Enterprise AI: Intelligente Datenverarbeitung im großen Stil

Beim Einsatz in großen Organisationen muss künstliche Intelligenz speziellen Anforderungen hinsichtlich Skalierbarkeit, Inhaltsdigitalisierung und Datenanalyse gerecht werden. Enterprise AI tritt an, das zu lösen. Warum dieser Schritt wichtig ist, welche Herausforderungen sich daraus ergeben und wie sich die praktische Umsetzung gestaltet, erfahren Sie hier.

Was ist Enterprise AI?

Unter Enterprise AI versteht man eine bestimmte Art von Business Software, die mithilfe hochentwickelter künstlicher Intelligenz große Unternehmen bei der digitalen Transformation unterstützt. Dabei werden Prozesse automatisiert, die ein maschinelles Lernen analog zur menschlichen Intelligenz erfordern – zum Beispiel die Auslesung von Dokumenten, sogenanntes Document Understanding. Auf dieser Ebene zu operieren und dabei Enterprise-Anforderungen in puncto Datenverarbeitung und Inhaltsdigitalisierung gerecht zu werden, ist für die Business IT kein leichtes Unterfangen. Enterprise AI kann als technologische Weiterentwicklung begriffen werden, die sich diesen Herausforderungen stellt und in ihren Fähigkeiten vielen bisherigen AI-, Cloud Computing, und IoT-Konzepten überlegen ist.

Künstliche Intelligenz (AI) umfasst unter anderem Machine Learning als eine Teilmenge, die einen daten- und algorithmenbasierten Ansatz verfolgt und dabei meist mithilfe menschlicher Annotationen einen Lernprozess abbildet. Durch diesen – auch Human-in-the-Loop genannten Ansatz werden AI-Modelle laufend getestet und in ihrer Genauigkeit verbessert. Weil sich Enterprise AI betreffende Prozesse wie Document Understanding nicht trennscharf in dieses Kategoriensystem der beiden Begriffe einordnen lässt, werden diese hier auch ohne eindeutige Differenzierung verwendet. Einerseits nutzen die Technologien komplexe Algorithmen und statistische Modelle zur Verarbeitung großer Datenmengen, andererseits treffen sie darauf aufbauend auch eigene Entscheidungen, die menschliches Verhalten imitieren.

Wie wird Enterprise AI eingesetzt?

Die Zahl der erfolgreichen Anwendungsfälle wächst rasant und macht vor keiner Branche halt. Enterprise AI hilft etwa bei einer vorausschauenden Wartung von Industrieanlagen, zum Beispiel zur Fertigung, Stromerzeugung sowie Förderung von Öl oder Gas. Auch im Finanzbereich ist Enterprise AI ein wichtiges Werkzeug – zur Kontrolle des Geldflusses, beim Wertpapierhandel und sogar zur Aufdeckung von Betrug. In unzähligen Sektoren können Lieferketten optimiert, Verkäufe maximiert und viele Prozesse automatisiert werden. Allgemein gesprochen hilft Enterprise AI überall dort, wo die Analyse großer Datenmengen den Geschäftserfolg verbessern kann.

Neben vielen Business Anwendungen, die als Enterprise AI bezeichnet werden können, ist Document Understanding eine besonders gängiger Prozess. Gemeint ist damit die Extraktion von Informationen aus unstrukturierten und semi-strukturierten Dokumenten sowie die anschließende Konvertierung zu strukturierten Daten. Machine Learning hilft dabei, nach Dokumententyp zu klassifizieren und zu sortieren, flexibel verschiedene Elemente zu erkennen und dabei z.B. Datums-, Zahlen-, Währungs- sowie Adressinformationen zu unterscheiden. Auch irrelevante Inhalte gilt es entsprechend als solche zu identifizieren. Währenddessen sollte anhand des Konfidenzniveaus jederzeit die Genauigkeit bewertet werden können. Diese lässt sich durch eine möglichst große Menge an Trainingsdaten und eine Vielzahl manueller Korrekturen erhöhen. Damit Dokumente aber überhaupt in Gänze maschinell analysiert werden können, sind mindestens zwei verschiedene Techniken notwendig:

Computer Vision AI

Diese Dimension einer Document Understanding AI konzentriert sich auf die optischen Aspekte eines Dokuments und erkennt darin mithilfe von Algorithmen geometrische Informationen. Das betrifft zum Beispiel Bilder, Logos, das Layout, aber auch Tabellen. Da aus diesen Elementen prinzipiell unzählige Kombinationen möglich sind, erfordert eine genaue Erkennung besonders viele Trainingsdaten. Konkret lassen sich aber zum Beispiel auch Daten wie Namen oder Adressen aus Rechnungen extrahieren. Für viele Informationen, die sich nicht gut visuell erfassen lassen, ist zusätzlich eine semantische Herangehensweise notwendig.

Natural Language Understanding (NLP)

NLP nutzt Machine Learning, um linguistische Aspekte, Struktur und Bedeutung von Text zu erfassen. Dabei wird die semantische Syntax eines Textes in kleinere Einheiten aufgespalten, die anschließend kategorisiert werden, damit die AI den jeweiligen Kontext interpretieren kann. Auf diese Weise sind Unternehmen in der Lage, große Mengen an Informationen, die sich durch Computer Vision oder andere Techniken nicht erfassen lassen, automatisiert zu verarbeiten. Am Beispiel der Rechnung lässt sich damit die Art des Produkts oder der Dienstleistung sowie Preise und Mengen ermitteln.

In der Praxis ist für ein ganzheitliches Document Understanding unterschiedlicher Dokumenttypen immer eine Kombination solcher Techniken notwendig. Oft kommt dabei auch klassische OCR Software zum Einsatz, um die Möglichkeiten hinsichtlich Texterkennung und Datenextraktion zu erweitern.

Anforderungen an Enterprise AI

Machine Learning auf Enterprise-Niveau muss speziellen Anforderungen gerecht werden. Grundvoraussetzung ist eine hohe Speicher- und Rechenkapazität, die sich flexibel an ein potenziell schwankendes Aufgebot an Daten anpasst. Entsprechende Cloud Computing Plattformen gibt es mittlerweile in großer Zahl – beispielsweise von Microsoft. Besonders wichtige Anforderungen, denen Enterprise AI außerdem gerecht werden muss, betreffen:

Datenverarbeitung

Bei einem umfangreichen Business mit einer Vielzahl von Datenquellen sowie interner und externer Systeme ist eine stabile Datenverarbeitungspipeline umso wichtiger. Hier kommen Funktionen der Inhaltsdigitalisierung und des Document Understanding zum Einsatz. Diese sollten dabei möglichst leistungsstark und sicher in der Interpretation sein. Entscheidend ist vor allem die Genauigkeit, die Integration von Fremdsystemen und der korrekte Umgang mit Ausnahmen. Eine hohe Skalierbarkeit sowie die Fähigkeit, Daten zu priorisieren, können den Prozess optimieren und Kosten senken. 

Datenanalyse

Das Datenvolumen sowie die notwendige Geschwindigkeit der Datenerfassung in großen Unternehmen und Konzernen sind überwältigend. Nicht selten geht es um hunderte Petabytes oder gar Exabytes aus Millionen von Endpunkten, die mithilfe von Modellierungsalgorithmen nahezu in Echtzeit analysiert werden sollen. Das erfordert eine Vielzahl unterschiedlicher Analysemethoden wie Stapelverarbeitung, Stream Processing oder rekursive Datenverarbeitung – alles unter Einhaltung höchster Sicherheitsstandards. Grundvoraussetzung hierfür sind umfangreiche Funktionen zur Datenbereinigung, die jederzeit eine hohe Datenqualität gewährleisten.

User Interface

Viele Entscheidungen, die beispielsweise das höhere Management sowie strategische Finanz- oder Produktplanung betreffen, sind immer noch Menschen vorbehalten. Um dafür Ergebnisse der Datenanalyse nutzen zu können, sind vielseitige Monitoring- und Überwachungsoptionen notwendig, die Prozesse und Zusammenhänge aus der Datenbasis möglichst schnell visualisieren. Wichtig für die Usability ist außerdem eine kurze Bearbeitungszeit von Dokumenten, WebSSo-Integration, flexible Anmerkungsfunktionen sowie die Möglichkeit manueller Korrekturen.

So gelingt die Umsetzung

Mit Enterprise AI und Cloud Computing erfolgreich zu sein, erfordert für Unternehmen eine strukturelle Herangehensweise, die über den Einsatz für einzelne Projekte hinausgeht. Schließlich sollen die Weichen für den zukünftigen Business Erfolg gestellt werden. Dieser wird maßgeblich durch einen ganzheitlichen Einsatz von Machine Learning und das frühzeitige Schaffen einer umfassenden Datenbasis mitbestimmt. Dafür ist auch das zielgerichtete Mitwirken möglichst vieler Mitarbeitenden entsprechend eines Human-in-the-Loop-Prinzips notwendig: Regelmäßige menschliche Annotationen tragen dazu bei, Genauigkeit, Verlässlichkeit und Flexibilität einer AI kontinuierlich zu erhöhen. Diese ist dadurch besser in der Lage, sich auf die entscheidenden Datenfelder zu fokussieren und passende Prognosen zu treffen. Zudem werden Risiken gemindert, die personelle Effizienz gesteigert und die Kosten langfristig gesenkt.

Viele Unternehmen versuchen diesen Innovationszyklus durch die komplett eigene Entwicklung der entsprechenden Technologien ins Rollen zu bringen. Was mit ERP- oder CRM-Systemen noch gelingen konnte, stößt beim Versuch, universelle IoT- bzw. AI-Plattformen mithilfe von Open-Source-Software und Microservices zu entwickeln, an seine Grenzen. Diese Herangehensweise an Cloud Computing erweist sich häufig als zu teuer, langsam und ineffizient. Alternativ bietet sich eine modellgesteuerte Architektur an, sodass Entwickler sich nicht mit endlos vielen Datentypen einer Entität befassen müssen.

Letztlich erweist sich auch für große Unternehmen ein automatisiertes Dokumentenmanagement auf Basis eines effektiven Document Understandings als einer der Schlüssel zum Erfolg. Bei der Auswahl entsprechender Software sind die individuellen Anforderungen entscheidend, die auf Enterprise-Level besonders die Rechenleistung, Datengenauigkeit und -qualität betreffen. Dabei kommt es auch auf eine passgenaue Verzahnung von AI und fachlicher Kompetenz an, um langfristig gewinnbringende Entscheidungen zu treffen und wirtschaftlich erfolgreich zu bleiben.

FAQ