Künstliche Intelligenz für Ihr Business: Wie maschinelles Lernen Ihre Daten sinnvoll nutzt und Automatisierung ermöglicht

“Künstliche allgemeine Intelligenz ist ein System, das in der Lage ist, in einem breiten Spektrum unterschiedlicher Aufgaben auf dem gleichen Niveau wie ein Mensch gute Leistungen zu erbringen.”

Colin Murdoch, Chief Business Officer, DeepMind¹

Das obige Zitat ist die Definition von DeepMind für künstliche allgemeine Intelligenz (KI), sinngemäß aus dem Englischen übersetzt. Obwohl wir noch nicht ganz so weit sind, gibt es bereits Szenarien, in denen künstliche Intelligenz (KI) den Menschen übertrifft, vor allem aufgrund ihrer Geschwindigkeit. Wie bringen wir einer Maschine bei, eine solche Leistung zu erbringen, welche Anwendungen sehen wir derzeit und wie können Sie und Ihr Unternehmen das Potenzial der KI nutzen?

Maschinelles Lernen versus künstliche Intelligenz

Vor nicht allzu langer Zeit erschien die Vorstellung, dass Maschinen Entscheidungen treffen, aus Daten lernen und sich an unsere Bedürfnisse anpassen, wie aus einem Science-Fiction-Roman. Heute ist künstliche Intelligenz (KI) ein fester Bestandteil unseres Alltags geworden und bestimmt die Art und Weise, wie wir arbeiten, spielen und uns vernetzen.

KI ist allgegenwärtig, und im Zentrum dieser technologischen Revolution steht der faszinierende Bereich des maschinellen Lernens. Von den Algorithmen, die unsere Social-Media-Feeds antreiben, bis hin zur Intelligenz, die autonome Fahrzeuge steuert, ist das maschinelle Lernen zum Rückgrat der KI geworden und orchestriert still und leise den digitalen Tanz der Einsen und Nullen.

Die beiden vorherigen Absätze wurden nicht von unserer SEEBURGER-Autorin geschrieben. Sie wurden in ca. 3 Sekunden von ChatGPT, einem Beispiel für generative KI, erstellt.

Was ist generative KI?

Generative künstliche Intelligenz bedeutet, dass eine Maschine in der Lage ist, auf Basis von Benutzereingaben selbstständig Inhalte zu erzeugen. Der generierte Inhalt kann Text sein, wie bei ChatGPT, cohere und Gemini (früher Google Bard), oder Bilder, wie bei DALL-E 2 und Stability AI.

In der Softwareentwicklung wird generative KI bereits eingesetzt, um Entwickler bei der Erstellung sauberer und effizienter Codes zu unterstützen, indem sie das Geschriebene überprüft, Fehler hervorhebt und mögliche Korrekturen vorschlägt, bevor sich Probleme ausweiten können. Die SEEBURGER BIS Plattform hat beispielsweise ChatGPT integriert, um die Nutzung unseres Mapping Designers für unsere iPaaS-Kunden noch einfacher zu machen.

Generative KI wird auch häufig in Chatbots für den Kundenservice eingesetzt. Wenn Sie die Online-Chat-Funktion eines Unternehmens nutzen, um mit einem Unternehmen zu kommunizieren, haben Sie es in der Regel nicht mit einem echten Menschen zu tun.

1950 schlug der Wissenschaftler Alan Turing einen Test vor, der als Turing-Test bekannt wurde. Um ihn zu bestehen, muss eine Maschine so kommunizieren können, dass sie von einem Menschen nicht zu unterscheiden ist. Bis heute hat noch kein System den Turing-Test (vollständig) bestanden, was sich auch im unterschiedlichen Stil der ersten beiden Absätze und des restlichen Blogs widerspiegelt. Dennoch mag es vielleicht überraschen, wie häufig KI in unserem täglichen Leben, sowohl im Beruf als auch im Privatleben, anzutreffen ist. Mckinsey schätzte kürzlich, dass generative KI bis 2030 dazu führen könnte, dass durchschnittlich 30 % der Arbeitsstunden in allen Branchen vollständig automatisiert werden, wobei einige Branchen in der Lage sein könnten, mehr als 50 % des gängigen Arbeitspensums zu automatisieren.²

Wie kommt KI in der Geschäftswelt zum Einsatz?

Künstliche Intelligenz wird nicht nur zur Generierung von Inhalten eingesetzt. Ihre Verarbeitungsgeschwindigkeit und ihre Fähigkeit, Muster zu erkennen, werden beispielsweise genutzt, um Betrug im Finanzwesen aufzudecken, Cyberangriffe im Bereich der IT-Sicherheit zu erkennen und zu verhindern und Bewerber bei der Personalauswahl zu überprüfen. Im Marketing wird KI eingesetzt, um Kunden zu kategorisieren und in Gruppen zusammenzufassen, und im Gesundheitswesen wird KI verwendet, um diagnostisches Material von Patienten auf bestimmte Krankheiten zu prüfen. In allen Fällen kann KI die Arbeit viel schneller erledigen als ein Mensch. In einem extremen Beispiel aus der Welt der biologischen Forschung konnte das KI-gesteuerte Programm AlphaFold die Faltstruktur von 2 Millionen Proteinen innerhalb weniger Jahre bestimmen. Nach herkömmlichen Maßstäben hätte diese Berechnung 1 Milliarde Jahre gedauert.³

Künstliche Intelligenz wird auch in großem Umfang in der Unternehmensanalyse eingesetzt. Dabei kann es sich um deskriptive Analysen handeln, die Aufschluss darüber geben, wie ein Unternehmen derzeit positioniert ist und welche Leistung es erbringt. Es kann sich aber auch um prädiktive Analysen handeln, die vorhersagen, wie sich ein Unternehmen und seine Leistung entwickeln werden, wenn es seinen derzeitigen Kurs und seine derzeitige Richtung beibehält. KI wird auch für präskriptive Analysen eingesetzt, bei denen untersucht wird, wie sich ein Unternehmen verändern muss, um auch in Zukunft gute Leistungen zu erzielen, und bei denen den Entscheidungsträgern eines Unternehmens entsprechende Empfehlungen gegeben werden.

Wie hat es die künstliche Intelligenz jedoch so weit gebracht? Hier kommt maschinelles Lernen ins Spiel.

Was ist maschinelles Lernen (ML)?

Bevor man KI für eine Aufgabe einsetzen kann, muss man der Maschine beibringen, was sie tun soll. Dafür gibt es viele verschiedene Ansätze, je nachdem, welches Ergebnis erzielt werden soll. Am Anfang stehen jedoch immer Daten. In der Regel handelt es sich dabei um große Datenmengen, sogenannte Big Data.

Die Datenmenge hängt ganz davon ab, was die KI letztendlich tun soll. Ein extremes Beispiel ist Gemini (früher Google Bard), ein Large Language Model (LLM), das Sprache zu jedem Thema generiert. Es wurde mit einem riesigen KI-Sprachmodell namens LaMDA trainiert, das 1,56 Billionen Wörter enthält⁴, die speziell ausgewählt wurden, um dem Chatbot beizubringen, wie man einen Dialog führt. Dieses Modell unterstützt derzeit nur eine Sprache: US-Englisch.

Welche Ansätze des maschinellen Lernens gibt es? Ein Modell des maschinellen Lernens ist das sogenannte überwachte Lernen.

Was ist überwachtes Lernen?

Für das Training einer KI-Anwendung, die bestimmte Variablen kategorisieren oder identifizieren soll, ist es empfehlenswert, zunächst mit einem überwachten Ansatz zu beginnen.

Beim überwachten Lernen werden die Daten in Form von Eingabe-/Ausgabe-Paaren vororganisiert. Die Eingabe enthält bestimmte Merkmale oder Attribute, während die Ausgabe ein Attribut oder ein Zielwert ist. Die Idee dahinter ist, dass die Maschine, nachdem sie ausreichend mit solchen Paaren trainiert wurde, lernt zu erkennen, welche Merkmale mit welchem Attribut verknüpft sind.

Sehen wir uns die Funktionsweise anhand eines einfachen Beispiels, das nicht aus der Geschäftswelt stammt, genauer an.

Micky möchte die KI für ein Spiel trainieren: Ist das eine Maus oder ein Haus? Er beginnt damit, Bilder von Mäusen oder Häusern als „Maus“ oder „Haus“ zu bezeichnen. Die Eingabe sind die Bilder, während die Bezeichnungen „Maus“ und „Haus“ die Ausgabe sind.

Mit der Zeit beginnt die Maschine, bestimmte Merkmale zu erkennen, die mit „Maus“ oder „Haus“ assoziiert werden. „Maus“-Bilder beinhalten normalerweise zwei kleine Augen, Schnurrhaare und viel Fell. Die Gegenstände auf „Haus“-Bildern hingegen zeigen gerade Linien, erscheinen fester, größer und haben keine Augen, Arme oder Beine. Dafür haben sie eine Tür.

Micky gibt der Maschine unbeschriftete Bilder von Mäusen und Häusern. Die Maschine nutzt ihr erworbenes Wissen über die Merkmale, die entweder mit „Maus“ oder „Haus“ assoziiert werden, um die Bilder den beiden Bezeichnungen zuzuordnen. Gelingt ihr dies mit einer gewissen Genauigkeit, ist sie in der Lage, das Spiel selbstständig zu spielen. Wenn sie Fehler macht, kann Micky ihr weiteres Übungsmaterial geben, indem er auf die Merkmale eingeht, bei denen sie Schwierigkeiten hat.

Welche KI-Unternehmensanwendungen werden mit überwachtem Lernen trainiert?

Im obigen Beispiel wurden Bilder als Eingabe verwendet. In der Geschäftswelt könnte ein Produktionsunternehmen maschinelles Lernen auf Bilder von Produktionsfehlern anwenden, um KI in die Lage zu versetzen, gestreamte Kamerabilder von einer Automatisierungslinie zu betrachten und fehlerhafte Produkte sofort auszusortieren. Eine Einzelhandelswebsite könnte überwachtes Lernen auf Bilder von Kleidungsstücken anwenden, damit die KI die Kleidungsstücke der neuen Saison automatisch nach Typ, Farbe, Stil, Länge oder anderen von den Kunden gewünschten Filtern kategorisieren kann.

Die Eingaben müssen jedoch nicht unbedingt grafisch sein. Ein Unternehmen kann KI mithilfe von textbasiertem überwachtem Lernen in die Lage versetzen, die Beiträge von Kunden in sozialen Medien und auf Bewertungsportalen zu scannen und zu kategorisieren, wie sie ihre Erfahrungen mit dem Unternehmen bewerten. Dies wird als Stimmungsanalyse bezeichnet und ermöglicht es einem Unternehmen, negative Bewertungen schnell zu erkennen und darauf zu reagieren, bevor der Ruf des Unternehmens Schaden nimmt.

Der Input kann die Aktivität auf einer Website sein. Eine Streaming-Plattform kann mithilfe von überwachtem Lernen eine künstliche Intelligenz darauf trainieren, das, was der Betrachter gesehen hat, mit weiteren Empfehlungen zu verknüpfen, während eine Einzelhandelsplattform die Surf- und Kaufhistorie eines Verbrauchers nutzen kann, um im Rahmen einer Omnichannel-Strategie weitere Empfehlungen zu geben.

Analog dazu kann ein Fertigungsunternehmen Sensordaten von seinen Produktionsmaschinen und IIoT-Geräten als Input verwenden, damit die KI erkennt, wann eine Maschine auszufallen droht. Dies wird als vorausschauende Wartung bezeichnet und spart dem Unternehmen letztlich viel Geld, da teure ungeplante Ausfallzeiten vermieden werden.

Was ist unüberwachtes Lernen?

Überwachtes Lernen eignet sich ideal für die Zuordnung von Eingabedaten und bestimmten Ausgabendaten. Dies ist jedoch nicht immer so einfach. Oft liegen massenhaft Daten vor, die man wertschöpfend nutzen könnte, wenn man wüsste, wo man ansetzen muss. Hier kommt das unüberwachte Lernen ins Spiel.

Beim unüberwachten Lernen wird zunächst eine Reihe von Algorithmen auf den Datensatz angewendet. Dabei kann es sich um Clustering-Algorithmen handeln, die die Daten nach definierten und nicht definierten gemeinsamen Attributen gruppieren und die Datensätze nach Ähnlichkeit und Unterschied zu anderen Datensätzen darstellen. Es kann sich auch um eine Reihe von mathematischen Algorithmen handeln, die die Daten bereinigen und ihre Muster und Assoziationen mit anderen Datensätzen deutlicher machen.  Wenn sich Muster herauskristallisieren, passt der Algorithmus seine Parameter intuitiv an und lernt so, automatisch sinnvolle Beziehungen zu erkennen. „Unüberwacht“ heißt wie gesagt, dass Sie nicht angegeben haben, was die Maschine lernen soll. Maschinelles Lernen ist eine ernst zu nehmende Disziplin, bei der geschulte Praktiker in jeder Phase eingreifen können.

Welche KI-Geschäftsanwendungen werden mit unüberwachtem Lernen trainiert?

Unüberwachtes Lernen wird eingesetzt, um KI für die Marktsegmentierung zu trainieren. Dabei wird ein heterogener Markt in verschiedene Gruppen von Verbrauchern mit ähnlichen Merkmalen, Bedürfnissen oder Verhaltensweisen unterteilt. Techniken des unüberwachten Lernens ermöglichen es, sinnvolle Segmente zu identifizieren, ohne die Präferenzen der Kunden oder demografische Daten im Voraus zu kennen. Dabei werden häufig signifikante, aber unerwartete Cluster gefunden, die in der Marketingstrategie eines Unternehmens noch nicht berücksichtigt wurden.

Unüberwachte Lernalgorithmen werden auch zur Erkennung von Anomalien in verschiedenen Geschäftsbereichen eingesetzt. Dazu gehören Betrugserkennung, Netzwerksicherheit und vorausschauende Wartung. Durch die Modellierung normaler Verhaltensmuster aus unmarkierten Daten können diese Algorithmen Ausreißer oder Anomalien erkennen, die stark von der Norm abweichen und auf potenziellen Betrug, Sicherheitsverletzungen oder Fehlfunktionen von Geräten hinweisen.

Wenn jedoch unüberwachtes Lernen verwendet wird, um ein Large Language Model (LLM) für generative KI zu trainieren, wird KI erst richtig spannend.

Wie trainiert man ein Large Language Model (LLM)?

KI wird auch zur Erstellung und Bearbeitung von Texten eingesetzt. Dabei kann es sich um einen Chatbot handeln, der das Kundendienstteam eines Unternehmens entlastet, die automatische Übersetzung einer Unternehmenswebsite oder die Erstellung von Texten.

Die generative KI versteht nicht, was sie erschafft. Sie kann zwar eine Einleitung zu einem Artikel über maschinelles Lernen schreiben (und sogar einen semantisch korrekten Artikel in Sekundenschnelle), aber sie versteht weder, wie maschinelles Lernen funktioniert, noch hat sie eine Meinung dazu. Stattdessen wurde das LLM auf mehrere Milliarden Wörter mit unüberwachten Lernalgorithmen trainiert, um herauszufinden, welches Wort wahrscheinlich als nächstes kommt. Dazu gehört das Erkennen von Dingen wie einer abhängigen Präposition (wir sagen, dass wir an KI interessiert sind, und nicht von KI oder andere Varianten). Oder das Erkennen von Kollokationen (wenn wir von einem erfolgreichen Geschäft sprechen, sagen wir, dass wir einen Vertrag abschließen und nicht, dass wir einen Vertrag machen oder andere Varianten). Oder zu erkennen, dass statistisch gesehen das häufigste Wort nach „Gassi“ „gehen“ ist.

Ein Durchbruch, der diese Technologie möglich machte, war die 2017 von Google entwickelte Transformer-Architektur. Im Wesentlichen ermöglicht sie die Analyse eines Wortes in seinem Kontext. Sobald ein Wort erfolgreich dekodiert wurde, wird es auf einem Vektor, im Wesentlichen einer Position auf einer Karte, in Relation zu allen anderen Wörtern dieser Sprache dargestellt.

Nehmen wir unsere Beispiele von „Maus“ und „Haus“. Obwohl sich die Wörter reimen, haben sie sehr unterschiedliche Bedeutungen. Maus wird zwischen den Achsen in der Nähe von Wörtern wie Nagetier, Hamster und Wüstenrennmaus platziert, während Haus zwischen den Achsen in der Nähe von Wörtern wie Haus, Wohnsitz, Domizil, Residenz, Cottage, Wohnung und Villa angesiedelt ist.

Diese Begriffe sind jedoch nicht unbedingt gleichbedeutend. Wohnsitz, Domizil und Residenz sind eher formale oder rechtliche Bezeichnungen für den Wohnort einer Person, während Cottage und Villa einen kleinen bzw. großen Haustyp bezeichnen. Um zwischen diesen Nuancen zu unterscheiden, reicht ein 2D-Diagramm mit zwei Parametern plötzlich nicht mehr aus. Ein durchschnittliches LLM benötigt ein multidimensionales Modell mit 1.000⁵  Parametern, während LamDa, das LLM hinter Gemini, über 137 Milliarden Parameter benötigt.⁶

So funktioniert übrigens auch die maschinelle Übersetzung. Hat man einmal mehrdimensionale Modelle für zwei Sprachen erstellt, muss die Maschine nur noch sehen, welches Wort in der zweiten Sprache an derselben Koordinate eingezeichnet ist. Allein durch den Vergleich der Koordinaten weiß die Maschine, dass der englische Satz „The mouse lives in a tiny house“ übersetzt wird mit „Die Maus wohnt in einem winzigen Haus“.

Wie nutze ich KI in meinem Unternehmen?

„Zunächst müssen Sie herausfinden, wo sich Ihre Daten befinden und wie Sie diese dort hinbekommen, wo Sie sie für die Erstellung von Prognosen benötigen. Das ist das größte Problem, das alle Unternehmen lösen müssen: Wie bekomme ich die Daten aus meinem Finanzbuchhaltungssystem heraus? Und welche externen Datenquellen könnten mir dabei helfen? Und wie kann ich mich mit den Systemen der Hersteller verbinden?“

Colin Murdoch, Chief Business Officer, DeepMind⁷

Wie bekomme ich meine Daten dahin, wo sie hingehören?

Es gibt viele Möglichkeiten, auf maschinelle Lernumgebungen und vorgefertigte KI-Modelle zuzugreifen. Unabhängig davon, ob Sie Ihre eigenen Daten abrufen und zusammenstellen, Ihre eigene KI mit Ihren eigenen Daten trainieren, Ihre eigenen Daten in der cloudbasierten Umgebung für maschinelles Lernen eines Anbieters verwenden oder die cloudbasierten KI-Lösungen eines Anbieters zur Automatisierung Ihrer eigenen Systeme integrieren, eines ist klar: Es gilt, eine Menge Daten an den richtigen Ort zu bringen.

Die SEEBURGER BIS Plattform ist eine Integrationsplattform mit zahlreichen Funktionen, mit der Sie Daten von jedem beliebigen Ort an einen anderen Ort übertragen können. Mit den Managed-File-Transfer-Funktionen der BIS Plattform können Sie große Mengen vertraulicher Daten in Echtzeit an einen Data Lake oder einen anderen Endpunkt übertragen, inklusive API-Verbindung. Die EAI/A2A-Funktionen ermöglichen die Anbindung an andere Anwendungen. Mit den API-Funktionen, einschließlich des äußerst robusten API-Managements, können Sie die Leistung, die Sicherheit und die Zugriffsrechte zu und von jeder API steuern und überwachen. Dies kommt beispielsweise beim Zugriff auf KI-Dienste via API zum Tragen oder wenn Sie APIs einsetzen, um Ihre Daten von einem System in ein anderes zu verschieben.

Da immer mehr KI-Services als SaaS angeboten werden, ermöglichen die EAI/A2A-Funktionen der Plattform eine schnelle Anbindung. Dies umfasst eine umfangreiche Sammlung sicherer und funktionsreicher Konnektoren, die ständig erweitert und aktualisiert werden, um mit der Entwicklung Schritt zu halten.

Zugang zu Machine-Learning- und KI-Tools in öffentlichen Clouds

Die drei großen Hyperscaler bieten ihren Cloud-Nutzern eine Reihe von KI-Services an, oft auch in einer kostenlosen Low-Volume-Version. Die BIS Plattform ist als iPaaS verfügbar, die problemlos in der Public Cloud Ihrer Wahl gehostet werden kann, sei es AWS, Microsoft Azure oder Google Public Cloud.  Um Kosten für ausgehende Daten und mögliche Latenzzeiten beim Ein- und Ausbuchen aus der Public Cloud zu vermeiden, stellen Sie die BIS Plattform dort bereit, wo sich auch Ihre anderen Anwendungen und Daten befinden.

Die BIS Plattform bietet neben MFT-, API- und A2A-Funktionen auch IIoT-, EDI– und Automatisierungsfunktionen. Erhältlich als Managed Service in der SEEBURGER Cloud, als iPaaS in einer Private oder Public Cloud oder on-Premises.

Über SEEBURGER

Warum SEEBURGER? Eine zentrale Plattform, eine Experience, alle Integrationen, alle Bereitstellungsmodelle. Unsere BIS Plattform ermöglicht die nahtlose Vernetzung von Anwendungen, Menschen und Prozessen, ob in der Cloud, einer hybriden Umgebung oder on-Premises. Mit der BIS Plattform ist jeder in der Lage, einfache bis komplexe Integrationen eigenständig zu gestalten und so zur Stärkung des digitalen Ökosystems Ihres Unternehmens beizutragen.