Wissensmanagement der Zukunft: Verschmelzung von menschlicher und künstlicher Intelligenz

Wie kann man mit AI, Machine Learning uvm. das Wissensmanagement in der Firma verbessern?

Der von Francis Bacon im 16. Jahrhundert formulierte Satz „Wissen ist Macht“ hat nie eine größere Rolle gespielt als im digitalen Zeitalter. Denn Wissen, das zur richtigen Zeit abgerufen werden kann, entscheidet in der heutigen schnelllebigen Ära darüber, ob die notwendigen Geschäftsentscheidungen zeitgerecht getroffen werden können, ob der Kunde dem Unternehmen treu bleibt, weil er hier sofort die gewünschten Antworten bekommt, oder ob Zeit und Geld gespart wird, weil etwa Maschinenteile mit Hilfe von Predictive Maintenance ausgetauscht werden, bevor es zum teuren Produktionsstillstand kommt.

Das gleiche gilt für andere Bereiche: Intelligente Mustererkennung im Gesundheitswesen kann Menschenleben retten oder in der Forschung zu neuen Erkenntnissen führen.

Gleichzeitig war es noch nie so schwierig, sich angesichts der rasant wachsenden Datenberge und der zunehmenden Komplexität genau jenes Wissen anzueignen und anzuwenden, das in einer bestimmten Situation benötigt wird. Die menschliche Aufnahmefähigkeit und die zeitlichen Ressourcen sind bekanntlich begrenzt.

Maschinen und Menschen

Es braucht daher die maschinelle Unterstützung, die einerseits dafür sorgt, dass die menschliche Erfahrung mit den fehlenden Informationen angereichert wird. Andererseits sollen intelligente Systeme dafür sorgen, dass Menschen von lästigen Routinearbeiten – von „Monkey Business“ – befreit werden, damit sie ihre beschränkten Ressourcen besser dort einsetzen können, wo sie Wert oder signifikante Unterschiede zu Marktbegleitern schaffen.

Eine der Voraussetzungen für diese Welt, in der menschliche und künstliche Intelligenz kombiniert sind, ist, die bereits vorhandenen Daten aus den unzähligen Silos zu holen, wo sie gespeichert sind, sie in Beziehungen zueinander zu setzen, um daraus Informationen und am Ende des Tages Wissen zu generieren – ein Prozess, den ich „Connecting the Dots“ nenne.

Angesichts der exponentiell steigenden Datenberge benötigt man dafür mehr denn je intelligente Systeme, die bereits einen hohen Reifegrad erreicht haben und unter den Bezeichnungen „Enterprise Search“, „Insight Engine“, „Cognitive Search“ oder „AI Search“ laufen.

Wissensmanagementsysteme verstehen

Der gemeinsame Nenner dieser Wissensmanagementsysteme ist, dass sie eine Vielzahl an Technologien unter einem Dach vereinen: AI, Machine Learning, Deep Learning, Natural Language Processing (NLP), Natural Language Question Answering (NLQA) sowie die semantische Aufbereitung von Inhalten, die eine natürliche Mensch-Maschinen-Interaktion ermöglichen.

Die Kombination all dieser Technologien ermöglicht es Usern, genau jene Information zum richtigen Zeitpunkt und am richtigen Ort zu bekommen, die sie oder er für die Erledigung einer spezifischen Aufgabe benötigt. Das kann die Adresse eines Kunden sein, die technische Beschreibung eines Bauteils, die Verkaufszahlen eines Produkts in einer bestimmten Region oder die Indikation eines bestimmten Medikaments.

Einer der großen Vorteile von Enterprise Search- oder Insight-Engine-Lösungen ist, dass die Datensilos nicht aufgebrochen werden müssen. Die Daten bleiben dort, wo sie sind. Über sogenannte Konnektoren holen sich die smarten Systeme alle benötigten Daten – egal ob diese etwa in einer Datenbank strukturiert oder in Mails und anderen Dokumenten unstrukturiert sind –, kombinieren sie und formen daraus Informationen, die zu einem bestimmten Zeitpunkt und für eine spezifische Aufgabe in einer definierten Rolle benötigt werden.

Damit die Nutzer nicht wie bei einer gewöhnlichen Suchmaschine von zahllosen Ergebnissen überfordert werden – also nur jene Informationen bekommen, die sie wirklich brauchen –, beginnen nun Enterprise Search- und verwandte Lösungen damit, das Verhalten der User zu beobachten (deren Einverständnis natürlich vorausgesetzt) und daraus zu lernen. Unter der Bezeichnung „Behavioural Model for Information Retrieval System Design“ werden unter anderem folgende Faktoren analysiert: die Rolle der Tätigkeit, Aktionen, die in der Vergangenheit im Zusammenhang mit bestimmten Informationen gesetzt wurden, spezifisches Suchverhalten oder sogar die Emotionen, die User mit Informationen verknüpfen – ein Thema, das eng mit „Customer Experience“ bzw. „Experience Economy“ verwandt ist. Ziel ist es also, die Relevanz einer Information zu personalisieren. Am Ende dieser Reise steht ein intelligentes Assistenzsystem, mit dem der User auf möglichst natürliche Weise interagieren kann und das ihn punktgenau mit den benötigten Informationen versorgt. Damit erhält man eine

Diese Systeme werden laufend weiterentwickelt. Zu den aktuellen Trends im Bereich smarten Wissensmanagements ist die Hinzunahme von Multimedia-Quellen wie Fotos und Videos, um etwa die Supply Chain zu optimieren oder die ärztliche Diagnose zu unterstützen. Gartner nennt dies „X Analytics“.

„Weak Supervision“ als Zukunft

Ein weiterer Trend ist „Weak Supervision“ im Bereich AI: Bis dato brauchte es viel manuelle Arbeit und Vorbereitung, um ein intelligentes System zu trainieren. Mit Weak Supervision lernt ein Managementsystem nahezu selbstständig, wobei sich die Performance mit der Nutzung laufend verbessert. Gleichzeitig werden Entscheidungen, die das smarte System trifft, zunehmend transparenter – Stichwort „Explainable AI“ (XAI)

Last but not least lassen sich mit zukunftsweisenden Wissensmanagementsystemen traditionelle Geschäftsprozesse in Richtung Flexibiltät und Agilität optimieren – die Corona-Krise hat deutlich gezeigt, wie essentiell diese Fähigkeiten sind.

Fazit zum Wissensmanagement mit Maschinen

All die genannten Aspekte zeigen in dieselbe Richtung: Dank einer intelligenten digitalen Transformation haben wir nun die Möglichkeit, unser Wissen und unsere Erfahrungen mit künstlicher Intelligenz zu kombinieren. Während die Maschine lästige Routinen übernimmt oder benötige Informationen jederzeit und allerorts zur Verfügung stellt, kann der Mensch seine Stärken ausspielen wie soziale Interaktion, Kreativität und Fingerspitzengefühl.

Weiterer Artikel: 5 Schritte zur Implementierung von KI in Ihrem Unternehmen

Daniel Fallmann beschäftigt sich seit frühester Jugend mit den Themen Künstliche Intelligenz, Machine Learning und Deep Learning. Im Jahr 2005 gründete er im Alter von 23 Jahren das Unternehmen Mindbreeze. Dieses zählt heute zu den führenden internationalen Anbietern im Bereich angewandte künstliche Intelligenz und Wissensmanagement mit tausenden Kunden weltweit.

Die Kommentarfunktion ist geschlossen.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More