Cognitive Computing – Anwendungen in Wirtschaft und Gesellschaft

Wie aus blanken Daten optimierte Informationen werden

Scopevisio Online-Demo

Kostenlose Produktpräsentationen im Livestream.
Verschaffen Sie sich in 30 Minuten einen Überblick über einzelnen Funktionen in Scopevisio.

Jetzt anmelden!

Cognitive Computing und Künstliche Intelligenz stehen nach Einschätzung des Branchenverbandes bitkom vor dem Durchbruch. Die bitkom geht davon aus, dass der globale Umsatz dieser Technologien 2017 um 92 Prozent auf 4,3 Milliarden Euro steigt und bis 2020 ein Volumen von 21 Milliarden Euro erreicht.

Was ist Cognitive Computing?

Cognitve Computing ist ein Verfahren aus dem Bereich der Künstlichen Intelligenz (KI).

Die Technologie gewinnt aus unstrukturierten Daten nutzbare Informationen. Derzeit entstehen Tag für Tag mehr als 2,5 Trillionen Bytes an Daten. Von diesen Daten sind 80 Prozent unstrukturiert – sie können mit herkömmlichen Programmen nicht ausgewertet werden.

Cognitive Computing soll das ändern. Diese Technologie verwendet Mustererkennung und maschinelles Lernen, um Sinn in die Rohdaten zu bringen. Sie ist ein selbstlernendes System, kann Schlüsse aus vergangenen Interaktionen ziehen, bezieht Sensordaten aus ihrem Umfeld mit ein und kommuniziert in Echtzeit mit Personen und anderen IT-Systemen.

In vielen Anwendungen werden KI und menschliches Denken kombiniert. Auf diese Weise lassen sich häufig die besten Ergebnisse erzielen.

Was kann Cognitive Computing?

Cognitive Computing kann Sprache, Bilder, Videos und mehr analysieren, zusammenführen und mit Kontext anreichern. Es wandelt Big Data aus verschiedenen Quellen in ein nützliches Format um und erschließt diese Informationen beispielsweise für CRM-Systeme.

Die Auswertung und Nutzung dieser wertvollen Daten kann für Unternehmen bedeutende Wettbewerbsvorteile bringen. Sie ermöglicht es, der Zielgruppe individuelle Angebote zu unterbreiten. Sie fördert die Zufriedenheit von Kunden und die Produktivität von Vertriebsabteilungen.

Fachkenntnisse und Branchenwissen und sogar Sprachproduktion können dank Cognitive Computing in Unternehmenslösungen und Anwendungen integriert werden.

Anwendungen von Cognitive Computing

Kundenbeziehungsmanagement

Viele Unternehmen sammeln und speichern heutzutage große Daten- und Informationsmengen ihrer Kunden, ohne diese tatsächlich optimal auszuwerten. Kundenwissen zugunsten beider Parteien existiert so nicht. Der Kunde darf erwarten, dass der Vorrat seiner Daten nicht grundlos geschieht und ihm idealerweise zugute kommt. Das Unternehmen wiederum verbraucht nur digitale Ressourcen und menschliche Nerven mit der folgenlosen Stauung von Kundeninformationen.

Dabei liegen die fruchtbaren Anwendungengsmöglichkeiten eines Kundenbeziehungsmanagements (CRM), sofern systemisch optimiert, auf der Hand: Daten aus Social Media-Profilen, Apps und vielen anderen digitalen Spuren, die Nutzer im Netz hinterlassen, können dank KI in die CRM-Systeme von Unternehmen einfließen. Das Ergebnis sind detaillierte und aussagekräftige Kundenprofile. Unternehmen können ihre Interaktion mit Kunden und Interessenten so persönlicher und werthaltiger gestalten. Angebote werden unmittelbar auf den Kundennutzen zugeschnitten. Eine adaptive Kundenkommunikation wird ermöglicht, die die unmittelbare Umgebung des Kunden berücksichtigt.

Zwischen Kunden und Anbietern, zwischen Mandanten und Unternehmen kann Cognitive Computing von entscheidender Bedeutung sein. Die Konkurrenz derer, die ähnliche Produkte oder Leistungen bieten, wird eher größer als kleiner. Der Kunde muss sich für das eigene Unternehmen entscheiden. Cognitive Computing kann auch als Teil der eigenen Dienstleistung verstanden da den Unterschied ausmachen, wenn man neue Kunden gewinnen und alte behalten will.

Autonomes Fahren

Das Automobil als Gefährt, das sich ohne äußeren Schub oder Zug bewegt, ist von sich aus bereits zu einem gewissen Grad autonom. Technologische Innovation hat die partielle Selbständigkeit moderner – mit Computer-Technik ausgestatteter – Autos in ihrer Fortbewegung längst Realität werden lassen. Integrierte Navigationssysteme, Einparkautomatik oder Temporegler verleihen der pferdelosen Kutsche schon jetzt ein Maß an eigenständiger Mitgestaltung der Reise.

Selbstlernende Systeme aber werden nun das autonome Fahren in den nächsten Jahren auf eine neue, noch höhere Stufe heben: Unter Einbeziehung von Sensordaten, GPS-Informationen und Erfahrungswerten lernen Computer, selbständig zu fahren. In der idealen Vorstellung der Prozessentwicklung wird sich der menschliche Passagier eines Tages einfach zurücklehnen und die Aussicht genießen können. Oder mit Cloud-Software seiner Bürotätigkeit nachgehen. Pendler, die heute bei 30 Minuten Anfahrstweg pro Tag noch 80 Stunden Stau pro Jahr mit verursachen, würden es danken. Faktisch entfaltet sich die Wissenschaft hinter dem autonomen Fahren aber noch im Rahmen von mehreren Leveln der Automatisierung – vom alles selbst ausführenden Fahrzeugführer, über eine teil- oder hochautomatisierte Maschine, bis hin zum weitgehend autonomen Gefährt, in dem der ‚Fahrer‘ lediglich Start- und Zielort eingibt. Prognosen besagen, dass das autonome Fahren bereits in den 2030er Jahren Realität und bald darauf verbreitetes Mittel der Fortbewegung werden könnte.

Medizinische Bilderkennung

Zeit ist Geld, heißt es. In der Medizin kann Zeit auch den Unterschied zwischen gesund oder krank, zwischen Leben und Tod ausmachen. Hier kann technologische Innovation helfen. IBM etwa hat ein System entwickelt, das Radiologen bei ihrer Arbeit unterstützt. Radiologen müssen auf Tausenden von Röntgenbildern und MRT-Befunden erkennen, ob eine Abweichung von der Norm vorliegt. Bei einer Fehlerquote von 15 bis 30 Prozent kann da leicht etwas übersehen werden. Cognitive Computing kann die Fehlerhäufigkeit senken.

IBM kaufte in den USA die Firma Merge Healthcare, die Zugang zu 30 Milliarden radiologischen Bildern hat. Die Technologie des Deep Learning trainiert die KI von IBM, mittels dieser Bilder Muster zu erkennen und Abweichungen zu diagnostizieren. Die Fortschritte sind bereits vielversprechend.

Ähnliche Technologien kommen übrigens auch zum Einsatz, um DNA- und Molekül-Datenbanken zu durchsuchen. So kann die KI Krankheiten auf den Grund gehen und helfen, Medikamente effizienter zu entwickeln.

Predictive Maintenance und Predictive Analytics

Die vorausschauende Instandhaltung (Predictive Maintenance) soll Produktionsprozesse optimieren helfen. Durch die genaue Beobachtung und Auswertung von Daten der Vergangenheit wird der Austausch oder die Reparatur von Komponenten kurz vor der Verschleißgrenze getimt. Dank KI genügt dafür die Beobachtung einiger ausgewählter Schlüsselparameter, es muss nicht jede Komponente fortwährend beobachtet und gemessen werden.

Aus den beobachteten Daten, zum Beispiel Sensordaten, Frequenzen, Einstellungen, bildet die KI Muster und trifft Aussagen über den Zustand der Maschine und die Fälligkeit von Wartungsarbeiten. Dadurch werden Produktionsprozesse optimiert und Maschinenausfälle vermieden.

Mit der vorausschauenden Instandhaltung eng verwandt ist die vorausschauende Analyse (Predictive Analytics). Sie bedient sich derselben Methoden, beschränkt sich allerdings nicht auf Produktionsprozesse. Stattdessen geht es bei Predictive Analytics darum, mithilfe von KI Unternehmensprozesse zu modellieren und zu optimieren.

Dazu wird ein Mix aus KI-Methoden, wie Cognitive Computing und Maschinenlernen (Stichwort Deep Learning) eingesetzt, um im Datenschatz der Vergangenheit Muster und Beziehungen zwischen Faktoren zu erkennen und daraus Voraussagen für die Zukunft abzuleiten.

Die gewonnenen Erkenntnisse ermöglichen beispielsweise eine proaktive Unternehmenssteuerung und die Vorhersage von Nachfrageverhalten.

Risikomanagement

Es werden nicht nur Kundendaten gesammelt. Unternehmen speichern oder horden teilweise jede digitale Information, die in ihre Banken eingeht. Mit wachsendem Datenvolumen verringert sich allerdings die Effiktivität herkömmlicher Analysesysteme. Optimal genutzt, können diese Daten jedoch nicht nur im CRM dienen. Sie können auch helfen, so manches Risiko für das Unternehmen vorherzusagen: Denn ganz gleich ob es um Liquiditätsrisiken, Hacker-Bedrohungen, Börsen-Crashs oder Versicherungsbetrug geht – Cognitive Computing kann viele Bedrohungen antizipieren und sogar helfen, ihr Eintreten zu verhindern. KI-Systeme analysieren Informationen von Sensornetzwerken, Kameras und Satelliten; sie erkennen Abweichungen und diagnostizieren Lastspitzen in Infrastrukturen und industriellen Prozessen.

Je mehr dieser Daten verfügbar werden, umso präziser können selbstlernende Systeme in Zukunft Risiken vorhersagen. Das hilft Administratoren und Produktionsleitern ebenso wie Managern in Unternehmen bei der Gefahrenabwehr.  Problem erkannt – Gefahr gebannt.

Top-Anbieter von Cognitive Computing

IBM Watson

Das KI-Flaggschiff von Big Blue verwendet Deep Content-Analyse und evidenzbasiertes Lernen, um Entscheidungen zu verbessern, Kosten zu senken und Ergebnisse zu optimieren. Spracherkennung und -analyse und Wahrscheinlichkeitstheorie fließen in die Lösung mit ein. Das ehrgeizige Ziel ist es, Problemlösungsverfahren von Grund auf zu revolutionieren.

Microsoft Cognitive Services

Microsoft stellt Entwicklern APIs für maschinelles Lernen, Development Kits und Dienste zur Verfügung, um KI in ihre Programme zu integrieren. So entstehen Anwendungen, die Sprache, Bilder, Gesichter, ja sogar Emotionen erkennen und interpretieren können. Die KI sorgt dafür, dass die Software flexibel auf die Benutzer eingehen und individuelle Bedarfe erfüllen kann.

Cisco Cognitive Threat Analytics

Der Netzwerk-Riese Cisco hat Sicherheitsthemen auf dem Schirm. Dank Cognitive Computing werden Hacker-Attacken schnell erkannt und im Idealfall proaktiv verhindert.

Google Deep Mind

Kaum ein Unternehmen verfügt über so viele Daten wie Google. Deep Mind lernt aus Rohdaten und soll eine große Bandbreite von Aufgaben erfüllen können. Dabei kommen Deep Learning mittels tiefen neuronalen Netzen und andere KI-Technologien zum Einsatz, die den Neurowissenschaften entlehnt sind. Das Ziel, wie meistens: aus Big Data strukturierte, nutzbare Informationen destillieren, die Unternehmen einen immensen Mehrwert verschaffen.

Customer Matrix

Die CustomerMatrix Cognitive Engine führt Daten und Wissen unternehmensweit zusammen. Durch KI-Methoden findet sie heraus, welches Problem wie am besten gelöst werden kann. Anschließend gibt sie den Benutzern kontextbezogen Empfehlungen, welche Vorgehensweise jeweils den größten Erfolg verspricht. So wird das gesamte Unternehmen auf Produktivität und Gewinnmaximierung ausgerichtet.

Fazit

KI-Verfahren wie das Cognitive Computing könnten schon bald unser Leben und Wirtschaften revolutionieren. Endlich gibt es einen Weg, um aus rohen Big Data wertvolle Informationen abzuleiten. Diese helfen, Kunden besser zu bedienen, Unternehmen besser zu steuern, Patienten besser zu behandeln und Gefahren besser zu begegnen.

Cognitive Computing hat eine große Zukunft, aber es macht den Menschen nicht überflüssig. Denn den größten Mehrwert versprechen Anwendungen, bei denen die KI dem Menschen assistiert und nicht umgekehrt.

Slider