„Hier spricht die KI“

Künstliche Intelligenz ist eine der wichtigsten Zukunftstechnologien, die zahlreiche Chancen bietet – da ist sich laut einer aktuellen Bitkom-Umfrage die große Mehrheit deutscher Unternehmen einig. Gleichzeitig legen die Ergebnisse allerdings auch offen, dass aktuell nur neun Prozent der Befragten KI selbst bereits nutzen. Vor allem im Bereich des Natural Language Processing ist noch viel Luft nach oben. Doch warum ist das so? Wo genau kommt KI aktuell im Unternehmenskontext zum Einsatz? Und wie sieht die Prognose für die Zukunft aus? Francisco Webber, CEO und Co-Founder von Cortical.io, beschreibt die Entwicklungen aus seiner Sicht.

Vom selbstfahrenden Auto bis hin zur Krebsfrüherkennung: In der Theorie bietet Künstliche Intelligenz unzählige Vorteile, die allesamt das Potenzial haben, unser tägliches Leben von Grund auf zu verändern. Angesichts dieser Tatsache ist es nicht verwunderlich, dass auch im geschäftlichen Kontext KI immer häufiger zum Einsatz kommen soll. Aktuell wird die Technologie von Unternehmen vor allem genutzt, um große Datenmengen schneller analysieren zu können, um beispielsweise das Verhalten und die Bedürfnisse von Kund:innen besser zu verstehen, oder um etwaige Optimierungspotenziale zu identifizieren – beides wichtige Faktoren, um sich von der Konkurrenz abheben zu können. 

Wenn es um Zahlen geht, kann KI also schon heute enorm viel leisten. Das hat damit zu tun, dass sich eine Zahl einfach als eine Folge von 0 und 1 kodieren lässt. Eine 8 ist eine 8, darüber gibt es keine Diskussion. Wenn es um Sprache geht, sieht die Sachlage dagegen schon sehr viel komplizierter aus. Was ist zum Beispiel mit dem Begriff „Apfel“? Welches Konzept verbirgt sich dahinter? Ist es eine Obstsorte – oder doch eher ein Computer? Wie sich zeigt, reicht es nicht aus, die Buchstabenfolge zu kodieren, um den Sinn, der sich hinter einem Wort verbirgt, verstehen zu können. Stattdessen geht es um die Semantik, also den sprachlichen Kontext. Wörter je nach Zusammenhang zu unterscheiden und ähnliche Sätze zu erkennen, auch wenn sie unterschiedliche Begrifflichkeiten verwenden, ist für Menschen kein Problem. Für einen Computer ist das jedoch sehr viel schwieriger, weshalb die Künstliche Intelligenz in der Big-Data-Analytik bereits deutlich weiter fortgeschritten ist als im Natural Language Processing. 

Noch mangelt es an den notwendigen Ressourcen 

Trotz der Herausforderungen, mit denen Künstliche Intelligenz zu kämpfen hat, wenn ihr Einsatzgebiet über die Analyse strukturierter Daten hinausgeht, hat sie in den vergangenen Jahren auch in anderen Bereichen große Fortschritte erzielen können. Dazu zählen zum Beispiel die Bilderkennung oder die Verarbeitung von Sprache zu Text. Tatsächlich kommen alle, die ein Smartphone benutzen, täglich mit KI in Kontakt – unter anderem in Form der Autokorrektur oder dann, wenn sie, anstatt einen Nachrichtentext einzutippen, diesen per Spracheingabe diktieren. Im Business-Kontext ist der Chatbot eine der häufigsten Methoden, um mithilfe von KI einen Mehrwert zu erzielen. Laut Bitkom hatten bereits 2020 rund 27 Prozent der Unternehmen einen Chatbot im Einsatz. Bei weiteren 13 Prozent war dies zum Zeitpunkt der Umfrage in Planung. Er kann Schlagwörter erkennen und Standardantworten geben – beispielsweise, wenn es um Öffnungszeiten oder Versandoptionen geht. Oder aber er fragt bereits im Vorfeld wichtige Daten wie die Kund:innen- oder Bestellnummer ab, um seinen menschlichen Kolleg:innen diesen Aufwand zu ersparen. Bestenfalls lernt er währenddessen aus den geführten Gesprächen sogar selbstständig dazu. Viel weit darüber hinaus gehen die Möglichkeiten aktuell aber noch nicht. 


Was ist zum Beispiel mit dem Begriff „Apfel“? Welches Konzept verbirgt sich dahinter? Ist es eine Obstsorte – oder doch eher ein Computer?

Francisco Webber über die Unterscheidung Sprache und Zahlen

Das Problem: Einerseits mangelt es vielen Unternehmen an den notwendigen KI-Experten, die dazu in der Lage sind, KI-Modelle zu implementieren und dadurch einen tatsächlichen Mehrwert zu generieren. Andererseits fehlen meistens den Unternehmen die riesigen Datenmengen, die herkömmliche KI-Modelle benötigen, um auf konkreten Business Use Cases trainiert zu werden. Und falls genug Trainingsdaten vorhanden sein sollten, scheitert das Aufsetzen des KI-Projektes an der Verfügbarkeit der Fachkräfte, die viele Stunden damit verbringen sollten, die vielen Beispieldokumente zu annotieren und so geeignete Trainingsdaten zu erstellen. Klar doch, dass die Hemmschwelle, die bereits knappe Zeit der Fachbereiche auf Annotationen zu verwenden, sehr hoch ist. Letztlich stellt auch der enorme Energieverbrauch, den moderne Technologien wie diese nach sich ziehen, eine wesentliche Herausforderung dar, die es zu bewältigen gilt, bevor Künstliche Intelligenz tatsächlich flächendeckend Fuß fassen kann. 

Semantic Folding zeigt eine mögliche Lösung auf 

An dieser Stelle kommen neue Ansätze wie das sogenannte Semantic Folding ins Spiel. Genau wie bei neuronalen Netzen handelt es sich hierbei um ein Textkodierungssystem, das unbeaufsichtigtes Lernen einsetzt, um Sprachmodelle zu erstellen. Außerdem werden sehr viel weniger Data Scientists benötigt, da die Modelle ganz einfach von den Business User:inen innerhalb der jeweiligen Fachabteilung angepasst werden können. Anders als die neuronalen Netze, die extrem viele Datensätze benötigen, um ein einfaches Basis-Sprachmodell auf einen konkreten Anwendungsfall anzupassen, funktioniert das Semantic Folding mit nur etwa einem Zehntel an Trainingsdaten. Es ist in der Lage, Text in spärlich besetzten Vektoren zu kodieren, was rechnerisch sehr viel effizienter ist. Das bedeutet, dass Semantic Folding generell weniger Ressourcen benötigt und die Zeit bis zur tatsächlich Wertschöpfung damit deutlich reduziert werden kann.   

In Zukunft wird die wesentliche Aufgabe darin bestehen, die unglaublich komplexen Algorithmen, die zum Beispiel in den Forschungslaboren von Google entstehen, in die Geschäftswelt zu übertragen. Nicht viele Unternehmen können es sich leisten, die enorm hohen Infrastrukturkosten zu bewältigen, die erforderlich sind, um große Sprachmodelle zu erstellen. Ähnliches gilt für die Anstellung eigener Datenwissenschaftler:innen, die über ausreichende Fachkenntnisse verfügen, um ein internes Projekt mit KI-Tools und Open-Source-Plattformen durchführen zu können – diese sind auf dem Arbeitsmarkt nämlich nicht nur selten, sondern auch extrem teuer. Das bedeutet, dass sich das Natural Language Processing in die Richtung einer hocheffizienten KI entwickeln muss. Andernfalls wird es schlichtweg nicht möglich sein, die Technologie weiterzuentwickeln und im Unternehmenskontext praktisch nutzbar zu machen.  

Die potenziellen Einsatzmöglichkeiten sind groß 

Trotz aller Hürden, die noch bewältigt werden müssen, ist das Potenzial, das Natural Language Processing für Unternehmen bietet, immens und geht noch weit über den Einsatz von Chatbots hinaus. Zum Beispiel gibt es im Arbeitsalltag eine riesige Menge an Informationen, die zunächst sortiert werden muss, bevor sie tatsächlich bearbeitet werden kann. Das reicht von einfachen E-Mails über Präsentationen bis hin zu komplexen Verträgen, die sich über mehrere Dutzende oder sogar hundert Seiten erstrecken können. Prüfungsintensive Dokumente wie diese manuell durchzusehen, ist extrem zeitaufwändig und fehleranfällig, weshalb eine Automatisierung nicht nur die Produktivität, sondern auch die Zufriedenheit der Mitarbeiter:innen, die sich hochwertigere Aufgaben widmen können, steigern könnte. Verbesserte Technologien im Bereich des Natural Language Processing werden also auf lange Sicht dazu beitragen, die Ergebnisse der Unternehmen zu verbessern und gleichzeitig die Zeit, die für einzelne Geschäftsprozesse aufgewendet werden muss, zu reduzieren – ein Faktor, der ihnen auch im Kontext des aktuellen Fachkräftemangels enorm zugutekommen wird. 

Über den Autor

Francisco Webber ist Mitbegründer und CEO des österreichischen KI-Unternehmens Cortical.io. In Anlehnung an aktuelle neurowissenschaftliche Erkenntnisse hat Francisco Webber seine Theorie der Semantischen Faltung entwickelt, die modelliert, wie das Gehirn natürliche Sprache verarbeitet. Cortical.io wendet diese Prinzipien auf maschinelles Lernen und Textverarbeitung an, um erfolgreiche kommerzielle KI-Lösungen für die effiziente Suche, Extraktion und Analyse von unstrukturiertem Text zu entwickeln.


Bildquelle / Lizenz:

Photo by Lyman Hansel Gerona on Unsplash


Creative Commons Lizenz CC BY-ND 4.0

Sie dürfen:

Teilen — das Material in jedwedem Format oder Medium vervielfältigen und weiterverbreiten und zwar für beliebige Zwecke, sogar kommerziell.

Der Lizenzgeber kann diese Freiheiten nicht widerrufen solange Sie sich an die Lizenzbedingungen halten.


Unter folgenden Bedingungen:

Namensnennung — Sie müssen angemessene Urheber- und Rechteangaben machen, einen Link zur Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Diese Angaben dürfen in jeder angemessenen Art und Weise gemacht werden, allerdings nicht so, dass der Eindruck entsteht, der Lizenzgeber unterstütze gerade Sie oder Ihre Nutzung besonders.

Keine Bearbeitungen — Wenn Sie das Material remixen, verändern oder darauf anderweitig direkt aufbauen, dürfen Sie die bearbeitete Fassung des Materials nicht verbreiten.