Künstliche Intelligenz durchdringt bereits die IT

Aufsteiger des Jahres ist das Thema Künstliche Intelligenz (KI), so die aktuelle Konjunkturumfrage „Bitkom-Branchenbarometer“. KI wurde von 21 Prozent der Befragten als relevantes Thema genannt und landete in der Liste der High-Tech-Themen 2017 auf Platz 9. Im Vorjahr belegte es Platz 23. Wie der Digitalverband Bitkom ausführt, ermöglichen Technologien wie Künstliche Intelligenz oder Machine Learning selbstlernende IT-Systeme, die in Echtzeit kommunizieren, sich an frühere Interaktionen erinnern und eigenständig Schlüsse ziehen können. Dabei berücksichtigen sie mit Hilfe von Sensoren ihr Umfeld und verarbeiten in hoher Geschwindigkeit große Datenmengen aus unterschiedlichen Quellen.

Viele Diskussionen über Künstliche Intelligenz befassen sich gegenwärtig mit den Vorteilen und Nachteilen, den Risiken und der Ethik, und das ist gut so. Man sollte sich aber auch einmal ansehen, wo und wie Artificial Intelligence (AI) oder auch Machine Learning (ML) bereits heute eingesetzt werden. Nur dann ist gewährleistet, dass man in der Diskussion auch die Anwendungsfelder bedenkt, in denen bereits Vorteile realisiert werden können oder aber Handlungsbedarf besteht, um unerwünschte Auswirkungen zu verhindern, wie dies beim Datenschutz der Fall sein kann.

Breiter Einsatz von Artificial Intelligence und Machine Learning

Wo aber wird bereits AI eingesetzt? Ein erster Gedanke wird IBM Watson gelten, unter anderem hat IBM kürzlich die Verfügbarkeit von Watson für Cyber Security angekündigt. Doch damit endet der bereits praktizierte Einsatz von AI und ML nicht. Spannende Beispiele konnte man sich Mitte Februar auf dem Dublin Tech Summit (DTS) 2017 ansehen.

Auf dem DTS 2017 gab es nicht nur den Roboter RoboThespian zu sehen, sondern zahlreiche, praktische Anwendungen von Artificial Intelligence (AI) und Machine Learning (ML) (Bild: Oliver Schonschek).

Die dort präsentierte Verwendung von Maschinellem Lernen und Künstlicher Intelligenz reicht von der Lead Generation, über den Kundenservice und das Marketing bis zur Sales-Optimierung und dem Forderungsmanagement. Auch eine spezielle Datenbank für AI-Systeme gab es zu sehen:

Datahug ist eine Lösung für Sales Analytics und Forecasting. Kontaktdaten und Termine können darüber automatisiert aus Kalender und Posteingang ausgelesen und in ein CRM-System übertragen werden. Doch nicht nur die Dateneingabe wird automatisiert, auch die Analyse des Sales-Zyklus und der Sales-Forecast. Der Status und die Erfolgsaussichten jedes Kontakts werden bewertet (Deal Scoring). Dabei sammelt die Lösung Erfahrungen aus der Historie der bisherigen Forecasts und macht Vorhersagen zu möglichen Abschlüssen.

Watermelon Messenger vereint in einem Dashboard die Kommunikation mit Kunden, die über die verschiedenen Messenger- und Social Media-Kanäle laufen. AI kommt ins Spiel, da Watermelon einen integrierten Chatbot anbietet, der plattformübergreifend Kundenanfragen automatisiert beantworten kann.

LeadBoxer analysiert die Daten aus Web-Traffic, E-Mail-Kampagnen und Online-Werbung, um die Lead Generation eines Unternehmens zu unterstützen. Den Kontakten wird ein Scoring zugeordnet. Dazu werden die Daten automatisch angereichert, die Lösung lernt selbst, welche Faktoren besonders wichtig sind.

CollectAI nutzt Artificial Intelligence, um das Forderungsmanagement zu optimieren. Die AI-Komponente unterstützt bei der Auswahl der Kommunikationsstrategie für den jeweils säumigen Kunden. Anstatt alle Kunden mit offenen Rechnungen in gleicher Weise zu kontaktieren, werden Kontaktweg, die jeweilige Reaktion und Ansprache an den einzelnen Fall angepasst. Die Lösung überprüft den Erfolg und verbessert sich kontinuierlich mit jedem neuen Fall.

Grakn.ai ist eine Datenbank für AI-Anwendungen. Die Open-Source-Lösung übersetzt die verknüpften Datenbestände in einen Knowledge Graph. Mit einer speziellen Abfragesprache (Graql, graph query language) können Fragen an das System gestellt werden, bei deren Beantwortung Machine Learning genutzt wird.

Fazit: AI-Systeme aus Praxissicht beurteilen

Bereits diese Beispiele zeigen, wo überall AI und ML enthalten sein kann. Die Vorteile, aber auch die Risiken hängen jeweils mit dem Anwendungsbereich zusammen, unter anderem mit der Kategorie der Daten, die analysiert werden, und mit den Folgeaktionen, die ein AI-System automatisiert auslösen kann.

Die Diskussionen zu Artificial Intelligence (AI) und Machine Learning (ML) müssen fortgesetzt werden, da die Technologien bereits im Einsatz sind, wie zum Beispiel der Dublin Tech Summit anschaulich zeigte. Wichtig ist es nun, jeden Anwendungsbereich gezielt zu untersuchen und zu bewerten, um die Vorteile wirklich realisieren und die Risiken minimieren zu können. Die Zeit der Theorien ist vorbei.