Übergreifendes Datenmanagementsystem für mehr Künstliche Intelligenz in Unternehmen
Die Künstliche Intelligenz (KI) bewegt sich seit Jahrzehnten immer wieder zwischen Hoffnung und großer Enttäuschung. Zwischen gewinnbringender Investition und Verlust. Überholt die Maschine wirklich den Menschen? Sie kann ja nicht einmal verstehen, was wir genau sagen!
Warum kümmern wir uns dennoch um die Fortentwicklung dieser Thematik? Weil der Anspruch erst einmal nicht mehr ist, das menschliche Gehirn nachzubilden. Die so genannte starke KI ist heute noch weit entfernt, dafür geht die Entwicklung bei speziellen Aufgaben umso schneller – beim selbstfahrenden Auto und beim intelligenten Fabrikroboter genauso wie bei Sprachassistenten oder bei automatischen Übersetzerfunktionen in Echtzeit. Ziel einer solchen schwachen KI ist es, konkrete Anwendungsprobleme intelligent und automatisiert zu lösen. In den letzten Jahren wurden hier bedeutende Fortschritte erzielt.
Der Grund: Die Menschen haben den Maschinen beigebracht, wie sie lernen. So arbeiten Computer heute zu Beginn oft recht bescheiden und lernen dann mithilfe riesiger Datenmengen, die sie verarbeiten. Dabei werden in der Regel Muster gelernt, die meist ohne Kenntnis eines Kontextes mit einer hohen Trefferquote klassifiziert werden.
»Machine Learning« heißt die Methode, die vielleicht der aufregendste Durchbruch zwischen Informatik und Neurowissenschaften, zwischen Big Data und Kleinhirn überhaupt ist. Bereits vor einigen Jahren wurde begonnen, die Architektur des menschlichen Hirns in künstlichen neuronalen Netzen (KNN) nachzubilden. KNN bestehen aus einer großen Anzahl an elektronischen Nervenzellen, den so genannten Neuronen, die sich Informationen über gerichtete Verbindungen zusenden. Diese Verbindungen werden jedoch nicht starr definiert, sondern anhand von Beispieldaten angepasst – das Netz „lernt“. Die KNN erlangen dadurch die Fähigkeit, auch auf Muster zu reagieren, die nicht immer zu 100% vorhergesagt werden können. Durch Kombination der Muster, die aus verschiedenen Datenquellen erkannt werden, wird die Qualität der Klassifizierung weiter verbessert.
Bei Googles „Neuronal Image Caption Generator“ (NIC) handelt es sich beispielsweise um ein künstliches neuronales Netz, das Bilderkennung mit Spracherkennung kombiniert. Das Netz ist in der Lage, einzelne Objekte auf einem Bild zu identifizieren, diese in Beziehung zu setzen und Aktionen zu erkennen. So entstanden unter anderem die folgenden Bildbeschreibungen: „Eine Gruppe junger Menschen spielt Frisbee.“ Oder: „Eine Herde Elefanten trottet über ein trockenes Grasfeld.“
Für den Durchbruch der Künstlichen Intelligenz fehlten in der Vergangenheit die Rechenleistung und ausreichend große Datenmengen, um die KI zu trainieren. Heute können Maschinen riesige Datenbestände (Stichwort: Big Data) für das eigenständige Lernen nutzen. Diese stammen aus verschiedensten Quellen:
• Millionen Tweets, Fotos, Videos, Sprachsignale, Mitteilungen aus Facebook oder anderen Medien
• Daten aus dem Internet der Dinge
• PDM-/PLM- und CRM-Systeme sowie ERP-Systeme
Je mehr Beispiele als Trainingsdaten vorliegen, desto besser kann sich die KI entwickeln. Die heute vorliegende Flut an Rohdaten wird sich in den kommenden Jahren zu einem Tsunami ausweiten. Um aus den Datenschätzen schlau werden zu können, müssen diese jedoch zunächst einmal gesammelt, konsolidiert und in qualitativ hochwertiger Form dem Netz präsentiert werden. Voraussetzung hierfür ist ein funktionierendes und vor allem übergreifendes Datenmanagement in Unternehmen.
Data Hub als Enabler-Technologie für das intelligente Unternehmen
Die für die KI relevanten Daten stammen aus mehreren isolierten und heterogenen Datenquellen. Dahinter verbergen sich jeweils wiederum unterschiedliche Datenstrukturen und Volumina. Neben strukturierten Daten müssen heute zwingend auch unstrukturierte Daten wie Sensor-Daten, Logfiles, Fotos oder gesprochenes Wort verarbeitet werden können. Für intelligente Unternehmen besteht der Anspruch, alle relevanten Unternehmensdaten lückenlos in einer Datenkarte zusammenzuführen. Diese Karte, die das gesammelte Wissen über das Unternehmen enthält, stellt den übergreifenden Kontext für zukünftige KI-Entwicklungen dar.
Mit dem Konzept eines Datenhubs können diese Anforderungen realisiert werden. Der Data Hub führt sämtliche Quelldaten – sowohl strukturiert als auch unstrukturiert – in einer stabilen Datenbasis zusammen. Neben der reinen Datenhaltung stellt er mehrere funktionale Services, z.B. für die qualitative Bereinigung und Anreicherung von Daten sowie die Integration weiterer Datenquellen bereit. So können neue Dienste und Quellen jederzeit dynamisch an die Wissensbasis angebunden werden.
Eine solche flexible Drehscheibe, über die Daten, Informationen und Dienste in beliebiger An- und Einordnung kommunizieren können, ermöglicht einen durchgängigen Informationsaustausch und deren optimale Nutzung für alle erforderlichen Teilnehmer in der Wertschöpfungskette. So können Prozesse übergreifend gesteuert und nicht zuletzt durch den Einsatz von KI (teil-) automatisiert durchgeführt werden. Für das intelligente Unternehmen stellt der Datenhub eine Enabler-Technologie dar.
Fazit: Übergreifendes und leistungsstarkes Datenmanagementsystem als Basis für die Weiterentwicklung von KI-Systemen
Seit ihrer Geburtsstunde im Jahre 1956 gewinnt die Künstliche Intelligenz in Unternehmen immer mehr an Bedeutung. Mit Hilfe enormer Datenmengen und massiver Rechenpower wird heute erreicht, was vor einigen Jahren noch unmöglich war: Computer erkennen Krebs so gut wie Ärzte; intelligente Roboter arbeiten in Bereichen, die für den Menschen gesundheitsschädigend sind; und Maschinen treffen Kredit- und Anlageentscheidungen im Internet. Voraussetzung für die (Weiter-) Entwicklung der KI in Unternehmen ist allenfalls ein übergreifendes und leistungsstarkes Datenmanagement. Dies kann mit einem Datenhub als Enabler-Technologie erreicht werden.
Quellen:
http://www.spektrum.de/thema/kuenstliche-intelligenz/1301266
Mehr zu Datenmanagement Software erfahren Sie hier
