Künstliche Intelligenz (KI) fällt nicht vom Himmel: Prozesse anders denken, Kunden anders erreichen
Professor Dr. Jürgen AngeleProfessor Dr. Jürgen Angele
Künstliche-Intelligenz-Projekte basieren auf dem detaillierten Verständnis der Anforderungen der eigenen Branche, des eigenen Unternehmens und der eigenen Kunden. Sie erfordern Diskussionen zwischen Fach- und IT-Abteilung ebenso wie das kenntnisreiche Bewerten von Technologien und ihren Möglichkeiten. Kurzum: Sie sind das Ergebnis von sauber auf- und umgesetzten IT-Projekten. Wenn Unternehmen diese Voraussetzungen erfüllen, dann können KI-Technologien und -Methoden vorhandene Prozesse auf ein neues Niveau heben. Oder gänzlich neue Abläufe ermöglichen.
von Professor Dr. Jürgen Angele, adesso
Besonders in Branchen, die praktisch von Natur aus sehr datengetrieben sind, beispielsweise Banken oder Versicherungen, ergibt sich eine Vielzahl denkbarer KI-Anwendungsfälle.
Denn hier kommen einige Faktoren zusammen, die dafür sorgen, dass sich KI-Anwendungen „wohlfühlen“. Auf der einen Seite große Datenmengen und standardisierte Abläufe. Auf der anderen Seite individuelle, komplexe Prozesse. Hinzu kommen unterschiedliche Datenquellen wie Menschen, IT-Systeme oder Maschinen. Und das Nebeneinander unstrukturierter und strukturierter Daten. Hier können die unterschiedlichen Technologien ihre Stärken ausspielen. Auf der Hand liegt es natürlich, das Potenzial von KI für die (weitere) Automatisierung von Prozessen zu nutzen.
Chatbots können in Versicherungen und Versicherungen wichtige Aufgaben in der Kundenkommunikation übernehmenadesso
Aber richtig spannend wird es, den Einfluss von KI auf den direkten Kontakt zum Kunden zu untersuchen.”
Einige solcher Anwendungsfälle werden im Folgenden detaillierter betrachtet.
Da Fachleute KI aber ganz unterschiedlich interpretieren, ist es zunächst wichtig, einige definitorische Grundlagen zu schaffen. Auf diesen bauen dann die weiteren Betrachtungen auf.
Intelligenz ist ein schwieriges Thema
Es ist kaum möglich, sich auf eine Definition von Intelligenz zu einigen. Und darüber, was künstliche Intelligenz ist, lässt sich geradezu vortrefflich streiten. Für die folgenden Ausführungen reicht eine kurze, pragmatische Definition: KI ist ein Teilgebiet der Informatik, das sich mit der Erforschung von Mechanismen des intelligenten menschlichen Verhaltens befasst [Wichert, Andreas: Künstliche Intelligenz. In: Spektrum.de (abgerufen am 03. September 2018).
Die Wissenschaft unterscheidet zwischen sogenannter starker KI, deren Ziel es ist, menschliche Intelligenz nachzuahmen, und schwacher KI, bei der es um intelligente Entscheidungen in der Automatisierung von Prozessen geht.”
Starke Künstliche Intelligenz liegt außerhalb der aktuellen technischen Möglichkeiten und ist auf absehbare Zeit eher ein Gedankenspiel für Theoretiker; schwache KI hingegen ist ein Ansatz, der heutzutage in vielen Anwendungen eine Rolle spielt. Von der Sprachsteuerung im Smartphone oder Auto über die Gesichtserkennung in Videos bis hin zum automatisierten Zusammenstellen von Playlists für Musik-Streaminganbieter: Im Hintergrund werkeln KI-Technologien.
Diese Technologien können die Prozesse in Banken oder Versicherungen an ganz unterschiedlichen Stellen beeinflussen. Vor besonderer Bedeutung dabei sind die direkten Schnittstellen zum Kunden.
Künstliche Intelligenz empfiehlt mit System
Denn Künstliche Intelligenz stößt das Tor zu einer gänzlich neuen Art der Kommunikation zwischen Unternehmen und Kunde auf: Erstmals ist es Banken oder Versicherungen möglich, im großen Maßstab individuell zu kommunizieren.
KI-Anwendungen erlauben es, auch in großen Datenmengen aus verstreuten Quellen den einzelnen Kunden mit seinen Bedürfnissen, Anforderungen, Wünschen und Plänen zu identifizieren – sogenanntes Profiling – und mit ihm in Kontakt zu bleiben.”
Infokasten: Bausteine Künstlicher Intelligenz
Anomalieerkennung: Beschreibt die Suche nach seltenen Mustern beziehungsweise Datenpunkten, die im Kontext der Anwendung von Bedeutung sind und durch Störungen oder andere Einflüsse erzeugt werden. Häufig entstehen diese Muster nur durch besondere Datenfolgen über die Zeit (temporale Anomalie) oder in Abhängigkeit von Umgebungsvariablen (kontextuale Anomalie).
Bilderkennung: Bei der Bilderkennung wird mithilfe von Algorithmen versucht, Objekte auf Bildern zu identifizieren beziehungsweise einer Kategorie zuzuordnen. Systemen erlaubt dies, ihre Umgebung zu beobachten.
Chatbots: Textbasierte Dialogsysteme, die aus einer Textein- und -ausgabe bestehen. Sie basieren auf der Analyse und dem Erzeugen natürlicher Sprache.
Machine Learning (ML): Computer können das Durchführen von Aufgaben mittels vorhandener Erfahrung selbständig verbessern. Dafür müssen bereits Daten vorhanden sein, die das System nutzen kann. Sie müssen passend aufbereitet werden, wofür insbesondere Methoden der Informatik und der Statistik notwendig sind.
Mustererkennung: Ein Obergriff für unterschiedliche Anwendungsbereiche des ML, die sich mit der Interpretation wiederkehrender Muster beschäftigten. Beispiele hierfür sind Bilderkennung und Speech-To-Text (siehe dort).
Speech-To-Text (STT): Die Verarbeitung von Audiosignalen benötigt eine Repräsentation, die ein Computer interpretieren kann. Dazu wird gesprochene Sprache in Text umgewandelt. Das System muss Hintergrundgeräusche ausblenden und Worte trotz unterschiedlicher Aussprachen erkennen. Zur besseren Interpretierbarkeit spielen auch Stimmführung, Intonation oder Pausen eine Rolle und müssen für die maschinelle Interpretation entsprechend kodiert werden.
Sprachverarbeitung – Natural Language Processing (NLP): Systeme erkennen inzwischen die Zusammenhänge und Bedeutungen von gesprochenen Worten. Die menschliche Sprache ist oft nicht eindeutig und geprägt von Stilmitteln, die leicht missinterpretiert werden. Hierzu zählen beispielsweise rhetorische Fragen, Ironie oder die Verwendung eines Paradoxons. Die fortschreitende Entwicklung in diesem Bereich führt dazu, dass die Kommunikation mit Maschinen immer natürlicher wird. Inzwischen sind Dialoge möglich, die über einfache Satzkonstruktionen hinausgehen.
Text-To-Speech (TTS) / Sprachgenerierung – Natural Language Generation (NLG): Die Textgenerierung stellt das Gegenstück zur Sprachverarbeitung dar und erzeugt Audiosignale, so dass das System Informationen per Sprache zurück an den Nutzer übermittelt kann. Umgekehrt zu STT werden hier maschinelle Lernverfahren eingesetzt, die es ermöglichen, sprachliche Stilmittel, Betonungen und ähnliches einzusetzen.
Dabei spielt die Fähigkeit von KI-Lösungen, die Inhalte von Texten automatisch zu erkennen, aufzubereiten und darauf zu reagieren, eine wichtige Rolle (Details siehe Infokasten „Bausteine Künstlicher Intelligenz“). Sie eröffnen die Möglichkeit, Informationen über einen Kunden aus unterschiedlichen Quellen – wie beispielsweise E-Mails, Besuchen in einer Filiale, Anrufen beim Servicecenter, Klicks auf der Website, Aussagen in Bewertungsportalen, Aktivitäten auf Social-Media-Plattformen oder Foren, aber auch aus der Nutzung von Services und Produkten – zusammenzutragen. Daraus leiten sie ein ganzheitliches Bild individueller Interessen ab. Dank Künstliche Intelligenz sind dem Grad der Individualisierung keine Grenzen gesetzt. Es geht dann nicht mehr um Zielgruppen, die auf Basis demografischer oder soziologischer Faktoren zusammengestellt wurden. Es geht um den einzelnen Menschen.
Die Rolle von KI hört beim detaillierten identifizieren von Kundenbedürfnissen nicht auf
Unternehmen können die Technologien auch als Empfehlungssystem in ihre Prozesse einbinden. So könnte ein entsprechender Anwendungsfall in einer Versicherung aussehen: Ein Kunde ruft das Servicecenter an und will seine Adressdaten nach dem Umzug aktualisieren. Während des Servicegespräches erkennt eine KI-Anwendung dank ihrer Fähigkeit zur Sprachverarbeitung, dem sogenannten Natural Language Processing (NLP), den Inhalt der Unterhaltung. Selbständig zeigt sie dem Mitarbeiter die zum Kontext des Gespräches passenden Informationen an. Dafür zieht sie Daten über Kaufhistorie, Interessenlage, vergleichbare Kunden und aktuelle Angebote heran. Auf dieser Basis schlägt das System dem Mitarbeiter in Echtzeit Services vor, die für den Kunden mit großer Wahrscheinlichkeit interessant sind, das sogenannte Next Best Offer. Beispielsweise, dass seine Hausratsversicherung für eine 50-Quadratmeter-Wohnung abgeschlossen wurde und dass sich aus dem Umzug hier eventuell ein neuer Bedarf ergibt.
Diese Anwendungsfälle zeigen aber nicht nur die Möglichkeiten von KI-Anwendungen als Profiling- beziehungsweise Empfehlungssystem. Sie verdeutlichen auch, dass die Themen Datenschutz und Schutz der Persönlichkeitsrechte zentral für die Akzeptanz solcher Lösungen sind. Schnell kann sonst der Eindruck des Ausspionierens beziehungsweise Überwachens entstehen. Erst wenn Banken und Versicherungen diese Themen zur Zufriedenheit ihrer Kunden lösen, werden sie die Potenziale solcher Lösungen ausschöpfen können.
Künstliche Intelligenz für menschliche Berater
KI-Anwendungen eignen sich aber nicht nur dazu, Angebotsempfehlungen zu automatisieren. Auch in komplexen Vertriebssituationen, wie sie im Banken- beziehungsweise Versicherungsumfeld gerade in Zusammenarbeit mit Geschäftskunden oder institutionellen Anlegern typisch sind, können entsprechende Lösungen Berater unterstützten. Diese Experten stehen vor Kundenterminen häufig vor der Aufgabe, in einer Vielzahl von Datenquellen die Informationen zu finden und zu analysieren, die für die Vorbereitung des Gespräches notwendig sind. Dazu gehören einerseits interne Systeme wie das Customer-Relationship-System, das Kernbankensystem oder der Produkt- und Servicekatalog des eigenen Hauses. Genauso wichtig für die umfassende Beratung des Kunden sind aber häufig auch externe Informationen; gerade diese Informationen liegen häufig in nicht-strukturierter Form vor. Relevant sind beispielsweise Änderungen der gesetzlichen Rahmenbedingungen auf nationaler oder internationaler Ebene, neue Entwicklungen auf den weltweiten Kapital- und Finanzmärkten oder neue Studien. Es ist für Experten kaum möglich, alles mit der notwendigen Sorgfalt zu sichten, zu prüfen, zu analysieren und für den Kunden aufzubereiten.
Hier kommt die oben schon erwähnte Fähigkeit von KI-Lösungen ins Spiel, mit in natürlicher Sprache verfassten Texten umgehen zu können. Entsprechend trainierte Systeme – Stichwort Machine Learning – können den Sinn von Inhalten erfassen, Dokumente zusammenzufassen, Zusammenhänge zwischen Informationen herausarbeiten und diese Zusammenfassungen dann beispielsweise in Form von Dossiers darstellen. So eine Anwendung ist nicht mit einer klassischen Anfrage in einer Suchmaschine vergleichbar. Denn mithilfe von maschinellen Lernverfahren werden das Thema sowie Informationen über die Semantik des Textes extrahiert und in einer Zusammenfassung gebündelt. So entstehen automatisiert Analysen, die Berater zur Vorbereitung oder in Kundenterminen nutzen können. Dies reduziert die Zeit für das Vorbereiten von Terminen und verbessert gleichzeitig die Qualität der Beratung.
Prof. Dr. Jürgen Angele, adesso
Prof. Dr. Jürgen Angele leitet das Competence Center „Künstliche Intelligenz“ bei der adesso. Er berät Firmen beim Einsatz von Methoden der Künstlichen Intelligenz und leitet entsprechende Projekte. Er promovierte im Teilgebiet „Wissensrepräsentation und Schlussfolgerungssysteme“. Prof. Angele verfügt über dreißig Jahre Erfahrung in KI-Projekten, als Wissenschaftler, Gründer und Leiter eines Unternehmens und bei der Beratung von Start-ups. Er publizierte über 100 Veröffentlichungen und hält neun Softwarepatente in diesem Bereich.
Solche KI-Analysesysteme eignen sich aber nicht nur für die Vorbereitung und Umsetzung von Eins-zu-eins-Kundengesprächen. Kombiniert mit Chatbot-Anwendungen ermöglichen sie die individuelle Beratung von Kunden im großen Maßstab – sozusagen ein digitaler Berater, der rund um die Uhr zur Verfügung steht. Mithilfe von Chatbots können Kunden direkt auf die Fähigkeiten des Analysesystems zugreifen. In Alltagssprache formulieren sie ihre Fragen, beispielsweise über Anlagemöglichkeiten in Südamerika oder Prognosen über die Entwicklung des Hightech-Marktes in Asien. Die KI filtert aus allen Datenquellen die relevanten Informationen heraus und bereitet diese für den Kunden auf, beispielsweise als Dossier oder Dashboard oder als gesprochenen Text über den Smartspeaker.
Damit all dies funktioniert, müssen Banken beziehungsweise Versicherungen eine Vielzahl unterschiedlicher Künstliche-Intelligenz-Technologien orchestrieren. Dazu gehören unter anderem die inhaltliche Integration über Ontologien, Machine Learning, neuronale Netze, Informationsextraktion und -kategorisierung, NLP oder Chatbots. Nur wenn all diese Technologien nahtlos ineinandergreifen, entsteht für den Kunden ein gänzlich neues Erleben der Interaktion.
Die hier geschilderten Beispiele sind nur einige der möglichen Anknüpfungspunkte von KI-Technologien in Banken und Versicherungen. Aber es steht nicht zu befürchten, dass die Kommunikation zwischen Kunden und Unternehmen vollständig technisiert wird, ganz im Gegenteil: Künstliche Intelligenz erweitert das Kommunikationsspektrum um neue, hochgradig individuelle Angebote. Entscheider müssen jetzt die organisatorischen und technologischen Grundlagen dafür legen. Denn noch können sich Unternehmen mit dem – durchdachten – Einsatz von KI-Anwendungen von Wettbewerbern abheben.aj
Sie finden diesen Artikel im Internet auf der Website: https://itfm.link/78410
Prof. Dr. Jürgen Angele leitet das Competence Center „Künstliche Intelligenz“ bei der adesso. Er berät Firmen beim Einsatz von Methoden der Künstlichen Intelligenz und leitet entsprechende Projekte. Er promovierte im Teilgebiet „Wissensrepräsentation und Schlussfolgerungssysteme“. Prof. Angele verfügt über dreißig Jahre Erfahrung in KI-Projekten, als Wissenschaftler, Gründer und Leiter eines Unternehmens und bei der Beratung von Start-ups. Er publizierte über 100 Veröffentlichungen und hält neun Softwarepatente in diesem Bereich.
Schreiben Sie einen Kommentar