Mit kognitiver Suche und Analyse vom daten- zum informationsgetriebenen Unternehmen

Die Datenmengen, die sich in Unternehmen anhäufen, werden immer größer und unübersichtlicher. Umso mehr kommt es deshalb auf die Methoden an, mit denen aus den Daten umsetzungsfähige Erkenntnisse und Antworten gezogen werden. Der Prozess hin zu einer effektiven Informationsarbeit indes ist noch alles andere als optimal.

Das Analystenhaus Forrester hat in einem 2017 veröffentlichten Report (The Forrester Wave: Cognitive Search and Knowledge Discovery Solutions, Q2 2017) angegeben: Über die Hälfte der globalen »Information Worker« werden permanent in ihrer Arbeit unterbrochen, nur für zeitraubende Versuche, Zugang zu wichtigen Informationen zu erhalten.

Unternehmen in datenintensiven Branchen sind bestrebt, Werte zu schaffen, Kundenerlebnisse zu verbessern und sich vom Wettbewerb abzuheben. Wissensarbeiter stellt dies vor bisher nicht gekannte Anforderungen. Denn die Daten und das Wissen, nach dem sie suchen, liegen in vielen segmentierten, voneinander isolierten Töpfen. Aus diesen müssen die richtigen Informationen zur richtigen Zeit aufgedeckt werden, um Muster darin zu erkennen. Mit herkömmlicher Enterprise-Search-Technologie angesichts der sekündlich anwachsenden Datenmenge eine Sisyphos-Arbeit.

Kognitive Suche und Analyse. Zu bewältigen ist sie jedoch mit kognitiver Suche und Analyse. In seinem jüngsten Bericht »Forrester Wave: Cognitive Search and Knowledge Discovery Solutions (Q2 2017)« definiert Forrester kognitive Suche als die neue Generation der Unternehmenssuche, bei der KI-Technologien wie die Verarbeitung natürlicher Sprache (Natural Language Processing = NLP) und das maschinelle Lernen eingesetzt werden, um digitale Inhalte aufzunehmen, zu verstehen, zu organisieren und abzufragen.

Bei Sinequa stellt die kognitive Such- und Analyseplattform ein Informationssystem dar, das in der Lage ist, automatisch relevante Erkenntnisse aus verschiedenen Unternehmensdatensätzen für Benutzer innerhalb eines bestimmten Arbeitskontextes zu extrahieren. Enterprise Search wird demnach erweitert um die Fähigkeit zur künstlichen Intelligenz. Damit unterstützt sie Organisationen auf ihrer Wandlung vom daten- zum informationsgetriebenen Unternehmen.

Ein kürzlich veröffentlichter Bericht von IBM Watson beschreibt den konkreten Einsatz von kognitiver Suche im Luft- und Raumfahrtsektor [1]. Ein großer Hersteller der Branche nutzt solche erweiterten Suchfunktionen, um die Transparenz seiner Lieferkette zu verbessern und Durchlaufzeiten zu verkürzen. Dadurch spart er Beträge im siebenstelligen Bereich, die sonst für kritische Teilelieferungen ausgegeben werden müssten. Flugzeugtechniker durchsuchen mit der Cognitive-Search-Plattform außerdem unzählige Wartungsprotokolle und technische Dokumentationen. Will ein Techniker die Ursache für etwa hohe Hydrauliköltemperaturen herausfinden, identifiziert die Plattform historische Fälle mit ähnlichen Umständen und liefert Muster, die auf die Ursache der Überhitzung hinweisen. Insgesamt spart der Hersteller laut Bericht mit der Lösung bis zu 36 Millionen Dollar pro Jahr.

Weitere Anwendungsbeispiele von kognitiver Suche und Analyse finden sich etwa im Gesundheits-/Pharmasektor und im Kundenservice. In einem Interview mit »AI Business« erklärte Karenann Terrell, Chief Data and Analytics Officer von GlaxoSmithKline und ehemaliger CIO von Walmart, die Entwicklungszyklen neuer Medikamente (und damit auch Kosten) würden sich durch Einsatz von Computern der nächsten Generation und maschinellen Lernprozessen künftig drastisch reduzieren. Auch im Servicebereich sind Anwendungen für personalisierte und hochrelevante Kommunikation, Pflege der Kundenbeziehungen und Verhinderung von Kundenabwanderung bereits vielfach im Einsatz.

Herausforderungen für die kognitive Suche. Beim kontrollierten maschinellen Lernen erkennt das System Muster, indem es die vom Menschen bereitgestellten »richtigen« Muster beobachtet. Es müssen also ausreichend klassifizierte Trainingsdatensätze zur Verfügung gestellt werden, aus denen das System lernen kann. Nach dem ersten Laden der Daten- und Wissensdatenbank sollte die Cognitive-Search-Plattform eine Phase der Verfeinerung durchlaufen, während derer die Varianz der Machine-Learning-Algorithmen, die Intentionserkennung im NLP und die Modellverfeinerung für kognitive Schlussfolgerungen verbessert werden.

Die größte Herausforderung besteht darin, den Bedarf des Systems an geeigneten Daten mit der richtigen menschlichen Führung und Interpretation, die für seine Schulung erforderlich sind, in Einklang zu bringen. Dies ist sowohl eine Frage der Fähigkeiten und der Prozesskultur als auch der technischen Expertise und spiegelt sich in einer kürzlich durchgeführten Genpact-Umfrage [2] unter über 300 Führungskräften wider, in der es heißt: »KI kann nicht stückweise implementiert werden. Es muss Teil des gesamten Businessplans der Organisation sein, zusammen mit abgestimmten Ressourcen, Strukturen und Prozessen.«

Schließlich ist es notwendig, klare Ziele und Ergebnisse zu formulieren. Die Cognitive-Search-Plattform muss mit einem definierten Ziel und ausreichendem iterativem Training in einem dynamischen Umfeld angewandt werden, so dass sie effektiv aus Versuch und Irrtum lernen kann.


Hans-Josef Jeanrond,
Chief Marketing Officer
bei Sinequa
https://www.sinequa.com/ 

 

 

[1] https://www.ibm.com/analytics/us/en/watson-explorer/whitepaper/case/
Stichwort: Global aerospace manufacturer
[2] https://fortunefkg.com/wp-content/uploads/2017/09/Genpact-white-paper.cm_.9.18.17.WEB-FINAL.pdf

 

Illustration: © Anita Ponne /shutterstock.com 

 

Alstom führt Sinequas Plattform für Kognitive Suche und Analyse ein

Wissensmanagement und kognitive Suche: Durchbruch für Enterprise Search

Die Suche in der Suche

Cognitive Computing oder die Suche nach der Information im Heuhaufen

Spielwende bei Cyberangriffen durch kognitive Technologien

Kognitive Sicherheit erfährt zunehmende Akzeptanz in Unternehmen

IBMs Watson: vom Tausendsassa zum End-to-End-Analysten

Weitere Artikel zu