Machine Learning und KI: Einstieg in die intelligente Automatisierung

 

 Was vor einigen Jahren noch nach Zukunftsmusik klang, ist heute faktische Realität: Machine Learning hält Einzug in Wirtschaftsprozesse und wird immer häufiger in Unternehmensvorgängen eingesetzt. Bis 2020 rechnet die Mehrheit der IT- und Digitalisierungsentscheider mit einem steigenden Anteil von Machine Learning am Wertschöpfungsprozess. Um dem Rechnung zu tragen, gilt es für ein ausgeprägtes Datenverständnis zu sorgen. Ohne ein data-driven Mindset wird es sehr schwer, die angesprochenen Techniken gewinnbringend in Unternehmensprozesse zu implementieren.

Dass und warum sich die Kerntechnologie branchenweit durchsetzt, hatte ich bereits in meinem Beitrag „Machine Learning: Vom Trend zur zukunftsweisenden Technologie“ zum Thema gemacht. In diesem Beitrag möchte ich noch einmal ausführen, worum es bei Machine Learning eigentlich geht. Wo kommt Machine Learning zum Einsatz? Und wo liegen die Chancen für Text- und Sentiment-Analysen für die Automatisierung Ihrer Kundenkommunikation und Ihres Vorgangsmanagements?

Was ist Machine Learning?
Machine Learning (im Deutschen übrigens: maschinelles Lernen) ist eine Art Künstlicher Intelligenz. Software, die auf Machine Learning basiert, ist also darauf angelegt, menschliches Handeln und Denken zu imitieren. ML-Algorithmen erkennen Muster und Kategorien in vorhandenen Datenmengen und berechnen dadurch Entwicklungen voraus. Je größer die Datenmenge, desto präziser arbeitet die ML-Software. Aus Erfahrungen Wissen zu ziehen ist die Kernkompetenz von Machine Learning – dies geschieht im Wesentlichen auf zwei Arten:

ML-Unterkategorien: Supervised und Unsupervised Learning
Wenn aus bekannten Daten Prognosen für die Zukunft getroffen werden, spricht man von Supervised Learning. In diesem Fall werden Algorithmen nach einem definierten Problemfall entwickelt, um ähnlich gelagerte Probleme lösen zu können. Die Methode des Supervised Learning kommt zum Beispiel beim Kreditkartenbetrug zum Einsatz. Beim Unsupervised Learning werden aus unbekannten Daten Rückschlüsse gezogen. Zum Beispiel für die Wetterprognose. Dafür werden Algorithmen für beliebige Fälle entwickelt, die innerhalb eines Datensatzes eine Struktur finden sollen. Supervised und Unsupervised Learning lässt sich in der Anwendung auch kombinieren, wodurch weitere Arten von Machine Learning entstehen.

Wo Machine Learning bereits eingesetzt wird
Wie die Beispiele zeigen, arbeiten wir alle schon eine ganze Weile mit Machine Learning. Die meisten von uns, ohne es zu wissen. Neben Wetterprognosen und dem Aufdecken von Kreditkartenbetrügereien wird die intelligente Kerntechnologie angewandt:

- beim Spam-Filter
- bei der Personalisierung von Inhalten
- bei Suchmaschinen-Rankings
- für Stauprognosen

Und auch bei der Spracherkennung, wenn wir mit Siri oder Alexa sprechen, arbeitet Machine Learning im Hintergrund. Kundenkommunikation und Vorgangsmanagement mit ML

Wie eingangs erwähnt, profitieren auch Ihre Kundenkommunikation und Ihr Vorgangsmanagement von Machine Learning-Methoden. Zum Beispiel über die Arbeit mit Chatbots: Die virtuellen Assistenten arbeiten auf dem Prinzip der Spracherkennung und bieten Ihren Kunden einen 24-Stunden-Service auf der Website oder per Messenger. Über Machine Learning-Software lassen sich zudem sämtliche Eingangsprozesse automatisieren. ML-Algorithmen extrahieren eingehende Daten, ordnen sie nachgelagerten Vorgängen zu und personalisieren Kundenprofile. Sie unterstützen so in der Analyse der Customer Journey. Ihre Service-Mitarbeiter werden Ihre Kunden aufgrund der personalisierten Kundenprofile besser und individueller beraten können. Die Vorteile von ML-Methoden liegen auf der Hand. Was aber braucht es um Machine Learning im Unternehmen praktikabel zu machen? Welche Ressourcen müssen Unternehmen bereitstellen?

Machine Learning in der Praxis
Machine Learning-Methoden erfordern eine moderne und flexible IT-Infrastruktur. Im Idealfall ist das eine intelligente und cloud-basierte Plattform, über die Prozesse automatisiert und neue digitale Prozesse integriert werden. Sowohl API-Schnittstellen sind von Nöten als auch ausreichende Server- und Speicherkapazitäten – denn es müssen große Datenmengen verarbeitet werden. Nicht jedes Unternehmen kann das finanziell und personell stemmen. Die Alternative ist die Zusammenarbeit mit externen Cloudanbietern. Dafür sollten Unternehmen...
... genau wissen, welche Problem zu lösen sind
... ausreichend Datenmengen aus der Praxis bereitstellen können
... diese Datenmengen in ein einheitliches Format bringen
... und vorab die gewünschten Ergebnisse klar definieren.

Fazit: Machine Learning-Methoden sind uns über viele Prozesse längst bekannt. Die Entwicklungen der vergangenen Jahre haben bewirkt, dass die intelligente Technologie nun mehr und mehr die täglichen Unternehmensprozesse durchdringt. Zu Recht: Denn mit Hilfe von ML agieren Unternehmen in Echtzeit. Dafür müssen sie nicht einmal alle Ressourcen aus eigener Kraft bereitstellen. Externe Anbieter unterstützen sie dabei.

Falls Sie das Thema anhand  eines konkreten Praxisfalls vertiefen möchten, dann empfehle ich diese Case Study einer der TOP 3 Energieversorger in Deutschland.

Gefällt der Beitrag? Dann gerne weitersagen!

Bleiben Sie informiert!