© iStockphoto
Wir am Fraunhofer ITWM sind größtenteils Mathematiker:innen und forschen auf verschiedenen Gebieten. Zwei große Felder und Methoden sind hierbei die »Künstliche Intelligenz« (KI) sowie das »Maschinelle Lernen« (ML). Unser Ziel ist es unter anderem die Verfahren zu verbessern, zu verstehen und neue Einsatzgebiete zu erschließen. So auch den Einsatz bei betriebswirtschaftlichen Prozessen.
Für viele sind die Wörter »Künstliche Intelligenz« (KI) sowie das »Maschinelle Lernen« (ML) nicht wirklich greifbar. In diesem Zusammenhang fällt häufig das Wort »Black Box« mit dem Gedanken: »Wir stecken in die KI-Methoden unsere Daten hinein und am Ende erhalten wir eine sehr gute Vorhersage/Bewertung/Analyse unserer Daten.«
Das ist so leider in der Praxis nicht ganz der Fall. Sicher können wir mithilfe von KI-Methoden schneller Daten analysieren. Jedoch werden wir keine Informationen herausfinden, die nicht schon in den Daten selbst enthalten sind. Daher steht und fällt der Einsatz von KI immer mit der Datenqualität.
Auch benötigen wir für jede Analyse und Interpretation bzw. das Aufsetzten der Modelle die Expertise der Branche. Ohne diese würden wir vielleicht auch Zusammenhänge nachweisen, die gar nicht existieren.
Demzufolge ist die Basis unserer KI-Methoden eine möglichst gute Qualität der Daten (was dies genau bedeutet, dass erklären wir in einem der nächsten Blog-Posts). Ebenso ist das Verständnis dieser Daten essentiell wichtig. Ohne diese zwei Voraussetzungen ist eine gute Konzeption der KI-Methoden schwer möglich.
Wenn wir von Künstlicher Intelligenz sprechen, dann versteht unter diesem Buzzword wahrscheinlich jede:r etwas anders, dennoch sprechen alle darüber. Bei dem Begriff Algorithmus ist dies schon wieder anders. Einige schrecken davor zurück, anderen ist es der Inbegriff der KI.
Wenn wir Wikipedia befragen, dann erhalten wir folgenden Definition: »Ein Algorithmus ist eine eindeutige Handlungsvorschrift zur Lösung eines Problems oder einer Klasse von Problemen.«
Bei der Künstlichen Intelligenz handelt es sich im Grunde um eine Aneinanderreihung von verschiedenen Handlungsvorschriften, mit dem Ziel die beste Beschreibung der Daten zu erreichen. Was genau »die beste Beschreibung der Daten« in diesem Zusammenhang bedeutet, das hängt dann von der Beschreibung des Problems ab.
Probleme die wir hier bearbeiten und thematisieren werden, stammen aus den Bereichen »Auffälligkeitsdetektion«, »Zeitreihen« und »Erklärbarkeit«. In diesen einzelnen Gebieten werden wir dieses Thema etwas detaillierter betrachten.
In den letzten Wochen und Monaten wurde immer wieder vom Boost der Digitalisierung Deutschlands gesprochen. Gerade dieser Boost innerhalb der Verwaltung und betriebswirtschaftlicher Prozesse generiert einen Pool an Daten, die regelmäßig analysiert und von Expert:innen zu beurteilen sind.
So ist z.B. aufgrund der Einrichtung von E-Rechnungen erstmals möglich die Daten selbst mithilfe von Algorithmen zu prüfen und relevante Daten durch Expert:innen prüfen zu lassen. Durch immer mehr digitale Kommunikation ist auch das Erlernen von der aktuellen Zuweisung von Nachrichten an Sachbearbeiter:innen möglich, sowie das Aufdecken von unnötigen E-Mailverkehren, indem direkt die Personen die Nachricht erhalten, die es wirklich betrifft. Ohne dass diese Daten digital vorliegen, ist dies nur bedingt oder mit enormen Aufwand möglich.
Fallen nun diese Daten digital an, so ist das die beste Voraussetzung für Maschinelle Lernverfahren (ML). Einfache statistische Analysen basierend auf kleineren Datenmengen sind in fast jedem Unternehmen vorhanden. Mit diesen digital gewonnenen, enormen Datenmengen sind nun Maschinelle Lernverfahren auch in vielen Unternehmen möglich. Inwiefern die Daten auch mit den schon existierenden Verfahren für die relevanten Problemstellungen anwendbar sind, ist eine andere Frage.
Dies bietet nicht nur die Möglichkeit die Algorithmen in die Praxis zu bringen, sondern auch neue Verfahren und Analysemethoden für Fragestellungen dieser Art zu entwickeln und zu erforschen.
Wenn der Computer schon alles finden kann und bessere Prognosen sowie Auswertungen liefert als die/der Sachverständige, was ist dann überhaupt noch deren Aufgabe? Werden jetzt alle ersetzt? Solche Fragen lesen wir immer wieder. Für eine Beantwortung ist es essentiell zu wissen, dass Menschen die Algorithmen programmieren. Diese suchen nach einer optimalen Lösung, wobei optimal auch wieder von den Programmierenden bestimmt wird. Hierbei können vorhersehbare Ereignisse schon berücksichtigt werden. Neue, nicht vorhersehbare Veränderungen sind schwer mit einzubauen. Daher stellt die KI eine Erleichterung der Arbeit für den/die Sachbearbeiter:in dar, jedoch wird dieser nie komplett ersetzt, um Unvorhersehbares abzufangen.
Finden Veränderungen in den Daten statt, so muss der Algorithmus auch diese lernen. Hierfür bedarf es auch die Information der Menschen, die über eigene Erfahrungen die korrekte Einschätzung vornehmen.
Wir sehen, es findet eine Arbeitsveränderung statt, jedoch kein Ersetzen.
In unserem Projekt EP-KI (Entscheidungsunterstützung für betriebswirtschaftliche Prozesse mit Hilfe neuer KI-Methoden) entwickeln wir neuen Algorithmen, welche für die Anwendung relevant sind. Hierfür haben wir die folgenden Anwendungsfelder ins Visier genommen:
Diese werden wir mit den folgenden Forschungsfeldern bearbeiten:
Themen, die genau auf diese Forschungsfelder einzahlen, haben wir entsprechend gekennzeichnet. So wird es schnell möglich sein, für gezielte Fragen schnelle Antworten zu finden. Wir freuen uns auf Euer Feedback!
Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM