Künstliche Intelligenz (KI) hat eine beeindruckende Stufe erreicht. Von einem System, das anfangs kontextuelle Hinweise lieferte, hat sich die disruptive Kerntechnologie zu einem erstaunlichen KI-System gemausert: Es bezieht automatisch implizite und explizite Reaktionen seiner Nutzer in seinen Wissenspool ein. Kurzum: KI-Systeme lernen autonom hinzu. Doch wie bringt man sie eigentlich dazu?
Schauen wir uns die Entwicklung von Kindern an: Sie lernen nicht hinzu, weil wir ihnen einmalig alle Regeln erklären. Sie lernen, weil wir mit ihnen üben und sie üben lassen. Immer wieder. Und je mehr Zeit wir uns nehmen, umso wahrscheinlicher ist es, dass sie die beigebrachten Fähigkeiten später gut beherrschen. Mit KI-Systemen funktioniert es ähnlich. Auch bei der Künstlichen Intelligenz steht seit jeher im Fokus, wie sie angelernt wird.
Ineffizient und teuer: Regelbasierte KI-Systeme
Traditionelle Verfahren folgten der Methode regelbasierter Systeme. Problemstellungen wurden definiert, Eingangs- und Ausgangswerte bestimmt. Daten und Fakten bestimmten den Prozess. Veränderte sich die Datenlage, mussten IT-Experten den Prozess neu definieren. Einen wirklichen Lernprozess bildete dieses Verfahren nicht ab – eher die aufwendige Nachahmung menschlicher Intelligenz durch Programmierung. Folglich leisteten diese KI-Systeme eher Assistenz bei Standardfragen als kognitive Leistungen zu vollbringen.
KI braucht Lern- und Trainingsmengen
Was dieser Methode fehlte, war die Verfügbarkeit und der Einsatz adäquater Lern- und Trainingsmengen. Denn: Erst wenn Lern- und Trainingsmengen laufend zur Verfügung stehen, können kognitive Systeme Rückschlüsse während des Betriebs ziehen und aus den Abläufen lernen. Zu diesem Schluss kamen wir 2002 nach zahlreichen Forschungsprojekten, die wir zum Teil in Zusammenarbeit mit dem Deutschen Fraunhofer Institut durchgeführt hatten. Unsere Erkenntnisse mündeten in der Power-Text-Mining-Engine (PTME) – ein Verfahren, das sowohl explizite (durch „richtig / falsch Bewertung“ der Nutzer) als auch implizite (durch das Verhalten der Nutzer) zieht. Es war unser zentrales Verfahren bis 2009.
Parallel laufende KI-Systeme erhöhen Effizienz
Der nächste Schritt auf dem Weg zum autonomen und selbstlernenden KI-System bestand in der Kombination verschiedener KI-Verfahren. Arbeiten mehrere Verfahren parallel, optimiert sich der Wirkungsgrad von KI-Software und jeder einzelnen Lösung im operativen Betrieb, so unsere Erkenntnis. Unsere Antwort lautete: AI PLATFORM, seit 2009 auf dem Markt. Neun erprobte und über einen Schlüssel gevotete Verfahren liefen hier parallel in Klassifikations- und Antwort-Prozessen ab. Sie wurden angelernt über eine Reihe an Mustern aus der Praxis. Noch schlauer machte sie die bloße Verwendung im Betrieb.
Mit der Vernetzung von KI-Lösung zur Autonomie
Einen noch tieferen Grad der Autonomie erreichen KI-Lösungen durch die Vernetzung der unterschiedlichen kognitiven Verfahren. Wir gewannen so einen neuen Algorithmus, der seit 2015 im Einsatz ist und für alle Aufgabenbereiche eines Konzerns eingesetzt werden kann. Dieser Algorithmus ist in der Lage aus Rohdaten, also „Unbekanntem“ Schlüsse zu ziehen und kommunikative Muster zu erfassen. Eine Errungenschaft, die großes Potenzial hat: KI-Software beginnt nun „zwischen den Zeilen“ zu lesen– bisher eine Domäne, die ganz klar dem Menschen vorbehalten war - und zieht so implizite Erfahrungen aus den Dialogen mit Nutzern.
Wenn Sie das Thema näher interessiert, dann empfehle ich mein kostenloses Whitepaper zum Thema Artificial Intelligence.
Dort finden Sie praktische Ansätze, wie Sie KI im Unternehmensalltag intelligent einsetzen können.
