26 01 | 2019 Künstliche Intelligenz im Change Management Einsatzpotenziale denkender Maschinen Die Finanzdienstleister werden künftig beim Gestalten ihrer Geschäftsprozesse verstärkt auf Künstliche Intelligenz setzen. Damit einher geht nicht nur ein großer Change-Management- Bedarf in den Finanzdienstleistungsunternehmen, auch die Beraterbranche selbst muss sich hierauf einstellen.
01 | 2019 27 Es wirkt schon ein bisschen verrückt, was der Regisseur und Drehbuchautor Spike Jonze in seinem 2013 produzierten Film „Her“ zum Thema Künstliche Intelligenz erzählt: Theodore Twombly, der Hauptcharakter des Films, verliebt sich in Samantha, ein Betriebssystem auf seinem Rechner, mit dem er via Headset und Videokamera kommuniziert. Und Samantha „lernt“ durch und über die soziale Interaktion mit Theodore und entwickelt sich immer weiter, sodass ihr Verhalten zunehmend menschlicher wird. Theodore Twombly ist am Ende verliebt in die Künstliche Intelligenz und beginnt eine Beziehung mit Samantha. Wie weit sind wir im Jahr 2019 – ein halbes Jahr, nachdem in Japan ein Mann ein Hologramm „geheiratet“ hat – von einem solchen Szenario entfernt? Wie intelligent ist heute Künstliche Intelligenz, und inwiefern kann sie mittlerweile mit uns kommunizieren? Definitionsfrage Was ist überhaupt Künstliche Intelligenz? KI ist nicht einheitlich definiert. Das hängt auch damit zusammen, dass die KI-Forschung – seit der Begriffsbildung in den 1950er-Jahren – interdisziplinär ist. Für die praktische Anwendung hat sich jedoch als Definition herauskristallisiert, Künstliche Intelligenz sei die Eigenschaft eines IT-Systems, „menschenähnliche“, intelligente Verhaltensweisen zu zeigen. Viele Systeme, die wir für intelligent halten, setzen gar nicht auf Künstliche Intelligenz im eigentlichen Sinne. Diktierfunktionen und Sprachsteuerung sind zwar hilfreich, jedoch nicht Ausdruck eines intelligenten Sprachverständnisses. Sie arbeiten vielmehr bislang mit voreingestellten Stichworten, die bestimmte Funktionen ansteuern, wie beispielsweise „Wecker auf 7 Uhr stellen“ oder „Lampe an“. Etwas genauer betrachtet, beschreibt Künstliche Intelligenz Informatikanwendungen, die den Beweis intelligenter Verhaltensweisen zum Ziel haben. Diese setzen vier Kernfähigkeiten voraus: Wahrnehmen, Verstehen, Handeln und Lernen. Sie erweitern das Grundprinzip „Eingabe, Verarbeitung, Ausgabe“ aller EDV-Systeme. Künstliche Intelligenz soll Menschen beim Erreichen ihrer Ziele intelligent unterstützen. Sie hat nicht zum Ziel, den Menschen überflüssig zu machen. Um Menschen jedoch optimal unterstützen zu können, sind die genannten Kernfähigkeiten notwendig. Das wirklich neue an heutigen KI- Systemen ist das Lernen und damit verbunden das Verstehen. Aktuelle Systeme können in der Verarbeitungskomponente trainiert werden, immer bessere Ergebnisse zu erzielen – und zwar in der Regel bessere als mit herkömmlichen Verfahren. Diese basieren nämlich im Wesentlichen auf starren, klar definierten und festprogrammierten Regelwerken („Wenn…, dann…“). Beispiele hierfür gibt es z. B. in der Bild- und Spracherkennung. KI-Systeme erkennen nicht nur Buchstaben, sie wissen auch, was das Wort „Beschwerde“ in einem eingescannten Brief bedeutet und können daraufhin einen definierten Beschwerdevorgang einleiten. Und sie sind oft viel leistungsfähiger als Menschen. Wenn es z. B. darum geht, Millionen von Webseiten zu durchsuchen und alle Bilder zur Verfügung zu stellen, die einen Hund zeigen, wären Menschen damit überfordert. Moderne KI-Systeme werden aktuell zur Ergänzung einer eindeutigen Systemsteuerung eingesetzt. Das Besondere an den aktuellen Systemen ist, dass sie während der Testphase und im laufenden Betrieb anhand ihrer Fehler bzw. anhand eines Feedbacks lernen. Maschinen lernen ähnlich wie Menschen Maschinen lernen im Prinzip ähnlich wie Menschen. So kann auch ein Computerprogramm lernen, bestimmte Objekte zu identifizieren. Dazu wird es zunächst mit Daten gefüllt und trainiert. So wird ihm etwa erklärt, welches Objekt ein Pferd ist und welches nicht. Danach erhält das Programm regelmäßig eine Rückmeldung vom Programmierer, ob es die Unterscheidung „Pferd“ oder „kein Pferd“ richtig getroffen hat. Der Algorithmus nutzt dieses Feedback, um sich selbst wieder und wieder zu verbessern. Das Modell verbessert sich so lange, bis am Ende eine zielsichere Unterscheidung zwischen „Pferd“ und „kein Pferd“ möglich ist. Die Machine-Learning-Systeme bestehen dabei in der Regel aus drei Komponenten: ■■ aus einem Modell, das Vorhersagen und Identifikationen trifft, ■■ aus Parametern, also Signalen oder Faktoren, die vom System genutzt werden, um Entscheidungen zu treffen, und ■■ aus dem lernenden System. Das lernende System passt die Parameter und somit auch das Modell an, indem es sich die Unterschiede zwischen der Vorhersage und dem tatsächlichen Ergebnis anschaut. Zu Beginn des Modells wird häufig eine Prognose aufgestellt, die für eine bestimmte Situation gilt. Das Machine-Learning-System nutzt diese Prognose zur Entwicklung. Dieses Modell hängt wiederum von den Parametern ab, die für die Berechnung eingesetzt werden. Dabei nutzt das System eine mathematische Gleichung, um eine Prognose auszudrücken und eine Trendlinie dessen, was erwartet wird, abzubilden.
Laden...
Laden...
Laden...