Mythos AI: von Chatbots bis zur Apokalypse
Wir lieben AI. Vor drei Jahren sind wir mit Chatbots gestartet. Durch zahlreiche Kundenprojekte haben wir seitdem viel AI-Erfahrung gesammelt. Heute geht unser Wissen weit über Chatbots hinaus: wir haben sieben Anwendungsbereiche für AI in Unternehmen identifiziert und daraus ein eigenes Format entwickelt: „7 Applications of AI”. Wir scouten täglich die aktuellsten Entwicklungen, klären auf, was AI eigentlich ist und stoßen dabei auf spannende Usecases.
In einer AI Mini-Serie teilen wir unser Wissen. Immer mit derselben Struktur: 1/ AI Mythos 2/ Realität 3/ Business Takeout 4/ Tipps für weitere Recherche.
Die Top 4 Mythen:
1/ Wir werden alle sterben
2/ Automation = AI
3/ Bei AI geht es nur um dumme Chatbots
4/ Predictive ist böse
Mythos 1: Wir werden alle sterben
Mythos
Film und Fernsehen skizzieren oft eine Realität, in der Maschinen die Welt erobern. Die künstliche Intelligenz übernimmt Regierungen, führt Kriege und versklavt die Menschheit.
Realität
Es wird zwischen 1/ General AI und 2/ Narrow AI unterschieden:
1/ General AI: eine Nachbildung des menschlichen Gehirns. Eine künstliche Intelligenz, die alles kann und neue Aufgaben einfach und schnell dazu lernt. Diese Vorstellung stammt aus den 60er Jahren. Doch da sind wir noch lange nicht.
2/ Narrow AI: Die künstliche Intelligenz ist auf eine Aufgabe begrenzt. In dieser Aufgabe kann die AI schlauer sein als der Mensch. In allen anderen Bereichen ist sie aber sehr dumm. Davon sprechen wir, wenn wir heute von künstlicher Intelligenz reden.
Business Takeout
Bevor AI in einem Unternehmen eingeführt wird, müssen immer erst die Grundlagen geschaffen (Was ist AI? Wie funktioniert es? — ML, DL, CNN) und das nötige Vokabular geklärt werden. Vor einer AI, wie sie heute genutzt wird, muss niemand Angst haben. Das Wichtigste ist, sich Wissen darüber anzueignen.
Tipps für weitere Recherche
“From Narrow to General AI”: https://medium.com/intuitionmachine/from-narrow-to-general-ai-e21b568155b9
Mythos 2: Automation = AI
Mythos
Künstliche Intelligenz kann sämtliche Prozesse in einem Unternehmen automatisieren.
Realität
Die Automatisierung von Prozessen ist lediglich ein Anwendungsfall von künstlicher Intelligenz, jedoch ein sehr wichtiger. Hier kann am meisten Zeit, Nerven und vor allem Kosten eingespart werden. Oft macht die AI nur einen kleinen Teil davon aus. Drei der wichtigsten Themen im Bereich Automatisierung sind:
1/ Software — Robotic Process Automation (RPA)
UiPath und Automation Anywhere sind zwei tolle Tools mit massiver Finanzierung, die sich AI groß auf die Fahne schreiben. In beiden Tools kann man einfache Abläufe, die ein Mitarbeiter normalerweise an seinem Arbeitsplatz selbst machen würde, mit Hilfe einer einfachen Oberfläche automatisch ablaufen lassen. Etwa so: “Klicke auf das Formular, tippe den Namen der Firma ein, drücke auf den Button OK”. In den meisten Fällen ist hier keine künstliche Intelligenz notwendig. Nur für einzelne Funktionen kommt sie zur Anwendung. Ein Beispiel: UiPath kann seit Kurzem “sehen” und erkennt nun auch Texte in PDFs und Bildern (Vision AI).
2/ APIs, Application Programming Interfaces (Schnittstellen zu internen Systemen)
Ohne gute Schnittstellen zu den internen System lässt sich wenig automatisieren. Hier kann AI nicht weiterhelfen. In großen Unternehmen ist die Entwicklung einer AI jedoch oft schneller als die Bereitstellung von APIs.
3/ Daten
Eine wichtige Voraussetzung für die Automatisierung sind Daten. Hier kommt die Stärke von AI zum Tragen. Künstliche Intelligenz kann helfen, unstrukturierte bzw. unleserliche Daten auszuwerten. Wichtig ist hier unter anderem die visuelle Erkennung von Objekten, die Klassifizierung von Dokumenten und das Verständnis von natürlicher Sprache. Mit “Predictions”, der Vorhersage von Zuständen in der Zukunft, lassen sich außerdem Entscheidungen automatisieren. Ein Beispiel: ein Shop kann automatisch die Bestellung von bestimmten Artikeln erhöhen wenn die AI-basierte Vorhersage mit einer hohen Wahrscheinlichkeit vorhersagen kann, dass die Nachfrage nach diesem Artikel in der nächsten Woche stark ansteigt.
Business Takeout
Es bietet sich an, einfache und repetitive Aufgaben zu automatisieren. Dafür braucht es nicht immer AI. Bei den Tools sollte man sich immer die Frage stellen “Wo lernt die Maschine?”, um beurteilen zu können, ob es nur ein Buzzword ist oder wirklich etwas dahinter steckt. UiPath und Automation Anywhere sind auch ohne viel AI spannende Tools. Außerdem sollten immer die Voraussetzungen für eine Automatisierung geklärt werden. Zwei wichtige Aspekte sind dabei APIs und Daten. Spannend ist hier vor allem die Arbeit mit unstrukturierten Daten. Wenn in einem Unternehmen viele Dokumente oder Anfragen in natürlicher Sprache bestehen (z.B. Mails oder Telefonanrufe) kann AI sehr hilfreich sein, diese zu verstehen, zu kategorisieren und einer breiten Masse oder sogar genau der einen richtigen Person bereitzustellen.
Tipps für weitere Recherche
UiPath und Automation Anywhere: https://www.uipath.com/, https://www.automationanywhere.com/
Natural language classifier von IBM Watson (Kategorisierung von Texten): https://www.ibm.com/watson/services/natural-language-classifier/
Case von Credit Mutuel (Klassifizierung von Dokumenten mit IBM Watson): https://www.ibm.com/watson/stories/creditmutuel/
AutoML Vision von Google (Objekterkennung): https://cloud.google.com/vision/
Mythos 3: Bei AI geht es nur um dumme Chatbots
Mythos
Künstliche Intelligenz in Unternehmen bedeutet immer, Chatbots zu bauen. Und die sind richtig dumm, geben unpassende Antworten oder verstehen die Frage nicht.
Realität
Kurz vorweg: ja, Chatbots sind oft dumm. In den meisten Fällen liegt das an ihrem mangelnden Sprachverständnis, da sie nicht auf künstlicher Intelligenz basieren, sondern auf einfachen Regeln. Eine Regel kann zum Beispiel sein: “Wenn in dem Satz Hallo vorkommt, dann Antworte X”.
Sprache ist allerdings viel komplexer. Es gibt selbst für eine simple Aussage hunderte verschiedene Formulierungen. Der Maschine muss daher beigebracht werden, diese “natürliche” Sprache zu verstehen. All das ist nur möglich mit AI. Der Kern dabei ist das Natural Language Processing, kurz NLP. Es extrahiert den Intent, also die Intention, die ein Nutzer mit einem Satz ausdrückt. Sobald man die Maschine mit beispielhaften Sätze gefüttert hat, lernt die Maschine selbstständig, auch ähnliche Formulierungen zu verstehen. Ein Mensch kann dabei das NLP und somit den Bot trainieren: “das hast du richtig gemacht, das hast du falsch gemacht”. Wie bei Kindern, die noch die Welt entdecken müssen. Jeder Bot, auch mit AI, startet daher “dumm”, wird mit einem NLP dahinter aber immer schlauer, immer besser in der Lage den Menschen zu verstehen. Übrigens: für jeden Bot ist es wichtig, klare Grenzen zu definieren, wobei wir wieder bei “Narrow AI” wären (siehe Mythos 1).
Der Mythos ist daher gar nicht so falsch, da die Konzepte hinter dem NLP wunderbar erklären, wie AI eigentlich funktioniert. Man baut ein Modell, füttert dieses mit Daten und trainiert die Maschine. Kurz: die Maschine lernt und wird immer besser, daher auch der Begriff Machine Learning (ML).
Was am Mythos jedoch komplett falsch ist, ist das Chatbots alles sind, was man mit AI machen kann. Space and Lemon selbst hat sieben große Anwendungsfelder mit hunderten von Usecases identifiziert. Und “automated customer service”, also die Automatisierung des Kundenservices (meist mit Chatbots), ist nur eins davon.
Business Takeout
Chatbots sind ein toller erster Anwendungsfall für AI im Unternehmen. Dadurch werden die Konzepte dahinter schnell und einfach verständlich. Chatbots lassen sich auch mit Mythos 2, der Automatisierung, verbinden. In einigen Branchen, beispielsweise in der Telekommunikation, ist der automatisierte Kundenservice die größte “AI-Challenge”. So lässt sich die — ohnehin sehr günstige Entwicklung — durch Kosteneinsparungen schnell refinanzieren. Der Blick sollte allerdings auch weiter gehen, da jede Branche ihre eigene “AI-Challenge” hat, die nicht zwingend etwas mit Chatbots zu tun hat.
Tipps für weitere Recherche
Dialogflow (einfach zu nutzendes NLP von Google): https://dialogflow.com/
Kurze Video-Serie von Google zum Thema NLP (3 x 3 Minuten): https://www.youtube.com/watch?v=9aHusGxntPw
Rasa (NLP mit Zielgruppe Entwickler, gegründet in Berlin!): https://rasa.com/
Mythos 4: Predictive ist böse
Mythos
Viele Mythen rund um AI handeln von der vorhersagenden Maschine, die gar nicht mehr auf Menschen hört, ungeachtet von moralischen Vorstellungen. In Zukunft bekommt man Dinge, die man nie bestellt hat und die man eigentlich auch gar nicht haben möchte, automatisch zugeschickt. Personen werden wegen zukünftigem Mord verhaftet, obwohl sie noch gar keinen begangen haben.
Die Realität
Amazon hat Anfang des Jahres ein neues Werbeformat getestet, bei der Produktproben einer Bestellung beigefügt werden, ohne, dass der Kunde den Service aktiviert hat. Ausgewählte Partner können Amazon beauftragen, Proben zu versenden. Amazon sagt dabei vorher, welche Nutzer Interesse an dieser Probe haben könnten und verschickt die Proben im Auftrag an passende Amazon.com-Kunden. Die gute Nachricht: die Proben werden nicht einzeln verschickt, sondern einer anderen Amazon.com-Bestellung zugegeben. Die Proben sind kostenlos und die Vorhersage ist ziemlich gut. Die Wahrscheinlichkeit, dass man wirklich Interesse an der Probe hat und sie nicht entsorgt, ist also hoch.
Vorhersagen gab es natürlich schon vor AI. Wer möchte heute noch auf Wetter- oder Verkehrsprognosen verzichten? Oft basierten diese Vorhersagen auf sehr starren Modellen, die von Data Scientists in vielen Versuchen immer weiter optimiert wurden. Durch neue Hardware und künstliche Intelligenz sind heute allerdings deutlich bessere Vorhersagen möglich. Die Maschine lernt selbstständig, welche Eigenschaften dazu führen, dass ein bestimmtes Ziel erreicht wird. Auch Data Scientist sind nicht mehr zwingend notwendig. Einfache Tools wie Amazon Forecast, welches Vorhersagen für Zeitreihen macht, sind bereits fertig und lassen sich schnell in bestehende Software einbinden. Neue Modelle, die sonst mühsam von Hand erstellt wurden, können durch die Methode AutoML automatisch erstellt werden. Es gibt einfache grafische Tools von Google und Microsoft mit denen eigentlich jeder ein eigenes AI Modell für eine Vorhersage erstellen kann. Bei AutoML Tables von Google lädt man einfach eine Excel-Tabelle hoch, markiert die Spalte, die aufgrund der Daten in den anderen Spalten vorhergesagt werden soll und schon hat man ein fertiges AI-Modell, welches einfach in die eigene Software eingebaut werden kann.
Gerade diese einfachen Tools sorgen dafür, dass immer mehr Webseiten AI-basierte Vorhersagen einbauen. Oft geht das mit einer Verbesserung des Nutzererlebnisses einher. Auf der anderen Seite schürt es bei vielen Nutzern Ängste: “Was weiß das Unternehmen alles über mich? Was passiert mit meinen Daten? Kann ich es noch selbst beeinflussen?”. Vorhersagen sind nicht per se böse, denn die Vorhersage entscheidet weder über den Datenschutz, noch darüber was bei einer bestimmten Vorhersage passiert. Die Entscheidung liegt immer noch bei Menschen. Amazon hat sich bewusst entschieden, bei bestimmten Vorhersagen Proben zu verschicken. Das muss man nicht gutheißen, ist aber sicher nicht symbolisch für alle Vorhersagen. Eine sehr sinnvolle und weniger Angst machende Nutzung findet sich in Google Maps. Dort wird aufgrund der Verkehrslage und anderen Faktoren die perfekte Route vorhergesagt. Mit Vorhersagen das Nutzererlebnis verbessern. Toll!
Business Takeout
Bei der Entwicklung von Usecases sollte stets der Vorteil für den Nutzer größer sein als mögliche Ängste. Zusätzlich muss im Unternehmen ein strenger Datenschutz eingehalten werden und moralische Implikationen diskutiert und verbindliche Regeln aufgestellt werden. Wir empfehlen Datenschutz und moralische Diskussion allerdings während der initialen Usecases-Findung zu separieren und den Usecase erst anschließend nach den aufgestellten Regeln zu überprüfen. Ansonsten verstrickt man sich bei der Usecase-Findung in unnötige Diskussionen (in einem durchaus emotionalen Thema!). Im Konzept sollte außerdem bedacht werden, den User zu informieren, was denn da genau passiert. Ein gutes Beispiel ist Spotify, wo die Nutzer anschaulich darüber informiert werden, dass sowohl die abgespielten Lieder als auch der Tap auf “Gefällt mir/Gefällt mir nicht” gespeichert werden und Einfluss auf die Gestaltung der Playlisten haben. Es wird ebenfalls die Möglichkeit einer “privaten Session” eingeräumt, in der keine Daten erhoben werden.
Tipps für weitere Recherche
Artikel über die kostenlosen Proben bei Amazon: https://www.axios.com/amazon-ad-strategy-free-samples-based-on-consumer-data-5ce0fe5b-6112-4d59-8d28-39278f457b6d.html
AutoML Tables von Google (automatische ML-Modelle): https://cloud.google.com/automl-tables/
Simples Tool für Zeitreihenprognosen von Amazon: https://aws.amazon.com/de/forecast/
Hilfe von Spotify (mit guten Formulierungen): https://support.spotify.com/de/using_spotify/the_basics/play/
Zusammenfassung in 4 Punkten
1/ Wir sprechen heute von Narrow AI: Die künstliche Intelligenz ist auf eine Aufgabe begrenzt, d.h. sie ist in allen andere Aufgaben sehr dumm.
2/ Automatisierung-Tools haben meist wenig künstliche Intelligenz. AI ist trotzdem ein großer Schritt, da sie vormals unstrukturierte Daten auswerten kann.
3/ Hinter Chatbots sollte heute immer ein NLP (Natural Language Processing), eine künstliche Intelligenz zum Verstehen der natürlichen Sprache, stehen.
4/ Vorhersagen können das Nutzererlebnis signifikant verbessern. Dabei sollten allerdings Regeln eingehalten werden und der Nutzer informiert werden.
