Beschaffung aktuell 05.2024
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Mit KI-Methoden kann das enorme Potenzial interner und externer Datenquellen genutzt werden. Der Grad der Datenreife ist dabei von<br />
entscheidender Bedeutung. Wenn keine geeignete Datenbasis vorhanden ist, dann gibt es auch keine erfolgreiche KI-Umsetzung.<br />
Bild: Darko/stock.adobe.com<br />
Praxisbeispiele für KI-Anwendungen in Unternehmen<br />
Reif für KI? Auf die Daten<br />
kommt es an<br />
Über den Erfolg von KI-Projekten entscheiden die Daten. Ein zentrales Gütekriterium<br />
ist dabei deren Reifegrad. Abhängig davon sind unterschiedliche KI-Methoden nutzbar,<br />
die Unternehmen verschiedene Möglichkeiten bieten: von einfachen Datenstrukturanalysen<br />
über die Erstellung von Prognosen bis hin zur vollständigen Automatisierung<br />
komplexer Prozesse. Eine Datenstrategie bildet die Basis für das Erreichen eines<br />
hohen Reifegrades und damit auch für den Erfolg von KI-Projekten.<br />
In der Vergangenheit haben KI-Systeme<br />
vor allem mit Algorithmen gearbeitet,<br />
Expertensysteme sind dafür ein Beispiel.<br />
Algorithmen sind deterministisch strukturiert,<br />
vergleichbar mit fest verdrahteten<br />
Lösungswegen. Inzwischen steht in der KI<br />
aber die datengetriebene Verarbeitung im<br />
Vordergrund. Auf Basis von Neuronalen<br />
Netzen, Deep Learning oder Reinforcement<br />
Learning können so algorithmische<br />
Herausforderungen und Limitierungen<br />
bewältigt werden.<br />
Datengetriebene Verarbeitungsprozesse<br />
setzen zunächst voraus, dass Daten in<br />
entsprechender Quantität und Qualität<br />
vorhanden sind. Je höher dabei der Reifegrad<br />
der Daten ist, desto größer ist auch<br />
der Mehrwert von KI-Systemen. Eine Erhöhung<br />
des Daten-Reifegrads erfolgt ty-<br />
pischerweise in den Stufen Datenauswahl,<br />
Datenbereinigung und -verbesserung,<br />
Daten-Labeling und Datenaufbereitung<br />
für die Entwicklung von Reinforcement-Learning-Modellen.<br />
Beim Labeling<br />
werden Daten Zielwerte zugeordnet, also<br />
etwa einem Bild eine bestimmte Kategorie<br />
oder einer Stimmsequenz ein Gefühl.<br />
Das Reinforcement-Learning zielt darauf<br />
ab, auf Basis eines Belohnungssystems intelligente<br />
Agenten zu trainieren und für<br />
komplexe Entscheidungssituationen einzusetzen.<br />
Dabei können über sogenannte<br />
Monte-Carlo-Simulationen neue Entscheidungssituationen<br />
maschinell erzeugt<br />
und für ein erweitertes Training der Agenten<br />
genutzt werden, damit sie besser und<br />
sicherer in der Lösung komplexer Aufgaben<br />
werden.<br />
Ein klassisches Beispiel für die Nutzung<br />
großer Datenmengen und moderner KI-<br />
Lernmethoden wie Reinforcement Learning<br />
ist die AlphaGO-Entwicklung von<br />
Google. Es war das erste System, das<br />
professionelle Spieler des chinesischen<br />
Brettspiels Go schlagen konnte. Dabei<br />
ist zu berücksichtigen, dass Go aufgrund<br />
der Brettgröße und der höheren Anzahl<br />
möglicher Spielzüge eine deutlich größere<br />
Komplexität als etwa Schach aufweist.<br />
Folglich musste Google auch extrem<br />
viel Zeit und Geld in die Entwicklung<br />
der Datenbasis stecken. Ausgehend<br />
von dieser Datenbasis lies Google für die<br />
Entwicklung der neuen Version AlphaGO<br />
Zero zwei Go-Agenten immer wieder<br />
gegeneinander spielen, um deren Fähigkeiten<br />
zu verbessern. Relativ schnell war<br />
34 <strong>Beschaffung</strong> <strong>aktuell</strong> » 05 | 2024
Change language