROI), den er erzielen kann.
Am Ende der Investigation steht der Einstieg in ein vollständiges Projekt. Eine McKinsey-Analyse(3) hat gezeigt, dass einer der Hauptunterschiede zwischen erfolgreichen AI-Projekten und solchen, die in der Pilotphase stecken geblieben sind, in der Zeit und im Geld besteht, die auf der "letzten Meile" eines Projekts ausgegeben werden, d.h. in der Investition in die Neugestaltung der Prozesse und in die Ausbildung der Mitarbeiter. Wir beobachten genau die gleiche Situation: Die Projekt-Intensivbetreuung erweist sich als die vielleicht wichtigste Projektphase, in der wir eng mit den Kunden zusammenarbeiten, die Lösung fein abstimmen und ihnen helfen, ihr Vertrauen in die Lösung zu gewinnen.

undefined
(1) Potential total annual value of AI an analytics across industries; McKinsey & Company; McKinsey Analytics
(2) IEDC |Digital Transformation Program: Digital Strategy Seminar; Portfolio Management of Digital Investments; Dr. Joe Peppard, Principal Research Scientist, MIT Sloan CISR; April 2019
(3) Breaking away: The secrets to scaling analytics; By Peter Bisson, Bryce Hall, Brian McCarthy, and Khaled Rifai; McKinsey & Company, McKinsey Analytics; May 2018

Was sind Ihre Gedanken über die Zukunft der AI?

Generell zeichnen sich zwei Richtungen ab, die in Zukunft eine wichtige Rolle spielen werden. Eine davon sind zusätzliche (Dritt-)Daten, die mit geschäftlichen (Transaktions-)Daten verschmolzen werden, um Kontextinformationen für verschiedene Aspekte des Geschäfts zu extrahieren, die zur präziseren Vorhersage/Abschätzung und Erkennung wichtiger Ereignisse verwendet werden sollen. Der zweite Aspekt, der eine wichtige Rolle spielen wird, ist die perfekte Übereinstimmung zwischen Technologie und Menschen, denn in vielen Branchen ist menschliches Wissen (oder Weisheit) immer noch enorm wichtig und wird mit den Ergebnissen kombiniert werden müssen, die wir aus KI-Systemen erhalten.

Sie mögen, was Sie lesen?

Melden Sie sich zu unserem Newsletter an und bleiben Sie up-to-date.

Über den Autor

Milan Listeš

Business Development Manager Data & AI