Machine Learning und Künstliche Intelligenz können eine Alternative zu traditioneller Softwareentwicklung sein oder diese zumindest ergänzen. Wir zeigen dir, was Künstliche Intelligenz und Machine Learning mit open knowledge zu tun haben und warum das auch für dich interessant sein könnte.
Bei open knowledge kennen wir uns mit Enterprise Software im Java Umfeld aus. Kern solcher Software ist typischerweise eine Geschäftslogik wie in Abbildung 1. Sie besteht im Wesentlichen aus Schleifen und Fallunterscheidungen. In dieser Geschäftslogik wird häufig bekanntes oder für den Anwendungsfall herausgearbeitetes Domänenwissen ausgedrückt.
In vielen Fällen ist so eine Geschäftslogik genau das richtige. Manchmal aber hat man gar nicht das notwendige Wissen über den Anwendungsfall oder der Code wird schlicht zu groß und unübersichtlich. Oder anders ausgedrückt: manche Dinge kann man nicht oder nur schwer durch Regeln beschreiben.
Als anschauliches Beispiel für etwas, das man nicht gut mit Regeln beschreiben kann ist in Abbildung 2 dargestellt. Ohne die Bildunterschrift anzusehen: was ist das für ein Tier? Richtig: ein Nilpferd!
In dieser Zeichnung aus dem Mittelalter hat ein Künstler dieses Tier dargestellt, ohne jemals eines gesehen zu haben. Er musste sich also komplett auf die Beschreibungen verlassen, die Reisende ihm gegeben hatten. Man ahnt förmlich die Regeln die er bekommen hatte, “... scharfe Zähne …”, “... kann durch die Nase atmen wenn unter Wasser …”, etc.
Wie gesehen gibt es offensichtliche Beispiele die zu komplex sind, um mit ein paar Regeln beschrieben werden zu können. Das bedeutet auch, dass man mit einer klassischen Geschäftslogik in dem Beispiel unseres Nilpferds nicht weit kommen wird. Dasselbe gilt für fast jede Bilderkennung außerhalb eines klar definierten Rahmens und für die Abbildung von komplexen Zusammenhängen wie “ist ein Kunde zufrieden”, “wirkt die Abrechnung plausibel” oder “wie viele Tomaten kann ich morgen verkaufen”.
Hier kommt die Idee von Machine Learning ins Spiel: Was wäre, wenn man eine Domäne wie “wann ist ein Kunde zufrieden” nicht (nur) analysieren und daraus Regeln in Form von Anforderungen ableiten, sondern vielmehr Beispiele für die jeweiligen Fälle sammeln würde. In diesem Fall konkret: Diese 10.000 Kunden sind zufrieden (z.B. weil wir das durch eine Umfrage herausgefunden haben) und diese 10.000 Kunden waren weniger zufrieden, denn die haben letzten Monat gekündigt.
Aus diesen Beispielen kann man einen Datensatz erstellen, in dem Eigenschaften der Kunden als Eingabe dienen und als Ausgabe die Zufriedenheit des Kunden steht.
Diese Paare aus Eigenschaften und Zufriedenheit werden nun in einen Lern-Algorithmus gesteckt und heraus kommt ein Modell, das diesen Zusammenhang möglichst gut abbildet.
Dies funktioniert häufig so gut, dass sich eine emotional ernüchternde Konsequenz ergibt. Unsere viel gepriesene Intuition leider bei komplexen Situation am Ende ist. Der tolle Riecher des Börsenmaklers und das Bauchgefühl des Chefs des Einkaufs entpuppt sich dabei oft als weniger oder genauso gut wie “raten”.
Manche Tätigkeiten und Fähigkeiten ordnen wir eher als andere als dem Menschen vorbehalten ein. Welche das sind, verändert sich anhand dessen was wir als normal erleben. So war Anfang der 90er Jahren Schach noch vom Menschen dominiert, während heute auch die Weltmeister verlässlich von Schachprogrammen dominiert werden. Allerdings wurde ein Schachprogramm in den 90ern durchaus als KI angesehen, während dies heute eben nichts besonderes mehr ist.
Wie in Abbildung 4 dargestellt, kann man künstliche Intelligenz in zwei Bereiche aufteilen, die sich vor allem durch ihren Anspruch unterscheiden. Während die starke KI versucht, alle Eigenschaften des Menschen abzubilden und eher in einen Forschungskontext passt, werden in der schwachen KI Teilbereiche aus der bisher menschlichen Domäne adressiert.
Machine Learning ist damit eine Art und Weise diesen Ansatz umzusetzen. Tatsächlich sind im Bereich KI fast alle Durchbrüche der vergangenen Jahre auf das Deep Learning zurückzuführen. Dabei kommen künstliche Neuronale Netze zum Einsatz.
open knowledge ist erst einmal nicht als KI-Firma bekannt und auch in Zukunft werden wir unserem Geschäft der Entwicklung von Enterprise-Software treu bleiben. Wir glauben aber auch, dass moderne Software in bestimmten Bereichen nicht mehr ohne künstliche Intelligenz und Machine Learning möglich sein wird.
Wir konzentrieren uns auf die Anwendung von bekannt praktikablen Ansätzen und bewegen uns damit im Bereich der schwachen künstlichen Intelligenz. Somit bleiben wir bodenständig und gehen nur Projekte an, die unmittelbar mit bekannten Techniken lösbar sein können.
open knowledge kommt besonders zugute, dass wir über Jahrzehnte Software professionell in Produktion gebracht und dort gehalten haben. Machine Learning wird hingegen oft noch akademisch betrieben und in diesem Bereich endet die Story mit einem trainierten Machine Learning Modell. Bei uns geht die Story hier erst richtig los und hier entfalten wir unser volles Potential.
Der Einsatz von Machine Learning hat einen Einfluss darauf, die Projekte sinnvoll ablaufen können. Wie in Abbildung 5 dargestellt ist die Ideenfindung und generell die Fachlichkeit viel stärker im Mittelpunkt und braucht dementsprechend einen Prozess, der von vorn herein agil ist.
Man kann sich dem Thema auf zwei Arten nähern. Zum einen, indem man sich existierende Anwendungen von KI ansieht und überlegt, ob diese Anwendungen auf das eigene Feld übertragbar sind.
Wie gesehen ist Machine Learning der hauptsächliche Ansatz, KI umzusetzen. Für Machine Learning sind Daten aber zwingend notwendig. Daraus ergibt sich der andere Ansatz: Welche Daten sind verfügbar oder beschaffbar und welcher Geschäftsnutzen wäre durch die Nutzung der Daten im Idealfall erreichbar?
Welche Probleme könntest du mit KI lösen, die bisher nicht umsetzbar schienen? Welchen Geschäftsnutzen könntest du durch die Anwendung von Machine Learning erreichen?
Melde dich bei uns wenn du mehr darüber hören möchtest. Wir helfen dir auch gern dabei, bestehendes Potential aufzudecken und später in eine Umsetzungsphase zu gehen.
Bei open knowledge kennen wir uns mit Enterprise Software im Java Umfeld aus. Kern solcher Software ist typischerweise eine Geschäftslogik wie in Abbildung 1. Sie besteht im Wesentlichen aus Schleifen und Fallunterscheidungen. In dieser Geschäftslogik wird häufig bekanntes oder für den Anwendungsfall herausgearbeitetes Domänenwissen ausgedrückt.
In vielen Fällen ist so eine Geschäftslogik genau das richtige. Manchmal aber hat man gar nicht das notwendige Wissen über den Anwendungsfall oder der Code wird schlicht zu groß und unübersichtlich. Oder anders ausgedrückt: manche Dinge kann man nicht oder nur schwer durch Regeln beschreiben.
Als anschauliches Beispiel für etwas, das man nicht gut mit Regeln beschreiben kann ist in Abbildung 2 dargestellt. Ohne die Bildunterschrift anzusehen: was ist das für ein Tier? Richtig: ein Nilpferd!
In dieser Zeichnung aus dem Mittelalter hat ein Künstler dieses Tier dargestellt, ohne jemals eines gesehen zu haben. Er musste sich also komplett auf die Beschreibungen verlassen, die Reisende ihm gegeben hatten. Man ahnt förmlich die Regeln die er bekommen hatte, “... scharfe Zähne …”, “... kann durch die Nase atmen wenn unter Wasser …”, etc.
Wie gesehen gibt es offensichtliche Beispiele die zu komplex sind, um mit ein paar Regeln beschrieben werden zu können. Das bedeutet auch, dass man mit einer klassischen Geschäftslogik in dem Beispiel unseres Nilpferds nicht weit kommen wird. Dasselbe gilt für fast jede Bilderkennung außerhalb eines klar definierten Rahmens und für die Abbildung von komplexen Zusammenhängen wie “ist ein Kunde zufrieden”, “wirkt die Abrechnung plausibel” oder “wie viele Tomaten kann ich morgen verkaufen”.
Hier kommt die Idee von Machine Learning ins Spiel: Was wäre, wenn man eine Domäne wie “wann ist ein Kunde zufrieden” nicht (nur) analysieren und daraus Regeln in Form von Anforderungen ableiten, sondern vielmehr Beispiele für die jeweiligen Fälle sammeln würde. In diesem Fall konkret: Diese 10.000 Kunden sind zufrieden (z.B. weil wir das durch eine Umfrage herausgefunden haben) und diese 10.000 Kunden waren weniger zufrieden, denn die haben letzten Monat gekündigt.
Aus diesen Beispielen kann man einen Datensatz erstellen, in dem Eigenschaften der Kunden als Eingabe dienen und als Ausgabe die Zufriedenheit des Kunden steht.
Diese Paare aus Eigenschaften und Zufriedenheit werden nun in einen Lern-Algorithmus gesteckt und heraus kommt ein Modell, das diesen Zusammenhang möglichst gut abbildet.
Dies funktioniert häufig so gut, dass sich eine emotional ernüchternde Konsequenz ergibt. Unsere viel gepriesene Intuition leider bei komplexen Situation am Ende ist. Der tolle Riecher des Börsenmaklers und das Bauchgefühl des Chefs des Einkaufs entpuppt sich dabei oft als weniger oder genauso gut wie “raten”.
Manche Tätigkeiten und Fähigkeiten ordnen wir eher als andere als dem Menschen vorbehalten ein. Welche das sind, verändert sich anhand dessen was wir als normal erleben. So war Anfang der 90er Jahren Schach noch vom Menschen dominiert, während heute auch die Weltmeister verlässlich von Schachprogrammen dominiert werden. Allerdings wurde ein Schachprogramm in den 90ern durchaus als KI angesehen, während dies heute eben nichts besonderes mehr ist.
Wie in Abbildung 4 dargestellt, kann man künstliche Intelligenz in zwei Bereiche aufteilen, die sich vor allem durch ihren Anspruch unterscheiden. Während die starke KI versucht, alle Eigenschaften des Menschen abzubilden und eher in einen Forschungskontext passt, werden in der schwachen KI Teilbereiche aus der bisher menschlichen Domäne adressiert.
Machine Learning ist damit eine Art und Weise diesen Ansatz umzusetzen. Tatsächlich sind im Bereich KI fast alle Durchbrüche der vergangenen Jahre auf das Deep Learning zurückzuführen. Dabei kommen künstliche Neuronale Netze zum Einsatz.
open knowledge ist erst einmal nicht als KI-Firma bekannt und auch in Zukunft werden wir unserem Geschäft der Entwicklung von Enterprise-Software treu bleiben. Wir glauben aber auch, dass moderne Software in bestimmten Bereichen nicht mehr ohne künstliche Intelligenz und Machine Learning möglich sein wird.
Wir konzentrieren uns auf die Anwendung von bekannt praktikablen Ansätzen und bewegen uns damit im Bereich der schwachen künstlichen Intelligenz. Somit bleiben wir bodenständig und gehen nur Projekte an, die unmittelbar mit bekannten Techniken lösbar sein können.
open knowledge kommt besonders zugute, dass wir über Jahrzehnte Software professionell in Produktion gebracht und dort gehalten haben. Machine Learning wird hingegen oft noch akademisch betrieben und in diesem Bereich endet die Story mit einem trainierten Machine Learning Modell. Bei uns geht die Story hier erst richtig los und hier entfalten wir unser volles Potential.
Der Einsatz von Machine Learning hat einen Einfluss darauf, die Projekte sinnvoll ablaufen können. Wie in Abbildung 5 dargestellt ist die Ideenfindung und generell die Fachlichkeit viel stärker im Mittelpunkt und braucht dementsprechend einen Prozess, der von vorn herein agil ist.
Man kann sich dem Thema auf zwei Arten nähern. Zum einen, indem man sich existierende Anwendungen von KI ansieht und überlegt, ob diese Anwendungen auf das eigene Feld übertragbar sind.
Wie gesehen ist Machine Learning der hauptsächliche Ansatz, KI umzusetzen. Für Machine Learning sind Daten aber zwingend notwendig. Daraus ergibt sich der andere Ansatz: Welche Daten sind verfügbar oder beschaffbar und welcher Geschäftsnutzen wäre durch die Nutzung der Daten im Idealfall erreichbar?
Welche Probleme könntest du mit KI lösen, die bisher nicht umsetzbar schienen? Welchen Geschäftsnutzen könntest du durch die Anwendung von Machine Learning erreichen?
Melde dich bei uns wenn du mehr darüber hören möchtest. Wir helfen dir auch gern dabei, bestehendes Potential aufzudecken und später in eine Umsetzungsphase zu gehen.
