Back to top

Ausblick auf das Jahr 2019: Suche, Analyse, Wissensmanagement und Einfluss der KI

Kamran Khan
Kamran Khan
Managing Director

Organisationen werden zunehmend durch Erkenntnisse angetrieben. Angesichts der rasanten Entwicklung von KI-Technologien wie z. B. maschinelles Lernen und Verarbeitung natürlicher Sprache (NLP) steigt der Bedarf an KI-gestützten Such- und Analyseanwendungen im Unternehmensbereich kontinuierlich. Über diesen Trend berichtete vor kurzem Forbes in 120 AI Predictions for 2019*. Das Jahr 2019 ist bereits voll im Gange, deshalb möchten wir die wichtigsten aktuellen Entwicklungen unter die Lupe nehmen.

Mit pragmatischer KI bedeutende Ergebnisse schneller erreichen

Das Thema KI ist in aller Munde, aber lassen Sie uns zuerst den Begriff „künstliche Intelligenz (KI)“ in unserem Kontext definieren, bevor wir uns in die Anwendung im Unternehmensbereich vertiefen. 

Laut einer Studie, die im Journal of Artificial Intelligence Research veröffentlicht wurde, besteht eine 50%ige Chance, dass KI in 125 Jahren alle menschlichen Arbeitsplätze ersetzen und die Arbeit völlig automatisch erledigen könnte. Das ist „reine KI“, die einen langen Weg benötigt, bis sie Aufgaben lösen kann, die menschliche Intelligenz benötigen. 

AI prediction_0.png

Aus der Studie “When Will AI Exceed Human Performance? Evidence from AI Experts”**

Aber anstatt „reiner KI“ sollten wir uns mit den praktischen KI-Technologien beschäftigen, mit deren Hilfe Unternehmen bereits heute kurzfristig Ergebnisse erzielen können. Im Unternehmensbereich reden wir über die „pragmatische KI“ – eine Sammlung von diversen Technologien, die menschliche Gehirnleistung und Verhaltensweisen spiegeln. Verglichen mit der „reinen KI“, hat die „pragmatische KI“ einen engeren Umfang und beinhaltet Deep Learning, NLP, Suche, Maschinelles Lernen, Intelligente Sensorik und Roboter. Pragmatisch ausgerichtete Organisationen werden sich auf die Integration dieser KI-Technologien konzentrieren, um bestimmte menschliche Aufgaben zu ergänzen und reale Ergebnisse zu erzielen.

Transformation der Arbeitsplätze dank KI-basierter Suche und Analytik

Während Benutzererwartungen an Suche durch Google verändert und Unternehmen in zunehmendem Maße datengesteuert werden, entspricht eine traditionelle Schlüsselwortsuche nicht mehr den Anforderungen der Unternehmensbenutzer. Durch das Kombinieren von Suche und Technologien wie maschinelles Lernen und NLP (bekannt als kognitive Suche) können Unternehmen eine bessere Benutzererfahrung und mehr Erkenntnisse anbieten. Wir stellten eine wachsende Nachfrage nach KI-gestützten Such- und Analyselösungen in unterschiedlichen Anwendungsszenarien fest.

Zum Beispiel in der Öl- und Gasindustrie helfen wir unseren Kunden weltweit, eine KI-basierte Wissensplattform für die Planung von Bohrungen, Entwicklung und Meldung von Vorfällen zu errichten. Basierend auf Suche und NLP wird diese Plattform mehrdeutige unstrukturierte Inhalte finden und korrigieren, wie zum Beispiel Textdokumente, Bilder, seismische Untersuchungen, Bohrungsprotokolle, Berichte über Explorationsbohrungen uvm. Dadurch bekommen die Benutzer in Echtzeit Ergebnisse, die keiner manuellen Überprüfung bedürfen, und können sich auf ihre strategischen Aufgaben konzentrieren.

Ein anderes Beispiel ist die Personalvermittlungsbranche. Früher mussten Personaldienstleister mit traditionellen Suchmechanismen Millionen von Profilen durchwühlen, um passende Kandidaten zu den veröffentlichen Stellenanzeigen zu finden. Wie gelang uns, die Personalvermittlung zu optimieren und bessere Ergebnisse zu erzielen? Die Suchoberflächen entwickelten sich mit der Zeit, damit konnten die Suchergebnisse gefiltert und verfeinert werden. So können heute die Vermittler mithilfe von Karten die Entfernung zwischen dem Bewerber und der Arbeitsstelle errechnen. In den komplexeren Such- und Abgleichanwendungen werden spezielle maschinelle Lernverfahren implementiert, die anhand einer Textanalyse von Bewerbungen und Stellenanzeigen eine Liste von bestgeeigneten Kandidaten erstellen und somit eine manuelle Sichtung von unzähligen Bewerbungen überflüssig machen. Die Vermittler können eine Rückmeldung zu den passendsten Vorschlägen geben, damit die Algorithmen lernen und zukünftig noch bessere Ergebnisse präsentieren. Die Erfahrungen waren durchaus positiv: Menschen fanden schneller einen Job, Arbeitgeber waren zufrieden, Personalvermittler erzielten mehr Umsatz.

Die oben genannten Anwendungsszenarien stellen die Evolution von Suche und Analyse aus unserer Sicht dar. Sie übernehmen die mühsamen manuellen Aufgaben und verwenden „pragmatische“ KI-Technologien, um die Aufgaben zu automatisieren bzw. die Prozesse mit Intelligenz anzureichern. Im Endeffekt werden die Menschen nicht ersetzt, sondern können bessere Entscheidungen treffen und effizienter arbeiten. Der Erfolg von solchen Anwendungen basiert auf den Kenntnissen über die Dateninhalte und deren Vorteile für die Nutzer. Betrachtet man jedoch die besondere Beschaffenheit von Unternehmensinhalten, so wird einem das Ausmaß der Herausforderung klar. 

Automatische Analyse der unstrukturierten Inhalte als Beschleuniger der Wissenserforschung

Circa 80 % der Unternehmensinhalte sind unstrukturiert. Sie bestehen aus den schnell wachsenden, von Menschen erzeugten Inhalten, wie z. B. Notizen, E-Mails, Textdokumente, Forschungsberichte, rechtliche Gutachten, Sprachaufnahmen, Videos, Beiträge in sozialen Medien usw. Im Unterschied zu den strukturierten Daten (Tabellen, Formulare, Protokolle) gestaltet sich die Suche und Analyse von unstrukturierten Daten nach brauchbaren Informationen äußerst schwierig.

Zum Glück existieren Technologien der Erfassung, Verarbeitung und Kennzeichnung von riesigen Mengen an unstrukturierten Daten, um diese für die Suche und Analyse zugänglich zu machen. 

Durch NLP und maschinelle Lernverfahren können wir die Analyse von unstrukturierten Inhalten automatisieren: Einheiten extrahieren (Menschen, Orte, Unternehmen usw.), Emotionen erkennen (Können wir anhand der Onlineumfrage feststellen, ob die Kunden mit unseren Produkten zufrieden sind?) und Themen kategorisieren (Dokumente mit bestimmten Merkmalen werden zur weiteren Bearbeitung an die entsprechenden Abteilungen weitergeleitet).

Diese Technologien der „pragmatischen KI“ trugen ebenfalls zur Entstehung der Chatbots bzw. virtuellen Assistenten bei, die Nutzeranfragen analysieren, Antworten geben und Aufgaben ausführen. Durchdachte Unternehmens-Chatbots sind in der Lage, einfache Aufgaben zu übernehmen, Kundenservice zu verbessern und die Benutzerproduktivität intern und extern zu steigern. 

Aber das ist noch nicht alles. Obwohl die Unternehmens-Chatbots zurzeit große Erfolge feiern, übernehmen sie meistens nur eingeschränkte unkomplizierte Aufgaben wie z. B. Auftragsabwicklung oder einfache Kundenanfragen. Mit „pragmatischer KI“ können wir die Benutzererfahrung noch weiter verbessern. 

Bessere Benutzererfahrung bei der Wissenssuche

Nach unserer Einschätzung werden NLP und maschinelle Lernverfahren wesentlich komplexere Anwendungen antreiben als reine Chatbots. Dazu gehören z. B. die Frage-Antwort-Systeme (QA). Geschäftliche Frage-Antwort-Systeme sind zwar schwer zu entwickeln, sie bringen aber deutlich mehr Nutzen, denn sie unterstützen größere Bereiche und das Verständnis natürlicher Sprache (NLU, Natural Language Understanding). Bereits heute erleben wir das bei unserer täglichen Suche im Internet, wie das folgende Beispiel zeigt.

Als erstes Unternehmen verwendete Google die Frage-Antwort-Technik, um seine Suchmaschine in eine „Wissensmaschine“ zu verwandeln, und implementierte dafür Google Knowledge Graph. Stellen Sie in Google die Frage „Wie hoch ist Mount Everest?“, so werden Sie nicht nur seine Höhe erfahren, sondern bekommen eine Reihe von Vorschlägen, welche anderen Informationen über diesen Berg für Sie interessant sein könnten. Das funktioniert über den Knoten „Mount Everest“ im Wissensgraph von Google. Dieser Knoten ist eine Sammlung von Daten über den Mount Everest (Beschreibung, Erstbesteigungen, Gebirgskette usw.) aus verschiedenen Internetquellen (Wikipedia, Wikidata, Zeitungsartikel, Websites usw.).
 

 

knowledge-graph-example.png


Angesichts der stetigen Verbesserung der Wissenssuche durch Google müssen Unternehmen mit den steigenden Erwartungen ihrer Nutzer rechnen. Wie sieht also ein auf Wissensgraphen aufgebautes Frage-Antwort-System in einem Unternehmen aus? 

Nehmen wir als Beispiel eine interne Suchanwendung. Auf die Frage „Wer sind unsere Analyseexperten in Nordamerika?“ bekommen Sie nicht nur eine Liste mit Namen, Orten und Kompetenzen der Experten, sondern eine aktuelle Übersicht von Projekten, Mitarbeitern und Kunden für jeden Experten. Um dies zu ermöglichen, werden Datenfragmente aus verschiedenen Datenbanken zusammengetragen (z. B. Lebensläufe der Mitarbeiter, Projektdokumentationen, Kundenberichte usw.) und durch sinnvolle Beziehungen miteinander verbunden. NLP kann zum Beispiel folgende Daten extrahieren:

  • Namen, Orte, Kompetenzen und Qualifikationen aus der Mitarbeiterdatenbank;
  • Projektbezeichnungen, -anforderungen, und -teilnehmer aus der Projektdatenbank;
  • Kundennamen, relevante Projekte und zugehörige Mitarbeiter aus der Kundendatenbank.

Anhand dieser fragmentierten Datenpunkten erstellen NLU-Algorithmen ein gesamtes Informationsnetz, aus dem hervorgeht, wie die Mitarbeiter, Projekte und Kunden miteinander verbunden sind. Als Wissensgraph des Unternehmens steht dieses Netz dem Frage-Antwort-System zur Verfügung, damit die Benutzer unverzüglich alle relevanten Informationen als Antworten auf Ihre Fragen erhalten können. Das Wissensgraph wird ständig um neue Datenpunkte und aufschlussreiche Beziehungen erweitert. 

Dank einer rasanten Entwicklung von NLP/NLU und Wissensgraphen wird es bald möglich, sehr komplizierte Fragen schnell und präzise zu beantworten, um zum Beispiel Betrugsfälle zu ermitteln, Markttrends zu beobachten oder neue Behandlungsmethoden zu finden.

Praxistauglichkeit und Effizienz anstatt Modewörter

In kommenden Jahren werden sich die „pragmatischen“ KI-Technologien (NLP, maschinelles Lernen, kognitive Suche) weiterentwickeln und eine immer breitere Verwendung finden. 

Die Technologieführer werden zwar die technische Seite umfassend verstehen, es besteht jedoch eine Wissenslücke zwischen dem Verständnis der Möglichkeiten und deren Umwandlung in wirtschaftliche Vorteile. Somit sollte der Fokus nicht auf die Modewörter gerichtet werden, sondern vielmehr darauf, wie man durch die Anwendung der intelligenten Technologien eine effiziente Informationsrecherche und -analyse gestalten kann. Eine erfolgreiche Integration benötigt Zeit, Investitionen, spezielles Wissen und technische Kompetenz. Mit einer praxisorientierten Strategie und Experten an ihrer Seite können Unternehmen unbegrenzte Innovationschancen nutzen. 

Wie ist Ihre Nutzungsstrategie für die KI-basierten Such- und Analyseanwendungen? Teilen Sie mit uns Ihre Anwendungsbeispiele und erfahren Sie mehr von unseren Experten.

- Kamran


Quellenangaben

* 120 AI Predictions For 2019,  Gill Press, Forbes, 9. Dezember 2018

** When Will AI Exceed Human Performance? Evidence from AI Experts, Katja Grace, John Salvatier, Allan Dafoe, Baobao Zhang, Owain Evans, Journal of Artificial Intelligence Research, 31. Juli 2018

0