Die Medien überwerfen sich die letzten Jahre mit ihren Meldungen über künstliche Intelligenz. Eine neue Ära bräche an und immer neue Rekorde würden aufgestellt. Doch was heisst das in der Praxis? Was bedeutet KI praktisch für Unternehmen? Und zu was ist KI überhaupt fähig?
Starke vs. Schwache KI: Ein wichtiger Unterschied
Um zu verstehen wozu künstliche Intelligenz in der Praxis fähig ist, muss man vor allem unterscheiden zwischen so genannter starker und schwacher KI. Die starke oder auch generelle KI kennt man aus Science Fiction Medien. Computer, Maschinen und Roboter die menschlich denken und fühlen.
Doch starke KI ist weit entfernt von dem, was man in der Praxis begegnet. Selbst die Forschung ist noch mindestens Jahrzehnte davon entfernt, dass Algorithmen selbstständig “denken” können.
Was künstliche Intelligenz hingegen bereits jetzt in sehr hohem Maße leisten kann, ist in der “schwachen” KI verankert. Dieser auch “spezialisierte” KI genannte Teilbereich beschäftigt sich mit der Lösung eines spezifischen Problems (z.B. Prognosen, Kategorisierung) durch den Einsatz von Algorithmen und Daten.
Einfach gesagt ist die KI die wir heute in vielen Geräten, Produkten und Unternehmen erleben, eine hochspezialisierte Lösung für ein bestimmtes Problem. Dazu werden Algorithmen mittels Daten trainiert um dann ein “Modell” zu generieren, welches erlaubt, Rückschlüsse zu ziehen. Die Idee, dass KI selbst Probleme erkennt, abstrakt löst oder sogar Kreativität an den Tag legt, ist noch Fiktion.
Methoden der künstlichen Intelligenz einfach erklärt
Um noch genauer zu werden, wie KI in der Praxis eingesetzt werden kann, skizzieren wir im Folgenden ein paar der herkömmlichen Methoden:
- Prognosen: Mittels Zeitreihenanalysen können zukünftige Werte für einen Zeitraum durch historische Daten gestützt sehr präzise vorhergesagt werden. Dabei wird auch Saisonalität oder Trend beachtet und miteinbezogen.
- Vorhersagen: Anhand vieler Ausprägungen (z.B. Merkmale einer Person) können Werte (z.B. Größe in cm) vorhergesagt werden. Auch hier wird ein statistisches Modell anhand historischer Daten trainiert, um Aussagen über neue Datensätze zu treffen.
- Klassifizierung: Diese Art der Algorithmen ordnet Datensätze in Gruppen ein. Zum Beispiel die Einordnung von Bildern eines Produkts aus der Fertigung in “gut” oder “Ausschuss”.
- Gruppenerkennung: Es werden sich ähnliche Daten zusammengefasst, um aus sehr vielen Daten wenige Segmente zu bilden, die besser verarbeitet werden können.
- Empfehlungssysteme: Häufig gemeinsam auftretende Daten, Handlungen und Ereignisse werden identifiziert, um eine Abhängigkeit und somit erwartete Aktion herzustellen.
- Anomalieerkennung: Ungewöhnliche Ereignisse können durch die Erkennung von Anomalien sichtbar gemacht werden und somit als Filter agieren.
Kurzum werden entweder historische Daten genutzt um Modelle für die Zukunft zu beschreiben (“supervised Learning”) oder Ähnlichkeiten innerhalb eines Datensatzes genutzt um Gruppen und Abhängigkeiten zu identifizieren (“unsupervised Learning”).
Beispiele für KI in der Praxis
Vorhersage von Umsatz und Absatz
Einer der häufigsten Einsatzbereich von KI ist die Vorhersage von KPIs (Key Performance Indicators), also Messzahlen. Besonders in der strategischen Unternehmensführung, aber auch im Vertrieb, dem Einkauf und der Personalplanung ist es wichtig zu wissen, mit wie viel Absatz gerechnet werden kann.
Hierzu werden Zeitreihenanalysen oder weiter fortgeschrittene Modelle wie Künstliche Neuronale Netze eingesetzt, um basierend auf historischen Daten möglichst genau vorherzusagen, welcher Wert in Zukunft erwartet werden kann. Diese Vorhersagen sind meist ein vielfaches genauer als manuelle Berechnungen oder “Bauchgefühl”, da sie auch Trends, Saisonalität, Feiertage und viele andere Faktoren berücksichtigen kann.
Weiß man welcher Absatz erwartet wird, erlaubt dies eine Vielzahl von zielgerichteten Aktionen im Unternehmen. Man kann ihn weiter durch Marketing fördern, man kann die notwendigen Produkte und/oder Fertigungsmaterialien planen oder auch entsprechend mehr Personal einstellen – oder eben nicht – um den Bedarf zu decken.
Kundenanalysen für besseres Kundenverständnis
Viele Projekte rund um KI und dem Einsatz von Daten drehen sich auch um ein besseres Kundenverständnis. Das Ziel ist immer, seine existierenden und potentiellen Kunden besser zu verstehen, um Digitale Services, Plattformen, Produkte und andere Kanäle möglichst optimal zu gestalten.
Meist beginnen diese Vorhaben mit klassischen Datenanalysen (Segmente, RFM-Analyse, Auswertung von Verhaltensdaten). Allerdings kommen auch immer mehr KI-basierte Methoden zum Einsatz: Vorhersage von LTV (Life-Time-Value), Klassifizierung von Kunden oder so genannte Data-Driven Personas.
Data-Driven Personas zum Beispiel nutzen alle verfügbaren Kundendaten, um möglichst ähnliche Kunden anhand ihrer Daten zu gruppieren. Diese Gruppen können dann zum Beispiel in Marketingmaßnahmen (personalisierte Newsletter) oder Produktentwicklungen eingesetzt werden, um möglichst passgenau auf die Kundenbedürfnisse einzugehen.
Der Vorteil ist eine individuelle Bedienung der Kunden und eine möglichst hohe Bindung ans eigene Unternehmen. Da die Basis der Kundenanalysen Daten sind, sind diese Analysen auch ein Abbild der Realität und kein qualitatives “Bauchgefühl”. Folglich sind sie verlässlicher und können besser für nachfolgende Aktionen eingesetzt werden.
Erkennung von Ausreißern, Anomalien und Fehlern
Während man oft versucht vorherzusagen wie sich Informationen (z.B. Umsatz) entwickeln werden, bietet der Einsatz von KI auch die andere Richtung: Die Erkennung von ungewöhnlichen Einträgen innerhalb des Datensatzes.
Ein klassisches Beispiel in dieser Kategorie ist die Erkennung von Betrugsversuchen. Besonders in der Praxis von Finanzinstituten werden häufig sehr hohe Aufwände betrieben um Betrugsversuche zu erkennen und zu verhindern.
Folglich kann man durch eine datenbasierte Ausreißer-Erkennung einerseits Kapazität auf relevante Fälle bündeln, auf der anderen Seite eine zusätzliche, nicht-menschliche Validierung einführen die ggf. Fälle identifiziert, die übersehen wurden. Andere Anwendungsbereiche für Anomalieerkennung sind zum Beispiel die Industrie / Fertigung (fehlerhafte Produkte, falsch eingestellte Maschinen), im E-Commerce (Falschbestellungen, plötzlich sehr hohe oder niedrige Anzahl an Besuchern) oder auch Service-Center (plötzlich sehr hohes Anfragen-Aufkommen). In allen Fällen erlaubt es, den oder die Ausreisser zu untersuchen und Gegenmaßnahmen oder Kontrollen einzuführen.
Sentimentanalyse für die Priorisierung von Kapazität im Support
Eine Sentiment-Analyse ist die Identifikation des “Gefühls” in einer Nachricht oder einem Text. Üblicherweise wird der Text in die Kategorien “Positiv”, “Neutral” und “Negativ” geordnet. Das Ganze basiert auf dem Bereich natürliche Sprachverarbeitung (Natural Language Processing, NLP) der künstlichen Intelligenz.
Meist wird Sentimentanalyse im Marketing und dem Brand-Management eines Unternehmens eingesetzt. Doch es gibt ein weiteres Praxisbeispiel, das noch direktere Auswirkung haben kann. Die Rede ist vom Einsatz im Bereich Customer Support.
Nutzt man Sentiment Analysis im Kundensupport, vor allem bei Text-Nachrichten (z.B. E-Mail), kann man direkt eine Priorisierung der Nachrichten einführen. Positive Nachrichten bedingen selten einer schnellen Reaktion, während Negative zuerst bearbetiet werden sollen.
Der Mehrwert ist klar: Kunden mit bereits hohem Frustpotential werden sehr schnell kontaktiert und geholfen, während positiv eingestellte Kunden gemäß der Ressourcen einige Verzögerung ertragen müssen, aber auch können. Der Mehrgewinn an Effizienz bei begrenzter Kapazität erlaubt einen klaren Vorteil und bessere Versorgung von Kunden.
Erkennung von personenbezogenen Daten für DSGVO-Konformität
Datenschutz wird immer präsenter. Vor allem personenbezogene Daten genießen eine besondere Schutzbedürftigkeit. Aber bei den vielen Systemen und Datenquellen ist es oft schwierig einen Überblick zu behalten, wo überall personenbezogene Daten gespeichert sind.
Doch auch hier kann KI helfen. Durch die vollautomatische Erkennung von personenbezogenen Daten wie Namen, E-Mail-Adressen, Telefonnummern und weiteren kann jede Datenquelle schnell und einfach auf DSGVO-Konformität überprüft werden.
Weiß man, ob und falls ja welche personenbezogenen Daten eine Datenbank enthält, muss man überprüfen ob diese Quelle a) überhaupt welche enthalten soll, b) ob die Daten rechtmäßig dort gespeichert sind und c) wie man diese ggf. bereinigen kann.
Das Ziel hierbei ist vor allem Wissensgewinn, um die empfindlichen Strafen bzgl. der DSGVO zu vermeiden.
Prädiktive Wartung für weniger Ausfall in der Fertigung
Aber auch für die Fertigung gibt es genug Anwendungsfälle. Ein Beispiel aus der Praxis ist die so genannte Prädiktive Wartung von Maschinen. Üblicherweise wird entweder reaktiv (Maschine ist bereits kaputt) oder proactive (feste Wartungsintervalle) gewartet. In beiden Fällen ist das Wartungsintervall nicht optimal.
Im reaktiven Fall ist die Maschine bereits kaputt und es gibt Produktionsausfälle. Im proaktiven Fall muss die Maschine noch lange nicht an ihrer Belastungsgrenze sein und wird gegebenenfalls unnötig gestoppt.
Künstliche Intelligenz erlaubt daher den Einsatz von Prädiktiver Wartung. Hierzu werden historische Daten genutzt, um den nächsten Ausfall der Maschine vorherzusagen. Bevor diese Wahrscheinlichkeit einen kritischen Wert erreicht, wird die Wartung angewiesen.
Somit bewegt man sich kontinuierlich auf einem optimalen Wartungsintervall mit möglichst geringer Downtime. Die Effekte sind klar: Bessere Produktion und weniger Kosten durch Wartung.
Produktempfehlungen im E-Commerce und Marketing
Das wohl bekannteste Beispiel für KI das jeder schon in der Praxis erlebt hat sind Produktempfehlungen. “Kunden die dies kaufte, kauften auch” ist ein Standardabschnitt in jedem Onlineshop.
Diese Empfehlungen basieren auf dem Einsatz von künstlicher Intelligenz. Es werden Einkaufsdaten analysiert und Produkte miteinander in Verbindung gebracht. Entweder gekauft in einer Sitzung (“Warenkorbanalyse”) oder über verschiedene Bestellungen hinweg.
Doch nicht nur ein Onlineshop kann mit Produktempfehlungen arbeiten. Auch im Außendienst, Customer Success oder der Newsletter des Marketing-Teams profitiert von einer klaren Kenntnis darüber, welche Produkte miteinander gekauft werden oder was ein attraktives Produkt für einen Kunden wäre.
Kobold AI als Beispiel für angewandte KI-Produkte
So viel zum theoretischen Wissen, wie KI in der Praxis eingesetzt wird. Doch wie kann man selbst die ersten Schritte unternehmen, um KI angewandt einzusetzen?
Neben dem klassischen Weg – eine Agentur oder Beratung zu engagieren – gibt es einen neuen, einfachen und günstigen Weg um sein Unternehmen ins Zeitalter der künstlichen Intelligenz zu führen.
Die Rede ist von Self-Service KI. Hierbei werden standardisierte KI-Anwendungen mit eigenen Daten angereichert, so dass auch Nicht-Experten den Wert von künstlicher Intelligenz genießen können. Einige Beispiele für Self-Service KI-Produkte von Kobold AI sind:
- Data-Driven Personas
- Kunden automatisch einer Gruppe zuweisen
- Vorhersage von Angebotsannahme (B2B, B2C)
- Best Price Prediction: Vorhersage von optimalen B2B-Angebotspreisen
- Produktempfehlungen für B2B / B2C
- Analyse von Onsite-Search im E-Commerce
- Analyse von Text, Feedback und Beiträgen
- Analyse von verlorenen Wiederkäufern
- Prognose E-Commerce Umsatz (30 Tage Forecasting)
- Bilder freistellen
Die Vorteile von Self-Service KI von Kobold AI sind:
- Keine Daten-Expertise nötig
- Geringe Kosten
- Keine langen Projektlaufzeiten
- Individuelle Ergebnisse mit professionellen Produkten
- Keine lange Theorie – direkt erste Erfahrung mit KI in der Praxis sammeln
Also – worauf warten? Direkt mit Self-Service KI starten.