Künstliche Intelligenz | KPMG | AT
close
Share with your friends
Dimensionen - Schwerpunkt Digitalisierung - Der Weg zur Künstlichen Intelligenz

Weg zur Künstlichen Intelligenz

Der Weg zur Künstlichen Intelligenz

Wie kommen Programme zu ihrer Intelligenz, was versteht man unter „Machine Learning“ und wo wird es eingesetzt?

Egal, ob es sich um die sprachlichen Assistenten unserer Handys, selbstfahrende Autos, Vorhersagen von Verkaufszahlen oder aber den Spielebereich mit Go und Dota 2 handelt – Künstliche Intelligenz (KI) ist gekommen, um zu bleiben und traditionelle Vorgehensweisen zu revolutionieren.

KI ist längst in den unterschiedlichsten Bereichen unseres privaten und beruflichen Lebens angelangt. Um nachvollziehen zu können, welche Aufgaben sich für KI eignen, muss man verstehen, was das Intelligente an KI ist – und was das alles mit Machine Learning (ML) zu tun hat.

Selbstständig lernen

Als Unterbereich von KI umfasst der Bereich ML eine große Kollektion von Algorithmen, die sich mit dem Erstellen von Wissen aufgrund von Erfahrung befassen. Essenziell dabei: Es handelt sich nicht nur um das bloße Erkennen von Mustern aus der Vergangenheit und die simple Reproduktion von Ereignissen. Vielmehr werden auf Basis von gesammelten Daten neue Regeln zum Reagieren auf bisher unbekannte Situationen erlernt und angewendet. Es ist genau diese Eigenschaft, die künstlichen Systemen deren Intelligenz verleiht und diese somit von reinen Automaten unterscheidet. KI ist also insofern intelligent, als sie selbstständig lernt und in der Lage ist, Entscheidungen zu treffen oder Sachverhalte zu analysieren.

Vielseitig einsetzbar

Wenn die Zusammenhänge in einem System nicht klar sind, ist ML im Verhältnis zu anderen Ansätzen am besten in der Lage, seine ganze Stärke zu entfalten. Das kann daran liegen, dass die gegenseitigen Abhängigkeiten zu komplex für die Herleitung von expliziten Regeln sind. Andererseits ist oftmals gar nicht bekannt, welche Faktoren sich gegenseitig beeinflussen. Dies veranschaulichen die folgenden Beispiele:

  • Go: Zu bewerten, ob das Setzen eines Steines bei diesem sehr strategischen Spiel gut oder schlecht war, ist in hohem Grade nicht trivial.
  • Stahlerzeugung: Qualitätsmessungen in einzelnen Bereichen sind gut durchzuführen, aber womöglich kann ein in Kauf nehmen von größeren Toleranzen im Strangguss zu besseren Ergebnissen nach dem Walzen führen.
  • Wertpapierhandel: Die schiere Fülle an Transaktionen und (psychologischen) Einflüssen machen explizite Berechnungen hochkomplex.

Klassischerweise wird in solchen Fällen auch auf die Intuition von Spezialisten zurückgegriffen – ein Ansatz, der nur eingeschränkt skalierbar und oft sehr zeitintensiv ist. Genau diesen Engpass will ML ausmerzen, zumindest so weit, dass sich die Spezialisten auf die wirklich komplizierten Einzelfälle konzentrieren können.

(Un-)Überwachtes Lernen

Eine Einteilung erfolgt typischerweise aufgrund der Lernmethodik oder der verfolgten Zielsetzung. Gibt es eine Aufbereitung von Lernmaterial durch einen Lehrer, spricht man von überwachtem Lernen (supervised learning). In Anlehnung an das oben genannte Beispiel des Strategiespiels Go: Der Algorithmus kann mit allen verfügbaren Partien und deren Ergebnissen trainiert werden. Andere typische Beispiele für überwachtes Lernen umfassen verschiedenste Arten von Klassifikationen oder auch Regressionsanalysen. Dem steht das unüberwachte Lernen (unsupervised learning) gegenüber, bei dem ML selbst eine Art von Struktur zu identifizieren hat. Dabei kann unter anderem die Absicht dahinterstehen, noch völlig unbekannte Zusammenhänge aufzudecken. Solch eine Herangehensweise wird mitunter in Clustering-Methoden (zB Kundensegmentierungen) oder auch bei der Outlier Detection, wie etwa bei der Kreditkarten-Fraud Detection, eingesetzt.

Die im Moment wichtigsten Trends im un- und supervised learning sind Deep Learning (DL) und Genetic Algorithms (GA). Beide Methoden sind von Vorgängen aus der Biologie inspiriert. DL arbeitet mit künstlichen neuronalen Netzwerken, um die Informationsverarbeitung wie in einem Gehirn nachzubilden, und liefert zB bei der Bilderkennung außergewöhnliche Resultate. Bei GA werden Analogien zur natürlichen Selektion herangezogen und unterschiedliche Lösungen mithilfe von Mutation, Crossover und anschließender Selektion verfeinert (erfolgreich ua beim klassischen Travelling Salesman Problem).

Zutaten für KI

Um mithilfe von ML eine KI zu erzeugen, sind vor allem drei Faktoren von Bedeutung:

  • Business Understanding: Nur mit dem notwendigen Wissen über die vielfältigen Herausforderungen in einem Unternehmen kann eine sinnvoll mit ML zu behandelnde Fragestellung entwickelt werden. Dieser Schritt beinhaltet das Identifizieren des zu optimierenden Sachverhalts, eine Vorselektion der möglichen Einflussfaktoren und das Finden geeigneter Datenquellen.
  • Machine Learning: Nun muss die Fragestellung in eine Formel gegossen werden, gefolgt von einer dementsprechend angepassten Aufbereitung der Ausgangsdaten und der Identifikation des passenden Algorithmus. Der erste Prototyp wird in einem iterativen Prozess so lange anhand der gelieferten Ergebnisse verbessert, bis die Resultate zufriedenstellend sind. Auf diesem sehr technischen Gebiet ist eine Vernetzung mit Forschungseinrichtungen, wie KPMG sie unter anderem mit den Data Scientists der FH OÖ Hagenberg pflegt, entscheidend, um stets auf aktuellste, wissenschaftliche Erkenntnisse zugreifen zu können.
  • Integration: Nur eine verständliche und benutzerfreundliche Aufbereitung der Ergebnisse garantiert die erfolgreiche Einbindung in den weiteren Prozessablauf. Egal ob es sich dabei um Dateien zur automatisierten Weiterverarbeitung durch andere Unternehmenssoftware, einen Bericht für den Vorstand oder die Integration in verschiedenste Dashboarding-Tools handelt: Machine Learning wird Unternehmen in Zukunft schneller und besser machen.

Mit Unterstützung

Der Weg von KI in Unternehmen startet mit der Identifikation von Herausforderungen, die mit ML behandelt werden können. Beim Finden des passenden Algorithmus können Fachexperten ebenso unterstützen, wie bei der richtigen Einbindung in Unternehmensabläufe.


Autoren

Christoph Winkler
Klaus Nöbauer
Christian Weinzinger

Verwandte Inhalte