Künstliche Intelligenz für die Datenanalyse in Unternehmen

Die Führungskräfte Lawrence S. Maisel, Robert J. Zwerling und Jesper H. Sorensen argumentieren, dass die Anwendung künstlicher Intelligenz auf die Datenanalyse die Möglichkeit bietet, Instrumente, Techniken und Geschäftsprozesse zu entwickeln, mit denen sich Muster, Beziehungen und Trends erkennen lassen. In ihrem Buch AI‐enabled analytics for business: A roadmap for becoming an analytics powerhouse stellen sie einen Fahrplan für die Entwicklung und Implementierung von künstlicher Intelligenz in der Analyse von Unternehmensdaten vor.

Die künstliche Intelligenz kann auf eine mehr als 75-jährige Geschichte zurückblicken. Der Mathematiker Alan Turing untersuchte bereits die mathematischen Möglichkeiten der künstlichen Intelligenz und schlug vor, dass, wenn die Prämisse, dass „Menschen verfügbare Informationen und Vernunft nutzen, um Probleme zu lösen und Entscheidungen zu treffen“, zutreffend sei, dann könnten auch Maschinen dasselbe tun. Dies war der Ausgangspunkt für seinen Artikel „Computational Machinery and Intelligence“, in dem er bereits 1950 erörterte, wie man intelligente Artefakte bauen und ihr Wissen testen kann.

Was also ist künstliche Intelligenz? Grob gesagt handelt es sich um die Fähigkeit einer Maschine, Entscheidungen zu treffen, die bisher dem Menschen vorbehalten waren. Doch was bedeutet das, wie sieht die KI aus und wie wird sie unser Leben und unsere Gesellschaft verändern?

Die KI wird früher oder später in jedem Unternehmen Einzug halten. Wann sie jedoch in jedes Unternehmen integriert wird, hängt ganz davon ab, was die jeweilige Führungskraft über KI und Datenanalyse weiß und versteht. Hier zeigt sich die Kluft zwischen denjenigen, die diese Technologie bereits eingeführt haben, und den anderen.

Vielen Führungskräften fehlt eine klare Vision und Strategie für die Implementierung von KI in ihrem Unternehmen, ihrem Geschäftsbereich, ihrer Gruppe oder ihrer Abteilung

Die Einführung von künstlicher Intelligenz steckt noch in den Kinderschuhen, und die Projekte zielen bislang nur auf einige wenige spezifische Aufgaben und Unternehmensbereiche ab. Der Trend zur Einbeziehung fortschrittlicher Analysen geht zwar in die richtige Richtung, doch gibt es derzeit mehr Fehlschläge als Treffer. Das Gute daran ist, dass Fehler in der KI und Analytik in hohem Maße vermeidbar sind.

Vielen Führungskräften fehlt eine klare Vision und Strategie für die Implementierung von KI in ihrem Unternehmen, ihrem Geschäftsbereich, ihrer Gruppe oder ihrer Abteilung. Andere meinen, das Potenzial zu verstehen, arbeiten aber oft mit unpräzisen Begriffen oder Konzepten, was Analytik bedeutet. Ihre erste Reaktion ist die Einstellung von Beratern und KI-gestützter Software, auch wenn sie nicht verstehen, wie die Analysen für die Entscheidungsfindung genutzt werden sollen.

In den Vorstandsetagen sind Klagen zu hören wie „wir brauchen bessere Prognosen“, „was treibt unser Geschäft an“ oder „wir müssen intelligenter werden in dem, was wir tun“. Doch wie lässt sich dies erreichen? Viele Führungskräfte haben Berge von Berichten von Beratungsunternehmen gelesen, in denen beschrieben wird, „was“ erreicht werden soll, aber „wie“ es erreicht werden soll, ist nicht klar. Deshalb hinken so viele Unternehmen bei der Einführung von KI und Datenanalyse hinterher.

KI und maschinelles Lernen: ähnlich und doch anders

„Künstliche Intelligenz und maschinelles Lernen“ sind Begriffe, die immer wieder auftauchen und gleichbedeutend verwendet werden. Aber auch wenn sie eng miteinander verwandt sind, sind sie nicht dasselbe. Bei der KI handelt es sich um eine Reihe von Fähigkeiten, mit denen eine Maschine menschliche Entscheidungen treffen kann. Das maschinelle Lernen ist eines der Mittel, mit denen dies erreicht werden kann, und ist daher in der KI enthalten. Alles maschinelle Lernen ist KI, aber nicht jede künstliche Intelligenz ist ML.

Das maschinelle Lernen umfasst Algorithmen (mathematische Modelle), die von Computern zur Ausführung bestimmter Aufgaben verwendet werden. Sie erhalten keine ausdrücklichen Anweisungen und basieren häufig auf Mustern und Schlussfolgerungen. Eine weitere beliebte Form der KI sind hochentwickelte neuronale Netze, die die Struktur der Synapsen des Gehirns nachbilden.

Neueste Fortschritte beim maschinellen Lernen

Das maschinelle Lernen erfordert spezielle Fähigkeiten für seine Nutzung und Umsetzung. Oft wird maschinelles Lernen mit anderen Instrumenten kombiniert, um die Entscheidungsfindung zu erleichtern. Nehmen wir zum Beispiel an, dass eine Bank die Zahl ihrer Kredite erhöhen möchte, ohne das Risikoprofil ihres Portfolios zu erhöhen. Sie könnte mit Hilfe des maschinellen Lernens Vorhersagen treffen, die Ergebnisse in Tabellenkalkulationen importieren und neue Kunden darüber informieren, dass ihr Antrag genehmigt wurde.

Große Projekte zum maschinellen Lernen erfordern häufig die Zusammenarbeit von Datenwissenschaftlern, Programmierern, Datenbankadministratoren und Anwendungsentwicklern. Darüber hinaus benötigt das maschinelle Lernen große Mengen an hochwertigen Daten für das Training. Diese Anforderung lähmt 80 % der Projekte im Zusammenhang mit dieser Form von KI.

Die Anwendung des maschinellen Lernens ist zwar beliebt und leistungsfähig, aber nicht einfach. Zahlreiche neue Softwarepakete erleichtern ihre Nutzung, aber sie ist immer noch hauptsächlich Datenwissenschaftlern vorbehalten. Angenommen, wir möchten vorhersagen, welche unserer E-Commerce-Kunden ihren Kauf abschließen und welche die Website vor dem Bezahlen verlassen. Dieser Prozess umfasst mehrere Schritte, darunter die Datenerfassung, die Datenaufbereitung, die Auswahl und Programmierung von Algorithmen, das Training eines Modells, das Testen und schließlich die Implementierung. Jeder Fehler an einem dieser Punkte erfordert einen Neustart oder eine Rückkehr zu einem früheren Punkt.

Das maschinelle Lernen ist zwar komplex, bietet aber einen großen kommerziellen Nutzen für eine Vielzahl von Anwendungen

Eine der Einschränkungen des maschinellen Lernens liegt in der Tatsache, dass die Modelle in den meisten Fällen nicht auf ein ähnliches Unternehmen oder auf eine andere Abteilung innerhalb desselben Unternehmens übertragbar sind. Und, wie bereits erwähnt, benötigen sie oft andere Instrumente, um ihre Ergebnisse für Manager nutzbar zu machen.

Das maschinelle Lernen ist zwar komplex, bietet aber einen großen kommerziellen Nutzen mit einer breiten Palette von Anwendungen. Dazu gehören beispielsweise Vorhersagen über die Abwanderung von Kunden, welche Verkaufsabschlüsse in den nächsten 60 Tagen zustande kommen, welche Medikamente am ehesten in die nächste Phase der Erprobung übergehen, wie viele Verbraucher bei einem Rabatt von 5 % mehr kaufen würden oder Prognosen zur Nachfrage.

Wir leben in einer Zeit der spannenden Veränderungen. Unternehmen sind bestrebt, die Produktivität und damit auch das Leben der Menschen zu verbessern. Die Erfindung der Energie und des Elektromotors veränderte die Gesellschaft radikal und brachte der Menschheit zu Beginn des 20. Jahrhunderts immense Vorteile. Die KI wird noch tiefgreifendere Veränderungen bewirken, die sich auf kommende Generationen auswirken werden.