Expertenwissen zu Digitalisierung & Automatisierung von Geschäftsprozessen
Expertenwissen zu Digitalisierung & Automatisierung von Geschäftsprozessen
Themen: KI und Machine Learning
Wir waren als Aussteller auf dem diesjährigen Procurement Summit in Hamburg vertreten. Diese Gelegenheit habe ich genutzt, selbst einige Masterclasses auf dieser Fachtagung für Einkaufsleiter*innen zu besuchen. Viele der Vorträge auf der Veranstaltung trugen Titel wie „Künstliche Intelligenz im Einkaufsreporting“, „Künstliche Intelligenz im Einkauf: So geht’s, das bringt‘s“ oder „Wie es Ihnen gelingt, mit künstlicher Intelligenz Ihre Einkaufsprozesse zu optimieren“. Auf der Veranstaltung ist deutlich zutage getreten: KI ist inzwischen das Top-Thema – auch für digitale Geschäftsprozesse.
Aber was genau ist eigentlich künstliche Intelligenz? Mit dieser Frage möchte ich mich im heutigen Beitrag beschäftigen und die wichtigsten Begriffe von „Machine Learning“ über „neuronale Netze“ bis hin zum „Deep Learning“ kurz erklären.
Das Konzept der künstlichen Intelligenz (oder Artificial Intelligence, kurz AI) gibt es, zumindest in der Theorie, schon seit Jahrzehnten. Bereits seit dem Aufkommen der ersten Computer versuchten Wissenschaftler, diesen eine menschenähnliche Intelligenz einzuhauchen. Bis vor einigen Jahren scheiterte dies allerdings an der dafür benötigten Rechenkapazität: Die früheren Computer hatten nicht die Leistungsfähigkeit, also blieb künstliche Intelligenz vorerst ein rein theoretisches Konzept, eine Wunschvorstellung.
Im Lauf der letzten 10-15 Jahre hat sich die Leistungsfähigkeit von Computern jedoch dramatisch gesteigert. Die Möglichkeiten, die sich daraus ergeben, haben die technologischen Ansätze, die sich hinter dem Sammelbegriff KI verbergen, wieder Fahrt aufnehmen lassen. Heute ist künstliche Intelligenz nicht nur technologisch umsetzbar, sondern kann auch wirtschaftlich sinnvoll eingesetzt werden.
Künstliche Intelligenz wird mal enger und mal weiter definiert und die Schwerpunkte liegen unterschiedlich. Die Definition überschneidet sich aber darin, dass künstliche Intelligenz bedeutet, dass Maschinen, Software oder Roboter Fähigkeiten haben, die bisher Menschen vorbehalten waren. Das können Fähigkeiten sein wie Parameter wahrzunehmen und zu verallgemeinern, Bedeutungen zu erkennen und Schlussfolgerungen zu ziehen, aus Erfahrungen und der Vergangenheit zu lernen, auf dieser Basis Entscheidungen zu treffen oder Vorhersagen zu machen.
Konkrete Beispiele, wo künstliche Intelligenz zum Einsatz kommen kann (aber nicht zwingend muss) sind Sprach-, Text- und Bilderkennung. Die Anwendungsfälle sind wiederum vielfältig: von Sprachassistenten wie Alexa und Siri über autonomes Fahren und Tumorerkennung in der Medizin bis hin zur automatischen Klassifizierung im Dokumentenmanagement.
Unter dem Begriff „künstliche Intelligenz“ werden verschiedene Ansätze zusammengefasst. Dazu zählen Machine Learning, neuronale Netze und Deep Learning.
Unter „Machine Learning“ werden Algorithmen zusammengefasst, die ermöglichen, dass Softwarelösungen über die Zeit selbständig zuverlässiger werden bei der Entscheidungsfindung bzw. der Vorhersage von Ergebnissen. Wichtig ist dabei der Aspekt der Selbständigkeit: Die Software wird nicht mit einem festen Katalog an Entscheidungskriterien versehen, sondern leitet mit der Zeit bzw. aus historischen Daten die Entscheidungskriterien selbst ab. Daher spricht man bei Systemen, die „Machine Learning“ nutzen, auch von lernenden Systemen.
Für diesen Prozess des Lernens ist eine gewisse Anzahl an Datensätzen erforderlich. Daher liefern Machine Learning-Anwendungen auch erst wirklich gute Ergebnisse – auch für anspruchsvollere Zusammenhänge – seitdem die Menge an digitalen Daten, die zur Verfügung steht, so stark angewachsen ist. Stichwort: Big Data.
Ein (künstliches) neuronales Netz oder Netzwerk hat das menschliche Gehirn und wie dieses lernt als Vorbild. Das menschliche Gehirn besteht aus Milliarden von Neuronen. Wenn im Gehirn eine Information eingeht, wird diese von einem Neuron zum nächsten weitergegeben. Jedes Neuron übernimmt einen kleinen Teil der Verarbeitung. Durch eingehende Informationen und deren Weitergabe entstehen Verbindungen zwischen den einzelnen Neuronen. Durch Wiederholungen verfestigen sich diese, Muster entstehen: Das ist der Prozesse des Lernens.
An diesem Vorbild orientieren sich künstliche neuronale Netze: An die Stelle der Neuronen im Gehirn treten einzelne Rechnerknoten, die miteinander verbunden sind. Wenn dieses Netzwerk mit Informationen gefüttert wird, bilden und festigen sich ebenfalls Kommunikationspfade zwischen den einzelnen Rechnern: Das ist das Lernen im künstlichen neuronalen Netz.
Um diese Art des Lernens künstlich nachzubilden, ist eine große Anzahl an Rechnerknoten, verbunden mit der entsprechenden Rechenleistung, notwendig. Daher hat die Nutzung von neuronalen Netzen in der Praxis auch erst begonnen, seitdem sich die Leistungsfähigkeit von Computern dramatisch verbessert hat.
„Deep Learning“ oder „Deep Neural Networking“ bringt die beiden Ansätze „Machine Learning“ und „neuronale Netze" zusammen. Das heißt, man spricht von „Deep Learning“, wenn ein Machine Learning-Ansatz mit Hilfe eines neuronalen Netzes lernt. Dadurch sind diese Systeme noch intelligenter in dem Sinne, dass weniger Eingriffe und Korrekturen durch Menschen erforderlich sind und noch vielschichtigere Zusammenhänge erfasst werden können. Auf der anderen Seite erfordern sie eine noch höhere Anzahl an Datensätzen als Lernmenge und eine noch höhere Rechenleistung. Aus diesem Grund wird „Deep Learning“ – im Moment jedenfalls noch – für weniger Anwendungsfälle genutzt als „Machine Learning“ oder künstliche neuronale Netze.