KI: Eine technische Revolution und ihr Nutzen für den Vertrieb - Teil 1

Täglich finden sich in den Medien neue Erfolgsmeldungen über Anwendungen der Künstlichen Intelligenz (KI). Beispielsweise finden KI-Systeme Tumore auf Röntgenbildern, komponieren Musikstücke, verfassen Nachrichten, optimieren die Wetter- und die Hochwasservorhersage, steuern autonome Autos, sagen Verbrechen voraus und gewinnen sogar gegen Profis des asiatischen Strategiespiels Go. Aber auch das Streaming-Portal Netflix nutzt beispielsweise KI, um seinen 167 Millionen Nutzern individualisierte Filmempfehlungen anzuzeigen und sie damit enger an das Angebot zu binden. Das Anwendungspotenzial der Technologie erscheint unerschöpflich – oder wie es der Gründungsherausgeber des amerikanischen Technologie-Magazins Wired, Kevin Kelly, bereits 2016 formulierte: „Genauso wie die Elektrifizierung vor 150 Jahren sämtliche Techniken auf ein neues Level katapultiert hat, wird dies Deep Learning tun“. Das zeigt sich nicht zuletzt in enorm hohen Forschungs- und Entwicklungsausgaben der großen amerikanischen Player Google, Apple, Facebook, Amazon und Microsoft („GAFAM“) sowie der dominierenden chinesischen Konzerne Baidu, Alibaba und Tencent („BAT“) auf diesem Gebiet. Die selben Unternehmen sind auch als bedeutende KI-Risikokapital-Investoren und Aufkäufer von Startup-Firmen im KI-Sektor unterwegs. Bei der Anzahl der Patente auf diesem Gebiet dominieren ebenfalls Amerikaner und Chinesen, wobei die Zahl der KI-Patente seit dem Jahr 2013 sprunghaft angestiegen ist.

Was ist maschinelles Lernen?
Künstliche Intelligenz ist keine in sich abgeschlossene Technologie. Es handelt sich vielmehr um ein Forschungsfeld, in dem verschiedene Methoden unterschiedlicher Disziplinen unter dem Begriff KI zusammengefasst werden. Die Methoden, die aktuell Schlagzeilen produzieren und in immer mehr Anwendungsgebieten Erfolge feiern, stehen für klar abgrenzbare Teilbereiche von KI. Im Kern geht es meist um die Prognosefähigkeit der Systeme, und das auf ganz unterschiedlichen Gebieten. Dazu benötigen sie große Mengen hochwertiger Trainingsdaten. Die aktuellen KI-Anwendungen setzen fast ausschließlich auf „Machine Learning“ – also maschinelles Lernen – und Deep Learning, eine Teildisziplin des maschinellen Lernens. Beim maschinellen Lernen lernt das KI-System anhand von Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dazu bauen Algorithmen ein statistisches Modell auf, welches auf Trainingsdaten beruht. Das heißt, die Beispiele werden nicht auswendig gelernt, sondern es werden Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. So kann das System auch unbekannte Daten beurteilen. Beim Deep Learning werden zudem so genannte neuronale Netze als Bestandteil des „Lernprozesses“ eingesetzt.

KI-Frameworks bilden die Basis zahlreicher Anwendungen
In der Industrie und der Forschung dominieren weltweit relativ wenige „Baukästen“ in der Entwicklung von Anwendungen der Künstlichen Intelligenz. Diese Frameworks enthalten große Bibliotheken vorkonfigurierter Algorithmen. Weit verbreitet ist beispielsweise das Framework TensorFlow, welches bereits 2015 durch Google veröffentlicht wurde. Sehr populär ist auch die Programmbibliothek PyTorch von Facebook. Beide setzen auf die Programmiersprache Python. Noch relativ jung ist das Framework ML.NET – eine umfangreiche Software-Bibliothek für maschinelles Lernen aus dem Hause Microsoft. Technisch setzt es auf die Microsoft-Technologien .NET und .NET Core auf. Diese und einige weitere Frameworks sind alle unter verschiedenen Varianten von Open Source-Lizenzen frei nutzbar.

Dennoch bestehen für kleine und mittlere Unternehmen hohe Hürden, maschinelles Lernen in der Praxis tatsächlich einzusetzen. Die Definition und Entwicklung eines Business Case beziehungsweise eines Einsatzszenarios, die Wahl des passenden Frameworks und der passenden Algorithmen, der Test von Systemen und das abschließende Ausrollen in der Praxis sind nicht gerade Routineaufgaben im Tagesgeschäft eines Händlers. Nicht zuletzt ist auch die passende Expertise von Informatikern beziehungsweise „Data Scientists“ für ein solches Projekt schwer zu bekommen.

Das intelligente ERP-System
In der Fachpresse wird seit einiger Zeit das Konzept des intelligenten ERP-Systems, auch iERP genannt, diskutiert. Schon heute finden sich wertvolle und aussagekräftige Daten in den ERP-Systemen von Unternehmen. Doch der Umgang mit „Auffälligkeiten“ war bislang eher reaktiv. Das heißt, ein Unternehmen konnte erst reagieren, wenn ein Problem bereits aufgetreten war. Der Mehrwert eines intelligenten ERP-Systems besteht unter anderem darin, dass es „von selbst“, also proaktiv, Meldungen absetzt, wenn es auffällige Entwicklungen entdeckt. So kann im Idealfall beispielsweise ein drohender Kundenverlust verhindert werden, bevor er tatsächlich eintritt. Der IT-Branchenverband Bitkom vertritt in seinem aktuellen Positionspapier „Künstliche Intelligenz und ERP“ die Auffassung, dass KI sowohl auf Seiten der ERP-Anbieter wie auch auf Seiten der Anwenderunternehmen zu einem wesentlichen Wettbewerbsfaktor werden wird. Beschrieben wird in dem Positionspapier auch der Weg zur KI-gestützten Organisation, in der Algorithmen bei der Entscheidungsfindung helfen oder in der Zukunft womöglich sogar automatisiert selbst Entscheidungen treffen.

Überlegungen wie diese, hat auch das Softwarehaus Nissen & Velten im vergangenen Jahr intensiv verfolgt. Sie sind in die Entwicklung des neuen Moduls eNVenta Analytics gemündet. Als Microsoft-Partner, der sein ERP-System auf Basis der .NET-Technologie entwickelt hat, setzt das Unternehmen dabei auf das ML.NET-Framework.