Human in the Loop für Automatisierungs-projekte
Human in the Loop für Automati-sierungs-projekte
Der Grund warum der Mensch unverzichtbar für viele Automatisierungsprojekte ist
Der Grund warum der Mensch unverzichtbar für viele Automatisierungsprojekte ist
Künstliche Intelligenz (KI) verändert die Arbeitswelt. Aber durch die Automatisierung wird menschliche Intelligenz nicht überflüssig. Für die große Mehrheit aller Automatisierungsprojekte ist künstliche Intelligenz auf menschliche Hilfe angewiesen, um ihre Stärken auszuspielen. Wir erklären, was du zu Human-in-the-Loop-Modellen wissen musst.
Was bedeutet Human in the Loop?
Künstliche Intelligenz zielt auf die Automatisierung intelligenter Handlungen ab. Aufgaben, die normalerweise Menschen übernehmen, werden durch eine KI absolviert. Das eröffnet in allen Branchen und allen Unternehmensbereichen großes Potenzial für die Automatisierung datenintensiver Aufgaben. In vielen Fällen erweist es sich aber nicht als effizient, den Menschen vollständig aus dem Prozess herauszunehmen. Stattdessen verbindet Human-in-the-Loop menschliche und künstliche Intelligenz in einem integrierten Prozess.
Menschen lernen durch Erfahrung, eine KI lernt durch Daten. Beim Supervised Learning kommen qualifizierte Datensätze zum Einsatz, die speziell dafür aufbereitet wurden, den Algorithmus zu trainieren. Durch die „Beschriftung“ von Input mit dem jeweiligen Output kann die KI Muster ableiten und auf die neuen Datensätze anwenden.
Nun wird das Modell mit den Daten gefüttert. Supervised Learning kommt in zwei Bereichen zum Einsatz: Bei einer Klassifizierung sortiert ein Algorithmus Daten (z.B. in Texten oder Bildern) anhand von Mustern und Ähnlichkeiten in vorgegeben Klassen. Bei einer Regression schätzt ein Algorithmus anhand der Beziehungen unterschiedlicher Variablen in den Daten das quantitative Ausmaß einer Zielgröße. Die Regression kommt dort zum Einsatz, wo es um die Vorhersage von Zahlen geht – zum Beispiel in der Umsatzprognose.
Im nächsten Schritt passen Menschen das Machine-Learning-Modell an, um typische Probleme, wie etwa Overfitting, zu vermeiden und wichtige Sonderfälle in das Modell zu integrieren. Dazu werden insbesondere Fälle mit einer geringeren Sicherheit manuell überprüft und das Ergebnis der Überprüfung an das Modell zurückgespielt.
Human in the Loop: Vorteile und Anwendungsfälle
Höhere Genauigkeit
Künstliche Intelligenz kann niemals eine Genauigkeit von 100 % erreichen. Die Technologie basiert auf statistischen Methoden, die nur Wahrscheinlichkeiten kennen. Menschen können oftmals Aussagen mit höherer Sicherheit treffen. Diese Kombination kann in vielen Fällen systematisch bessere Ergebnisse produzieren als ein machine-only-Ansatz.
Fachwissen nutzbar machen
Durch die Integration von spezifischen Erfahrungswissen, lassen sich blinde Flecken des Algorithmus erhellen. So setzt NASDAQ mit ihrem Tool zu Überwachung von Handelsaktivitäten an der Börse, auf einen Human-in-the-Loop-Ansatz, bei dem Experten ihr Wissen über Feedback-Schleifen an den Algorithmus weitergeben.
Grenzfälle
Nicht für jedes Problemen stehen große Datenmengen öffentlich zur Verfügung. Soll ein Chatbot beispielsweise Nutzereingaben in einer seltenen Sprache oder einem lokalen Dialekt verstehen, ist der Algorithmus auf menschliches Feedback angewiesen. Facebook nutzt für die Analyse der Kommunikation auf der Social-Media-Plattform ein Human-in-the-Loop-Modell, weil nicht jeder Aspekt menschlicher Kommunikation aus den Daten extrapolierbar ist.
Bias erkennen
Das Problem versteckter Biases ist vor allem aus der Verhaltensforschung bekannt. Auch Datensätze sind nicht in jeder Hinsicht neutral, sondern können unerkannte, aber systematische Abhängigkeiten von nicht berücksichtigten Einflussfaktoren enthalten. So wie die Art, eine Frage zu stellen, die Antworten beeinflussen kann, kann die Art der Datengewinnung beeinflussen, wie die KI die Daten interpretiert. Stammen sie aus öffentlichen Quellen, ist der Weg der Datengewinnung möglicherweise nicht vollständig nachvollziehbar. Ohne menschliche Intervention würde ein Algorithmus den Bias aus den Daten übernehmen. Durch einen Human-in-the-Loop lässt sich oft ein etwaiger Bias identifizieren, bevor er sich im Algorithmus verfestigt.
Anwendungsbereiche von KI
KI wird eingesetzt, um Innovationen in Bereichen des täglichen Lebens bis hin zu Business Intelligence zu beschleunigen. Hier sind die 5 wichtigsten Anwendungsbereiche.
Forecasting & Time Series
Die Anwendung von KI auf Prognosen und Zeitreihenanalysen ermöglicht es uns, die Muster, die in Daten verborgen sind, besser aufzudecken – Trends, Saisonalität, Unregelmäßigkeiten/Rauschen und Zyklizität. Die Zeitreihenanalyse kann nützlich sein, um zu sehen, wie sich ein bestimmter Vermögenswert, ein Wertpapier oder eine wirtschaftliche Variable im Laufe der Zeit verändert. Sie kann auch verwendet werden, um Veränderungen zwischen Variablen über denselben Zeitraum zu untersuchen. Damit ist es möglich, zukünftige Entwicklungen vorherzusagen. Die Vorhersage durch KI hat sich als effektive Methode erwiesen, um Muster in sowohl strukturierten als auch unstrukturierten Daten zu erfassen und deren weiteren Verlauf zu prognostizieren.
OCR & Cpmputer Vision
Computer Vision ist eine Funktion, die sich primär mit der Analyse der Benutzeroberfläche beschäftigt. Sie dient dazu, einzelne Elemente der dargestellten Oberfläche zu strukturieren und zu identifizieren. OCR (Optical Character Recognition) ist eine Unterart von Computer Vision. Mit OCR können Zeichen aus Bildern und beliebigen Oberflächen, deren Texte nicht digital greifbar sind, extrahiert und digital zur Verfügung gestellt werden. Dabei spielt es keine Rolle, in welcher Schriftart oder Sprache die Zeichen dargestellt sind. Die OCR-Technik ist bereits weit verbreitet und findet ihre Anwendung in der Digitalisierung von Texten in Rechnungen, Quittungen und anderen Dokumenten, die als Scans oder Fotos vorliegen.
Insights & Analytics
KI umfasst eine Vielzahl von Technologien für die Extraktion von Erkenntnissen und Mustern aus Big Data und die Ableitung von Vorhersagen auf der Grundlage dieser Informationen. Dazu gehören Analysedaten aus Quellen wie Google Analytics, Automatisierungsplattformen, Content-Management-Systemen, CRMs und mehr. KI-Analytik bezieht sich auf eine Untergruppe von Business Intelligence (BI), bei der Software im Prozess der Datenanalyse Verhaltensweisen zeigt, die normalerweise dem Menschen zugeschrieben werden, wie z. B. Lernen und logisches Denken. In der Praxis bedeutet dies, dass KI die Schritte automatisiert, die ein Mensch durchführen würde, um eine umfassende Analyse von Big Data durchzuführen.
NLP & Chatbots
NLP (Natural Language Processing) dient der Extraktion von Informationen aus natürlicher oder menschlicher Sprache und wird daher in allen Bereichen der Prozessautomatisierung eingesetzt, in denen freie Texte analysiert und Daten extrahiert werden müssen. Mit NLP lassen sich beispielsweise Rechnungsnummern, Beträge und Daten aus Rechnungstexten erkennen, unabhängig von deren Struktur. NLP ermöglicht auch die Erstellung von Chatbots, die in alle gängigen Messaging-Anwendungen eingebettet und genutzt werden können.
Fraud & Anomaly Detection
Anomalie-Erkennung (oder Ausreißer-Erkennung) ist die Identifizierung von seltenen Elementen, Ereignissen oder Beobachtungen, die Verdacht erregen, weil sie sich signifikant von der Mehrheit der Daten unterscheiden. Betrugserkennung ist ein typisches Beispiel für Anomalie-Erkennung. KI hilft dabei, die Datenanalyse innerhalb von Millisekunden abzuschließen und auch subtile und komplexe Muster zu erkennen, die für den Betrugsanalysten nur schwer zu erkennen sind. KI nimmt den Mitarbeitern zeitraubende Aufgaben ab und ermöglicht es ihnen, sich auf kritische Fälle zu konzentrieren, z. B. wenn die Risikowerte am höchsten sind.
Erhalte Einblicke
Entdecke wie KI in deinem Unternehmen angewendet werden kann.
Human in the Loop in der Praxis: Klassifizierung von Kundendaten
Wie Human-in-the-Loop zu besseren automatisierten Prozessen führen kann, zeigt die Automatisierung von Verifikationsprozessen im Rahmen rechtlich vorgeschriebener Know your Customer Politiken ist eine (teilweise) Automatisierung unverzichtbar. Ein intelligenter Algorithmus kann beispielsweise hochgeladene Selfies mit dem Foto des Ausweisdokuments vergleichen und validieren. Angenommen, ein Algorithmus soll ein Selfie-Foto mit dem Foto eines Personalausweises vergleichen. Diese Anwendung setzt eine hohe Genauigkeit voraus, die eine KI allein nicht erreichen kann:
- Mitarbeiter erstellen im ersten Schritt die Datensätze, mit denen der Algorithmus trainiert wird. Im Beispiel würden Mitarbeiter Sets aus Fotos von Selfie und Ausweisdokument erstellen und jeweils mit einem entsprechenden Wert (richtig / falsch) versehen. Der Algorithmus wird mit diesen Trainingsdaten gefüttert und lernt dadurch Merkmale zu erkennen anhand derer er die Bildpaare richtig klassifizieren kann. Der Algorithmus gibt zu jedem Set einen dieser Werte aus. Nun prüft ein Mensch den Output des Algorithmus und füttert ihn wiederum mit diesem Ergebnis. So entsteht eine Feedback-Schleife – und der Algorithmus wird immer besser darin, die Daten zu klassifizieren.
- Es gibt immer wieder Daten, bei denen der Algorithmus kein eindeutiges Ergebnis liefern kann. So liegen für Ausweisdokumente einzelner Länder nicht genug Ausgangsdaten vor, damit die KI sie effektiv auswerten kann. Diese Fälle werden bei Unterschreiten einer Konfidenz-Schwelle automatisch an die Mitarbeiter weitergeleitet, um dort manuell überprüft zu werden und den Algorithmus so mit weiteren wertvollen Informationen zu füttern.
In diesem Modell ist der Mensch systematisch in den Zyklus der KI integriert, die dadurch systematisch bessere Ergebnisse und schneller lernt als ein Modell ohne einen Menschen in der Feedbackschleife.
KI- und RPA Use Case: Automatische Verarbeitung von Auftragsbestätigungen
Erfahre in diesem Anwendungsbeispiel, wie wir unserem Kunden mithilfe der Kombination aus RPA und OCR bei der Bewältigung der Herausforderungen im Lieferantenmanagement geholfen haben.
- Branche: Fertigungsindustrie
- Fachbereich: Einkauf, Lieferantenmanagement
- System: ERP-System, Office-Anwendungen
- Eingesetzte Technologie: RPA, UiPath Document Understanding (OCR)
Fazit: Ohne Mensch keine KI
Künstliche Intelligenz wird in der Zukunft eine immer größere Rolle im Unternehmen spielen. Der Mensch wird dadurch aber nicht überflüssig – im Gegenteil: Die Vor- und Aufbereitung von Daten wird wesentlich für die erfolgreiche Entwicklung intelligenter Algorithmen. Erst durch die systematische Integration menschlichen Feedbacks lassen sich zahlreiche Anwendungen mit Künstlicher Intelligenz realisieren: von der prädiktiven Analytik bis zur Automatisierung kundenbezogener Prozesse.
