Die Zukunft kommt ganz automatisch

Das Potenzial der Automatisierung repetitiver Aufgaben

| Autor / Redakteur: Christian Scholz und Johanna Schacht* / Ulrike Ostler

Maschinelles Lernen eignet sich für Routinen, Aufgaben, die sich in vielen Fällen gar tausendfach wiederholen.
Maschinelles Lernen eignet sich für Routinen, Aufgaben, die sich in vielen Fällen gar tausendfach wiederholen. (Bild: gemeinfrei: Gerd Altmann auf Pixabay)

Angefangen mit Henry Ford hat die fertigende Industrie in den vergangenen 100 Jahren enorme Fortschritte hinsichtlich der Automatisierung gemacht. Dennoch erledigen Angestellte und Kreative tagtäglich zeitintensive und monotone Arbeiten. Oft leidet darunter nicht nur die Qualität der Arbeit, sondern auch die Möglichkeit mehr Zeit in andere, wertschöpfende Prozesse zu investieren.

Durch die Entwicklungen im Bereich Parallel Computing ist der Aufwand für den Einsatz von Machine Learning nur noch sehr gering. Das liegt besonders daran, dass große Datenmengen leichter verarbeitet werden können und solche Systeme heutzutage in Form von Public-Cloud-Angeboten zugänglich sind. Der wesentliche Vorteil liegt auf der Hand: Deep Neural Networks (DNN) und Reinforcement Learning ermöglichen das schnelle Training von Netzen zur Bewertung von enormen unstrukturierten Datenmengen. zum Beispiel Bilddateien oder Video-Streams.

Innerhalb weniger Stunden können Netze mit Tausenden von Bildern trainiert werden. Dieses Training erfolgt bevorzugt auf den unbeschränkten und ubiquitären Ressourcen der Public Cloud. Eine Anfangsinvestition ist nicht notwendig, was besonders für kleine Unternehmen und Start-Ups attraktiv ist.

Im Gegensatz aber zu klassischen regelbasierten Systemen sind die Algorithmen deutlich flexibler gegenüber Änderungen der Eingabedaten. Ein weiterer Vorteil: Bestehende Systeme lassen sich immer wieder trainieren und passen sich den unterschiedlichen Situationen an.

Machine Learning im Einsatz

Ob es sich um die Auswertung von Sportvideos, Bewertung von Versuchsergebnissen in der Forschung oder kreative Prozesse, wie das Schreiben von Texten handelt – die möglichen Anwendungsfälle scheinen unbegrenzt. Es überrascht daher nicht, dass die meisten Unternehmen Machine Learning und Künstliche Intelligenz (KI) bereits in ihre strategische Geschäftsplanung aufgenommen haben.

Trotzdem fällt es Unternehmen oft schwer, die richtigen Anwendungsfälle zu definieren, damit Machine Learning gewinnbringend zum Einsatz kommt. Die eigentliche Herausforderung ist es, umzudenken und die Aufgaben zu identifizieren, die in die Kategorie `automatisierbar mit Machine Learning` fallen. Die richtige Kombination aus technischem Verständnis und fachlichem Wissen ist hier die Voraussetzung für eine erfolgreiche Bewertung.

Ergänzendes zum Thema
 
Über Reply und Go Reply

Supervised Machine Learning, also ein überwachtes maschinelles Lernen, benötigt einen ausreichend großen Datenbestand an ´gelabelten Daten`. Dies sind Datensätze, etwa Bilder und Messreihen, zu denen korrekte Ergebnisse vorliegen und die zum Trainieren des Machine Learning Modells benötigt werden. Hier gilt es zu klären, ob dieser Bestand ausreichend groß ist und über die entsprechenden Labels verfügt. Je nach Anforderungen können bereits einige Tausend Datensätze ausreichen.

Unrealistische Erwartungen

Sind keine gelabelten Datensätze vorhanden, können alternative Datenquellen herangezogen werden oder ein Labeling der Trainingsdaten Tool-gestützt erfolgen. Anschließend ist es die Aufgabe der Data Scientists, für die Aufgabe optimale Modell zu finden. Das geschieht anhand von Parametern, wie beispielsweise die Anzahl der Layer, die Art der Verknüpfung, oder die Sprungfunktionen, die mit kontinuierlichem Training zu einem robusten und zuverlässigen Netz führen.

Nachdem die grundsätzliche Machbarkeit geklärt wurde, müssen die Ziele des Systems definiert werden. Machine Learning kann gerade bei wiederkehrenden Aufgaben bessere Ergebnisse erzielen, als Menschen in normalen Arbeitssituationen, aber eine Null-Fehler-Toleranz lässt sich dennoch nicht erreichen.

Leider führt der Hype um das Thema Machine Learning zu der unrealistischen Erwartung, dass eine KI keine Fehler macht. Das Projektteam sollte daher unbedingt vorab klären, was genau mit dem Modell erreicht werden soll und welcher ungefähre Genauigkeitswert verlangt wird. Entsprechend der Anforderungen lassen sich die Modellparameter einstellen.

Praxisbeispiel Produktwelt

Ein interessantes Beispiel aus der Modebranche: Ein Unternehmen mit vielen Produkten und relativ kurzen Produktlebenszyklen steht vor der Problematik, sein sich stets wandelndes Produktsortiment richtig zu pflegen und zu vermarkten. Da es sich um hochwertige und trendorientierte Produkte handelt, kann die Aufgabe nur über etliche Prozesse mit dem entsprechenden Fachwissen erledigt werden.

Mit Hilfe von Machine Learning lassen sich verschiedenen Prozessschritte, wie die Attribuierung des Produktes oder die Erstellung einer Produktbeschreibung und deren Übersetzung automatisieren. Eine Gruppe von DNNs übernimmt dabei die Klassifizierung einzelner Attribute aus den Produktfotos und weiteren Produktinformationen. Anhand dieser Attribute können Produkttexte flexibel und zielgruppenorientiert zusammengesetzt werden. Die Aufgabe des Marketings ´reduziert` sich auf die einmalige Erstellung der entsprechenden Textpassagen, die anschließend in unterschiedlichen Kombinationen tausendfach zum Einsatz kommen.

Bei der anschließenden Übersetzung in bis zu 100 Sprachen kommen wiederum spezialisierte DNNs zum Einsatz. Den gesamten Prozess hat Go Reply in enger Zusammenarbeit mit der Fach- und IT-Abteilung des Unternehmens auf der „Google Cloud Platform“ (GCP) umgesetzt.

Vorteile durch Automatisierung

Neben dem Potenzial zur Kosteneinsparung bieten derartige Prozessveränderungen Unternehmen diverse weitere Vorteile. Einzelne Tasks und Prozesse werden durch die Automatisierung nicht nur standardisierter, sondern vor allem schneller durchgeführt. Fehler, die bei monotonen Arbeiten entstehen können, treten bei der automatisierten Verarbeitung von trainierten Systemen nicht mehr auf.

Zudem lassen sich Systeme erstellen, die stetig weiter lernen. Hierbei erhält das System für jede getroffene Entscheidung Feedback, aus dem es lernt und seine Entscheidungsprozesse anpasst. Auf diese Weise wird die Leistungsfähigkeit gesteigert,

Das aufgeführte Beispiel wurde in weniger als vier Monaten vom Proof of Concept bis zur produktiven Lösung umgesetzt. Die Anzahl der Produktgruppen und Attribute wurde von Anfang an definiert, eine Erweiterung ist künftig durch zusätzliche Modelle möglich. Bei der Genauigkeit wurden realistische Maßstäbe angelegt und bereits zu Beginn eine kontinuierliche Verbesserung der Modelle durch wiederholtes Training eingeplant.

Die Projektkosten

Die laufenden monatlichen Kosten für die Google Cloud liegen im unteren dreistelligen Bereich und die Projektkosten amortisieren sich nach wenigen Monaten. Durch die Automatisierung des Prozesses ergeben sich darüber hinaus neue Möglichkeiten bei der Aufbereitung des Produktangebotes.

So ist die personalisierte Ansprache für Kunden in greifbarer Nähe. Hierfür müssen natürlich weitere Daten, wie die Kaufhistorie des Kunden, bei der Erstellung der Beschreibung berücksichtigt werden. Oder Kunden erhalten kontextbezogene Informationen, wie wetter- oder lokalbezogene Informationen. Dank der hoch skalierbaren Cloud Infrastruktur von Google muss die Architektur nicht geändert werden.

Durch den Einsatz von KI- und Cloud-Technologien werden wiederkehrende Aufgaben in kurzer Zeit mit einem überschaubaren Aufwand und Kosten automatisiert werden. Entscheidend für den Erfolg ist die Zusammenarbeit der Fachexperten mit den Machine Learning-Spezialisten.

* Christian Scholz, Partner Go Reply und Johanna Schacht, Senior Consultant Go Reply

Was meinen Sie zu diesem Thema?

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46210709 / Anwendungen)