Auch wenn künstliche Intelligenz zu einem Eckpfeiler des heutigen Geschäftslebens wird, tun sich viele Unternehmen noch schwer damit, wie sie anfangen sollen.
Wer sich anschaut, was KI-getriebene Unternehmen wie Amazon, Microsoft und Google Cloud tun, könnte befürchten, nicht über die finanziellen Mittel oder das bestausgebildete Personal zu verfügen, um diese Vorreiter nachzuahmen.
Die gute Nachricht ist: Dank der Fortschritte bei Hard- und Software kann praktisch jedes Unternehmen mit einem KI-Projekt beginnen. Und es wäre damit in guter Gesellschaft – der globale KI-Markt soll von 93,5 Milliarden US-Dollar im Jahr 2021 auf 641,3 Milliarden US-Dollar im Jahr 2028 wachsen.
Ideale erste Schritte für Unternehmen, die ihr Geschäft ausbauen möchten, sind drei der häufigsten Anwendungsfälle: Chatbots, Bildklassifizierung und Preisprognosen.
Siehe auch: Top-KI-Software
1) Alles dreht sich um Chatbots: KI-gestützte Gespräche auf dem Vormarsch
Chatbots sind KI-gestützte Kundendienstmitarbeiter. Stellt man einem Chatbot eine Frage, durchsucht er zahlreiche Systeme, um dem Kunden eine Antwort zu geben.
Während Chatbots früher nur schwer die Gunst der Verbraucher gewinnen konnten, tragen sie heute dazu bei, den Kundenservice und die Kundenzufriedenheit zu verbessern und Unternehmen erhebliche Kosten zu ersparen. Juniper Research geht davon aus, dass Chatbots Unternehmen bis zu 8 Milliarden US-Dollar pro Jahr einsparen.
Ping An, ein großer, in China ansässiger Finanzdienstleister, war ein früher Vorreiter beim Einsatz von Chatbots. Mithilfe von KI entwickelt und trainiert das Unternehmen dialogorientierte Chatbots mit höherem Verständnis und größerer Genauigkeit. Dadurch kann es täglich Millionen von Kundenanfragen bearbeiten – mit erheblichen Kosteneinsparungen und, ebenso wichtig, der Möglichkeit, den Kundenservice durch kürzere Wartezeiten im Callcenter zu verbessern.
Zentrale Bereiche für Anwendungen der dialogorientierten KI
- Die automatische Spracherkennung, kurz ASR, kommt zum Einsatz, wenn wir mit virtuellen Assistenten zu Hause oder mit unseren Smartphones sprechen, damit diese Sprache in Text umwandeln können.
- Die Verarbeitung natürlicher Sprache, kurz NLP, geht einen Schritt über ASR hinaus und wird zur Entwicklung von Anwendungen genutzt, die nahtlose Interaktionen zwischen Mensch und Technologie ermöglichen.
- Text-to-Speech mit Sprachsynthese ermöglicht es einem Chatbot, die Frage eines Kunden zu beantworten.
Der erfolgreiche Einsatz eines Chatbots erfordert Geschwindigkeit, Genauigkeit sowie anpassbare Sprache und Sprachverarbeitung – außerdem muss er skalierbar sein, damit er bei Bedarf Hunderte oder Tausende von Kundenanfragen bearbeiten kann.
Klingt unkompliziert – wo liegt also der Haken? Es handelt sich nicht um einen einmaligen Prozess. Die Entwicklung genauer und schneller Software erfordert kontinuierliche Anpassungen, die Data-Science-Teams stark belasten können, wenn sie alles manuell erledigen. Glücklicherweise gibt es immer mehr Softwaretools, die den Zeitaufwand für die Entwicklung eines leistungsfähigen Chatbots verringern können – was früher Monate dauerte, lässt sich heute in Tagen erledigen.
Teams können außerdem zunächst die nötigen Fähigkeiten für den Bau eines Chatbots entwickeln, bevor sie einen von Grund auf neu erstellen. Vortrainierte Modelle bieten dabei einen Vorsprung.
Siehe auch: Die besten Tools für Datenanalysen
2) Das Gesamtbild erkennen mit Bildklassifizierung
Computer Vision, auch als Bildklassifizierung bezeichnet, ist der Prozess, Bilder mithilfe von KI zu gruppieren und zu sortieren, um die Genauigkeit zu erhöhen, die Sicherheit zu verbessern und neue Projekte zu beschleunigen. Das gilt beispielsweise für die Routenplanung oder die Steuerung von Ampelschaltungen – all diese Fälle erfordern ein Bewusstsein für die Situation in Echtzeit und Lösungen auf Grundlage ständig wechselnder Datenpunkte. Computer Vision hilft dabei, die physische mit der virtuellen Welt zu verbinden.
Für den Einsatz der Bildklassifizierung ist ein trainiertes KI-Modell erforderlich, das bereit ist, Inferenz-Workloads in der Produktion auszuführen und Vorhersagen zu treffen.
Diese drei Phasen der Segmentierung, Klassifizierung und Erkennung greifen zusammen, während das System die Inferenz ausführt – in nur wenigen Millisekunden.
- Ein typisches Bildklassifizierungssystem umfasst die Bildsegmentierung.
- Die Bestandteile eines Bildes werden Kategorien zugeordnet.
- Erkannte Anomalien werden den Bedienern gemeldet.
Medizinische Bildgebung, autonome Fahrzeuge und Verkehrssteuerungssysteme sind drei Bereiche, in denen die Bildklassifizierung Branchen dabei unterstützt, Sicherheit und Präzision zu verbessern. Um diese Ziele zu erreichen, muss die KI-Inferenz schnell ausgeführt werden, genaue Ergebnisse liefern und regelmäßig neu trainiert werden.
Unternehmen können in gehosteten Laborumgebungen die Fähigkeiten entwickeln, ein Bildklassifizierungssystem zu erstellen. Dort lernen sie, wie sich ein durchgängiger Data-Science-Workflow aufbauen und das Modell für den Produktionseinsatz bereitstellen lässt, sobald die Inferenz ausgeführt werden soll.
Siehe auch: Was ist Datenvisualisierung?
3) Verstehen, warum Preisprognosen entscheidend sind
In nahezu jeder Branche ist es zunehmend schwieriger geworden, die Preise für Rohstoffe vorherzusagen, da unvorhergesehene Ereignisse im Zusammenhang mit der Pandemie, der Politik und extremen Wetterbedingungen auftreten.
Da sich diese Variablen ständig verändern, können KI-gestützte Preisprognosen Unternehmen dabei helfen, Herausforderungen zu bewältigen, ihre Betriebsabläufe zu stabilisieren und die Rentabilität zu maximieren.
KI-Modelle zur Preisprognose bewerten eine Reihe von Datenpunkten, die je nach Anwendung variieren:
- Ein Modell zur Preisprognose für Fahrdienstvermittlungen könnte die Tageszeit, das Wetter und das geografische Routing-Gebiet berücksichtigen.
- Ein Modell zur Vorhersage künftiger Weizenpreise könnte Daten zur saisonalen Nachfrage, zum Wetter und zu politischen Aktivitäten enthalten.
Das Trainieren eines KI-Modells zur Preisprognose umfasst grundlegende Data-Science-Arbeiten, einschließlich der Aufbereitung der Daten für die Verarbeitung. Im Beispiel der Fahrdienstvermittlung würde die Erstellung eines Preisprognosemodells die Auswertung von Datensätzen umfassen, darunter Abholpunkte, Zielpunkte, Fahrpreis, Passagierzahl, Nachfrage nach Fahrten und möglicherweise sogar das Wetter.
Auch Preisprognosemodelle benötigen Zugriff auf große Datensätze, die schnell verarbeitet werden müssen, bevor die Informationen veraltet und überholt sind. Genauigkeit und Effizienz erfordern beschleunigtes Computing, damit die Prognose ins Schwarze trifft. Wenn beschleunigte Data Science für Ihr Unternehmen ein neuer Workload ist, können Labore Teams dabei helfen, ihre Fähigkeiten schnell zu verbessern.
Siehe auch: Tech-Prognosen für 2022: Cloud, Daten, Cybersicherheit, KI und mehr
Das erste KI-Projekt starten
Wo kann ein Unternehmen also seine KI-Reise beginnen? Die Fähigkeiten zu entwickeln, um diese und andere wichtige KI-Workloads auszuführen, muss weder teuer sein noch eine Rückkehr an die Hochschule erfordern.
Unternehmen, die ihre eigenen KI-Fähigkeiten ausbauen möchten, können in die Kompetenzen ihrer bestehenden Teams investieren oder diese in einer Vielzahl virtueller Testumgebungen sowie unternehmensinterner oder von Drittanbietern angebotener „Learning Labs“ auf der ganzen Welt weiterentwickeln.
Eine gute, praxisnahe Laborerfahrung ermöglicht es den Nutzern, die Arten von KI-Anwendungen zu sehen, zu verstehen und praktisch zu testen, die für ihre jeweilige Branche besonders nützlich sein könnten. KI kann praktisch jede Branche und Organisation enorm beeinflussen. Das gilt für die Entwicklung eines neuen, zeitsparenden Chatbots für ein Flugbuchungssystem ebenso wie für eine Bildklassifizierungsanwendung, die Lagerabläufe beschleunigt, oder für Preisprognosemodelle, die der Lebensmitteleinzelhandelsbranche Milliarden von Dollar einsparen.
Der Nutzen von KI in Unternehmen ist zwar groß, doch das Ausprobieren einiger Ideen für KI-Anwendungen kann kostenlos sein. Nehmen Sie sich also jetzt die Zeit, zu prüfen, wo Sie beginnen möchten, und nutzen Sie eines der vielen weltweit verfügbaren kostenlosen virtuellen Labore, um Ihre Reise zu starten.
Über den Autor:
Justin Boitano ist VP of Enterprise and Edge Computing bei NVIDIA.