Maschinelles Lernen und künstliche Intelligenz waren für viele Unternehmen bis zuletzt noch Zukunftsmusik. Doch der Wandel ist bereits im Gang, denn Small Data und Wide Data erlauben immer mehr Firmen, die fortschrittlichen Technologien zu nutzen. Machine-Learning-Techniken wie Transfer Learning erfreuen sich dabei wachsender Beliebtheit.

In vielen Bereichen haben sich Künstliche Intelligenz und der Teilbereich des Maschinellen Lernens (ML) zu wichtigen und unverzichtbaren Helfern entwickelt. Die Anwendungsbereiche gehen mittlerweile weit über technische Spielereien wie Alexa oder Siri hinaus. Egal ob in Form von Chatbots auf Webseiten, als Gehirn für intelligente Suchmaschinen oder unter der Haube bei der täglichen Daten- und Dokumentenverarbeitung: Künstliche Intelligenz ist ein extrem starkes Werkzeug für die Analyse und Wertschöpfung aus Daten geworden.

Dank ihrer Datenmacht haben bis dato vor allem große Konzerne vom KI-Einsatz profitiert. Dieses bislang unabdingbare Paradigma bricht allerdings langsam auf: Der gesamten Industrie wird nämlich bewusst, dass KI immer weniger eine nette Ergänzung zum Portfolio ist, sondern eine notwendige Business-Strategie.

Small Data und Wide Data schaffen KI-Monopole ab

Die für das Anlernen von KI zur Verfügung stehenden Datenmengen teilten die KI-Welt bislang de facto in zwei Bereiche: Auf der einen Seite die Plattform-Giganten, deren unvorstellbare Masse an Daten sie nahezu omnipotent im Machine-Learning-Bereich erscheinen ließen. Dem gegenüber finden sich kleinere Unternehmen, die in der Praxis keinen Zugriff auf ausreichende Datenmengen haben. Google, Amazon und Co. machen zwar ihre KI-Verfahren für generalisierte Anwendungsfälle allgemein verfügbar, was auf den ersten Blick hilfreich erscheint. Doch Big Data war lange Zeit unabdingbar und das Maß aller Dinge, wenn es um das Training Künstlicher Intelligenz ging.

Kleinere Unternehmen können so die generalisierten Modelle der Plattform-Giganten im konkreten Nutzungskontext nur bedingt einsetzen, da sie nicht die Möglichkeit haben, gigantische Datenmengen zu sammeln und zu nutzen beziehungsweise die allgemeinen Modelle nicht immer für die projektspezifischen Anwendungsfälle passen, die in den Firmen benötigt werden. Die Folge: Ein Großteil der Wirtschaft ist von den Technologien von morgen weitgehend ausgeschlossen. Für die optimale Justierung müssen sie ihre KI aus diesem Grund mit den realen, nur in kleinen Mengen vorliegenden Datensätzen und im Hinblick auf den jeweiligen, meist sehr speziellen Kontext trainieren.

Beim Small Data genannten Ansatz nutzen Unternehmen innovative Analysetechniken, um aus kleineren Datenpools mit darauf optimierten Machine-Learning-Verfahren Wert zu schöpfen. Ein weiteres neues Verfahren ist Wide Data. Bei diesem Ansatz geht es darum, aus einer breiten Auswahl unterschiedlicher Datenquellen und -typen Synergien herzustellen, um den Kontext für KI-Anwendungen zu verbessern.

Mit diesen Ansätzen sind immer mehr Unternehmen in der Lage, den eigenen Datenschatz effektiv und gewinnbringend zu nutzen. Small Data und Wide Data ermöglichen robustere Analysen, verringern die Abhängigkeit von Big Data und helfen Unternehmen dabei, eine Rund-um-Ansicht über ihren Datenschatz zu erlangen.

Transfer Learning trainiert KI im praktischen Einsatz

Ein weiteres wertvolles Werkzeug, gerade im Umgang mit Small Data, ist das Transfer Learning. Dabei handelt es sich um eine spezielle Methode des Deep Learnings, einer Machine-Learning-Disziplin. Mit Transfer Learning ist es möglich, vortrainierte Modelle für die Auswertung von Daten wiederzuverwenden, die die Entwickler nicht für das ursprüngliche Training verwendet haben. Gerade wenn sehr geringe Datenmengen zur Verfügung stehen, ist es in der Regel nicht möglich, diese für ein umfangreiches Anlernen der KI zu verwenden. Doch auch mit dem entsprechend kleineren Trainingsdatensatz kann das vortrainierte Modell dann feinjustiert werden. Zum Beispiel könnte ein Machine-Learning-Modell, dass auf die Bildklassifizierung von Katzen, Hunden oder Fahrzeugen ausgelegt ist, mit einem geringeren Datensatz von MRT-Bildern auf die Erkennung von Karzinomen feingetunt und im Anschluss angewendet werden. Transfer Learning, das ursprünglich aus der Bildverarbeitung stammt, lässt sich genauso für Sprachmodelle und damit für die Analyse von Textdokumenten nutzen.

Die intelligente Analyse von Dokumenten ermöglicht ganz neue Arbeitsmethoden, da Unternehmen Prozesse digitalisieren und teilweise beziehungsweise vollständig automatisieren können. So lassen sich Abläufe optimieren und deutlich effizienter umsetzen. Gerade bei Behörden und großen Unternehmen liegen Unmengen von Daten vor und täglich kommen neue hinzu. Oft sind etliche Mitarbeiter damit betraut, die relevanten Informationen aus Dokumenten zu filtern, die für die Weiterverarbeitung erforderlich sind. Das benötigt sehr viel Zeit und der Faktor Mensch sorgt für eine vergleichsweise hohe Fehleranfälligkeit. Intelligent Document Processing, also der Einsatz KI-basierter Software für die Verarbeitung von Dokumenten, gewinnt zunehmend an Bedeutung und ermöglicht gleichzeitig die Automatisierung von Workflows auf Basis moderner KI-Methoden. Vor allem Antragsprüfungen, Auftragsannahmen sowie die Aktualisierung von Kunden- und Zahlungsdaten sind prominente Anwendungsbereiche für diese Technologie. Darüber hinaus hilft IDP-Software bei der Einhaltung gesetzlicher Vorschriften oder bei der Produktverfolgung über Lieferkettensysteme im Einzelhandel. Die Einsatzgebiete umfassen letztlich alle textgebundenen Arbeitsprozesse.

Conversational AI verbessert die Nutzererfahrung

Der Anthropomorphismus, die Vermenschlichung von Technik, ist seit jeher ein großes Thema im Bereich der Künstlichen Intelligenz. Spätestens mit Siri auf dem iPhone und Alexa im Fernseher hat sich dieses Phänomen im Alltag etabliert. Besonders im Kundenservice ist Conversational AI ein echter Gewinn. Damit Chatbots und Question-Answering-Systeme als virtuelle Assistenten den Kunden und damit auch Unternehmen eine echte Hilfe sein können, gilt es, einige Herausforderungen zu meistern. Die KI muss Kundenanfragen korrekt interpretieren, „verstehen“ und Antworten geben sowie möglichst selten auf einen menschlichen Experten zurückgreifen. Um dieses Erlebnis realitätsnah zu gestalten, kommt Natural Language Processing (NLP) zum Einsatz, also die Verarbeitung natürlicher Sprache. Je besser das Conversational-AI-System funktioniert, desto mehr Kundenanfragen können Unternehmen automatisiert bearbeiten. Das spart nicht nur Mitarbeiterressourcen, sondern macht die Kunden auch unabhängiger von Geschäftszeiten.

Neue Methoden wie Small Data, Wide Data sowie Transfer Learning und die Verbreitung bereits existierender Technologien in wachsendem Umfang sorgen für eine Demokratisierung von KI. Immer mehr Unternehmen können die innovativen Lösungen gewinnbringend einsetzen, etwa um Prozesse zu automatisieren oder Wert aus vorhandenden Datenmengen und -unmengen zu schöpfen. Kunden profitieren davon ebenfalls: Intelligente Suchen und KI-basierte Dialogsysteme verbessern die User Experience grundlegend.