Künstliche Intelligenz

In der künst­li­chen Intel­li­genz kann grund­sätz­lich zwi­schen „star­ker“ und „schwa­cher“ KI unter­schie­den wer­den. Schwa­che KI sind Sys­teme, die meist regel­ba­siert und auf einen klar defi­nier­ten Auf­ga­ben­be­reich beschränkt sind, wie zum Bei­spiel die Erken­nung und Ver­ar­bei­tung von Spra­che. Der Groß­teil der „schwa­chen“ künst­lich intel­li­gen­ten Sys­teme, baut dabei auf das Prin­zip des maschi­nel­len Ler­nens auf, was vor allem in Anwen­dungs­si­tua­tio­nen popu­lär gewor­den ist, in denen große Daten­men­gen sta­tis­tisch aus­ge­wer­tet und nach Mus­tern durch­sucht wer­den sol­len – z.B. Spam­fil­ter, auto­nome Fahr­sys­teme oder medi­zi­ni­sche Dia­gno­sen. Das für die Zukunft zu erwar­tende soge­nannte Deep Learning ist ein Teil­ge­biet bzw. eine Wei­ter­ent­wick­lung des maschi­nel­len Ler­nens und könnte die Basis einer „star­ken“ KI wer­den.

„Starke“ KI hat intel­lek­tu­elle Fähig­kei­ten, die sich mit den Deep Learning-​Algorithmen auf künst­li­che neu­ro­nale Netze stüt­zen, deren Auf­bau und Funk­tion dem mensch­li­chen Gehirn nach­emp­fun­den und wenigs­tens gleich­wer­tig sind. Ihre Erkennt­nisse soll­ten nicht auf eine Domäne beschränkt, son­dern auf belie­big viele andere Berei­che anwend­bar sein.

Durch eine große Infor­ma­ti­ons­ba­sis und die Struk­tur der neu­ro­na­len Netze kön­nen Deep Learning-​Systeme erlernte Inhalte selbst­stän­dig mit neuen Inhal­ten ver­knüp­fen. Zudem sind sie in der Lage, Ana­lo­gien her­zu­stel­len, ohne im Kon­text einer Fra­ge­stel­lung mit bestimm­ten Schlüs­sel­be­grif­fen kon­fron­tiert zu wer­den. Je mehr aus­sa­ge­kräf­tige Daten sol­che Sys­teme ver­ar­bei­ten, desto zuver­läs­si­ger wer­den sie. So führt der „Lern­ef­fekt“ im Ide­al­fall zu einer kon­ti­nu­ier­li­chen Selbst­op­ti­mie­rung. Die Algo­rith­men des Deep Learning basie­ren auf künst­li­chen neu­ro­na­len Net­zen, deren Struk­tur und Arbeits­weise sich die Neu­ro­nen des Men­schen­ge­hirns als Vor­bild neh­men, womit diese Deep Learning-​Systeme im Zusam­men­spiel mit einer gro­ßen Daten­ba­sis gelernte Inhalte selbst­stän­dig mit neuen Inhal­ten ver­knüp­fen kön­nen.

Dar­über hin­aus sind sie in der Lage, sich Ana­lo­gien zu erschlie­ßen, ohne bestimmte Schlüs­sel­be­griffe im Rah­men einer Pro­blem­stel­lung zu ken­nen. Je mehr bedeu­tungs­volle Daten sol­che Sys­teme bear­bei­ten, desto ver­läss­li­cher wer­den sie. Der „Lern­ef­fekt“ führt also im bes­ten Fall zur ste­ti­gen Lern­op­ti­mie­rung.

• fle­xi­ble, ein­fa­che Gestal­tung und Kon­fi­gu­ra­tion des auto­ma­ti­sier­ten Kun­den­dia­logs und des Work­flows für alle Geschäfts­vor­fälle mit­hilfe struk­tu­rier­ter und wie­der­ver­wend­ba­rer Text– bzw. Sprach­bau­steine
• Abbil­den häu­fig anfal­len­der Teil­dia­loge, B. der Iden­ti­fi­ka­ti­ons– oder Legi­ti­ma­ti­ons­vor­gänge (mit­hilfe von Chat– und Sprach­bots)
• Geld– sowie Ver­wal­tungs­auf­wand­ein­spa­rung dank der inhouse Reak­tion (mit Hilfe von Bots) auf erhöhte Auf­kom­men von Kun­den­an­fra­gen
• Pro­zess­op­ti­mie­rung im Unter­neh­men dank der effi­zi­en­ten Bear­bei­tung von Kun­den­kon­tak­ten (sei­tens der Bots)
• Auto­ma­ti­sier­ter Ver­sand von Doku­men­ten, E-​Mails oder SMS (dank Chat– und Sprach­bots) mit gege­be­nen­falls selbst­stän­di­ger Kon­takt­auf­nahme zu Kun­den
• Redu­zie­rung der Wei­ter­lei­tungs­quote von ein­ge­hen­den Anru­fen dank der ziel­ge­rich­te­ten Ver­mitt­lung an pas­sende Mit­ar­bei­ter (sei­tens den Bots)
• Wei­ter­ar­bei­ten mit vor­han­de­nen Daten­stamm dank Erwei­te­rung der beste­hende Infra­struk­tur um nur wenige Kom­po­nen­ten
• Redu­zie­rung der Last­spit­zen und bes­sere Pla­nung der Arbeits­vo­lu­men dank des Ein­spar­po­ten­zi­als bei wie­der­keh­ren­den, stan­dar­di­sier­ten Geschäfts­vor­fäl­len