Künstliche Intelligenz braucht schlaue menschliche Köpfe

Künstliche Intelligenz braucht schlaue menschliche Köpfe

Künstliche Intelligenz ist derzeit in aller Munde. Analysten sagen der neuen Technologie enormes Potenzial für die Wirtschaft voraus. Unternehmen quer über alle Branchen hinweg setzen sich mit den Möglichkeiten von maschinellem Lernen und automatisierten Entscheidungen auseinander. Doch die Umsetzung wird vor allem durch eines ausgebremst: den Fachkräftemangel.

Wenn man sich die Masse an Medien- und Social-Media-Meldungen zum Thema KI ansieht, scheint künstliche Intelligenz heute nahezu allgegenwärtig. Produktankündigungen, Forschungsergebnisse und Artikel, die sich mit den Möglichkeiten von KI auseinandersetzen, überfluten den Markt. Im privaten Alltag findet KI bereits große Akzeptanz. So zeigt eine aktuelle Studie des Branchenverbandes Bitkom, dass drei Viertel der befragten Bundesbürger KI-basierte Empfehlungen für optimale Reiseverbindungen gut finden, und 69 Prozent freuen sich, wenn bei der Internetsuche dank künstlicher Intelligenz die besten Ergebnisse ganz oben stehen.

KI ist in der Praxis angekommen

Auch im Unternehmensumfeld rauchen derzeit viele Köpfe, wie man am besten von KI profitieren kann. Über alle Branchen hinweg gibt es bereits zahlreiche Anwendungen. In der Industrie optimieren selbstlernende Algorithmen zum Beispiel mit vorausschauender Wartung die Produktion. Im Banken- und Versicherungsumfeld helfen intelligente Systeme dabei, Betrugsfälle in Echtzeit aufzudecken und zu vermeiden. Und in der Automobilbranche entwickeln die Hersteller mit Hochdruck das autonome Fahren. Laut einer aktuellen IDC-Studie hat ein Viertel der deutschen Unternehmen bereits KI-Projekte umgesetzt, und 69 Prozent planen dies in den nächsten zwölf Monaten. Den Analysten zufolge werden die weltweiten Ausgaben für künstliche Intelligenz und Machine Learning bis 2020 auf über 40 Milliarden US-Dollar steigen.

Warum diese Begeisterung? Die Antwort liegt auf der Hand: Künstliche Intelligenz und maschinelles Lernen bieten Unternehmen die Möglichkeit, das Potenzial ihrer Daten erst richtig auszuschöpfen. Denn mit dem Internet der Dinge wächst die verfügbare Datenmenge ins Unendliche. Es reicht jedoch nicht aus, Informationen einfach nur zu sammeln, man muss sie auch in Wissen verwandeln. Um dies bei der wachsenden Datenflut zu meistern, kommen selbstlernende Algorithmen ins Spiel.

Fachkräftemangel als größte Herausforderung

Künstliche Intelligenz ist allerdings kein Selbstläufer. Damit sie überhaupt erfolgreich sein kann, braucht sie nicht nur Hochleistungs-Technik, sondern auch Menschen. Unternehmen benötigen Data Scientists, die geeignete Datenquellen für eine Fragestellung identifizieren und die Analysen vorbereiten. Sie müssen unter anderem passende analytische Modelle erstellen, Tools auswählen und interdisziplinär über den Tellerrand hinausschauen. Außerdem sind Data Engineers gefragt, die die Daten bereinigen, aufbereiten und analysefähig machen.

Doch solche Fachkräfte sind Mangelware und auf dem Markt heiß begehrt. Laut der bereits oben erwähnten IDC-Studie fehlt es in mehr als 80 Prozent der befragten Unternehmen an geeigneten Spezialisten. Händeringend gesucht werden Data Scientists, Entwickler, Datenbank-Manager, Business-Analysten sowie Trainer. Zwar gibt es an deutschen Universitäten bereits zahlreiche Studiengänge mit dem wohlklingenden Abschluss Data Scientist, doch bis diese Absolventen auf den Arbeitsmarkt kommen, dauert es noch einige Zeit. International sieht es nicht viel besser aus. McKinsey beispielsweise prognostiziert, dass bis 2024 alleine in den USA 250.000 Data Scientists fehlen werden.

Keine Zeit zu verlieren

Unternehmen sollten sich daher nicht nur darauf konzentrieren, neue Fachkräfte zu rekrutieren. Genauso wichtig ist es, Mitarbeiter weiter zu qualifizieren und fehlendes Know-how aufzubauen. Die Bitkom Akadmie bietet z.B. hierfür seit Kurzem in Zusammenarbeit mit dem Deutschen Forschungszentrum für KI (DFKI) den bundesweit ersten Zertifikatslehrgang „Ausbildung zum KI-Manager“. Außerdem können Unternehmen durch Zusammenarbeit mit externen Spezialisten Know-how-Lücken schließen. Denn eines ist klar: Abwarten ist keine Lösung. Im internationalen Vergleich liegt Deutschland im KI-Bereich nur im Mittelfeld, so die IDC-Studie. Es wird also höchste Zeit, mit der Aufholjagd zu beginnen.

Hier erfahren Sie mehr über die KI-Angebote der Software AG.

Teilen:
Software-Robots versus API – wer macht was?

Software-Robots versus API – wer macht was?

Die Analysten von Gartner und andere Experten gehen davon aus, dass Robotic Process Automation (RPA) in den kommenden Jahren erheblich dazu beitragen wird, dass Prozesskosten gesenkt, Tippfehler reduziert, Abläufe beschleunigt und Applikationen besser integriert werden. In einem früheren Blogbeitrag haben wir uns mit der Frage beschäftigt, was RPA ist. In diesem Beitrag definieren wir mögliche Einsatzszenarien und decken auf, welche Abläufe mithilfe dieser Technologie optimiert werden können.

Die Software AG beschäftigt sich seit vielen Jahren mit der Analyse, Optimierung und Automatisierung von Prozessen. Allerdings liegt der Schwerpunkt heute weniger auf den APIs der zu automatisierenden Systeme, sondern auf deren Benutzeroberfläche. Viele Aufgaben können auch weiterhin nur durch API-Calls automatisiert werden, andere nur durch RPA-Scripte. Darüber hinaus gibt es Aufgabenstellungen, bei denen beide Ansätze in Kombination zu einer guten Lösung führen. Die Anwender haben dann die Wahl und können die für sie am besten passende Option auswählen. Deshalb wurde die Digital Business Platform der SAG um RPA-Fähigkeiten erweitert. In Partnerschaft mit Kryon Systems, einem Anbieter innovativer, intelligenter RPA-Lösungen, stellt die Software AG nun die komplette Technologie für alle Varianten der Prozess-Automatisierung und -Optimierung zur Verfügung.

Integration zweier Ansätze

Wenn es um Performance und Skalierung geht, wird weiterhin der Weg über die Programmier-Schnittstellen der einzig richtige sein. API-Calls benötigen in der Regel nur einen Bruchteil der Rechenleistung, die für Benutzer-Interaktion auf UI-Ebene notwendig ist. Insbesondere mehrere Rückgabewerte skalieren nur über APIs. Will man beispielsweise in einem Genehmigungsverfahren Informationen aus verschiedenen Systemen zusammentragen und in einzelnen Feldern anzeigen, lassen sich die dafür notwendigen Zugriffe direkt auf der Datenbank oder via API-Call in Sekundenbruchteilen ausführen und bereitstellen. Eine Anmeldung auf UI-Ebene in diversen Systemen, gefolgt von der Navigation zu den jeweils gesuchten Stellen und eine Übernahme der Daten würde selbst in einem RPA-automatisierten Vorgehen ein Vielfaches an Zeit und Systemressourcen erfordern.

Auch wenn ein Anwender etwa die Verfügbarkeit und Preise von Flügen oder Hotels bei diversen Anbietern in deren jeweiligen Info- und Buchungssystemen sucht, ist der Weg über Programmier-Schnittstellen unschlagbar schnell. Im Vergleich würden RPA-Robots dafür einige Minuten brauchen. Geht es jedoch darum, die Kennzahl eines gefundenen Angebots in das Buchungssystem der Airline oder Hotelkette zu übernehmen, ist RPA eine wertvolle Hilfe.

Robots lernen von IT-Experten

Die Zielgruppe beider Optimierungsverfahren ist unterschiedlich. Ein BPMS wie die Digital Business Platform wendet sich primär an IT-Experten und unterstützt IT-affine Nutzer dabei, Prozesse in den Fachabteilungen zu optimieren. RPA-Systeme zielen in der Regel auf die Mitarbeiter der Fachabteilungen, werden aber erfahrungsgemäß nur von Prozess-Experten mit IT-Know-How ideal genutzt. Verfügt ein Anwender über zu wenig oder keine IT-Erfahrung, kann er das Potenzial nicht voll ausschöpfen. Deshalb sollten Robots von IT-Experten trainiert werden. Das Ergebnis erfolgreicher BPMS-Prozesse und idealer RPA-Scripte ist dasselbe: optimal automatisierte Prozesse mit Einsparungen bei Zeit und Aufwand sowie einer geringen Fehlerrate. Jedoch kommt kein Ansatz ohne den jeweils anderen aus. In den meisten Fällen ist die Mitarbeit der IT-Abteilung und ihrer Fachleute sinnvoll und erforderlich.

Der aktuelle Hype um RPA erklärt sich aus der hohen Reife der angebotenen Systeme und dem großen Optimierungspotenzial, das sich daraus ergibt. Die Leistungsmöglichkeiten sind groß, jedoch ist Dunkelverarbeitung auf Programmebene nötig. Klassische BPM-Methoden für die Dunkelverarbeitung und neue RPA-Verfahren für Prozessschritte auf der Oberfläche ergänzen sich sehr gut, denn sie überlagern sich kaum und bieten in Kombination die ideale Hilfestellung fürs Büro.

Wenn Sie mehr über das RPA-Angebot der Software AG erfahren möchten, klicken Sie hier

Teilen: