Der Begriff “Digitalisierung” läuft Gefahr, zu einem Hipe zu verkommen, gerade jetzt wo das Thema vermehrt auch von der Politik für sich eingespannt wird.
Die Nutzung von KI-BOT ist nun für eine Vielzahl von Aufgaben in Unternehmen möglich. Hier erhalten Sie einen Einblick, wie das angegangen werden könnte und welche Möglichkeiten einem Unternehmen damit eröffnet werden können.
Aber aufgepasst, auch KI-BOT sind keine Selbstläufer und erfordern eine wohl überlegte Vorgehensweise.
Um etwas besser zu klären, dass ich hier von wirklich wertschöpfendem Einsatz dieser Technologien sprechen will, beginne ich mit ein paar Beispielen füe deren Einsatz. Dies soll nur zur Einstimmung dienen und ist sicher nicht abschliessend.
Mögliche Einsatzgebiete für KI-BOT
Es sind sehr viele verschiedene Einsatzgebiete dieser Technologie denkbar. Da aber die Resultate nur so gut sind, wie die verfügbaren Daten, sollte immer auch eine Überwachung durch einen entsprechend erfahrenen und geschulten Menschen erfolgen.
Auch wenn das Konfigurieren und Betreibe der KI-BOT deutlich günstiger ist als das Ausprogrammieren und Unterhalten von klassichen IT-Applikationen, muss auch hier der Aufwand immer zum erzielbaren Nutzen in Relation gesellt werden.
Hier einige bescheidene Beispiele von möglichen Anwendungen:
S&OP (Sales and operations planning)
- Detaillierte Bedarfsermittlung aufgrund von historischen Daten und Progoseparametern.
- Darauf basierend werden potenzielle Engpässe ermittelt und Massnahmen vorgeschlagen und bei Bedarf nach einer Validierung z.B. mittels RPA in das ERP übernommen.
Operativer Einkauf
- Ueberwachung der Lieferstatus aller Bestellungen und Vorschlag von ganz spezifischen, auf die Produkte / Lieferanten bezogenen Massnahmen.
- Das kann bis zum Ausführen von entsprechenden Transaktionen im ERP gehen.
Auftragsmanagement
- Monitoring der Status der Aufträge mit Vorschlag von Massnahmen, angepasst auf die betroffenen Kunden.
- Je nach Eskalationssture können z.B. auch E-Mails an die Kunden vorbereitet werden.
Präventive Wartung
- Monitoring von eingehenden Daten (IoT) auf Konsistenz der Daten und sich anbahnende Unregelmässigkeiten.
- Ermittlung von Anomalien und Vorschlag von Massnahmen unter Berücksichtigung verschiedenster Parameter (Schadensrisiko, Produktionsplan, Verfügbarkeit Ersatzeile und Ressourcen, etc.)
Prüfung von Anfragen / Anträgen
- Analyse von eingehenden Anfragen (idealerweseise in formularform), unter Berücksichtigung der Kundenhistorie und vorhandenen Regeln.
- Aufzeigen von wesentlichen Kennwerten zur Vereinfachung der Abwicklung von Menschen, die die wichtigen Entscheide fällen.
Customer Service / Hotline
- Eingrenzung der Problemstellung unter Berücksichtigung aller vorhandenen Daten. Vorschlag von Fragen zur weiteren Eingrenzug des Problems.
- Generieren von Eingaben ins ERP zur Abwicklung von beschlossenen Massnahmen und Verfolgung von erstellten Pendenzen.
Finanzwesen
- Ueberprüfung des laufenden Reporting auf mögliche Fehler und ungewöhnliche Abweicungen.
- Forecast aufgrund der Historie, kombiniert mit Indikatoren über die Zukunft.
Human Resources
- Feststellen von ungewöhlichen Situationen aufgrund vorliegender Daten.
- Abschätzung von Rekrutierungsbedarfen.
- Unterstützung im Case-Management.
KI-BOT sind eine Neue Stufe der Automatisierung
Die Technologie unter dem Sammelbegriff KI (Künstliche Intelligenz) eingeordnet und ist reif für den Einsatz im industriellen Umfeld.
Auch bei KI-BOT gilt:
“No pain … no gain”
Schon früher haben sich viele Manager von Schlagwörtern wie JIT, CIM, ERP, MIS, BPM, SCRUM, etc. Wundermittel zur Lösung vieler Probleme erhofft. Wie damals handelt es sich aber auch bei den KI-BOT nur um Werkzeuge, die gezielt eingesetzt und genutzt werden müssen.
Die KI-BOT sind eine weitere Stufe der Automatisierung von Prozessen. Mit Robotern werden in einem genau bekannten Umfeld Operationen durchgeführt. KI-BOT hingegen kommen dort zum Einsatz, wo ein Prozess für einen Roboter zu komplex oder zu nicht ausreichend detailliert beschreibbar ist.
KI-BOT basieren Algorithmen, deren Parameter mit wachsender Datenmenge und über Feedbacks optimiert werden können. Diese laufende Optimierung wird auch als “lernen” bezeichnet.
Bei der erfolgreichen Einführung von KI-BOT kommt es wie bei allen Automatisierungen darauf an, dass das Umfeld (kulturell, technisch, personell) drauf vorbereitet ist und sich klare, erreichbare Ziele vorgibt. Ein deutliches Engagement der Entscheidungsträger notwendig.
In den folgenden Abschnitten teile ich mit Ihnen meine Erfahrungen und Einsichten, welche ich im Rahmen eines Einführungskur-ses in KI-BOT bei der ALAIQ Technologie GmbH (die Web-Site geht demnächst live) gewonnen habe.
Was den KI-BOT ausmacht
Roboter und RPA agieren wie die klassichen IT-Systeme in einem exakt vorbestimmten Umfeld. Sie sind mitunter sehr aufwändig und komplex.
Sicher kann ihr Agieren über unterschiedliche Eingabewerte auch in einem bestimmten Rahmen variieren. Dabei sind wir aber immer auf bestimmte erwartete Situationen beschränkt. Das Verhalten der Roboter über Programme mit mehr oder weniger komplexen Abfolgen von logischen Anweisungen wie z.B. «IF – THEN» Bedingungen gesteuert.
Die Komplexität der Programme macht die Entwicklung und den Unterhalt dieser Roboter oder RPA teuer. Solange sie im vorgesehenen Rahmen eingesetzt werden, laufen sie stabil und ihr Einsatz macht viel Sinn.
Dort wo ein Roboter programmiert wird, wird der KI-BOT mit möglichst vielen Daten trainiert.
KI-BOT sollten primär dort zum Einsatz kommen, wo die Rahmenbedingungen weniger klar definiert sind und Veränderungen häufig auftreten können. Sie werden nicht im Sinne der klassichen IT programmiert. Sie bestehen i.d.R. aus mehreren Algorithmen, die aufgabenspezifisch kombiniert und evtl. auch angepasst werden. Dort wo im klassichen Ansatz die Programmierung stattfindet, wird der KI-BOT mit möglichst vielen Daten trainiert. Dieses Trainieren wird beim praktischen Einsatz des KI-BOT immer weiter fortgesetzt. Dadurch kann der KI-BOT bei schrittweisen Veränderungen des Umfelds sein Verhalten aufgrund der geänderten Trainingsdaten anpassen.
Dies zeigt auch gleich seine Grenzen auf. Es macht z.B. keinen Sinn, bei Ausbruch einer Pandemie blindlings den Resultaten eines KI-BOT zu vertrauen, der ausschliesslich mit Daten von vor dem Ereignis trainiert worden ist.
Grundsätzlich können KI-BOT auch als eine neue Stufe der Automatisierung von Prozessen in nur bedingt deterministisch beschreibbarem Umfeld bezeichnet werden.
Begriffliche Klärungen
Da aktuell viel und teilweise auch kontrovers über KI diskutiert wird, klären wir zunächst einmal einige der verwendeten Begriffe.
KI-BOT
Mit KI-BOT sind BOT gemeint, die KI-Algorithmen verwenden. In Gegensatz zu Robotern werden KI-BOT in einem Umfeld eingesetzt, das mit einer gewissen Ungewissheit behaftet ist. Sie basieren nicht auf fixen Programmen, sondern auf Algorithmen die ihrerseits Parameter verwenden, die aufgrund von vorhandenen Daten ermittelt werden. Diese Ermittlung oder Optimierung der Parameter bezeichnet man als «Training» der Algorithmen und somit der KI-BOT. Dadurch können sich KI-BOT mit zunehmend verfügbaren Daten laufend optimieren oder den Gegebenheiten anpassen.
Für das Taining der KI-BOT sind keine Programmierer erforderlich. Dies kann durch die Fachabteilungen als Feedback aus den laufenden Tätigkeiten erfolgen.
Es ist aber auch beachten, dass sich diese «Lernfähigkeit» begrenzt ist. In einem sich stark verändernden Umfeld liefert auch ein KI-BOT nicht die erforderlichen Resultate.
Vereinfacht gesagt, unterscheiden sich KI-BOT von Robotern dadurch, dass Roboter über Programme gesteuert werden, die auf einer Vielzahl von «IF – THEN» bestehen und so auf die Umwelt reagieren. Das Verhalten von KI-BOT werden zumindest teilweise über Daten trainiert.
Wie bei den Robotern setzt ein erfolgreicher Einsatz von KI-BOT ein sehr gutes Verständnis der Anforderungen und Prozesse voraus.
Leider sind auch KI-BOT keine Wunderwerkzeuge, die alle Probleme von alleine lösen.
Hier betrachten wir primär um KI-BOT Anwendungen, die auf Maschine- (ML)- und Deep Learning DL-Algorithmen basieren.
KI – Künstliche Intelligenz
Die Definition in Wikipedia ist sachlich und sehr hilfreich:
Künstliche Intelligenz (KI), auch artifizielle Intelligenz (AI bzw. A. I.) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens und dem maschinellen Lernen befasst. Der Begriff ist schwierig zu definieren, da es bereits an einer genauen Definition von „Intelligenz“ mangelt. Dennoch wird er in Forschung und Entwicklung verwendet.
Meist bezeichnet künstliche Intelligenz den Versuch, bestimmte Entscheidungs-strukturen des Menschen nachzubilden, indem z. B. ein Computer so gebaut und programmiert wird, dass er relativ eigenständig Probleme bearbeiten kann. Oftmals wird damit aber auch eine nachgeahmte Intelligenz bezeich-net, wobei durch meist einfache Algorithmen ein „intelligentes Verhalten“ simuliert werden soll, etwa bei Computergegnern in Computerspielen.
Eigentlich ist die Verwendung des Begriffs der künstlichen «Intelligenz» verwirrend, zumal ja der Begriff der Intelligenz nicht wirklich klar ist. Sie weckt auch falsche Erwartungen.
Deshalb plädiere ich sehr stark dafür, dass wir uns hier eindeutig auf den Rahmen der begrenzten KI beschränken.
Begrenzte KI
Im Zusammenhang mit dem heute möglichen Einsatz von KI sprechen wir von «begrenzter KI». Dies sind Anwendungen für einzelne, klar definierte Aufgaben.
Damit bewegen wir uns auf einer anderen Ebene als die in «Science Fiction» suggerierten universal einsetzbaren Maschinen mit menschlichen Fähigkeiten, der «allgemeinen KI». Eine sehr gute Erklärung zu dieser Differenzierung gibt Neurogadget.
Wir beschränken uns hier damit ausschliesslich auf das heute konkret Mögliche und damit auf die «begrenzte KI».
DL – Deep Learning
Microsoft erklärt den Begriff wie folgt:
Deep Learning (DL) ist eine spezielle Methode der Informationsverarbeitung und ein Teilbereich des Machine Learnings (ML). Deep Learning nutzt neuronale Netze, um große Datensätze zu analysieren.
Die Funktionsweise der künstlichen neuronalen Netze ist in vielen Berei-chen von dem biologischen neuronalen Netz inspiriert, das das menschliche Gehirn verwendet. Das heisst sie gehen ähnlich vor, wie Menschen es machen würden: Etwas wahrnehmen, darüber nachdenken und eine Schlussfolgerung daraus ziehen. Nur können sie viel grössere Datenberge viel schneller untersuchen, als es Menschen jemals möglich wäre.
DL ist ein Teilgebiet des ML. Hier werden künstliche neuronale Netze zur Implementierung verwendet.
Beispiele hierzu sind die Schrift- oder Bilderkennung. Sie können aber auch in anderen Gebieten die Erkennung «Mustern» im weitesten Sinn trainieren.
NLP – Natural Language Processing
Die Computerwoche beschreibt es wie folgt:
Natural Language Processing (NLP) bezeichnet die algorithmische Verarbei-tung von natürlicher Sprache. NLP stellt eine Unterkategorie von Künstlicher Intelligenz dar und ist einer der Haupt-Use-Cases für Deep Learning (DL).
Mit NLP können KI-BOT Feedbacks in menschlicher Sprache zu verarbeiten. Hierzu sind mittlerweile viele erfolgreiche Anwendungen (z.B. Sprachübersetzungstools, Textanalyse, E-Mail-Filter, u.v.m.) im Einsatz.
BOT
Einmal mehr liefert Wikipedia eine gut verständliche Definition:
Unter einem Bot (von englisch robot ‚Roboter‘) versteht man ein Computer-programm, das weitgehend automatisch sich wiederholende Aufgaben abarbei-tet, ohne dabei auf eine Interaktion mit einem menschlichen Benutzer angewiesen zu sein.
Ein reiner BOT ist demzufolge ein Roboter, der im Umfeld von Computeranwendungen in einem vollständig bestimmten Umfeld bekannte, klar definierte Aufgaben erledigt.
RPA – Robotic Process Automation
RPA sind Software-Anwendungen, die eine menschliche Interaktion mit Softwaresystemen nachahmen, wie wir es in ähnlicher Weise von Makros in Excel kennen. Sie können uns bei der Ausführung von repetitiven Tätigkeiten unterstützen. Klassische RPA Anwendungen sind das Einlesen von aus weitgehend standardisierten Belegen wie Rechnungen, wobei auch Elemente KI-Elemente wie Texterkennung eingesetzt werden. Mittlerweile stehen dafür auch Applikationen wie Microsoft Desktop Flow für solche Aufgaben zur Verfügung. Sie können auch in Verbindung mit einem KI-BOT eingesetzt werden, indem sie Daten, die vom KI-BOT ermittelt werden, an ein System übergeben.
In diesem Sinne entspricht ein RPA auch der obigen Definition eines BOT bzw. Roboter. Es ist wichtig, dass BOT und RPA nicht mit dem Begriff des KI-BOT vermischt werden.
IoT – Internet of Things
Die hinlänglich bekannte Firma Oracle umschreibt es wie folgt:
Das Internet of Things (IoT) ist die Bezeichnung für das Netzwerk physischer Objekte bzw. Dinge, die mit Sensoren, Software und anderen Technologien integriert sind, um diese mit anderen Geräten und Systemen über das Internet zu vernetzen, sodass zwischen den Objekten Daten ausgetauscht werden können.
Mittels IoT ist es mittlerweile möglich, grosse Datenmengen über die relevanten Prozesse zu erheben und für die KI-BOT zugänglich zu machen und für das «Trainieren» zu verwenden.
ML - Machine Learning
Microsoft definiert ML wie folgt:
Machine Learning (ML) ist ein Teilgebiet der künstlichen Intelligenz (KI). Algorithmen können Muster und Gesetzmäßigkeiten in Datensätzen erkennen und daraus Lösungen entwickeln. Einfach gesagt, wird Wissen aus Erfahrungen generiert.
Hier werden Algorithmen für bestimmte Fragestellungen konfiguriert. Mittels ausreichenden Daten werden diese dann dadurch «trainiert», dass mit mathematischen Methoden bestimmte Muster erkannt und die Parameter der Algorithmen so optimiert werden, dass zufriedenstellende Resultate erzielt werden.
Im praktischen Einsatz wird dieses «Training» laufend weiter verfeinert.
Dies erklärt, dass das ML nur dann zuverlässige Resultate liefern kann, wenn die Umgebungsbedingungen im Rahmen der Trainingsdaten bleiben. Bei Aufgabenstellungen ohne ausrechend Trainingsdaten ist der Einsatz von ML nicht erfolgversprechend.
ML stellt uns grundsätzlich 5 wesentliche Kategorien von Algorithmen zur Verfügung mit denen wir Problemstellungen lösen können.
1. Kategorisierung / Klassifizierung
Beim Aufsetzen des KI-BOT geben wir bestimmte Kategorien vor, welchen die zu bearbeitenden Fälle zugeordnet werden sollen.
Der KI-BOT versucht dann, mittels geeigneter Algorithmen, aus den vorhandenen Daten Regeln abzuleiten, mit welchen die einzelnen Datensätze diesen vorgegebenen Kategorien zuordnet werden können.
2. Regression
Hier geht es meist darum, aufgrund von vorhandenen Daten Vorsagen im Sinne einer Fortsetzung von Datenreihen zu machen. Das bekannteste Beispiel ist die lineare Regression.
3. Fehler- / Anomalie-Identifikation
Die vorliegenden Daten werden nach Anomalien analysiert. Dies kann für eine frühzeitige Fehlererkennung genutzt werden.
4. Clusterung
Die Algorithmen erzeugen aus den vorliegenden Daten neue Gruppierungen und ordnen diesen die Datensätze zu. Dies ist v.a. dann hilfreich, wenn bisher verborgene Gemeinsamkeiten ermittelt werden sollen.
5. Reinforcement (Verstärkung)
Hier geht es darum, wie z.B. im Schach, eine Empfehlung für nächsten Schritt zu ermitteln. Solche Algorithmen werden auch im Zusammenhang mit dem Training eines KI-BOT oder neuronalen Netzes benutzt.
Die Auswahl und Konfiguration der erfolgversprechenden Algorithmen erfordert sowohl ein sehr gutes Verständnis des Business und der Zielsetzung, als auch gute Kenntnisse der Mathematik, auf welcher sie aufbauen.
Uebersicht über die gängigen ML Algortithmen
Man spricht von «supervised learning», wenn diesem Training Daten zugrunde gelegt werden, bei denen das Resultat bekannt ist, das wir dann in Zukunft ermitteln wollen. Kategorisierungs- und Regressionsalgorithmen werden dieser Gruppe zugeordnet.
Hingegen dienen Algorithmen der Gruppe «unsupervised learning» dazu, selbständig Cluster oder Muster zu erkennen, die dann in weiteren Schritten verwendet werden können. Hierzu zählen die Clusterung, Fehlererkennung und Verstärkung. Der Uebergang zum Deep Learning ist hier fliessend.
Bau einer KI-BOT Applikation
Empfehlungen zum schrittweisen Vorgehen unter Berücksichtigung der Möglichkeiten des Unernehmens.
1. Schaffen eines geeigneten Umfelds
SJedes Werkzeug hat einen bestimmten Zweck und erfordert für den erfolgreichen Einsatz bestimmte Rahmenbedingungen. Dies ist auch bei den KI-BOT der Fall.
Das Umfeld und vor allem die Menschen, die mit dem KI-BOT zusammenarbeiten werden, müssen vorbereitet sein und die Erwartungen sollten realistisch sein.
Die Bereitschaft kann im Rahmen einer Reifegradanalyse (siehe Bild unten) ermittelt werden.
Das ist das aber nicht grundsätzlich anders als wir es von klassischen Automatisierungsvorhaben bereits kennen.
a. Digitale Strategie
Wichtig ist, dass eine Strategie zur Digitalisierung vorliegt und die Bereitschaft auf der Leitungsebene besteht, sich eingehend mit den Fragen rund um die Einführung von KI-BOT zu befassen und notwendige Massnahmen aktiv zu unterstützen.
b. Empowerment, Organisationsstruktur
Im Gegensatz zur klassichen Applikationen werden KI-BOT nicht mehr von IT-Spezialisten programmiert, sondern von entsprechend geschulten Mitarbeitenden der Fachabteilungen trainiert.
Die Bereitschaft sollte vorhanden sein, Strukturen so anzupassen, dass die IT primär die benötigten Daten bereitstellt und die Fachabteilung weitgehend selbständig das Training und Weiterentwicklung der KI-BOT übernimmt.
c. Digitalisierungsfähige Prozesse
Die mit KI-BOT abzuwickelnden Prozesse müssen ausreichend definiert und formalisiert sein. Hier ist zu bedenken, dass in den meisten Fällen, ein KI-BOT im Stil eines «digitalen Kollegen» Mitarbeitende unterstützt.
Eine aussagekräftige Beschreibung der Aufgaben und Ziele des KI-BOT ist dabei wesentlich. Diese kann auch in der Form einer Stellenbeschreibung dieses KI-BOT als digitalem Kollegen erfolgen.
d. Einsatz relevanter Technologien
Die erforderliche Technologie kann zu vernünftigen Preisen als Cloud-Dienstleistung eingekauft werden und muss nicht selbst aufgebaut werden. Die Unterstützung zum initialen Aufbau der KI-BOT kann ebenso eingekauft werden.
Für einige Unternehmen ist der Schritt, neunen Technologien zu vertrauen, schwierig.
e. Motivierte Individuen – Trainingskompetenz
Wichtig ist, dass das firmeneigene Prozesswissen in die KI-BOT einfliesst. Deshalb sollten die Mitarbeitenden von Anfang an durch Personen unterstützt werden, die sowohl Erfahrung mit KI-BOT als auch mit der Umsetzung von Veränderungen haben. In den Fachabteilungen muss die Kompetenz zum fortlaufenden Trainieren des KI-BOT aufgebaut werden.
Hier könnte der zeitlich begrenzte Einsatz von entsprechend geschulten Interim-Managern Sinn machen. Diese Personen sollten aber klar umrissene Kompetenzen erhalten und aktiv ins Tagesgeschäft eingebunden sein.
2. Verständnis-Stufe
Da wir mit den KI-BOT in ganz neue Bereiche der Automatisierung vorstossen, sollten zunächst Erfahrungen mit der Abbildung von einfachen, isolierten Fragesellungen gesammelt werden.
Dies kann ohne grosse Investitionen z.B. auf der Microsoft Azure Cloud im ML Studio gemacht werden.
Eine «kritische Masse» von Personen, die das Verständnis der Grundmechanismen der KI-BOT haben und ein gutes Gespür für Möglichkeiten aber auch Grenzen dieser Werkzeuge kennen, ist zwingend für alle weiteren Schritte.
3. Gesamtkonzept
Nun kann für eine erste KI-BOT Anwendung eine «Road-Map» erstellt werden.
Diese soll eine Richtschnur für die iterative Vorgehenswese sein, indem sie folgenden Elemente skizziert:
- Zielsetzungen
- Rahmenbedingungen
- Datenquellen und Benutzer-Interfaces
- Grobstruktur der Applikationsteile bzw. beteiligter KI-BOT
Bei der Umsetzung gehen wir ähnlich dem SCRUM-Ansatz mit definierten Sprints vor.
Die KI-BOT werden in Modulen entwickelt und verfeinert. Dann werden sie schrittweise zusammengeschaltet. Dabei wird immer wieder der einzelne KI-BOT optimiert und in den Zusammenhang gestellt, um über weitere Anpassungen entschieden.
Soll der KI-BOT Mitarbeitende bei ihren Tätigkeiten wie ein «digitaler Kollege» aktiv unterstützen, kann hierzu auch eine Tätigkeitsanalyse mit einer Klassifizierung nach wichtigen und dringenden Tätigkeiten (Eisenhower Matrik) erstellt werden.
Eisenhower-Matrix: Unterscheidung von wichtig und dringend
Oft ist es sinnvoll, für den digitalen Kollegen auch einen Stellenbeschrieb (siehe Bild unten) anzufertigen und seine Aufgaben so noch transparenter zu machen.
Die folgenden Punkte werden dann für jeden einzelnen KI-BOT bzw. Modul iterativ durchgeführt.
4. Konzeption der einzelnen KI-BOT
Beim Bau jedes einzelnen KI-BOT verfolgen wir einen Top-Down Ansatz, in welchem zuerst genau geklärt wird, was erreicht werden soll, und welche Zusammenhänge wir in der vorliegenden Aufgabenstellung erkennen können. Ein hohes Mass an Prozesswissen, aber auch Abstraktionsvermögen ist hier wichtig.
Beim Bottom-Up Ansatz werden möglichst grosse Datenmengen in der Hoffnung analysiert, daraus irgendwelche Zusammenhänge ermitteln zu können. Wir erachten diesen Ansatz für unsere Zwecke als nicht zielführend.
a. Generelle Frage- / Problemstellung
Die Wahl der geeigneten Algorithmen kann erst nach einer eingehenden Analyse der Aufgabenstellung mittels gezielter Fragestellungen erfolgen. Hierzu ist weniger KI-Wissen als vielmehr Verständnis für die Prozesse und die wesentlichen Treiber des Geschäfts notwendig.
Daher formulieren wir zunächst die Fragen, auf welche der KI-BOT uns Antworten finden soll. Meist sind dies mehrere Fragen oder auch Fragen mit Unterfragen. Eine klare Differenzierung auf dieser Stufe vereinfacht in den weiteren Schritten die Suche nach den geeigneten Datenquellen.
b. Indikatoren
Für die gestellten Fragen überlegen wir sodann, welche Kennwerte oder KPI (Key Performance Indikator) zur Antwort führen könnten Wir nennen sie Indikatoren.
Hierbei sollten wir vorerst noch mehrere KPI als mögliche Optionen bereithalten. Auf der einen Seite sollten Redundanzen genauso wie logische Lücken vermieden werden. Einzelne KPI könnten auch später bei der Verifizierung der gefundenen Modelle behilflich sein.
c. Container
Schliesslich stossen wir in die Welt der Daten vor. Wir ermitteln, mit welchen Auswertungen oder Tabellen die vorgemerkten Indikatoren ermittelt bzw. zugänglich gemacht werden könnten. Hier ist es von Vorteil, wenn diese Datenstrukturen bereits vorhanden sind und keine aufwändige Programmierung in verschiedenen Systemen erfordern.
d. Treiber
Zum Schluss legen wir fest, welche Felder in den einzelnen Containern wir verwenden wollen. Dabei vergewissern wir uns auch über die Qualität der Daten. Sind sie stimmig? Sind auch immer Werte in den Datensätzen vorhanden?
5. Aufbau der einzelnen KI-BOT
Nachdem die für Konzeption in erster Linie Prozesswissen erforderlich war, kommen wir nun in den Bereich, wo dieses mit den Kenntnissen der verfügbaren mathematischen Algorithmen zusammengebracht werden muss.
Da es auch hier immer verschiedene Lösungswege gibt, ist das ein iterativer Weg mit vielen Versuchen und Optimierungen.
Unten sehen Sie ein Bild der Konfiguration eines einfachen KI-BOT im Microsoft Azure ML Studio.
a. Wahl der Algorithmen
Mit den bereitgestellten Daten aus Containern und Treibern sind die KI-Spezialisten nun in der Lage, aufgrund der bereitgestellten Container, Treiber Daten die Algorithmen zu bestimmen, die Antworten auf die gestellten Fragen liefern können. Sie greifen dabei auf Bibliotheken mit einer Vielzahl von fertig programmierten Algorithmen zurück. Sie können aber auch selbst Varianten davon programmieren.
Beispiel eines ganz einfachen KI-BOT auf MS Azure
b. Datenanalyse
In einem ersten Prozessschritt werden die übernommenen Daten systematisch analysiert und allfällige Fehler bereinigt. Danach werden die Daten aufgeteilt in jene, die für das Training des Modells benötigt werden und jene, die zum Test der Algorithmen verwendet werden.
c. Validierung
Im nächsten Schritt wird geprüft, ob der Algorithmus die richtigen Antworten liefert und ob die Resultate sich ausreichend mit der realen Welt decken. Die Resultate müssen auch dann noch stimmen, wenn die Input-Daten im zulässigen Rahmen variieren.
d. Verifizierung
Nun prüfen wir nochmals genau, ob die erzielten Ergebnisse die gestellten Fragen beantworten und die gesetzten Ziele erfüllen.
Vielleicht macht es in einem Zwischenschritt auch Sinn, vorerst einmal die Ziele an das vorerst Mögliche anzupassen.
e. Interpretation
Der KI-BOT ist immer nur so gut wie die Daten, mit welchen er trainiert worden ist. Daher sollte auch nochmals überlegt werden, ob die verwendeten Testdaten mit den erwarteten Einsatzbedingungen ausreichend übereinstimmen. So ist es z.B. nicht ratsam, einen saisonabhängigen Prozess mit Daten von nur einem Quartal zu trainieren, um Aussagen über das gesamte Jahr zu machen.
Die Interpretation von unterschiedlichen Szenarien, mit denen der Algorithmus konfrontiert werden könnte, ist wichtig, um einen ausreichend robusten Algorithmus zu bauen.
6. Anwendung und Integration
Bevor der KI-BOT in den praktischen Einsatz gehen kann, sollte nochmals klar festgelegt werden, wer ihn wie oft und zu welchem Zweck einsetzt.
Hier sollte auch festgelegt werden, nach welchen Kriterien die Resultate des KI-BOT überprüft werden.
Wenn der einzelne KI-BOT kann nun im Verbund mit anderen KI-BOT oder über Schnittstellen mit anderen Systemen verbunden werden. Dabei ist darauf zu achten, dass die betreuenden Personen richtig geschult werden.
6. Laufende Weiterentwicklung
Mit dem praktischen Einsatz kann nun direkt in der Fachabteilung das Einsatzgebiet des KI-BOT durch das Trainieren von neuen Konstellationen laufend weiterentwickelt werden.
Reifegrad Beurteilung vor der Einführung von KI-BOT
Reifegrad-Analyse zur Abklärung der Bereitschaft für den Einsatz von KI-BOT (Quelle: ALAIQ GmbH)
Stellenbeschreibung für einen KI-BOT
Beispiel eines Stellenbeschriebs für den “Digitalen Kollegen” (ALAIQ GmbH)
Beispiel eines ganz einfachen KI-BOT auf MS Azure
Beispiel eines ganz einfachen KI-BOT auf MS Azure
0 Comments