Jul

28

Maschinelles Lernen als Herzstück

by

Der Datenwissenschaftler Ali Faisal bekommt leuchtende Augen, wenn er über das Thema künstliche Intelligenz spricht. Ihn begeistern die transformativen Fähigkeiten des maschinellen Lernens, der modernen Datenanalyse sowie andere Technologien, die künstliche Intelligenz nutzen. Er forscht seit Jahren in diesem Bereich und konzentriert sich nun darauf, Wege zu finden, wie diese disruptiven Technologien Finanzierungs- und Beschaffungslösungen sowie Services auf die nächste Stufe heben können.

Maschinelles Lernen ist besonders leistungsfähig, um große Datenmengen zu analysieren und daraus Vorhersagen, Modelle oder Klassifikationen abzuleiten. Für viele von uns ist ein alltägliches Beispiel dieser Leistungsfähigkeit die hilfreiche Stimme von Siri auf iPhones, der Kundendienst-Agent bei PayPal, der passende Film, der uns auf Netflix vorgeschlagen wird oder die interessanten Artikel, die Amazon uns vorschlägt.

"Diese großen Unternehmen haben das maschinelle Lernen in den Hype verwandelt, der es heute ist, indem sie der Welt das Potenzial dieser Technik, die in der Forschung seit ein paar Jahrzehnten gereift war, sichtbar gemacht haben", sagt Ali Faisal, der vor seinem Einstieg bei OpusCapita selbst als Postdoc zu diesem Thema an der Aalto Universität in Finnland geforscht hat.

Der mittlerweile weit verbreitete Einsatz des maschinellen Lernens in den verschiedensten Branchen wurde durch immer kosteneffizientere Hochleistungsrechner und auch durch die zunehmende Menge an verfügbaren Daten weiter verstärkt. Dabei merkt Faisal an, dass oftmals die Begriffe "maschinelles Lernen" und "künstliche Intelligenz" (KI) austauschbar genutzt werden.

"Um ein ‚intelligentes‘ Verhalten zu erreichen, kann ein KI-System eine programmierbare, regelbasierte Logik, Roboter-Prozess-Automatisierung (RPA) oder intelligente maschinelle Lernalgorithmen nutzen", erklärt er.

"Für mich ist das maschinelle Lernen der schwierigste und auch der lohnendste Teil der künstlichen Intelligenz ­­– schließlich ist es der Teil, der eine Maschine wirklich intelligent und anpassungsfähig macht."

Datengeheimnisse lüften

Was kann man desweiteren auch als Laie unter diesem Thema verstehen? Zunächst erläutert Ali Faisal, dass maschinelles Lernen als eine eigene Technologie an der Schnittstelle von Informatik und Statistik angesiedelt ist. Dabei konzentriert sich Informatik auf die Gestaltung von Programmen, die Probleme lösen, während Statistiken mit Daten und was daraus abgeleitet werden kann, arbeiten.

"Einfach gesagt, ist ein maschineller Lernalgorithmus ein Programm, das ‚selbst‘ die Logik definiert, die es benötigt, um ein bestimmtes Problem zu lösen - es lernt quasi durch eigene Erfahrung. Es hat keinen fixierten Programmcode wie ein Computer-Programm oder feste vorgegebene Regeln, wie bei der RPA."

Es gibt Hunderte von verschiedenen maschinellen Lernalgorithmen, aber Ali Faisal unterscheidet weitgehend nur drei große Modelle – nämlich das überwachte maschinelle Lernen, das unüberwachte maschinelle Lernen und das „bestärkende Lernen“. Die meisten Anwendungen nutzen heute das überwachte maschinelle Lernen, was bedeutet, dass der Algorithmus mit vorgegeben Trainingsdaten arbeitet (Beispiele sind: Börsenkursvorhersagen, Cashflow-Vorhersagen sowie Szenarien für Risiko-Management).

"In der Praxis können historische Daten eines Prozesses mit klar definierten Mustern oder Kennungen zu Übungszwecken dienen. Diese Muster identifizieren, welche Daten zu welcher Kategorie gehören. Ein überwachter Lernalgorithmus lernt die Logik auf der Grundlage der Trainingsdaten, um die Kategorisierung für zukünftige Daten korrekt durchzuführen", erklärt Faisal.

Beim unüberbewachten maschinellen Lernen werden dem Algorithmus keine Vorgaben für eine Klassifizierung gegeben; vielmehr arbeitet er die Daten selbstständig ab, um eine Lösung für die gegebene Aufgabenstellung zu finden.

"Das maschinelle Lernen ist sehr effizient, um verborgene Muster in den Daten sichtbar zu machen und neue Verbindungen und Abhängigkeiten zu entdecken, die bisher nicht offensichtlich waren. Betrugserkennung und verschiedene Vorschlags-Systeme sind mögliche Anwendungen von unüberwachtem maschinellen Lernen."

Der dritte Ansatz, das „bestärkende Lernen“, benötigt eine menschliche Interaktion in der Prozessschleife.

"Wenn eine Maschine eine Entscheidung trifft, zum Beispiel bei der Kategorisierung der Daten, kann sie entweder ‚belohnt‘ oder ‚bestraft‘ werden, je nachdem, wie gut das Ergebnis ist. Der Algorithmus passt dann die Regeln entsprechend an und lernt durch Trial & Error."

Intelligente automatisierung für finanzierung und beschaffung

OpusCapita hat in den vergangenen Jahren die Möglichkeiten für den Einsatz von künstlicher Intelligenz und Datenwissenschaften gründlich untersucht. Dabei wurden mehrere Bereiche identifiziert, in denen maschinelle Lernalgorithmen entwickelt werden, um eine intelligente Automatisierung zu ermöglichen und überragende Kundenerfahrung möglich zu machen.

"In den Finanz- und Beschaffungsabteilungen gibt es immer noch viele manuelle, sich wiederholende Aufgaben, die jeden Tag durchgeführt werden müssen. Der positive Effekt einer zunehmenden Automatisierung beim maschinellen Lernen ist nicht nur die Kostensenkung und die Effizienz dieser Prozesse, sondern auch die Erhöhung der generellen Ergebnisqualität dieser Aufgaben und eine direkte Unterstützung der Geschäftsabläufe", beschreibt Ali Faisal.

Ein Bereich, in dem maschinelles Lernen bereits angewendet wird, ist die Rechnungsbuchung im Einkauf. Der Algorithmus prognostiziert die Buchungsdimensionen – Sachkonto, Kostenstelle, Umsatzsteuernummer und führt die Rechnungsprüfung mit hoher Genauigkeit durch.

Die Entwicklung von automatisierter Erkennung von Unregelmäßigkeiten bei Zahlungsvorgängen und Zahlungsbetrug ist ebenfalls weit fortgeschritten.

"Ein solcher Algorithmus erkennt Auffälligkeiten in Zahlungsvorgängen und kann sie zur Überprüfung kennzeichnen. Ebenso kann das maschinelle Lernen verwendet werden, um Zahlungen in verschiedene Ausgabenkategorien einzuordnen oder um Lieferanten-Produktdaten bei der Beschaffung zu validieren."

"Nach meiner Meinung ist einer der größten Vorteile dieser Art von intelligenter Automatisierung, dass sie nicht statisch ist, sondern auf dem ständigen Fortschritt und der Evolution der Logik basiert. Die vorausberechnenden Modelle passen sich über die Zeit an und veralten nicht, wenn sich die Geschäftslogik ändert."