,allowExpansion)
Auf dem Weg zur Augmented Intelligence
Künstliche Intelligenz und Erweiterte Intelligenz
Künstliche Intelligenz und erweiterte Intelligenz wurden seitens der Unternehmen, in der akademischen Welt, auf Online-Foren sowie in der breiten Öffentlichkeit mit Begeisterung aufgenommen.
Die Begriffe der künstlichen Intelligenz und erweiterten Intelligenz werden häufig wie Synonyme verwendet. Doch auch wenn sie sich in vielen technologischen und methodischen Aspekten ähneln, beruhen die beiden Ansätze doch auf zwei unterschiedlichen Ausgangspunkten: Einer stellt die Maschine in den Mittelpunkt der Entscheidungsprozesse, der andere den Menschen.
Künstliche Intelligenz bezeichnet das Zusammenwirken von Mathematik, Informatik und Statistik, um Aufgaben auszuführen, die man früher ausschließlich dem Menschen zutraute, im Hinblick auf Problemstellungen, die der Mensch mithilfe seiner Intelligenz löst. Hierbei wird dem Algorithmus Autonomie eingeräumt: So beginnt ein System, nachdem es entsprechend geschult wurde, aus eigenem Willen eine Aktion in seiner Umgebung und verfolgt dabei Ziele ohne Interaktion mit dem menschlichen Bediener. Die erweiterte Intelligenz ergänzt und unterstützt dagegen das menschliche Denken sowie seine Analysen und Planungen. Dabei steht jedoch immer der Wille eines menschlichen Bedieners im Mittelpunkt der Interaktion von Mensch und Maschine.
Die Evolution
Im Laufe der Entwicklung der erweiterten Intelligenz haben sich die Verfahren, mit denen Informatiksysteme lernen, weiter verfeinert, ausgehend von der traditionellen Statistik hin zum modernen Deep Learning und zur Augmented Intelligence.
Von Menschen
Die Maschinen lernen von Menschen: Dies ist der Bereich der traditionellen Statistik, mit ersten Schritten hin zu beaufsichtigtem Lernen. In diesem Fall ist das Ziel bekannt und die künstliche Intelligenz wird eingesetzt, um die Leistung des Systems zu verbessern, indem der Algorithmus die Verbindung zwischen Input und Output erschließt.
Wie Menschen
Die Maschinen lernen wie Menschen: Die Ähnlichkeit zum menschlichen Lernen nimmt zu und die Elemente künstlicher Intelligenz verwandeln sich im Zuge einer grundlegenden Veränderung. Deep Neural Networks, also tiefe neuronale Netzwerke, ahmen die Funktionsweise des menschlichen Gehirns nach und versuchen Lösungen zu finden, indem sie aus heterogenen und nicht strukturierten Daten lernen.
Mit Menschen
Die Maschinen lernen mit Menschen: Das Lernen wird kollaborativ und es entsteht der Bereich der erweiterten Intelligenz. Der Lernvorgang wird mit dem eines Experten ergänzt: Der Algorithmus liefert Ergebnisse und ändert sein Verhalten ausgehend von den Rückmeldungen des menschlichen Benutzers.
)
Target Reply
Mit seinem Lösungsangebot deckt Target Reply ein breites Spektrum ab: Unternehmen werden durch einen vollständigen Beratungsprozess unterstützt, der von der Bestimmung der Kundenanforderungen bis zur Planung und Umsetzung konkreter Lösungen reicht. Dabei kommen modernste Technologien der Bereiche Data Integration, Data Modeling, Predictive Analytics, Machine Learning und Data Intelligence zum Einsatz. Zur Ausführung dieser Aktivitäten stellt Target Reply den Kunden eine umfassende Expertise auf neuestem Stand bereit, die sämtliche verfügbaren Data-Science-Technologien sowohl kommerziell als auch als Open Source nutzt. Target Reply analysiert und erfüllt die Kundenbedürfnisse, vom Aufbau der Dateninfrastruktur bis hin zur Strukturierung von Analyse-Dashboards, um den Kunden klare und konkret auf ihre Geschäftstätigkeit anwendbare Erkenntnisse zu liefern.
Erweiterte Intelligenz im Unternehmen – konkrete Beispiele
Jeden Tag erzeugen Unternehmen, Organisationen und Benutzer Terabytes an Daten, die zum Großteil nicht strukturiert sind und daher nicht in festen und einfach nutzbaren Strukturen eingeordnet werden können. Der Mensch ist nicht in der Lage, eine so große Datenmenge ohne die Hilfe von Informatiksystemen zu handhaben. Allerdings macht die nicht strukturierte Form der Daten eine Fähigkeit zur Abstraktion und Analyse erforderlich, wie sie die traditionelle Analytik nicht leisten kann.
)
Dank seiner Erfahrung im Bereich der Datenanalyse konnte Target Reply zahlreiche Projekte erfolgreich implementieren, indem die Teams der Kunden durch Algorithmen für künstliche Intelligenz sowie Techniken des Machine Learning unterstützt wurden, die einen erheblichen Mehrwert erzeugten und andernfalls nicht erreichbare Ergebnisse ermöglichten.
Einige Beispiele
Die Data-Scientist-Teams von Target Reply haben verschiedene Projekte mit Erfolg umgesetzt, unter Nutzung von Logiken und Technologien der erweiterten Intelligenz in unterschiedlichen Unternehmensumgebungen. Dies belegt die Flexibilität und den Wert dieses Ansatzes. Einige Beispiele:
Bei einem führenden Anbieter von Verbraucherkrediten wurde das Team der Betrugsabwehr durch eine auf neuronalen Netzwerken basierende Machine-Learning-Engine unterstützt, die die Effizienz und Effektivität bei der Erkennung betrügerischer Vorgehensweisen erhöht.
Für Unternehmen bedeutet es einen enormen strategischen Vorteil, wenn sie im Voraus die Kunden ermitteln können, die möglicherweise zu einer Konkurrenzlösung wechseln möchten. Ausgehend von den statistischen Daten zu den Kunden haben Algorithmen und neuronale Netzwerke einem im B2C-Sektor tätigen großen Unternehmen Informationen zu potenziell abwanderungsgefährdeten Kunden geliefert, so dass die Teams eine entsprechende Strategie umsetzen konnte.
Bei einer bedeutenden Öl- und Gas-Gesellschaft hat Target Reply den Claim-Management-Prozess unterstützt. Bei diesem Projekt kam ein völlig neuartiger Ansatz zur Anwendung: Völlig ohne menschliche Aufsicht erstellt ein Algorithmus Beziehungen, zeigt Verbindungen auf und vereinfacht die Suche nach Inhalten, so dass die Benutzer ganz einfach eine riesige Menge an auf den ersten Blick unzusammenhängenden Informationen durchsuchen können.