vchalup - stock.adobe.com

Mit KI und Machine Learning zum intelligenten Unternehmen

KI und Machine Learning unterstützen Unternehmen dabei, neue Geschäftsmodelle zu erschließen und bestehende zu transformieren. Wie die Technologien zusammenarbeiten.

Künstliche Intelligenz (KI) hat den Mainstream erreicht. Unternehmen aller Branchen forcieren zunehmend den Einsatz KI-basierter Anwendungen. Immer häufiger formulieren sie im Rahmen ihrer IT-Strategie auch eine spezielle KI-Strategie, mit der sie einen Innovationspfad fest verankern wollen.

Doch wo anfangen? Experten empfehlen, schrittweise vorzugehen. Idealerweise starten Unternehmen mit einem spezifischen Business Case in einer konkreten Fachabteilung. Die Herausforderung dabei ist, eine modulare Lösung zu finden, die eine solche schrittweise Vorgehensweise unterstützt und eine spätere Skalierung über weitere Geschäftsfelder zulässt.

An dieser Stelle knüpfen Insight Engines an. Als Highend-Lösungen für intelligentes Verstehen von Informationen, stellen die KI-Wissensmanagementlösungen innovative und sofort einsetzbare, modulare Services zur ganzheitlichen Sicht auf Daten und Verknüpfung von Informationen zur Verfügung. Diese umfassen beispielsweise Dienste in den Bereichen Entity Recognition, Klassifizierung, Semantic Relations, Proactive Insights, Knowledge Extraction und Natural Language Processing (NLP).

Erkennung von Entitäten

Bei Methoden der regelbasierten Extraktion beziehungsweise Entity Recognition/ Extraction geht es um das Erkennen und Extrahieren bestimmter Informationen aus vorhandenen Daten. So ist es möglich Personen, Organisationen, Orte, Daten oder unternehmensspezifische Entitäten (Projekt-IDs, Produktcodes und Registrierungsnummern) aus Datensätzen herauszufiltern.

Mittels Einbindung von Glossaren, Katalogen sowie Taxonomien und Ontologien lässt sich sogar die unternehmenseigene Corporate Language einbeziehen. So können Personen, Orte ebenso wie interne Fachbegriffe, spezielle Abkürzungen oder Akronyme, die unter anderem in Dokumenten, E-Mails, Notizen und Kalendereinträgen enthalten sind, korrekt verstanden und Entitäten identifiziert beziehungsweise entsprechend extrahiert und zugeordnet werden.

Entity Recognition dient zur Optimierung zahlreicher Geschäftsprozesse in den unterschiedlichsten Bereichen – vom Kundenservice bis zum Personalmanagement.

Extraktion von Wissen

Neben der Erkennung und Extraktion von Entitäten ist es aber ebenso relevant, die semantische Bedeutung hinter Informationen in Dokumenten zu verstehen. Damit Systeme dies automatisiert erkennen können, ist es notwendig, sie entsprechend zu trainieren. Insight Engines nutzen Pre-defined Models, um Schlüsselinformationen aus Dokumenten mit bereits gelabelten, also gekennzeichneten Daten zu verknüpfen.

Von großem Nutzen ist dies beispielsweise im Vertragsmanagement. Durch das Erkennen und Verstehen von Daten wie Firmennamen, Adresse, Datumangaben in einem Vertrag können Informationen, zum Beispiel Vertragslaufzeiten und Kündigungsfristen errechnet, extrahiert und Endanwendern proaktiv ein umfassender Überblick bereitgestellt werden.

Herstellung und Nutzung von semantischen Beziehungen

Mit Methoden im Bereich Semantic Relation, lassen sich Beziehungen zwischen verschiedenen Datenquellen (zum Beispiel aus Fachanwendungen, E-Mail-Programmen und sozialen Medien) herstellen und Daten aus einer Quelle zur Anreicherung von Daten in einer anderen Quelle verwenden.

Dazu baut die Insight Engine einen Knowledge-Graphen auf. Verknüpfungen und Abhängigkeiten zwischen vorhandenen Informationen lassen sich so rasch identifizieren, extrahieren und relevante Ergebnisse priorisieren.

Eine große Rolle spielt diese Funktion beispielsweise im Bereich Skills Management, wenn es darum geht, benötigte Kompetenzen zu finden. Durch die Analyse und Interpretation der vorhandenen Daten ist in Sekundenschnelle die Person mit dem relevanten Wissensstand gefunden.

Klassifizierung unstrukturierter Texte

Um zu wissen, zu welchem Thema, Projekt oder Aufgabenbereich ein Dokument gehört, müssen Mitarbeiter vor der Be- und Verarbeitung von Informationen üblicherweise als ersten Schritt entsprechende Metadaten erfassen. Das ist ein aufwendiger manueller Prozess, der sich aber leicht automatisieren lässt.

Bestimmte Methoden aus dem Bereich der KI erkennen über die Semantik des Texts, um welchen Dokumententyp es sich handelt und sind in der Lage, die Dokumente automatisiert an die entsprechenden Fachabteilungen weiterzuleiten. Die Basis dafür bietet ein integriertes Machine-Learning-Modell, das sich stetig selbst optimiert.

Derartige Modelle finden heute bereits vor allem in Posteingangsstellen Anwendung. Die automatisierte Erfassung der Dokumententypen und die Weiterleitung an den entsprechenden Fachbereich, führt zu einer enormen Effizienz- und Qualitätssteigerung.

Proaktive Bereitstellung relevanter Informationen

Beim Wissensmanagement spielt das Thema Personalisierung immer eine übergeordnete Rolle. Denn bei der Vielzahl an Daten und Informationen in Unternehmen ist es wichtig, dass Endanwender stets mit jenen Informationen interagieren, die für ihre Rolle, Position und vor allem ihren Anwendungsfall relevant sind.

Daniel Fallmann, Mindbreeze

„Die Herausforderung ist, eine modulare Lösung zu finden, die eine schrittweise Vorgehensweise unterstützt und eine spätere Skalierung über weitere Geschäftsfelder zulässt.“

Daniel Fallmann, Mindbreeze

Methoden wie Proactive Insights ermöglichen dies. Nutzer können dabei selbst definieren welche Informationen und Daten für sie am wichtigsten sind und legen damit den Grundstein für die Visualisierung ihrer Ergebnisse. So verfügen unterschiedliche Mitarbeiter nicht nur über verschiedene relevante Daten, sondern auch die Aufbereitung ihrer Ergebnisse ist perfekt auf ihre Bedürfnisse abgestimmt.

Durch kontinuierliche Beobachtung neuer Informationen und der Indizierung von neuen oder geänderten Keywords, lassen sich auch entsprechende Alerting- beziehungsweise Benachrichtigungs-Funktionen aktivieren.

Natürliche Sprachverarbeitung

Geht es um das Verstehen der menschlichen Sprache, wie es zum Beispiel bei Anwendungen wie Chatbots oder Conversational Engines erforderlich ist, sind eine Reihe von intelligenten Technologien notwendig. Da sich Dialekte, Ironie oder Mehrdeutigkeit nur schwierig erfassen lassen, nutzen Insight Engines innovative Ansätze der Spracherkennung wie Natural Language Processing (NLP), Natural Language Understanding (NLU) oder Natural Language Question Answering (NLQA).

Mit diesen Technologien lassen sich Suchanfragen in natürlicher Sprache eingeben und direkt weiterverarbeiten. Dabei können sowohl strukturierte Metadaten als auch Textinhalte analysiert, verstanden und somit die Bedürfnisse der Benutzer korrekt ermittelt werden. NLP befasst sich dabei mit der maschinellen Verarbeitung der menschlichen Sprache, während es bei NLU vor allem darum geht die Intention der Anwender zu ermitteln. NLQA sorgt für die Schaffung eines natürlichen Dialogs.

Die beschriebenen Services und Funktionen lassen sich üblicherweise einzeln oder kombiniert beziehen und sind bei Bedarf erweiterbar. Die individuelle Kombination der einzelnen Methoden schafft einzigartige, personalisierte KI-Lösungen optimal angepasst an den entsprechenden Anwendungsfall. Modulares Wissensmanagement adressiert damit nicht nur die unterschiedlichen Pain Points von Unternehmen, sondern unterstützt sie vor allem dabei KI sinnvoll und zielgerichtet in ihr Business zu intergieren.

Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.

Erfahren Sie mehr über Künstliche Intelligenz (KI) und Machine Learning (ML)

ComputerWeekly.de
Close