Künstliche Intelligenz

Machine Learning – so gelingt der Einstieg

23.10.2017
Von 
Wolfgang Herrmann ist IT-Fachjournalist und Editorial Lead des Wettbewerbs „CIO des Jahres“. Der langjährige Editorial Manager des CIO-Magazins war unter anderem Deputy Editorial Director der IDG-Publikationen COMPUTERWOCHE und CIO sowie Chefredakteur der Schwesterpublikation TecChannel.
Lesen Sie, welche IT-Projekte sich für einen Einstieg in das Thema Künstliche Intelligenz eignen und wie Cloud-Tools dabei helfen.

Kaum ein Tag vergeht, an dem IT- und Business-Verantwortliche nicht vom potenziellen Nutzen der Künstlichen Intelligenz hören und lesen. KI-Technologien wie Machine Learning oder Deep Learning erlauben es, aus den wachsenden Datenbergen neue Erkenntnisse zu gewinnen, Prozesse zu automatisieren oder bislang unbekannte Sicherheitsbedrohungen zu erkennen. Der weltweite Umsatz mit AI-Systemen (Artificial Intelligence) wird sich 2017 auf 12,5 Milliarden Dollar verdoppeln, erwartet das Marktforschungs- und Beratungshaus IDC. Bis 2020 könnte sich das Marktvolumen bei einer gleichbleibenden Wachstumsrate auf 46 Milliarden Dollar vergrößern.

Experten empfehlen, mit kleinen Projekten in das Thema Künstliche Intelligenz einzusteigen und Erfahrungen zu sammeln.
Experten empfehlen, mit kleinen Projekten in das Thema Künstliche Intelligenz einzusteigen und Erfahrungen zu sammeln.
Foto: Phonlamai Photo - shutterstock.com

Doch wie steigt man am besten in das Thema ein? Einschlägige Studien belegen, dass viele Unternehmen erste Projekte zu groß, zu komplex und zu technisch aufsetzen (siehe dazu: Künstliche Intelligenz - wie Unternehmen davon profitieren.) Dabei gibt es eine ganze Reihe von Anwendungen, die sich relativ einfach mit KI-Tools aus der Cloud realisieren lassen und deren geschäftlicher Nutzen auf Anhieb erkennbar ist. Experten empfehlen, zunächst mit solchen "Quick Wins" zu experimentieren und Erfahrungen zu sammeln. Die große KI-Initiative darf solange in der Schublade bleiben.

Lesen Sie dazu auch:

Eine kleine Geschichte der Künstlichen Intelligenz

Auguren von Gartner rufen die neuesten Technologietrends aus

Softwareroboter und KI treiben die Digitalisierung

Ein Chatbot für den Kundenservice

Aus einer Liste mit häufig gestellten Kundenfragen lässt sich beispielsweise mithilfe von Microsoft QnA Maker ohne größeren Aufwand ein Chatbot entwickeln. Er beantwortet etwa Support-Anfragen, kann aber auch intern nützlich sein. Neuen Mitarbeitern könnte der Bot etwa Auskünfte der Personalabteilung zu Vergünstigungen oder auch Informationen zum IT-Helpdesk geben.

Copy and Paste: Mit dem Microsoft-Tool QnA-Maker lassen sich Chatbots relativ einfach entwickeln.
Copy and Paste: Mit dem Microsoft-Tool QnA-Maker lassen sich Chatbots relativ einfach entwickeln.
Foto: Microsoft

Unternehmen füttern das System einfach per Dokumenten-Upload oder über einen Web-Link mit Inhalten. QnA Maker generiert daraus Frage-Antwort-Pärchen, die sie prüfen, modifizieren und anschließend per API Call zugänglich machen können. Wer mehr als nur Antworten in Textform will, kann das System mit dem .NET SDK und dem Microsoft Bot Framework anreichern. Auf diese Weise lassen sich beispielsweise auch Multimedia-Elemente einbinden.

Lesen Sie dazu auch:

Was Unternehmen über Chatbots wissen müssen

Marketing Automation und Analytics

Marketing-Abteilungen experimentieren häufig als erste mit neuen Technologien. Softwarehersteller haben diesen Trend erkannt und erweitern ihre Cloud-Angebote systematisch um Machine-Learning-Fähigkeiten. Zu den bekanntesten Beispielen gehören Adobe Marketing Cloud, Microsoft Dynamics 365 und Salesforce. Sie liefern über die Standardfunktionen hinaus etwa Produktempfehlungen für Kunden, zeigen personalisierte Suchinhalte oder geben Vertriebsmitarbeitern Hinweise auf potenzielle Kunden und deren Bedürfnisse. Prädiktive Modelle erlauben es mittlerweile sogar, Churn Rates zu prognostizieren und damit Forecasting- und Planungsprozesse zu verbessern.

Der Versicherungskonzern AXA etwa nutzt das quelloffene Machine Learning Framework TensorFlow, um herauszufinden, welche Kunden Unfälle mit einer Schadenshöhe von mehr als 10.000 Dollar verursachen könnten. Ein Deep-Learning-Modell arbeitet dazu mit rund 70 Variablen. AXA will auf dieser Grundlage die Preise für Versicherungspolicen optimieren. Früher eingesetzte Prognosemodelle seien nicht präzise genug gewesen, berichtet das Unternehmen. Mit dem neuen Verfahren erhöhe sich die Prognosegenauigkeit von 40 auf 78 Prozent.