Mit KI klein, aber erfolgreich starten

Aktuelle Studien zeichnen ein uneinheitliches Bild über den Einsatz von KI in den Unternehmen. Einerseits sehen Unternehmen KI-Techniken als einen wettbewerbsentscheidenden Faktor. Andererseits setzen bisher nur wenige Unternehmen und Organisationen KI-Systeme tatsächlich ein. Was auch damit zu tun hat, wie KI definiert wird.

Lufthansa Industry Solutions wurde als maßgeblicher Player in den drei Use-Case-Clustern **„Predictive Analytics & Maintenance“, „Traceability“** sowie **„Asset & Plant Performance Monitoring“** von teknowlogy ausgezeichnet. Laut teknowlogy, dem führenden unabhängigen europäischen Marktanalyse- und Beratungsunternehmen für die IT-Branche, hat LHIND bewiesen in diesen Kategorien alle damit verbundenen Anwendungsfälle adressieren zu können.
Mehr zur Auszeichnung im Bereich Digital Factory

Oft führen neue IT-Technologien zu äußerst unterschiedlichen Reaktionen; derzeit ist es KI. Die Einen prophezeien das Ende der menschlichen Existenz in der heutigen Form und malen die zukünftige unkontrollierbare Herrschaft der Computer an die Wand. Die Anderen bewerten KI „nur“ als eine ganz normale technologische Weiterentwicklung, wie wir sie seit Jahrhunderten erleben. Die Wahrheit liegt – wie so oft – in der Mitte. Fest steht, dass Unternehmen KI inzwischen schon in allen Ausprägungen nutzen: für regelbasierte Systeme, Roboter, Machine Learning, Deep Learning oder Text- und Videoanalyse.

KI ersetzt monotone Arbeit

Aber wie mit KI starten? Mit Projekten, die schnell zu nachweisbaren Erfolgen führen und die KI-Skepsis und -Hemmschwelle in den Unternehmen senken. So übernehmen intelligente Maschinen schon heute monotone Tätigkeiten, die uns Menschen sowieso wenig Freude bereiten. Wer sortiert zum Beispiel gern seine E-Mail-Postfächer, prüft und digitalisiert Rechnungen, vergleicht die Inhalte von Dokumenten? Die Wenigsten. Aber genau hier setzen KI-Lösungen an: Sie übernehmen sich wiederholende, für den Menschen langweilige und ermüdende Prozesse.

Deep Learning und neuronale Netze

„Wir bringen Computern bei, so zu denken und zu handeln wie ein Mensch. Dazu trainieren wir die KI, zeigen ihr wie ein Mensch zum Beispiel Dokumente sortiert. Und danach setzt das die KI selbständig um“, erklärt Alexander Motzek, Artificial-Intelligence-Spezialist bei Lufthansa Industry Solutions. Kein Unternehmen muss also mit einer großen KI-Vision starten, sondern kann KI-Erfahrungen mit ganz alltäglichen Abläufen sammeln: technologisch überschaubar und reif, verbunden mit geringem Investment und mit eindeutig quantifizierbarem Erfolg.

Computern etwas aus Daten beizubringen, heißt in der Fachsprache Machine Learning. Ein Teilgebiet hiervon ist das Deep Learning, welches auf tief verschachtelten neuronalen Netzen aufbaut. Diese werden auf sehr großen Datenmengen erlernt. Im Grunde genommen, bildet Deep Learning die Funktionsweise des menschlichen Gehirns nach, kann also aus Informationen eigene Prognosen und Entscheidungen ableiten. Auf Basis vorhandener und neuer Daten ist die KI dann in der Lage, das Erlernte immer wieder neu zu verknüpfen. Einmal angelernt, muss der Mensch danach nicht mehr in den Lernvorgang eingreifen, sondern die KI lediglich mit Rohinformationen füttern. Deep Learning eignet sich besonders für Aufgaben, wo die KI aus umfangreichen Informationen Muster und Modelle herauslesen kann, die ein Mensch gar nicht oder nur mit großem Aufwand entdecken könnte.

Textdaten automatisiert analysieren und kategorisieren

Ein Feld, in dem KI inzwischen sehr ausgereift ist, ist die Klassifizierung von Textdokumenten. Sie beruht oft auf den sogenannten graphischen Wahrscheinlichkeitsmodellen (probabilistic graphical models), die wiederum auf dem Bayes'schen Wahrscheinlichkeitstheorem (Bayes‘ Theorem) basieren. Mit ihnen lassen sich leistungsfähige Modelle für die Textanalyse und Dokumentenklassifizierung erstellen.

Die künstliche Intelligenz ist in der Lage, Text zu klassifizieren, einem Thema zuzuordnen und so zu interpretieren, wie es auch ein Mensch kann – nur schneller und mit besseren Ergebnissen. So kann KI etwa in wenigen Sekunden hunderttausende Dokumente lesen, die Inhalte kategorisieren und daraus ein Modell für die Bewertung von Kundenkommentaren generieren.

KI-Auswertung von E-Mails und Social-Media-Posts

Ein Beispiel: Die Bewertung der Kundenzufriedenheit. Heute lassen sich Kunden täglich tausendfach auf allen möglichen elektronischen Kanälen – per E-Mail, in Bewertungsportalen, auf Social-Media-Plattformen – über ihre Erfahrungen mit Produkten oder Dienstleistungen aus. Wer will diese Flut an Daten in kurzer Zeit erfassen und bewerten? Solche Jobs sind auf Dauer sehr ermüdend und für einen Menschen kaum zu bewältigen.

Bei Fluggesellschaften laufen beispielsweise täglich tausende Kommentare von Fluggästen auf, in verschiedensten Sprachen und völlig frei runtergeschrieben. In diesen Kommentaren verbergen sich wertvolle Informationen, die viel über die Zufrieden- oder Unzufriedenheit mit dem Unternehmen und einzelnen Services aussagen. Die manuelle Analyse dieser Informationen ist zeitraubend und ermüdend. KI ist heute in der Lage, diese Informationen zu analysieren und Schlüsse daraus zu ziehen. Sie versteht unvollständige oder falsch geschriebene Sätze und Wörter und weiß, dass „nicht ausreichend gekühltes Bier“ schlichtweg bedeutet: Das Bier war zu warm

KI leitet Kundenanfragen gezielt weiter

Solche Informationen verstecken sich in zahlreichen Dokumenten und schlummern meist ungenutzt in Datenbanken vor sich hin. Mit Hilfe von KI und Text Mining lassen sich diese Datenschätze automatisiert heben. Die KI ist in der Lage, Themen zu kategorisieren und Aktionen anzustoßen, zum Beispiel eine Kundenanfrage gezielt an den passenden Sachbearbeiter weiterzuleiten. In einer Rechnung erkennt die KI was abgerechnet wurde und weist die Rechnung dem passenden Vorgang zu. Um solch eine Themenzuordnung zu ermöglichen, muss die KI den Text verstehen, was bisher nur ein Mensch konnte.

Damit die KI das kann, muss sie lernen und anhand von bekannten Informationen ein Modell entwickeln, das dann alle neuen Dokumente mit hoher Präzision den jeweiligen Themen zuordnen kann. Klingt nach großem Aufwand. Ist es aber nicht. Ein handelsüblicher Laptop entwickelt ein Modell aus 300.000 Dokumenten in nur wenigen Minuten. Danach dauert es nur wenige Millisekunden, ein neues Dokument zu kategorisieren.

Sprach- und Geräuscherkennung mit Machine Learning

Schwieriger wird es, wenn es darum geht, Audiosignale wie Sprache und Geräusche zu erkennen. Die ersten Spracherkennungsprogramme, die vor mehr als zehn Jahren auf den Markt kamen, waren eher enttäuschend. Eine richtige Arbeitshilfe waren sie nicht. Inzwischen ist die Spracherkennung dank KI ein deutliches Stück weiter. Expert:innen gehen davon aus, dass das Verständnis, mit dem Computer heutzutage menschliche Sprache verarbeiten, dem Verständnis einer realen Person nahezu ähnelt. Wer Alexa, Siri oder Google Assistant nutzt, weiß wie weit die Audio-KI bereits fortgeschritten ist. So ist der Google Assistant in der Lage, einen Tisch in einem Restaurant zu reservieren und sich mit dem Mitarbeiter zu unterhalten.

Sprach- und Geräuscherkennung beruhen auf Machine Learning, einem Teilbereich der KI. Wie bei der Texterkennung auch, erkennen Algorithmen Audiomuster aus bestehenden Daten. Dafür muss der Mensch die KI mit relevanten Daten füttern und die Regeln der Analyse definieren. Im Grunde genommen erkennt KI Anomalien in Audiodaten – selbst wenn Hintergrundgeräusche vorhanden sind. Die Non-Profit-Organisation Rainforest Connection nutzt eine KI-gestützte Geräuscherkennung, um illegalen Holzrodungen in tropischen Regenwäldern auf die Spur zu kommen. Solarbetriebene Handys zeichnen permanent Geräusche auf und senden sie in eine Cloud, wo die KI anhand von Anomalien erkennt ob ein Lastwagen im Wald unterwegs ist oder eine Motorsäge läuft. Ein ähnliches Beispiel wurde im LHIND Headquarter in Norderstedt umgesetzt: 30 Fahrstühle entwickeln ab und an merkwürdige Geräusche, welche auf einen drohenden Schaden hindeuten können – rechtzeitiges Eingreifen spart massive Ausfall- und Reparaturkosten. Aber wer kann schon den ganzen Tag Fahrstuhlfahren und ihnen zuhören? Eine KI kann das und hört den gesamten Tag zu. Sobald ein Geräusch „merkwürdig“ – und das hat die KI aus der Vergangenheit gelernt – klingt, dann schlägt sie Alarm.

Objekte und Personen in Videodaten erkennen

Auch im Bereich der Analyse von Foto- und Videodaten kommt Machine Learning zum Einsatz. Dafür verwenden KI-Expert:innen häufig tiefe neuronale Netze, also das bereits beschriebene Deep Learning. Veranschaulichen lässt sich dieser Prozess anhand des folgenden Beispiels: ein Unternehmen will den Namen eines Objekts oder einer Person in einem Bild automatisch erkennen. Der Algorithmus soll beispielsweise Äpfel und Birnen unterscheiden. Dafür muss er zunächst trainiert werden. In diesem Beispiel etwa mit der Hilfe von 200 Bildern die verschiedene Äpfeln und Birnen zeigen. Der Lernschritt des Algorithmus besteht in der Folge darin, dass er durch das Einstudieren der Bilder den Unterschied zwischen einem Apfel und einer Birne verinnerlicht und so zukünftig automatisch unterscheidet, welches Bild einen Apfel und welches eine Birne zeigt.

Die KI ist auch in der Lage, einen konstanten Videostrom zu analysieren. Sie erkennt Gesichter und Personen selbstständig. Auf dem Bildschirm sieht der Besucher das Live-Bild einer Kamera, in dem Personen, Gesichter, Handtaschen oder ähnliches markiert werden. Wichtig hierbei ist die Live-Anonymisierung, mit der die KI Personen in Echtzeit anonymisiert. Die KI analysiert Bild für Bild und begleitet somit eine Person oder einen Gegenstand auf ihrem Weg. Eine solche Videostream-Analyse kann zum Beispiel im Sicherheitsbereich eingesetzt werden. Ein großer Vorteil dieser Inhouse-Lösung: Die Daten verbleiben lokal auf einem eigenen Rechner im Unternehmen und können entsprechend geschützt werden. Die KI-basierte automatische Inhaltserschließung von Bild- und Videodaten steigert die Effizienz der inhaltsbezogenen Analyse.

KI-Lösungen kompakt