Künstliche Intelligenz (KI) revolutioniert die Geschäftswelt. Chat GPT lässt es oft aussehen, als wäre KI ein automatischer Problemlöser, aber ist ihre Anwendung wirklich so einfach und selbsterklärend wie eine Waschmaschine?

In diesem Artikel erfahren Sie, wie eine künstliche Intelligenz lernt, Herausforderungen zu lösen. Dieser Weg mag zwar komplex sein, doch am Ende ist die Lösung für die Nutzerinnen und Nutzer dafür oft sogar noch einfacher als eine Waschmaschine.

„Das macht in Kürze künstliche Intelligenz.“ Das klingt so einfach wie eine Waschmaschine anschließen, einen Schlauch für das Wasser, einen für den Abfluss, Stecker rein und los geht’s. Ganz so einfach ist es aber nicht: Der erste Schritt jeder KI besteht darin, eine spezifische Herausforderung genau zu analysieren und zu verstehen. Ohne diese Vorarbeit kann auch die beste künstliche Intelligenz wenig ausrichten. Um im Bild der Waschmaschine zu bleiben:

• Zuerst muss die KI lernen, was Wäsche ist.
• Dann muss das System lernen, welche Herausforderung es überhaupt lösen soll: Das Waschen umweltfreundlicher machen? Waschprogramme noch besser an den Verschmutzungsgrad anpassen? Spontan neue Waschprogramme für bisher unbekannte Verschmutzungen entwickeln? Die Formulierung dieser konkreten Herausforderungen ist eine der wesentlichen Voraussetzungen dafür, dass KI-Anwendungen überhaupt sinnvolle Ergebnisse liefern.
• Definition unterschiedlicher Zustände: Was ist sauber? Was ist schmutzig? Wie kann das erkannt und gemessen werden? Dieses sogenannte „Datenmodell“ hilft der KI, statistische Berechnungen durchzuführen. Denn – und von dieser Vorstellung muss man sich verabschieden – eine künstliche Intelligenz weiß nicht, was sauber und was schmutzig ist. Sie kennt auch nicht den Unterschied zwischen Feinwäsche und Baumwolle. Sie handelt stur nach statischen Wahrscheinlichkeiten. Wenn der Wert X mit dem Wert Y in einer bestimmten Weise zusammenhängt, ist die statistische Wahrscheinlichkeit, dass es sich um schmutzige Wäsche handelt, deutlich größer als die Wahrscheinlichkeit, dass es sich um saubere Wäsche handelt.
• Trainieren des Datenmodells: Irgendwoher muss die künstliche Intelligenz den Hinweis bekommen, welche Messpunkte und Daten eher für schmutzige und welche eher für saubere Wäsche sprechen. Zum „Trainieren“ braucht die künstliche Intelligenz viel schmutzige und saubere Wäsche. Und jemand muss ihr helfen, zwischen sauberer und schmutziger Wäsche zu unterscheiden. Die KI lernt, was gut und was schlecht ist. Oder was schmutzig und was sauber ist.
• Datenmodell testen: Irgendwann hat die KI gelernt, was schmutzig und was sauber ist. Aber kann sie das auch richtig anwenden? Dazu wird das Modell getestet.

Wenn all diese Arbeit getan ist, haben die späteren Nutzerinnen und Nutzer das Gefühl, dass alles „Plug and Play“ funktioniert. Aber bis dahin ist es noch ein weiter Weg.

Um Ihnen dabei zu helfen, diesen Weg besser zu verstehen, hat die Innolytics AG die KI-Roadmap entwickelt. Ein methodisch-strukturiertes Vorgehen, mit konkreten Anwendungsfällen, innerhalb eines Unternehmens identifiziert und umgesetzt werden können.

Zusätzlich  unterstützt die Innolytics® Software diesen Prozess mit dem Modul „KI Use Cases“. Anhand einer konkreten Herausforderung in Ihrem Unternehmen erarbeitet unsere künstliche Intelligenz Vorschläge für den Einsatz von KI im Unternehmen. Anschließend wird ein Business Case berechnet, mit dem Sie Kosten und Nutzen des KI-Einsatzes langfristig abschätzen können. Im nächsten Schritt führen Sie eine Machbarkeitsanalyse durch. Ein digitaler Assistent führt Sie durch die Voraussetzungen, die erfüllt sein müssen, um eine erfolgreiche KI-Anwendung zu entwickeln und für Ihr Unternehmen nutzbar zu machen.

Sie haben Fragen zu dieser Anwendung oder möchten sie kennen lernen? Buchen Sie jetzt für kurze Zeit kostenlos Ihr persönliches Web-Meeting.