{"id":15205,"date":"2019-10-29T11:51:19","date_gmt":"2019-10-29T10:51:19","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=15205"},"modified":"2019-10-28T11:14:02","modified_gmt":"2019-10-28T10:14:02","slug":"wie-ki-einen-praktischen-mehrwert-bringt","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=15205","title":{"rendered":"Wie KI einen praktischen Mehrwert bringt"},"content":{"rendered":"\n

Autor\/Redakteur: Ron Brandt, Vice President Consulting Services bei CGI Deutschland<\/a>\/gg<\/p>\n\n\n\n

K\u00fcnstliche Intelligenz automatisiert Prozesse, wartet Maschinen, trifft Entscheidungen und findet L\u00f6sungen f\u00fcr knifflige Probleme. Unternehmen k\u00f6nnen enorm davon profitieren. Voraussetzung ist allerdings die richtige KI-Strategie und eine gelungene Kombination aus Algorithmen, Methoden und Daten.<\/p>\n\n\n\n

\"\"
Ron Brandt, CGI Deutschland: \u201eDie M\u00f6glichkeiten von KI sind nahezu grenzenlos. Wichtig sind aber konkrete Use Cases und die richtige Strategie\u201c (Quelle: CGI)<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

K\u00fcnstliche Intelligenz (KI) ist kein Produkt, sondern ein\nOberbegriff f\u00fcr eine Vielzahl von Methoden und Techniken. Dazu geh\u00f6ren auf den\nersten Blick so unterschiedliche Dinge wie Deep Learning, Machine Learning,\nneuronale Netze, Bild- und Spracherkennung, Robot Process Automation, Chatbots\noder entscheidungsunterst\u00fctzende Systeme. Allen diesen Techniken liegt die\n\u00dcberzeugung zugrunde, dass das Wissen f\u00fcr die L\u00f6sung von Problemen in den Daten\nbereits vorhanden ist, man muss es nur erkennen und nutzen. Mit selbstlernenden\nAlgorithmen wird aus Datenmengen und Zeitfolgen ein L\u00f6sungsmuster\nherausgesch\u00e4lt, das sich zudem an neue Situationen anpasst. All diese\nunterschiedlichen Methoden tragen in klar definierten Anwendungsszenarien dazu\nbei, dass Computer eine gewisse \u201eIntelligenz\u201c suggerieren, dass sie lernen und\nselbstst\u00e4ndig Entscheidungen treffen k\u00f6nnen, die in den urspr\u00fcnglichen\nalgorithmischen Regeln so noch nicht angelegt waren. Unternehmen in Deutschland\nhaben zwar mittlerweile den Mehrwert von K\u00fcnstlicher Intelligenz f\u00fcr die\nWeiterentwicklung ihrer Produkte und Dienstleistungen erkannt. Doch die\nschwierigste Frage bleibt, welche Anwendungsszenarien langfristigen Mehrwert\nversprechen und wie eine erfolgreiche KI-Strategie aussehen sollte.<\/p>\n\n\n\n

Anwendungsszenarien\nevaluieren<\/strong><\/p>\n\n\n\n

Bei der Einf\u00fchrung von KI-Projekten in Unternehmen\nempfiehlt sich ein Vorgehen in drei Schritten. Den Ausgangspunkt und damit den\nersten Schritt bei KI-Projekten bildet die Identifikation und Beschreibung\npotenzieller Use Cases. Bew\u00e4hrt haben sich an dieser Stelle\nDesign-Thinking-Methoden, die zum Ziel haben, sehr schnell zu ersten Prototypen\nzu gelangen. In Workshops, und begleitet durch einen darauf spezialisierten\nIT-Dienstleister, erarbeiten die Fachabteilungen m\u00f6gliche Anwendungsf\u00e4lle.\nSchritt zwei befasst sich mit der Auswahl der passenden Methoden, Algorithmen und\nmathematischen Verfahren, die sich f\u00fcr die Umsetzung des Use Cases am besten\neignen. Im dritten Schritt muss der Datenbestand entweder aus eigenen oder\nexternen Datenquellen definiert und aufbereitet werden, um die Prognosemodelle\nzu trainieren.<\/p>\n\n\n\n

Ein ganz typischer Anwendungsfall ist die Bilderkennung oder Bildanalyse. Sie wird bereits erfolgreich in der medizinischen Diagnostik, beispielsweise bei der Auswertung von R\u00f6ntgenbildern, eingesetzt. Medizinischen Studien zufolge l\u00e4sst sich mit geeignetem Trainingsmaterial und durch den Einsatz von Convolutional Neural Networks (CNN) die Trefferquote zum Beispiel in der Krebsdiagnose erheblich steigern. Ein guter Radiologe erreicht eine Trefferquote von etwa 60 Prozent; mit gut trainierten CNNs l\u00e4sst sich die Quote auf \u00fcber 80 Prozent steigern.<\/p>\n\n\n\n\n\n\n\n

Auch Versicherer setzen in ersten Pilotprojekten auf die Bilderkennung und nutzen sie zur Automatisierung der Prozesse bei der Schadenbearbeitung und -abwicklung. Ein einfaches Unterfangen ist das nicht, denn bei einem Kfz-Schaden etwa werden Abertausende Bilder von Unf\u00e4llen ben\u00f6tigt, damit der Algorithmus trainiert werden kann. Ein Versicherer muss dazu eigene Bilddatenarchive auswerten oder auch externe Bilder mit hinzuziehen. Der aufwendige Prozess wird am Ende jedoch mit einer Schadensregulierung belohnt, die anstelle von Tagen und Wochen nur noch wenige Stunden in Anspruch nimmt.<\/p>\n\n\n\n

\"\"
Was bei der Einf\u00fchrung von AI zu beachten ist (Quelle: CGI)<\/figcaption><\/figure>\n\n\n\n

Banken und Versicherungen<\/strong><\/p>\n\n\n\n

Von den smarten Bildanalyse-Algorithmen profitieren dabei\nnicht nur die Versicherungsunternehmen, indem sie den Personal- und Zeitaufwand\nf\u00fcr die Bearbeitung einfacher Kfz-Schadensf\u00e4lle reduzieren und auf diese Weise\nVersicherungspolicen preisg\u00fcnstiger anbieten k\u00f6nnen. Auch der Kunde profitiert:\nEr sendet mit dem Smartphone aufgenommen Fotos des Schadens an den Versicherer.\nDort analysiert K\u00fcnstliche Intelligenz auf Grundlage der Aufnahmen und in\nAbh\u00e4ngigkeit vom Fahrzeugtyp die zu erwartende Schadenssumme und empfiehlt\nVertragswerkst\u00e4tten, die sich in der N\u00e4he des Unfallortes befinden. S\u00e4mtliche\nInformationen gehen innerhalb weniger Sekunden per Mail zur\u00fcck an den\nversicherten Kunden. Eine weitere im Banken- und Versicherungswesen eingesetzte\nL\u00f6sung ist die mit Hilfe von KI optimierte Betrugsbek\u00e4mpfung und Pr\u00e4vention.\nKI-Algorithmen kommen verd\u00e4chtigen Mustern und versteckten Anomalien viel\nschneller auf die Spur als menschliche Berater. Auch bei der verbesserten\nBetrugsbek\u00e4mpfung kommt es darauf an, den Schaden zu reduzieren, um den Kunden\nam Ende kompetitivere, preisg\u00fcnstigere Angebote unterbreiten zu k\u00f6nnen.<\/p>\n\n\n\n

In der vorausschauenden Wartung oder Predictive Maintenance werden Maschinen oder Anlagen \u00fcber Sensoren gewartet. Bei Verladekr\u00e4nen, Baukr\u00e4nen, Windkraftr\u00e4dern oder Hochspannungsleitungen setzt man mittlerweile Drohnen f\u00fcr eine vereinfachte Datenerfassung und proaktive Wartung ein: ein L\u00f6sungsansatz, der von CGI f\u00fcr einen Energieversorger in Skandinavien entwickelt wurde und seit einiger Zeit kosteneffizient eingesetzt wird. Die damit erzeugten Bilder oder auch Videos \u2013 kombiniert mit einem Machine-Learning-basierten Analyseprogramm \u2013 identifizieren Schwachstellen in Bauteilen, bevor ihr Totalausfall zu Stillstandszeiten f\u00fchrt und helfen Monteuren bei der Reparatur. Auch f\u00fcr ThyssenKrupp wurde eine L\u00f6sung zur vorausschauenden Wartung von Fahrst\u00fchlen entwickelt, die die Fehler- und Ausfallzeiten um ein Vielfaches reduziert. Vorausschauende Wartung generiert gleich eine ganze Reihe von Mehrwerten: Kunden erleiden keine Gesch\u00e4ftseinbu\u00dfen durch ausfallende Maschinen, Techniker werden nur noch f\u00fcr den Austausch von Ersatzteilen vor Ort ben\u00f6tigt, die Kontrolle \u00fcbernehmen Sensoren und Drohnen und schlie\u00dflich werden Teile just-in-time ausgetauscht und nicht schon dann, wenn sie eigentlich noch mehrere Monate fehlerfrei funktionieren w\u00fcrden.<\/p>\n\n\n\n\n\n\n\n

Fahrpl\u00e4ne automatisiert erstellen<\/strong><\/p>\n\n\n\n

Im Transportwesen,\nder Logistik und in der Personenbef\u00f6rderung k\u00f6nnen KI-Systeme zum Beispiel die\nErstellung von Fahrpl\u00e4nen automatisieren und dabei helfen, die Bewegungen von\nFahrzeugen und die Auslastung von Schienennetzen in Echtzeit zu tracken, um auf\ndiese Weise Soll- und Ist-Zust\u00e4nde abzugleichen und Optimierungspotenziale zu\nidentifizieren. Chatbots werden in Call Centern, in der Finanzberatung und in\nHotlines eingesetzt, um ihr Potenzial und die Akzeptanz beim Kunden\nauszutesten. <\/p>\n\n\n\n

All diese Beispiele zeigen einen kleinen Ausschnitt von\nUse Cases in Unternehmen aller Branchen. Vieles ist bereits realisiert, anderes\nin der Planung, \u00fcber Weiteres wird nachgedacht. Ein entscheidender Faktor ist,\ndass Unternehmen und Entscheider ein klares Verst\u00e4ndnis brauchen, wo und wie\nMethoden und Verfahren des Bereichs K\u00fcnstliche Intelligenz eingesetzt werden\nk\u00f6nnen. Je konkreter der Use Case beschrieben ist, desto erfolgreicher k\u00f6nnen\nKI-Projekte durchgef\u00fchrt werden. <\/p>\n\n\n\n

Die Basis von KI-Aktivit\u00e4ten ist immer ein prognostisches\nModell, das in der Lernphase an vorhandene Daten angepasst wird und so das\nZustandekommen bestimmter Ereignisse erkl\u00e4rt. Ein Projektteam trainiert einen\ngeeigneten mathematischen Algorithmus mit einer passenden Datenmenge und setzt\ndie Idee in einem Proof of Concept um. In der Regel werden Modelle anhand von\nhistorischen Daten trainiert, auch weil sich dort die G\u00fcltigkeit der Prognosen\n\u00fcberpr\u00fcfen l\u00e4sst. Es ist ja alles schon passiert. Fallen die Ergebnisse\nzufriedenstellend aus, wird das Modell zur Prognose zuk\u00fcnftiger Ereignisse\neingesetzt. Die Herausforderung besteht darin, den richtigen Datenbestand zu\ndefinieren, um die mathematischen Modelle trainieren zu k\u00f6nnen. Davon ist\nletztlich auch der Projekterfolg abh\u00e4ngig.<\/p>\n\n\n\n

Qualifizierte\nMitarbeiter sind entscheidend<\/strong><\/p>\n\n\n\n

Technologische Voraussetzungen, organisatorische\nBedingungen und personelle Ressourcen z\u00e4hlen zu den zentralen\nHerausforderungen. KI-L\u00f6sungen ben\u00f6tigen viel Rechenleistung und bei der\nBilderkennung dar\u00fcber hinaus auch Graphical Processing Units (GPU). <\/p>\n\n\n\n

Notwendig sind aber auch qualifizierte Mitarbeiter, die\n\u00fcber Kenntnisse mathematisch-statischer Verfahren verf\u00fcgen. Dazu kommen\nEntwickler mit Erfahrungen beim Einsatz von Programmiersprachen wie Python, R\nsowie den Deep-Learning-Frameworks Caffee und Theano oder TensorFlow, einem\nFramework zur numerischen Berechnung von Datenflussgraphen. Gerade f\u00fcr\nUnternehmen, die sich nicht selbst in Forschung und Entwicklung engagieren,\nlohnt sich dabei eine Partnerschaft mit einem qualifizierten\nTechnologieunternehmen. <\/p>\n","protected":false},"excerpt":{"rendered":"

K\u00fcnstliche Intelligenz automatisiert Prozesse, wartet Maschinen, trifft Entscheidungen und findet L\u00f6sungen f\u00fcr knifflige Probleme. Unternehmen k\u00f6nnen enorm davon profitieren. Voraussetzung ist allerdings die richtige KI-Strategie und eine gelungene Kombination aus Algorithmen, Methoden und Daten.<\/p>\n","protected":false},"author":1,"featured_media":15206,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,10036],"tags":[7951,13039,13035,4418,8813,13040,2347,8982,13038,7719,13036,4281,8767,8244,13037,13031,5221,13033,3010,1701,4413,13041,9150,2350],"class_list":["post-15205","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-kuenstliche-intelligenz","tag-algorithmus","tag-bildanalyse","tag-bilderkennung","tag-cgi","tag-chatbot","tag-cnn","tag-daten","tag-deep-learning","tag-design-thinking","tag-drohne","tag-entscheidungsunterstuetzende-systeme","tag-gpu","tag-machine-learning","tag-maintenance","tag-methode","tag-neuronale-netze","tag-r","tag-robot-process-automation","tag-sensor","tag-smartphone","tag-spracherkennung","tag-thyssenkrupp","tag-use-case","tag-workshop"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/15205","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=15205"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/15205\/revisions"}],"predecessor-version":[{"id":15208,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/15205\/revisions\/15208"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/15206"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=15205"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=15205"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=15205"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}