Im heutigen Artikel werden wir uns auf verschiedene Begriffe und Konzepte konzentrieren, die im Bereich der Künstlichen Intelligenz weit verbreitet sind.
Als moderner Vermarkter ist es nützlich, einen Einblick in verschiedene Begriffe und Konzepte der KI zu bekommen und jeden einzelnen davon tiefer zu verstehen. Deshalb haben wir in diesem Artikel relevante Begriffe und Konzepte gesammelt, die man als Marketer gut kennen sollte.
Diese folgenden Begriffe werden im Detail erklärt:
1. Big Data
2. Machine Learning
3. Algorithmen
4. Chatbots
5. Cognitive Computing
6. Computer Vision
7. Deep Learning
Big Data
Big Data ist ein Thema, das seit langer Zeit diskutiert wird und laufend an Brisanz zunimmt. Mit der Entwicklung von sozialen Medien und dem Internet der Dinge werden Unmengen von Daten gesammelt. Wer diese zu seinen Zwecken einsetzen vermag, kann sich einen Wettbewerbsvorteil sichern. Das geschieht zunehmend mit künstlicher Intelligenz.
Stellen Sie sich einmal vor, wie viele Daten selbstfahrende Autos sammeln müssen, um die Herkulesaufgabe des autonomen Fahrens zu meistern. Es gilt Daten von jedem Element in der Nähe des Autos zu erkennen und zu verarbeiten.
Das Datenvolumen explodiert
In naher Zukunft wird ein Grossteil der Haushaltsgeräte mit dem Internet verbunden sein, genauso wie die meisten elektronischen Geräte im Büroalltag.
Ganz zu schweigen von den jetzt schon umfangreichen automatisierten Verbindungen zwischen Computersystemen. Jedes Mobiltelefon liefert Unmengen von Daten und bietet Einblicke in das Verhalten von Konsumenten, wie man sich es vorher nie vorstellen konnte. Es fehlt also nicht an Daten. Die Frage ist, wie man diese richtig einsetzt und systematisch verarbeiten kann. Die Schnelligkeit der Datenströme steigt exponentiell und die Ausrichtung von Unternehmen auf Kunden schreitet in grossen Schritten voran.
Machine Learning
Maschinelles Lernen (engl. Machine Learning) ist ein künstliches System, das aus Beispielen lernt, Muster respektive Gesetzmässigkeiten erkennt und diese nach einer Lernphase verallgemeinert. Maschinelles Lernen bezieht sich auf die Generierung von Wissen durch Erfahrung.
Traditionelle Programme benutzen Daten, um diese zu verarbeiten. Der Output ist, was wir Menschen weiterverarbeiten respektive sehen können und erhalten. Dabei ist der Output immer gleichbleibend, die Regeln des Programms verändern sich grundsätzlich nicht.
Im Gegensatz dazu nutzt maschinelles Lernen Daten, um das Programm ständig weiterzuentwickeln und der Output verändert sich laufend.
Big Data & Algorithmen
Grosse Datenmengen bringen für sich selber keinen Mehrwert. Erst Algorithmen können aus Daten Werte schaffen. Dynamische Algorithmen stehen im Zentrum künftiger Geschäftsmodelle. Sie passen sich den Anforderungen selbstständig an.
Trainingsdaten als Basis für KI
Der Synergieeffekt zwischen künstlicher Intelligenz und Big Data liegt darin, dass die Datenmengen gebraucht werden, um künstliche Intelligenz zu modellieren und zu trainieren. Wer neuronale Netze mit grossen Anzahl von Datensätzen trainiert, verbessert die Resultate substantiell.
Je mehr Daten, desto besser das Resultat. Mit 10 Millionen klassifizierten Bildern, kann beispielsweise ein Algorithmus zur Bilderkennung schnell menschenähnliche oder sogar bessere Resultate erbringen.
Algorithmen verstehen
Man geht davon aus, dass sich die Datenmenge rund alle zwei Jahre verdoppelt. Bereits seit Anfang des Internet-Zeitalters waren Daten das eigentliche Gold der Digitalisierung. Nun geht es um die Herausforderung, Big Data richtig auszuwerten und damit neue Werte zu produzieren. Wer es versteht, Daten sinnvoll zu nutzen, generiert neue Opportunitäten und Wettbewerbsvorteile.
Vision: Das logarithmische Business
In diesem Kontext spricht man heute bereits vom logarithmischen Geschäft. Ein Unternehmen das mit dem Einsatz von intelligenten Algorithmen vollautomatisch läuft, weil es in der Lage ist, absolut automatisch Handlungen richtig abzuleiten. Dadurch steigert sich die Wertschöpfung, wie man es sich vom autonom fahrenden Auto vorstellen kann.
Personalisierte Ansprache mit Algorithmen
Algorithmische Personalisierung wird oft in den Medien genannt als Beispiel von KI. Beispiele sind der Newsfeed von Facebook, die personalisierte Google Suche, die seit 2009 im Einsatz ist oder natürlich auch neuere Beispiele wie Netflix oder Spotify, sie alle nutzen Algorithmen zur personalisierten Bespielung von Kundeninhalten, um passende Empfehlungen zu liefern. Natürlich geht es auch um Kaufempfehlungen (Amazon), oder Empfehlungen für einen potenziellen Partner.
Chatbot
Ein Chatbot beschreibt einen virtuellen Agenten, der auf Basis von künstlicher Intelligenz Sprach- und Textkommunikation mit einem Menschen führen kann. Chatbots nutzen Machine Learning, um die menschliche Sprache abzubilden. Sie werden eingesetzt, um spezifische Inhalte oder automatisierte Services anzubieten, wie zum Beispiel Support oder Verkaufsberatung.
Cognitive computing
Der Begriff steht sinnbildlich für die Technologien im Zusammenhang mit künstlicher Intelligenz und Spracherkennung. Die Applikationen von Cognitive Computing nutzen Machine Learning Algorithmen, um natürliche Sprache zu simulieren und versuchen, wie das menschliche Hirn zu arbeiten.
Computer vision
Dieser Bereich der künstlichen Intelligenz setzt sich mit der Frage auseinander, wie Computer ein visuelles System aufbauen können um digitale Bilder sehen und interpretieren zu können. Beispielsweise, um Bilder mit Beschreibungen zu ergänzen, um diese in anderen Systemen nutzen zu können.
Deep learning
Der Bereich Deep Learning ist ein spezieller Bereich im Machine Learning, der in etlichen Anwendungsbereichen angewendet wird. Der Hauptunterschied liegt darin, wie das KI Model aufgebaut ist.
Deep Learning Modelle konzentrieren sich auf das Trainieren von neuronalen Netzwerken in verschiedenen Ebenen. Jede Ebene eines Netzwerks kann verschiedene Muster erkennen und Resultate liefern. Wie die meisten anderen Machine Lern-Netzwerke, sind Deep Netzwerke in der Lage, grosse Datenbestände zu klassifizieren und zu sortieren und daraus Anomalien in Datenmustern zu erkennen. Sie gelten heute als einer der komplexesten KI Modellen.
