In kleinen Schritten zur Künstlichen Intelligenz

Expertensystem bei Credit Suisse

von - 26.09.2017
BMW forscht mit IBM in der Watson-Zentrale
KI bei BMW: Der Autokonzern optimiert das Fahrverhalten mit Hilfe der Deep-Learning-Algorithmen von IBM Watson.
(Quelle: IBM Watson Group)
Viele Unternehmen können die benötigten Qualifikationen über den Arbeitsmarkt gar nicht so schnell aufbringen, wie sich ihre Anforderungen verändern.
Expertensysteme sind hier in der Lage, die im Unternehmen vorhandenen Qualifikationen der Mitarbeiter kurzfristig um fehlende Kompetenzen zu erweitern, indem sie ihnen die benötigten Informationen KI-getrieben aufbereitet zur Verfügung stellen.
Der US-amerikanische Ableger der Credit Suisse (CS) hat ein solches System in der Compliance-Abteilung im Einsatz, die für die interne Compliance-Beratung verantwortlich ist.  Zuvor konnten die Mitarbeiter zwar ein firmeninternes Callcenter der Bank anrufen, mussten aber unter Umständen während ihrer Arbeitszeit unproduktiv auf die Verfügbarkeit eines Compliance-Spezialisten warten. Außerhalb der Bürozeiten blieb den Fachkräften nichts anderes übrig als in Handbüchern zu blättern oder durch Webseiten zu scrollen, um ihre Compliance-Fragen in Eigenregie zu klären. Jetzt können die Mitarbeiter der Bank ihre Fragen an einen KI-gestützten Chatbot richten – dieser habe dann, so Brian Chin, Vorstandsmitglied der Credit Suisse, „sofort die anwendbare Richtlinie parat“.
Das Bankinstitut erhofft sich von der Technologie eine Reduzierung der Anfragen seitens der Mitarbeiter an das interne Callcenter um bis zu 50 Prozent. Durch den Wegfall der Wartezeiten dürfte zudem die Produktivität der Mitarbeiter bei ihren primären Aufgaben merklich zunehmen.
Anwendungsgebiete für Künstliche Intelligenz und Machine Learning
Künstliche Intelligenz (KI) und maschinelles Lernen (ML) alias Cognitive Computing kommen vielerorts bereits praktisch zum Einsatz. Sechs Felder lassen sich hauptsächlich unterscheiden:
Verarbeitung natürlicher Sprache (NLP, Natural Language Processing): Erkennen akustischer Si­gnale und ihrer Bedeutung. Beispiele dafür sind etwa die Umsetzung von Sprachbefehlen durch persönliche Assistenten wie Apple Siri oder Amazon Alexa, die Benutzerauthentifizierung auf Basis der Stimme und auch die Interpretation von Abbildungen von Computer- und Magnet­resonanztomographen durch das selbstlernende System Siemens SENN.
Bilderkennung und -verarbeitung: Interpretieren der Bedeutung von Inhalten in visuellem Material. Beispiele: Gesichtserkennung in Bildern und Videos aus Sicherheitskameras an Bahnhöfen, Erkennen der Stimmungslage von Fußgängern beim Betrachten von Reklametafeln bei der Modefirma GAP Schweiz.
Expertensysteme: Sammeln und Bereitstellen von Fachwissen. Beispiele dafür sind Beratungen im juristischen Bereich durch kognitive Systeme auf der Basis von IBM Watson, sogenannte evolutionäre Algorithmen sowie kollektive Intelligenz, eine Kombination aus KI und menschlichem Spezialwissen.
Deep Learning: Entdecken von neuem Wissen in bestehenden Daten. Ein Beispiel dafür ist etwa das Auffinden unbekannter Wechselwirkungen zwischen Medikamenten anhand anonymisierter Patientendaten.
Robotik und Pfadfindung: Bestimmen des optimalen Wegs und andere Entscheidungen autonomer Systeme. Beispiel: der Einsatz simulierter Schwarmintelligenz zur Wegfindung durch Müllabfuhrroboter.
Optimierungen und Heuristiken: Optimieren komplexer Systeme mit einer unübersichtlichen Anzahl von Variablen. Beispiele dafür sind: Prognosen für Siemens-Gasturbinen oder -Windparks, Googles neuronales Netz zum Optimieren der Energie­effizienz von Rechenzentren, vorausschauende Wartung von cyberphysischen Systemen der Industrie 4.0 und/oder Systemen mit einer hohen Ungewissheit, etwa Entscheidungen eines autonomen Fahrzeugs bei sich plötzlich verschlechternden Sichtverhältnissen oder auf einer noch unbekannten Strecke.
Verwandte Themen