Ständig steigende Rechenleistung und die Entwicklung effektiver Vorhersage-Algorithmen haben in den letzten zehn Jahren zu einem intensiven Einsatz von maschinellem Lernen geführt. Eng verwandt und in der Regel als ein Teilgebiet der künstlichen Intelligenz (KI) betrachtet, ist maschinelles Lernen der Prozess der automatischen Mustererkennung in den Daten. Solche Algorithmen haben sich als äußerst nützlich für eine Vielzahl unterschiedlicher Aufgaben erwiesen, darunter Gesichtserkennung, Spracherkennung, Fabrikbetrieb und prädiktive Instandhaltung. Trotz des Hypes, werden heute künstliche Intelligenz und maschinelles Lernen nicht so oft im realen Leben eingesetzt, wie bisher versprochen wurde. Dennoch gibt es schon einige Apps, die maschinelles Lernen nutzen und im realen Welt aktiv eingesetzt werden. Dieser Artikel gibt einen Überblick darüber, wie maschinelles Lernen – und die künstliche Intelligenz im Allgemeinen – das Potenzial hat, verschiedene Bereiche des Geschäftsfelds drastisch zu revolutionieren, und wie es die Kluft zwischen den populären Business-Apps und Industry 4.0 überbrücken wird.

Maschinelles Lernen für das Verstehen und die Verarbeitung natürlicher Sprachen

Im Rahmen der direkten Kommunikation werden natürliche Sprachen oft als die Sprachen bezeichnet, die die Menschen benutzen, um miteinander zu kommunizieren. Als Folge der Fortschritte auf dem Gebiet von maschinellem Lernen und künstlicher Intelligenz hat die Verarbeitung natürlicher Sprache in der sich ständig weiterentwickelnden Geschäftswelt immer mehr an Bedeutung gewonnen. Die modernen NLP-Systeme können verschiedene Formen menschlicher Sprache analysieren und verarbeiten, einschließlich geschriebener Texte und Audiodateien. Diese Technologien beginnen ihren Weg auch in die Geschäftswelt zu finden, wo sie für das automatische Lesen (oder die Transkription) von handschriftlichen Sätzen, die Klassifizierung des eingehenden E-Mail-Verkehrs oder für die detaillierte Datensuche in Aufzeichnungen von Kundengesprächen eingesetzt werden können.

Maschinelles Lernen und Verarbeitung natürlicher Sprachen für E-Mail-Klassifizierung

Große Mengen eingehenden E-Mail-Verkehrs erschweren es Unternehmen, Menschen effektiv und effizient bei der Kundenbetreuung, bei Bestellanfragen oder bei der Planung von Meetings zu helfen. Das liegt daran, dass – in der Regel – der eingehende E-Mail-Verkehr vom Personal manuell überprüft werden muss, bevor er an zuständige Mitarbeiter weitergeleitet wird, die den Inhalt der E-Mail bearbeiten können.

Dank Verarbeitung natürlicher Sprachen und maschinellem Lernen ist es jedoch möglich, eingehende E-Mails zu klassifizieren, ohne den Kontext und das Problem in jeder E-Mail manuell zu identifizieren. Solche Algorithmen erstellen die E-Mail-Warteschlangen, die zu einer bestimmten Kategorie gehören, woraufhin qualifiziertes Supportpersonal die Warteschlange seines Gebiets auswählt. Dadurch funktionieren die Unternehmen effizienter, indem sie die Antwortzeiten verkürzen, die Arbeitskosten senken und die Qualität des Kundensupports erhöhen.

Spracherkennung für Kundenforschung

Heutzutage ist professionelle Software für Spracherkennung in der Lage, die Audiodateien, die aus Kundengesprächen gewonnen werden, einer gründlichen Datenanalyse zu unterziehen. Solche Datenanalyse kann wichtige demographische Informationen über den Anrufer wie Geschlecht, Alter, Akzent, Emotionen und Gefühle liefern. Diese wertvollen Informationen ermöglichen es Unternehmen, aussagekräftige Einblicke in ihren Kundenpool zu gewinnen, sehr gezielte Marketing-Kampagnen zu führen und die Support- und Vertriebsleistung zu verbessern.

Eine weitere Anwendung der Spracherkennung in einem geschäftlichen Kontext ist der Einsatz von Software zur automatischen Transkription. Diese Software ermöglicht es, Audio- und Videodateien in sehr präzise Textdokumente zu konvertieren, die die gesprochenen Sätze aus der importierten Audiodatei enthalten. Dies kann für Transkriptionen von Vorstandssitzungen, Telefonkonferenzen oder Gesellschafterversammlungen benutzt werden, um diese Informationen leicht an alle in der Veranstaltung Abwesenden weiterzuleiten.

Planung des Energiebedarfs mithilfe der Zeitreihenanalyse

Ein rekurrentes neuronales Netz (Recurrent Neural Network) ist ein maschinelles Lernverfahren mit Speicherelementen in seiner Architektur, wodurch es sich besonders für die Bearbeitung der sequentiellen Dateien eignet. Dadurch eignen sie sich besonders für die Zeitreihenanalyse: ein Zweig innerhalb des maschinellen Lernens, der sich auf die Vorhersage von Parameterwerten in der Zukunft konzentriert, basierend auf den Parameterwerten, die in früheren Zeitpunkten beobachtet wurden.

Zeitreihenanalyse für Verkaufsprognosen

Viele Unternehmen sind durch die Größe von Lagerfläche begrenzt, so dass sie ihren Produktionsausstoß sorgfältig abwägen und die zukünftige Produktnachfrage vorhersagen müssen. Rekurrente neuronale Netze und Zeitreihenanalysen bieten das Toolkit für solche Vorhersagen, die es ihnen ermöglichen, ihre Verkaufsprognosen zu verbessern und Lagerbestände zu verringern. Darüber hinaus ermöglichen es solche präzisen Verkaufsprognose-Tools den Unternehmen, die benötigten Arbeitskräfte besser einzuschätzen, eine richtige Recruiting-Strategie umzusetzen und Entlassungen zu vermeiden.

Zeitreihenanalyse für Planung des Energiebedarfs

Basierend auf den Daten über den Energiebedarf des Marktes in den letzten Jahren, können die rekurrenten neuronalen Netze trainiert werden, den Energiebedarf des Marktes in der Zukunft zu vorhersagen. Da ein perfektes Gleichgewicht zwischen Energieangebot und -nachfrage immer aufrechterhalten werden sollte, ermöglicht das Wissen über den Energiebedarf in der nahen Zukunft, die Produktion entsprechend zu erhöhen oder zu verringern. Dies ermöglicht es den Energieversorgern, die Produktionseffizienz aufgrund des geringeren Risikos einer Überproduktion zu erhöhen und einen besseren Einblick in die allgemeinen Markttrends zu erhalten.

Digital-Twin-Technologie zur Unterstützung modellbasierten System-Engineering

In den letzten Jahren ist die Engineering aufgrund strenger Sicherheitsvorschriften und höherer Effizienzanforderungen immer komplexer geworden. In solchen komplexen Umgebungen ist der Einsatz regulärer Computer Aided Engineering (CAE) Systeme aufwändig und ineffizient geworden und erfordert modernere Design-Techniken. Daher werden Innovationen wie Digital-Twin-Technologie, maschinelles Lernen und künstliche Intelligenz für Industrie immer relevanter, da sie sowohl das modellbasierte System-Engineering (MBSE) als auch die Maschinenüberwachung unterstützen.

Die Digital-Twin-Technologie stellt – wie traditionelle CAD-basierte Systeme – ein dreidimensionales virtuelles Modell eines physischen Systems wie Industriemaschinen (z.B. Gasturbinen, mechanische Antriebe oder Gaskompressoren) dar. Die Digital-Twin-Technologie ermöglicht jedoch die Überwachung einzelner Maschinen oder Produktionsumgebungen in Echtzeit, indem das virtuelle Modell mit IoT-Sensordaten aus der physischen Umgebung verknüpft wird. Auf diese Weise bietet die Digital-Twin-Technologie einige gravierende Vorteile im Vergleich zu traditionellen CAD-basierten Modellen:

• Jedes industrielle System arbeitet unter unterschiedlichen Bedingungen und in unterschiedlichen Umgebungen. Mit Hilfe der Digital-Twin-Technologie kann man durch Echtzeit-Betriebsüberwachung ein digitales Modell einer bestimmten Maschine erhalten, was bei der Planung der individuellen Maschinenwartung und der Projektion der zukünftigen Systemleistung auf individueller Ebene hilfreich ist.
• Die Digital-Twin-Technologie ermöglicht es F&E-Teams, Designern und Ingenieuren, das Systemverhalten in verschiedenen Betriebsumgebungen zu beobachten. Dieser Informationsfluss ermöglicht es ihnen, die Auswirkungen spezifischer Designänderungen unter bestimmten Umgebungsbedingungen zu beobachten und möglicherweise relevante Anpassungen in Bezug auf diese Betriebsumgebung vorzunehmen.
• Das Digital-Twin-Modell wird während des Betriebs des physikalischen Modells in Echtzeit aktualisiert. Dies ermöglicht es industriellen Herstellern, den Lebenszyklus der Maschine genau zu verfolgen und präzise Information über den Alter des physikalischen Systems und mögliche zukünftige Funktionsstörungen zu erhalten.

Darüber hinaus ermöglicht diese physisch-digitale Verknüpfung die Durchführung von Simulationen auf dem Digital-Twin-Modell basierend auf den Daten, die sie von physischen Systemen, die schon im Betrieb sind, erhalten haben. Auf diese Weise können die Digital Twins während der Simulation die folgenden Informationen erhalten:

• Historie individueller Service- und Instandhaltung
• Betriebsverlauf und Erfassung der Umweltdaten durch IoT-Geräte
• Geschichte des Produktdesigns
• Maschinenkonfiguration während des Betriebs

Die Ergebnisse der Simulation können dann mit Ergebnissen aus der realen Welt (aus dem operativen physischen System) verglichen werden, die – zusammen mit den CAD-Design-Dateien – durch maschinelles Lernen analysiert werden können, um wertvolle Erkenntnisse über den Physical Twin und seine möglichen Konstruktionsverbesserungen und Wartungsanforderungen in ihren spezifischen Produktionsumgebungen zu gewinnen.

Fazit

Immer mehr Apps – vorangetrieben durch künstliche Intelligenz und maschinelles Lernen – werden in die Geschäftswelt übernommen und führen zur Automatisierung aller Branchen. Fortgeschrittene Techniken maschinellen Lernens, wie z.B. Deep Learning, Convolutional Neural Networks und rekurrente neuronale Netze, ähneln sich der menschen Intelligenz bei der Lösung von Problemen aus der realen Welt. Es ist spannend zu sehen, was die künstliche Intelligenz für uns bereithält und wie sie alle Aspekte des Geschäftsumfelds weiter verbessern wird.

Bei Venture Leap helfen wir unternehmerischen Teams beim Aufbau und der Einführung ihrer digitalen Produkte. Setzen Sie sich mit uns in Verbindung oder buchen Sie unten eine kostenlose Sitzung, wenn Sie wissen möchten, wie Sie Ihre Idee zum nächsten Schritt bringen.