KI Einsatz im Unternehmen – eine kritische Analyse

KI Einsatz im Unternehmen – eine kritische Analyse

Kaum ein Tag an dem nicht in Medien das Thema künstliche Intelligenz (KI) bemüht wird. Der vorliegende Beitrag richtet sich an Entscheidungsträger in verschiedenen Funktionen im Unternehmen, die das Thema operationalisieren und verstehen möchten.

Es wird zusammengefasst was der aktuelle Entwicklungsstand ist und wie KI einzelne Funktionen, wie Produktion, Logistik, Marketing und Verkauf, Controlling, Einkauf unterstützen können.

Mit Blick auf die aktuellen Veränderungen in Unternehmen, lassen sich einige Trends identifizieren. Die Früherkennung von Markttrends gewinnt an Bedeutung und Leistungskennzahlen und Unternehmensergebnisse müssen im Rahmen der sich ändernden Umwelt korrekt erfasst und interpretiert werden, um fundierte Entscheidungsgrundlagen zu schaffen.

Dabei verfügen grundsätzlich auch kleine Unternehmen über grosse Mengen an elektronisch verwertbaren Daten, sei es aus Verkauf, Lagerbewirtschaftung, Einkauf, Buchhaltung oder auch aus Marketingkampagnen, welche über verschiedene Kanäle, wie Call Center, Landing Pages, Email-Kampagnen, Google Ads, Facebook oder andere Plattformen, erfasst werden. Künstliche Intelligenz ermöglicht es aus den vorhandenen Daten wertvolle Erkenntnisse zu gewinnen.

Was ist Künstliche Intelligenz?

Künstlichen Intelligenz (KI) ist ein Teilgebiet der Informatik und umfasst Elemente der Statistik und Mathematik. KI versucht verschiedene Aufgabenstellungen mit mathematischen und statistischen Verfahren zu lösen.

Mit anderen Worten: KI setzt verschiedene Methode ein, die menschliche Fähigkeiten im Sehen, Hören, Analysieren, Entscheiden und Handeln ergänzen und stärken. Deren Ziel ist es, menschliche Intelligenz nachzuahmen und so wie ein Mensch zu verhalten. Diese Methoden haben die Eigenschaft sich an die Aufgabenstellungen anpassen zu können und zu lernen, werden also mit der Zeit (je mehr sie lernen) besser.

Abgrenzung: Schwache und starke KI

Im Allgemeinen wird zwischen schwacher und starker KI unterschieden:

  • Schwache KI sind Systeme, die kognitive Fähigkeiten ersetzen können, die bislang als rein menschliche Fähigkeiten galten und so vorab definierte Aufgaben lösen. Beispiele dafür sind Systeme, die Bilder erkennen, gesprochene Sprache in Text umwandeln, oder Texte inhaltlich auswerten können (Verarbeitung Natürlicher Sprache). Schwache KI kann konkrete Aufgabenstellungen lösen, in dem ein Verhalten erlernt wird, das nicht durch den Menschen modelliert wurde und erweckt den Eindruck als würde es denken, als wäre es intelligent. Neben den erwähnten Bilderkennung und Sprachverarbeitung, sind als relevanteste Anwendungsfelder Systeme für Prognosen und Risikobeurteilung zu nennen.

  • Starke KI sind Systeme, die menschliche Fähigkeiten in unterschiedlichen Punkten erreichen oder sogar übersteigen. Das System findet eigene Probleme und untersucht diese systematisch, um zu einer Lösung dafür zu gelangen. Starke KI besitzt somit alle Fähigkeiten eines Menschen und kann wirklich selbstständig denken. Es handelt sich also um eine Maschine die jedes Problem lösen könnte. Starke KI ist ein rein theoretisches Konstrukt und existiert in der Praxis nicht. Viele Wissenschaftler halten die Entwicklung solcher maschineller Superintelligenz prinzipiell für unmöglich.

Im vorliegenden Text wird KI allgemein als Schwache KI verstanden. Dabei umfasst sie mehrere verschiedene Teilgebiete:

  • Maschinelles Lernen
  • Neuronale Netze
  • Deep Learning

Während Deep Learning eigentlich ein Teilgebiet des maschinellen Lernens ist, sind neuronale Netze ein Teilgebiet des Deep Learning. Das Prinzip wie die einzelnen Methoden funktionieren ist immer gleich. Der Unterschied liegt in der Art und Weise, wie jeder Algorithmus lernt.

Maschinelles Lernen

Maschinelles Lernen ist ein wichtiger Bestandteil des wachsenden Feldes der Datenwissenschaft. Durch die Anwendung statistischer Methoden werden Algorithmen geschult, um Klassifikationen oder Vorhersagen zu machen und wichtige Erkenntnisse innerhalb von vorhandenen Daten aufzudecken.

Maschinelles Lernen nutzt  Trainings-Daten, um Muster und Zusammenhänge in Daten zu identifizieren (Modelltraining). Anhand der erlernten Muster lässt sich eine Vorhersage für die Zukunft erstellen.

Das System besteht aus drei Elementen (siehe Bild 1):

  • Zielgrösse: die Grösse die wir voraussagen möchten, wie z.B. Wechselkurse, Kostenentwicklung, Umsatzentwicklung, etc.
  • Eingangsvariablen: auch erklärende Variablen, deren Änderung sich auf die Zielgrösse auswirkt, wie z.B. Wochentag, Saison, etc.
  • Modell: einem Modell, welches die Auswirkungen der Eingangsvariablen auf die Zielgrösse am besten beschreibt.
Abhängig von der Aufgabenstellung werden dabei verschiedene Regressionsmodelle, oder auch eine Kombination verschiedener Verfahren eingesetzt.
Bild 1: Maschinelles Lernen
Bild 1: Maschinelles Lernen

Das Modell wird mit Trainingsdaten, bestehend aus Eingangsvariablen und Zielgrössen trainiert. In diesen Daten sind Zusammenhänge, Muster, Abhängigkeiten und verborgene Strukturen inhärent enthalten. Anhand dieser Informationen berechnet das System ein optimiertes Modell, welches bestmögliche Prognosen erstellen kann.

Perunis setzt Prophet von Facebook für die Erstellung von Prognosen ein

Neuronale Netze

Ein Sonderfall des Maschinellen Lernens sind Künstliche Neuronal Netze (Artifical Neural Networks, oder auch ANN), die auf besonderen Verfahren beruhen.

Deep Learning

Deep Learning (DL) ist eine spezielle Methode der Informationsverarbeitung und ein Teilbereich des Machine Learnings. Deep Learning nutzt neuronale Netze, um große Datensätze zu analysieren. Die Funktionsweise der künstlichen neuronalen Netze ist in vielen Bereichen von dem biologischen neuronalen Netz inspiriert, das das menschliche Gehirn verwendet.

Konkrete Anwendungsbeispiele für KI

In der Praxis gibt es bereits einige Anwendungsbeispiele, in welchen die KI maßgeblich unterstützt:

  • Neuronale Netze ermöglichen das Erkennen von Gesichtern, Nummernschildern, Bildern, Worten und Zeichen.
  • Regressionsmodelle helfen bei der Prognose von Kosten, Umsätzen, Absatzmengen, Lagerbeständen, ermöglichen bessere Produktionsplanung bei geringerem Zeitaufwand, usw.
  • Klassifizierungsverfahren unterstützen bei der Risikobewertung von einzelnen Transaktionen oder Kunden.

Gerade die Regressionsmodelle und die klassifizierenden Verfahren sind gewiss keine Neuheit. Die logistische Regression bzw. der Entscheidungsbaum als klassifizierende Verfahren sind Klassiker. Das Besondere in der heutigen Ausprägung ist, dass die Modelle eine Vielzahl an Variablen bereitgestellt bekommen und eine definierte Zielvariable, um selbst lernen zu können. Mit einem Trainingsdatensatz kann der Algorithmus die relevanten Variablen identifizieren und seine Ergebnisse optimieren. Man spricht dabei vom maschinellen Lernen. Anhand eines weiteren Testdatensatzes kann dann die Qualität geprüft werden. Wichtig dabei ist, dass der Algorithmus im Anschluss nur diese eine Aufgabe bewältigen kann. Er ist weder intelligent und kann interpretieren, noch kann er auf besondere Effekte eingehen, die ihm im Vorfeld nicht erklärt wurden. Vereinfacht lässt sich sagen, dass eine KI immer nur so gut ist, wie der Trainer die Rahmenbedingungen schildern kann.