In diesem Blogbeitrag werden verschiedene KI-Verfahren und ihre möglichen Einsatzbereiche vorgestellt. Die grundsätzliche Einteilung von KI erfolgt in drei Teilbereiche: Überwachtes Lernen, unüberwachtes Lernen und selbstverstärkendes Lernen.
Jeder dieser Teilbereiche enthält andere Problemstellungen. Überwachtes Lernen spielt eine große Rolle bei der Bilderkennung. Bilderkennung wiederum wird in vielen verschiedenen Bereichen wie der Qualitätskontrolle, Krankheitserkennung, Textanalyse und dem Erkennen von Verkehrszeichen und anderen Verkehrsteilnehmern für das autonome Fahren eingesetzt. Unüberwachtes Lernen bietet die Möglichkeit Muster in Daten zu erkennen. So können beispielsweise Kundengruppen erkannt und adressiert werden, um einen besseren Service und mehr Verkäufe zu erzielen. Selbstverstärkendes Lernen kann dazu verwendet werden, Optimierungsprobleme zu lösen, z. B. das Fahrverhalten von selbstfahrenden Autos. Nachfolgend werden einige wichtige KI-Verfahren und ihre Anwendungen in Kürze vorgestellt.
Welches KI-Verfahren ist das richtige für mich?Beim Einsatz von KI-Verfahren verhält es sich wie mit Materialien für einen Hausbau: Es existieren stets Alternativen, die ebenfalls gut geeignet sind (z. B. Holz oder Backsteine). Genauso gibt es bei KI-Verfahren immer mehrere Verfahren, die zur Lösung eines Problems zur Verfügung stehen. Je nach Problemstellung haben bestimmte Verfahren Vorteile gegenüber anderen. Für das überwachte Lernen haben sich für die Bilderkennung z. B. tiefe
neuronale Netze, auch
Deep Learning genannt, durchgesetzt. Diese Netze bieten trotz Verbrauchs an großen Datenmengen und hoher Trainingszeiten von oft Tagen eine sehr hohe Genauigkeit, was bei der Erkennung von Tumoren auf Röntgenbildern oder dem Erkennen von Verkehrszeichen sehr wichtig ist. Wenn es vor allem um die Geschwindigkeit des Trainings oder der Vorhersagen gehen soll, können unter Umständen Verfahren wie die
logistische Regression oder
Entscheidungsbäume verwendet werden. Dies geschieht u. a. bei Investitionsentscheidungen oder bei der Schätzung der Kredithöhe von Bankkunden. Liegen große Datenmengen vor, auf deren Basis schnell Entscheidungen getroffen werden müssen, bieten sich
Naive-Bayes-Verfahren an. Das kann der Fall sein, wenn auf Videoaufnahmen schnell Gesichter erkannt werden müssen oder bei Produkt- oder Videoempfehlungssystemen. Eine hohe Genauigkeit bieten auch
Random Forests und
Support Vector Machines, die eine große Rolle bei dem Erkennen und Vorhersagen von Krankheiten spielen. Ein weiteres wichtiges Einsatzgebiet von überwachtem Lernen sind
Regressionsverfahren. Mit Hilfe von Regressionsverfahren lassen sich die zukünftigen Verkäufe eines Produkts oder die jährlichen Umsätze eines Unternehmens genauer vorhersagen.
Für das unüberwachte Lernen hängt der Einsatz der KI-Verfahren von den zugrunde liegenden Daten ab. Sind diese bspw. hierarchisch organisiert, kommen auch hierarchische Verfahren zum Einsatz. Sind die Daten nicht hierarchisch organisiert, können sie mit
DBSCAN,
k-Means oder
k-Modes in Gruppen eingeteilt werden. Diese Einteilung erfolgt entweder durch das Voreinstellen der Parameter oder durch das Verfahren selbst. Ist man z. B. ein Unternehmen, das fünf Marktsegmente mit seinen Produkten adressieren möchte, kann k-Means verwendet werden. Möchte das Unternehmen jedoch diejenigen Marktsegmente adressieren, die sich in den Daten „verstecken“, kann DBSCAN genutzt werden. Möchte man am Ende sogar wissen mit welcher Wahrscheinlichkeit sich ein Kunde in einer bestimmten Gruppe befindet, kommen
Gaussian Mixture Models zum Einsatz. Das kann der Fall sein, wenn bspw. Spracherkennungssysteme eine wichtige Rolle in der Anwendung spielen.
Selbstverstärkendes Lernen wird bereits in vielen Bereichen eingesetzt.
Bekannte Beispiele, in denen es maßgeblich an der Lösung eines schwierigen Problems mitgewirkt hat, sind das Besiegen des besten Go-Spielers und des besten Schachspielers mit den Computerprogrammen
AlphaGo und
AlphaZero. In der Unternehmenspraxis wird selbstverstärkendes Lernen beim autonomen Fahren eingesetzt, um aus gemachten Fehlern zu lernen (z. B. bei Rot über die Ampel gefahren) und Dinge, die richtig gemacht wurden zu festigen (z. B. bei Rot an der Ampel gehalten). Im Ingenieurswesen wird die Technik eingesetzt, damit Roboter sich in ihrer Umgebung immer besser und sicherer bewegen können.
Die Anwendungsmöglichkeiten von KI-Verfahren sind enorm. Dieser Blogbeitrag bietet Ihnen eine Übersicht über einige Verfahren, die Sie vielleicht schon morgen auch in Ihrem Unternehmen einsetzen können! Setzen Sie sich hierzu gerne mit uns in Verbindung.
Quelle:Neyer, A. K. und Lehmann, C. (2019): Künstliche Intelligenz im Arbeitsalltag. In:
HR Insights, Bd. 1, S. 1-16.
DOI.