Künstliche Intelligenz und der BIS

Künstliche Intelligenz bestimmt zunehmend unseren Alltag. Immer mehr Prozesse und Entscheidungen werden durch intelligente Systeme getroffen und beeinflussen somit unser tägliches Leben. Auch im B2B-Bereich nimmt die Bedeutung von intelligenten Prozessen und Systemen immer weiter zu und wird in Zukunft für den Erfolg von Unternehmen essenziell sein. Doch, was genau ist künstliche Intelligenz überhaupt und wie können Unternehmen diese einsetzen, um Prozesse zu optimieren und neue Geschäftsfelder zu erkunden? Erhalten Sie einen umfassenden Überblick.

Künstliche Intelligenz und maschinelles Lernen

Unter dem Begriff der künstlichen Intelligenz (KI), bzw. im englischen aritifical intelligence (AI), wird in der Informatik die Entwicklung von intelligenten Systemen und Verfahren verstanden. Dabei wird versucht, die Intelligenz des Menschen nachzubauen und Programme zu entwickeln, die selbständig Probleme lösen sollen, ohne explizit dafür programmiert worden zu sein.

Die künstliche Intelligenz ist in der Informatik ein großes Gebiet, welches in verschiedene Teilbereiche eingeteilt wird. Dazu zählen die Bereiche Natural Language Processing (NLP), Machine Learning (ML) und Deep Learning (DL). Für jeden dieser Bereiche gibt es unterschiedliche Verfahren und Techniken, um Probleme zu lösen.

Natural Language Processing

Im Bereich Natural Language Processing (NLP) wird versucht, die natürliche Sprache der Menschen zu verstehen und zu verarbeiten. Da der Computer generell nicht in der Lage ist, die natürliche Sprache zu verstehen, werden verschiedene Techniken eingesetzt, um diese in ein maschinenlesbares Format umzuwandeln und durch weitere Verfahren nutzbar zu machen.

Nach der Umwandlung der Daten in ein maschinenlesbares Format können diese eingesetzt werden, um verschiedene Probleme zu lösen. Neben der direkten Nutzung dieser vorhandenen Informationen dient NLP oftmals als Grundlage für weiterführende Themengebiete.

NLP wird heutzutage in etlichen Programmen und Systemen verwendet, um das Arbeiten mit natürlicher Sprache zu verbessern.

Typische Einsatzgebiete von NLP sind:

• E-Mail-Spamfilter
• Automatisierte Ticketzuweisung
• Sentiment Analyse

Machine Learning (Maschinelles Lernen)

Lernende Systeme sind ein wesentlicher Bestandteil der künstlichen Intelligenz und werden unter dem Begriff „Machine Learning“ zusammengefasst. Die eingesetzten Verfahren versuchen Muster und Regeln in Daten zu erkennen und damit Lösungen für die vorliegenden Anforderungen zu finden.

Ziel dieser Systeme ist die Anpassung und Optimierung der eingesetzten Modelle. Dabei werden vorhandene Trainingsdaten genutzt, um die Muster und Regeln innerhalb dieser Daten zu lernen. Dieses erlernte Wissen kann später auf realen Daten zur Problemlösung eingesetzt werden.

Generell wird dabei zwischen verschiedenen Arten von maschinellen Lernverfahren unterschieden.

Überwachtes Lernen

Überwachte (engl. supervised) Lernverfahren trainieren anhand von vorhandenem Wissen. Für die Eingabedaten liegen bereits Kennzeichnungen vor, welche die Ausgabe durch das Modell definieren. Ziel dieser Verfahren ist die Vorhersage der Ausgabe anhand der Eingabe zu erlenen. Typische Einsatzgebiete für solche Lernverfahren sind Klassifikationsprobleme, wie etwa die Bilderkennung. Dabei bekommt das Modell als Eingabe ein Bild und als Ausgabe die Bezeichnung des Bildes vorgelegt. Somit kann das Modell lernen, ob auf dem Bild beispielsweise eine Katze oder ein Hund zu sehen ist.

Unüberwachtes Lernen

Unüberwachte (engl.: unsupervised) Lernverfahren trainieren ohne vorhandenes Wissen. Im Gegensatz zu überwachten Lernverfahren liegen keine Beispieldaten mit Kennzeichnung vor, sondern das Modell muss selbstständig Muster erkennen. Diese Art von Verfahren werden häufig für Clusteringaufgaben eingesetzt, bei denen die vorhandenen Daten in Gruppen eingeordnet werden sollen. Dies ist zum Beispiel im Marketing der Fall, wenn bestehende Kunden in sinnvolle Gruppen zusammengefasst und die Werbung dann speziell auf diese Gruppen angepasst werden soll.

Semiüberwachtes Lernen

Neben überwachten und unüberwachten Lernverfahren stellen die semiüberwachten Lernverfahren eine dritte Art, die eine Mischform der zuvor genannten bildet, dar. Dabei werden sowohl beschriftete, als auch unbeschriftete Datensätze für das Training genutzt. Diese bietet sich besonders in Bereichen an, in denen nur wenig über die vorhandenen Daten bekannt ist und somit nur eine kleine Anzahl von ihnen über Beschriftungen verfügt.

Bestärkendes Lernen

Das bestärkende (engl.: reinforcement) Lernen bildet eine weitere Gruppe von Lernverfahren. Bei diesen wird das Modell mithilfe von Belohnungen trainiert. Das Modell kann selbständig verschiedene Aktionen ausführen und erhält als Feedback, ob die gewählte Aktion gut oder schlecht war. Somit kann das Modell selbständig Wege finden, um Probleme zu lösen. Diese Art von Verfahren sind besonders durch Computerspiele bekannt. Die Modelle lernen, selbständig Computerspiele zu meistern und immer besser darin zu werden. Neben dieser spielerischen Art des Lernens werden diese Verfahren jedoch auch in anderen Bereichen, wie etwa der Robotik oder dem Finanzwesen, eingesetzt.

Neuronale Netze

Häufig werden maschinelle Lernverfahren durch den Einsatz künstlicher neuronaler Netze umgesetzt. Dabei wird versucht, die Neuronen des menschlichen Gehirns nachzubauen und somit intelligente Modelle zu erschaffen. Die generelle Idee für diese Vorgehensweise existiert bereits seit langem. Die immer schneller werdenden Computer haben jedoch erst zur wachsenden Verbreitung dieses Ansatzes geführt, da durch die bessere Performance schneller und kostengünstiger gelernt werden kann.

Ein künstliches neuronales Netzt besteht aus mehreren Schichten von Neuronen. Die einzelnen Neuronen der verschiedenen Schichten werden untereinander mit Verbindungen verknüpft. Diese werden genutzt, um Informationen von einem Neuron an das andere weiterzugeben. Zwischen der Eingangs- und Ausgangsschicht können weitere versteckte Schichten eingesetzt werden.

Die Eingabeschicht erhält die Eingabe des Modells und gibt diese an die Verbindungen weiter. Die Neuronen der nächsten Schicht erhalten diese Werte über diese Verbindungen. Dabei besitzt jede der vorhandenen Verbindungen eine Gewichtung, die angibt, wie wichtig der Wert dieser Verbindung ist. Die Werte der Verbindungen werden durch das Neuron mit der Gewichtung multipliziert und danach alle zusammenaggregiert. Das Neuron entscheidet anhand einer Aktivierungsfunktion, wie viele Informationen an die nächste Schicht weitergeben werden. Die Ausgabeschicht liefert dann die eigentliche Ausgabe des Models. Diese wird schließlich mit der definierten Eingabe verglichen und daraufhin die Gewichtungen so angepasst, dass der Fehler des Modells minimiert wird. Dies wird für alle vorliegenden Trainingsdaten durchgeführt. Somit werden die Gewichtungen der Verbindungen immer wieder angepasst und das Modell lernt, anhand der Eingabe die korrekte Ausgabe zu bestimmen.

Deep Learning

Deep Learning ist ein Untergebiet des ML und befasst sich mit der Entwicklung von tiefen neuronalen Netzen zur Problemlösung. Tiefe neuronale Netzte bestehen aus sehr vielen versteckten Schichten und sind somit deutlich größer als einfache neuronale Netze.

Um diese komplexeren Modelle zu trainieren, werden große Datenmengen benötigt. Durch die vielen verschiedenen Schichten und deren Neuronen mit Parametern können viele verschiedene Merkmale erlernt und genutzt werden. Dies wird besonders in komplexeren Aufgabengebieten, wie etwa der Bilderkennung oder zum Identifizieren von Anomalien auf Zeitreihen benötigt.

Die Verbesserung der Computer und die gigantischen Datenmengen der heutigen Zeit haben zu immer tieferen neuronalen Netzen geführt. Neben der Erweiterung der Netze durch weitere Schichten werden in heutigen Systemen auch verschiedene Architekturen verwendet, um Probleme auf unterschiedliche Weise zu lösen. Zum Beispiel werden im Bereich der Bilderkennung Verfahren eingesetzt, welche nicht nur das komplette Bild auf einmal betrachten, sondern versuchen, kleinere Abschnitte des Bildes zu erkennen und es somit nach bestimmten Merkmalen absuchen.

DL-basierte Systeme werden beispielsweise für folgende Tätigkeiten eingesetzt:

• Bilderkennung
• Automatische Übersetzung
• Anomalie-Erkennung

Künstliche Intelligenz im B2B-Bereich

Sowohl im privaten, als auch im beruflichen Bereich nutzen wir bereits täglich künstliche Intelligenz. Diese reicht von der Gesichtserkennung via Smartphone über Übersetzer wie Google-Translate, bis hin zur automatischen Erkennung von Kreditkartenbetrug.

Neben dem privaten Bereich nimmt auch im Unternehmenskontext die Bedeutung von künstlicher Intelligenz immer weiter zu. Derartige Systeme helfen den Unternehmen nicht nur Kosten zu sparen, sondern auch neue Ideen und Produkte zu erschaffen und somit neue Geschäftsfelder zu erschließen.

In den letzten Jahren hat die Verbreitung von künstlicher Intelligenz im Unternehmenskontext deutlich Fahrt aufgenommen und wird beispielsweise in folgenden Bereichen eingesetzt.

Marketing

Im Marketing wird künstliche Intelligenz bereits seit Jahren eingesetzt, um die eigenen Produkte dem passenden potentiellen Kundenkreis anzupreisen. Daten aus Webseiten und Kundendatenbanken werden genutzt, um die Kunden zu analysieren und den bestmöglichen Kunden für bestimmte Produkte zu finden. Dadurch lässt sich der Erfolg von Marketingkampagnen deutlich steigern.

Systemüberwachung

Die wachsende Anzahl an Maschinen, Systemen und Prozessen führt in den Unternehmen zu immer höherem Überwachungsaufwand. Um Fehler zu finden oder zu verhindern, werden etliche Personen benötigt. Durch den Einsatz von maschinellen Lernverfahren kann diese Überwachung in vielen Fällen automatisiert durchgeführt werden. Zum Beispiel wird durch den Einsatz von Anomalie-Erkennungssoftware auffälliges Verhalten erkannt und an die richtigen Personen weitergeleitet. Somit können Fehler frühzeitig erkannt und beseitig werden, bevor in den Unternehmen ein großer Schaden auftritt.

Finanzen

Um Kreditkartenbetrug zu erkennen, wird schon seit einigen Jahren künstliche Intelligenz eingesetzt. Die Systeme lernen das normale Kaufverhalten der Kunden und können somit betrügerisches Verhalten erkennen. Wird bei einer gestohlenen Kreditkarte ein untypisches Kaufverhalten erkannt, wird diese gesperrt und weitere Einkäufe verhindert.

Neben den genannten Beispielen für den Einsatz von künstlicher Intelligenz im B2B-Bereich gibt es etliche weitere Einsatzmöglichkeiten. In Zukunft wird es immer wichtiger für Unternehmen werden, KI in ihre Prozesse und Produkte einzubauen, um Kosten zu senken und neue Produkte zu generieren.

KI bei SEEBURGER

Mit dem SEEBURGER BIS werden optimale Voraussetzung für die Entwicklung von intelligenten Systemen geschaffen. Als zentrale Datendrehscheibe bietet der BIS die Überwachung und Nutzung sämtlicher Daten eines Unternehmens an. So können diese für das Training von komplexen Modellen genutzt oder direkt von intelligenten Systemen überprüft und überwacht werden.

API Management

Der Einsatz eines API-Gateways, ermöglicht die Überwachung sämtlicher API-Aufrufe eines Unternehmens. Die gesammelten Analysedaten der einzelnen Aufrufe können wiederum in KI-Modelle überführt und dort verarbeitet werden. Die SEEBURGER BIS API Management Solution bietet somit die optimalen Voraussetzungen für eine automatisierte Anomalie-Erkennung auf allen eingehenden und ausgehenden API-Aufrufen.

Neben der Erkennung von Anomalien können Modelle außerdem genutzt werden, um die Anzahl der Aufrufe in Zukunft vorhersagen zu können. Somit hilft die API-Strategie, ein Unternehmen frühzeitigt in die richtige Richtung zu lenken, um auch in Zukunft allen Anforderungen gewachsen zu sein.

Smart Service Integration

Die Integration von Smart Services ist für viele Unternehmen eine wichtige Aufgabe für die Zukunft. Diese Services können zur Auswertung der Analysedaten genutzt werden. Durch den Einsatz von KI-Modellen können Probleme frühzeitig erkannt werden, um Wartungsdienste für die eingesetzten Maschinen durchzuführen und somit schwerwiegenderen Problemen zuvorzukommen. Mit der SEEBURGER Business Integration Suite als klassische Integrationsplattform erhalten Sie eine optimale Grundlage für die Bereitstellung und Integration von Smart Services.