Die digitale Transformation bringt oft ein radikales Umdenken in Bezug auf den Einsatz von Technologie, Kultur, Mensch und Prozessen mit sich. Sie beschreibt den Weg, auf dem Unternehmen Veränderungen und Verbesserungen erreichen wollen. Dabei wird häufig eine Reihe neuer digitaler Technologien eingesetzt. Das Hauptziel dieser Veränderungen ist es, einen Wettbewerbsvorteil zu erlangen sowie die Produktivität und Effizienz zu verbessern. Eine Technologie, die in den letzten Jahren immer mehr zur Förderung des digitalen Wandels beiträgt, ist die Künstliche Intelligenz (KI).
KI-Technologien werden in erster Linie durch große Datenmengen angetrieben. Zum Einsatz kommen hierbei verschiedene Berechnungsmethoden wie z. B. Maschinelles Lernen und Deep Learning. Hierbei stellt Maschinelles Lernen ein Teilbereich von KI dar und Deep Learning wiederum einen Teilbereich des Maschinellen Lernens.
Machine Learning (Maschinelles Lernen)
Algorithmen des Maschinellen Lernens benötigen eine große Datenmenge. Ein Teil dieser Daten wird für das Training verwendet. Die datengetriebenen Algorithmen lassen sich in zwei Kategorien einteilen: zum einen das Supervised Learning (überwachtes Lernen) und zum anderen das Unsupervised Learning (unüberwachtes Lernen).
Das Supervised Learning erfordert gekennzeichnete Daten für den Trainingsprozess. Kennzeichnung bedeutet, dass die Trainingsdaten mit den besten bekannten Informationen über den Zustand des Systems zum Zeitpunkt der Datenerfassung versehen werden.
Algorithmen für Unsupervised Learning können Muster entwickeln, ohne dass die Trainingsdaten beschriftet oder mit Tags versehen sind. Einige Beispielalgorithmen für Unsupervised Learning sind Clustering und Dimensionsreduktionsalgorithmen. Anwendung findet Unsupervised Learning beispielsweise im Bereich E-Commerce, um ein benutzerspezifisches Empfehlungssystem zu implementieren.
Ergänzend zu den datengetriebenen Kategorien Supervised und Unsupervised Learning existiert eine weitere Kategorie: Reinforcement Learning (bestärkendes Lernen). Reinforcement-Learning-Algorithmen beziehen sich auf eine Klasse von sequentiellen Entscheidungsalgorithmen, bei denen das Lernen durch Interaktion mit der Umwelt erfolgt, um ein numerisches Belohnungssystem zu maximieren. Diese Algorithmen können auf ein System mit einer dynamischen Umgebung angewendet werden, in der ein Agent mit der Umgebung interagiert. Die Hauptbestandteile des Algorithmus sind eine Strategie, ein Belohnungssystem und eine Wertefunktion. In einigen Fällen kann auch ein Modell der Umgebung verwendet werden. Auf der Grundlage des aktuellen Zustands der Umgebung führt der Agent eine Aktion aus, die von einer Strategie und der erwarteten Belohnung geleitet wird. Die Wertfunktion definiert die Gesamtbelohnung, die ein Agent auf der Grundlage des aktuellen Zustands des Systems in der Zukunft erwarten kann.
RL-Algorithmen können in verschiedenen industriellen Prozessen, wie z.B. bei der Steuerung in Erdölraffinerien, bei der Fertigung von Halbleitern oder bei der Entscheidungsfindung in der Auftragsdisposition eingesetzt werden. Die Produktionsplanung und die Koordinierung der verschiedenen Prozesse erfordern Systeme zur Unterstützung der Entscheidung. Reinforcement Learning Algorithmen, die durch Richtlinien, Belohnungssystem und Wertefunktion gesteuert werden, können für diese Unterstützungssysteme eingesetzt werden.
Deep Learning
Als Teilbereich des Maschinellen Lernens befasst sich Deep Learning mit Algorithmen, die von der Funktion des Gehirns inspiriert sind und als Künstliche Neuronale Netze (KNN) bezeichnet werden. Die Eingabedaten werden in mehreren Schichten verarbeitet, um schrittweise höherwertige Merkmale zu extrahieren.
Deep-Learning-Architekturen wurden bereits in einer Vielzahl von Bereichen erfolgreich eingesetzt, darunter Computer Vision, Spracherkennung und Materialprüfung. Deep-Learning-Modelle wie KNNs werden inzwischen auch in der medizinischen Bildgebung eingesetzt, z. B. in der gesamten Kette der Magnetresonanztomographie (MRT), angefangen bei der Aufnahme von Bildern bis hin zur Vorhersage von Krankheiten anhand von MRT-Daten.
Fazit
KI und digitale Transformation ergänzen sich gegenseitig. KI ist definiert als eine Kombination von Technologien, die es Maschinen oder Geräten ermöglichen, ihre Umgebung zu erkennen und Aktionen zu generieren und so Ziele zu erreichen. Dabei ist KI ein leistungsstarker Helfer für Unternehmen, die sich auf dem Weg der digitalen Transformation befinden.
