Künstliche Intelligenz – Anwendungen und Fazit

Ein Beitrag von Prof. Dr. Jürgen Angele und Dr. Thomas Franz

Textverarbeitung als Use Case in der KI

Ein „Parsen“, sprich ein Analysieren der Sätze, lässt die Struktur eines Satzes erkennen und ermöglicht die Zuordnung von Rollen wie Substantiv, Prädikat und Objekt. Die Erkennung von Entitytypen erlaubt die Zuordnung von Satzteilen zu Kategorien wie Person, Lokation oder Firmenname. Die Extraktion von Relationen ermöglicht es, Beziehungen in Texten zwischen Entitites zu erkennen. Im Gegensatz zu solchen tiefen Analysen bedient sich Textmining statistischer Methoden, um beispielsweise wichtige Worte in Texten zu extrahieren und Texte zu klassifizieren.

Anwendungsbeispiele

Üblicherweise nutzen komplexe Systeme unterschiedliche Methoden der Künstlichen Intelligenz. Exemplarisch ist folgender Use Case aus dem Bankenumfeld, der Methoden aus verschiedenen Bereichen der KI nutzt:

Servicebereich: Banking

Bankinterne Berater unterstützen ihre Fondsmanagement-Kollegen bei Anlageentscheidungen. Dafür lesen sie Berichte von Analysten, die beispielsweise die Entwicklung von Industriebereichen in unterschiedlichen Regionen betrachten. Um nicht alle derartigen Berichte lesen zu müssen und das Wissen dazu dennoch flexibel und in natürlicher Weise abgreifen zu können, sollen die Berichte in Zukunft einerseits automatisch analysiert und die Inhalte andererseits in Form einer natürlichen Sprachkommunikation zur Verfügung gestellt werden. Das System muss in der Lage sein, alle Entscheidungen nachvollziehbar zu dokumentieren. In einem solchen Bericht ist beispielsweise folgender Satz zu finden: „Das Wachstum in China hat sich etwas beschleunigt. Es beträgt voraussichtlich 6,3 Prozent in diesem Jahr.“ Mit Hilfe von Methoden des NLP wird der Text analysiert und Informationen extrahiert, die maschinell verarbeitet werden können. Diese Informationen werden in ein Wissensrepräsentationssystem eingespeist. Dieses enthält ein komplexes Modell, das mittels Schlussfolgerungen Anlageentscheidungen vorschlagen kann.

Eine Erklärungskomponente macht die Anlageentscheidung im Detail nachvollziehbar. Wenn nun eine Anlageempfehlung gefordert ist, wird das Sprachsignal in einen Text übersetzt. Die Systeme großer Anbieter wie Alexa, Google Home, Siri und Cortana nutzen Verfahren, um Sprache in Text umzusetzen. Zum Trainieren dieser Systeme wird meist Deep Learning auf Basis von neuronalen Netzen angewandt. Das Ergebnis dieser Umsetzung könnte die Aufforderung „Gib mir bitte eine aktuelle Anlageempfehlung“ als Text sein. Dieser Text wird durch NLP-Verfahren analysiert und einem „Intent“, einer konkreten Zielsetzung, zugeordnet.

Ein Intent drückt die Absicht einer solchen Aufforderung oder Frage aus und ist eine maschinenlesbare Information. Einem Intent können viele unterschiedliche Formulierungen zugeordnet werden. Das Wissensrepräsentationssystem erzeugt aus dem Intent die Anlageempfehlung, die dann vorgelesen wird. Wir sehen, dass dieses System Methoden des Natural Language Processing (NLP), der Wissensrepräsentation, von Schlussfolgerungen und des Maschine Learning (Neuronale Netze, Deep Learning) kombiniert, um die geforderte Funktionalität zur Verfügung zu stellen.

Industrie: Maschinenwartung

Ein weiteres wichtiges Anwendungsgebiet Künstlicher Intelligenz ist – so auch die Ergebnisse einer McKinsey-Studie – der Bereich der „Predictive Maintenance“, also der „vorausschauenden Maschinenwartung“. Komplexe Produktionsgüter wie Automobile, grosse Druckmaschinen, Gasmotoren oder Kraftwerke enthalten immer mehr Sensoren, die einen kontinuierlichen Fluss von Messwerten aus dem Betrieb dieser Maschinen liefern. Diese Informationen sollen automatisch analysiert werden und – lange bevor ein Fehler auftritt – Hinweise auf geeignete Wartungsarbeiten liefern. Damit können etwa Stillstandzeiten aufgrund von Ausfällen verringert werden. Neuronale Netze werden verwendet, um Werte aus einzelnen Sensoren oder Sensorgruppen auf solche Hinweise hin zu analysieren. Diese neuronalen Netze müssen durch überwachtes Lernen trainiert werden. Dazu müssen entweder aus der Vergangenheit oder durch Simulationen Trainingsdaten erzeugt werden, deren Werte diese Fehlercharakteristik aufweisen.

Die Ergebnisse dieser Analysen werden dann in ein Wissensrepräsentationssystem eingespeist. Auf diese Weise erzeugt das System Vorschläge, welche Teile zu ersetzen sind und wie das Problem bereits im Vorfeld durch entsprechende Wartung verhindert werden kann. Dieser Use Case kombiniert Maschine Learning via neuronaler Netze mit Wissensrepräsentation und Schlussfolgerungen.

Fazit: KI aus unserer Perspektive

• Der Fokus, mit dem wir uns bei adesso im Rahmen von KI beschäftigen, ist die „schwache KI“: Mit dieser Ausrichtung sind wir in der Lage, uns auf die nutzbringenden Anwendungsfälle unserer Kunden zu konzentrieren. Wir agieren praxisorientiert. Forschung und Vision stehen nicht im Mittelpunkt unserer Aktivitäten.
• Wir beraten grundsätzlich technologieneutral, denn es gibt viele KI-Verfahren und noch mehr KI-Werkzeuge für die verschiedenen Prozesse. Eine kluge Auswahl, die herstellerunabhängige Beratung erfordert, ist hier gefragt. Eine Anforderung muss natürlich auch nicht immer durch KI gelöst werden. Je Anforderung hinterfragen wir, ob beispielsweise die Implementierung in einer Programmiersprache, die Abbildung durch Regeln oder Nutzung maschinell erlernter Modelle zielführend und insbesondere wirtschaftlich ist.
• Die Zusammenarbeit verschiedener Spezialisten, wie Fachexperten, Informatiker, Data Scientists usw. ist für den Erfolg von KI-Projekten sogar noch relevanter als in Softwareentwicklungsprojekten, wo die Kombination von Fach- und Technologie-Expertise ebenfalls ein bedeutsamer Effizienztreiber ist.
• Neue Interaktionsmöglichkeiten und moderne Oberflächen sind aktuell der erste grosse Durchbruch. Dahinter steckt schon heute echte KI und sogar häufig die Kombination verschiedener Verfahren. Chatbots und Sprachassistenten wie Alexa kombinieren KI für die Spracherkennung und die inhaltliche Interpretation des erkannten Textes.
  Ein Beispiel für Chatbot-Systeme, wie sie adesso im Automobilbereich entwickelt, stellen wir Ihnen in diesem aditorial vor (Top-Thema 2).
• Daten sind das Öl der Zukunft – die KI stellt die Raffinerie für die Aufbereitung, Verfeinerung und Nutzbarmachung dar. Daher halten wir es für wichtig, dass KI keine Blackbox ist, in der Daten verschwinden. Vielmehr ist für unsere Kunden essenziell, dass sie auf ihrem Weg zum Erfolg stets die Hoheit über ihre Daten behalten.
• Künstliche Intelligenz ist – in unserem Verständnis und unserer Arbeit für den Kunden – keine Blackbox, sondern ein transparenter Prozess, in dem der Kunde die Fäden in der Hand behält.