(Quelle: kewl / Pixabay)
Mittlerweile bewähren sich leistungsfähige Machine-Learning-Algorithmen, die heute problemlos in Unternehmen implementiert werden können, in dreifacher Hinsicht. Eine Übersicht der Einsatzmöglichkeiten bietet SAP.
Als Engine, die Muster erkennt, ermöglicht maschinelles Lernen die weitere Automatisierung von bestehenden Geschäftsprozessen.
Prozessautomatisierung: So funktioniert maschinelles Lernen
Für maschinelles Lernen sind große Mengen an hochwertigen Daten erforderlich. In den meisten Unternehmen finden sich diese Daten in bestehenden Geschäftsanwendungen für Finanzwesen, Logistik und Vertrieb. Diese Daten wurden bereits erfasst, bereinigt und für einen langen Zeitraum gespeichert. Es sind also eine Menge Daten vorhanden, mit denen sich aussagekräftige, nützliche Prognosemodelle erstellen lassen.
Maschinelles Lernen funktioniert am besten, wenn eine klar definierte Entscheidung zu treffen ist, wie sie mehrere Tausend mal pro Tag vorkommt, bei der eine kleine Anzahl von Variablen beteiligt ist und bei der Fehler eindeutig sind und schnell korrigiert werden können, um den Algorithmus noch weiter zu verbessern. Ein Beispiel: „Welche dieser Überweisungen entspricht dieser Rechnung?”. Für eine solche Frage eignet sich maschinelles Lernen viel besser als für „Wie können wir die Überlebensrate bei Lungenkrebs verbessern?”
Maschinelles Lernen lässt sich dann am leichtesten implementieren, wenn die Entscheidung nahtlos als Teil eines bestehenden Geschäftsprozesses automatisiert werden kann, ohne dass dabei neue Prozesse entstehen oder kulturelle Veränderungen nötig sind.
Einige Beispiele für automatisierbare Prozesse:
- Extraktion relevanter Zahlungs- oder Auftragsdaten aus unstrukturierten Rechnungen, Formularen und E-Mails (zum Beispiel Produktnamen, Betrag, Währung, Zahlungsempfänger, Adresse usw.)
- Klassifizierung von Transaktionen zur Einhaltung der Steuerrichtlinien
- Vorhersagen, wann nutzungsbasierte Verträge zu erneuern sind
- Prognosen und Maßnahmen bei Verzögerungen des Transitbestands
- Berechnung der optimalen Zeitdauer zwischen Inventuren zur Sicherstellung der Synchronität mit automatischen Systemen
- Weiterleitung von Kundenserviceanfragen an das am besten geeignete Team
Diese vermeintlich langweiligen Anwendungsfälle für maschinelles Lernen sind heute die mit Abstand größten realen Chancen für den geschäftlichen Nutzen. McKinsey hat berechnet, dass sich rund 43 Prozent der Finanzprozesse mithilfe von KI automatisieren lassen. Gartner gibt an, dass KI für eine halbe Milliarde Menschen allein in diesem Jahr zwei Stunden pro Tag an Zeit im Zusammenhang mit Maßnahmen und Entscheidungsfindung einspart. Es besteht also ein riesiges Potenzial, wenn Sie maschinelles Lernen mit Sensoren, IoT und anderen Technologien kombinieren.
Intuitivere Benutzeroberflächen
Aktuelle Fortschritte im maschinellen Lernen haben stark dazu beigetragen, dass Computer menschliche Sprache, Schrift und Befehle entschlüsseln und verstehen können.
Neue Service-Chatbots etwa erleichtern Kunden die Suche nach Informationen und führen einfache Transaktionen über Sprach- oder Chat-Schnittstellen aus. Machine-Learning-Algorithmen scannen eine Vielzahl von Produkten und technischer Dokumentationen und antworten automatisch auf häufige Fragen. Die ersten Implementierungen zeigen: Die Nutzung von Chatbots zur Beantwortung von grundlegenden Fragen beschleunigt die Kundenkonversation, steigert die Kundenzufriedenheit und senkt die Kosten deutlich.
In Unternehmen können digitale Assistenten bei alltäglichen Abläufen helfen.
Innerhalb von Unternehmen können digitale Assistenten bei alltäglichen Abläufen helfen, insbesondere im Zusammenhang mit zentralen Geschäftsprozessen wie Beschaffung, Personalwesen und Budgetierung. Anstatt sich durch eine komplexe Schnittstelle zu klicken, könnten Mitarbeiter dem digitalen Assistent mitteilen, dass sie nächste Woche Urlaub nehmen möchten, oder ihn fragen, wie die derzeitigen Istkosten in Ihrer Abteilung im Vergleich zum Budget sind.
In einer Arbeitsumgebung haben digitale Assistenten Zugriff auf große Mengen kontextbezogener Informationen, die einen solchen Austausch vereinfachen oder gar antizipieren können. Das System weiß, wie viele Urlaubstage Ihnen noch zustehen, welchem Budget Sie zugeordnet sind. Mithilfe von maschinellem Lernen erkennt das System sogar außergewöhnliche Umstände und kann darauf aufmerksam machen, ohne nach den entsprechenden Informationen suchen zu müssen: „Auf Grundlage Ihrer aktuellen Reservierungen und prognostizierten Reisen werden Sie Ihr Reisebudget dieses Quartal um 30 Prozent überschreiten – möchten Sie Ihre Reisen überprüfen oder die Finanzabteilung darauf aufmerksam machen?”
Prozesse offenlegen und optimieren, wie es bisher nicht möglich war
Maschinelles Lernen kann bei der effizienten Verarbeitung von Daten unterstützen, deren Analyse zuvor zu komplex oder teuer war. Dadurch erhät man Einblicke in Prozesse, die auf neue Weise optimiert werden können.
Einige Beispiele:
- Prognostizierte Instandhaltung: Mit detaillierten Sensordaten und Algorithmen lassen sich die ersten echten Anzeichen von Problemen in Teilen oder in Maschinen erkennen. Das spart enorme Geldsummen, denn sonst würden die Teile regelmäßig ausgetauscht, unabhängig davon, ob sie abgenutzt sind oder nicht, bzw. – was noch schlimmer ist – es wird so lange gewartet, bis die Teile defekt sind und die Produktion stillsteht. Diese Technologien werden sogar bei Menschen eingesetzt, etwa bei Profi-Athleten. Werden die Vitalzeichen von Spielern während des Trainings überwacht, kann sichergestellt werden, dass sie die optimale Leistung bringen und das Verletzungsrisiko minimiert wird, das einen Spielerausfall zur Folge hätte.
- Bildanalyse und -überwachung: Besonders stark zugenommen hat die Leistung bei den neuen Deep-Learning-Algorithmen, die zum Interpretieren und Verstehen komplexer Bilder eingesetzt werden. Dies hat eine Vielzahl an Geschäftsmöglichkeiten eröffnet. Ein Ölunternehmen kann beispielsweise seine Fässer scannen, um sicherzustellen, dass sie korrekt und eindeutig gekennzeichnet sind. Sponsoren von Sportveranstaltungen können ausführliche Analysen darüber erhalten, wie oft, wie lang und an welcher Stelle ihr Logo bei der Übertragung eines Sportereignisses erscheint. Das hilft ihnen, die Reichweite zu optimieren und zu erkennen, ob ihre Investitionen den gewünschten Erfolg bringen. Unternehmen, die komplexe Kataloge mit vielen verschiedenen Produkten und Variationen haben, können die Algorithmen dazu einsetzen, schnell das richtige Produkt auf einem Foto zu erkennen, unabhängig davon, ob das Unternehmen Büromaterial, Reifen oder Schmuck verkauft.
- Textanalyse und -klassifizierung: Maschinelles Lernen kann zur Extraktion von Texten und Bildern aus elektronischen Dokumenten verwendet werden. Anschließend lassen sich diese Informationen klassifizieren, damit sie leichter als je zuvor analysiert werden können. Die Anwendungsfälle umfassen Texte zu potenziell betrügerischen Schadensforderungen bei Versicherungen, Stimmungsanalysen zur Kundenbindung, die Klassifizierung der Wechselwirkungen von Medikamenten basierend auf Forschungsdokumenten und vieles mehr.