Composite AI und Decision Intelligence – Diesen Wettbewerbsvorteil gilt es unbedingt zu sichern

Was ist Composite AI?

Composite AI, auch Verbund KI benannt, wendet verschiedene Techniken der künstlichen Intelligenz an, um die Lerneffizienz zu verbessern, höhere Level der Wissensdarstellung zu entwickeln und variierende Geschäftsprobleme effektiver zu lösen.

Gartner stellte fest, dass Composite AI drei bis sechs Jahre für die Markteinführung benötigt, da dies die Einführung von Entscheidungssystemplattformen voraussetzt. Dieser neue Markt benötigt jedoch Zeit für seine Ausreifung, die frühestens in drei Jahre zu erwarten ist. Obwohl Verbund-KI-Techniken bereits seit einiger Zeit verfügbar sind, wurden sie bislang nur selten eingebunden.

Viele Unternehmen intensivieren jedoch ihre Bemühungen, denn Composite AI kann aus unvollständigen oder partiellen Datensätzen lernen. Folglich ist der Energieverbrauch niedriger, was sich in sinkenden Kosten abbildet, und sie kann „Small Data“-Workflows (hohe Geschwindigkeit) verarbeiten, um ihren Anwendern einen Wettbewerbsvorteil zu verschaffen. Diese gesteigerte Aktivität geht einher mit höheren Kapitalzuflüssen und einer Vielzahl an Unternehmen, die Composite-AI-Methoden aus reiner Notwendigkeit werden verwenden müssen. Laut Gartner ebnet Verbund-KI derzeit zu 5 bis 20 Prozent den Weg zu einer ersten flächendeckenden Einführung.

Unternehmen können Composite AI auch für die operative Steuerung über die gesamte Wertschöpfungskette hinweg nutzen, in der die „Smarts“ eines Unternehmens zu finden sind. Unternehmen können intelligente Maschinen bauen, die menschliche Informationen mit anderen Formen des maschinellen Lernens zu einem einzigen Gesamtsystem zusammenfassen. Der Intelligent Assistant fungiert als virtueller Geschäftsführer, der Composite AI auf die vorhandenen Daten des Unternehmens anwendet und sie in die richtige Richtung lenkt.

Das Ziel besteht an dieser Stelle darin, „konnektionistische“ Typen, wie etwa maschinelles Lernen (oder seine Untermenge, das fundierte Lernen) mit „symbolischen“ und weiteren KI-Methoden, wie etwa agentenbasierter Modellierung, regelbasiertem Denken, Optimierung und grafische Analyse, zu verknüpfen. Die Prinzipien hinter der Composite AI sind nicht neu, aber sie haben sich erst kürzlich als nutzbares Werkzeug herausgebildet.

Fundiertes Lernen, grafische Analytik oder weitere „traditionellere“ KI-Ansätze sind keine Wunderwaffen.

Gartner stellte fest, dass neben Start-ups auch „traditionelle“ KI-Anbieter auf etablierten Marktplätzen, wie etwa die Data Science- und Maschinenmärkte sowie Anbieter von Wissensdarstellungswerkzeugen, damit begonnen haben, KI-Funktionen stärker zu integrieren. Dadurch ist die Zahl der auf dem Markt verfügbaren Produktgruppen der Composite AI gewachsen.

Viele geschäftliche Probleme, insbesondere im Banken- und Versicherungswesen, setzen die strukturierte Erfassung von Fachwissen, Compliance-Regeln und andere bekannten Wissensformen von Fachleuten voraus und treffen auf Grundlage dieser realen Wissenselemente automatisch neue Entscheidungen.

Maschinelles Lernen, regelbasierte Ansätze und Optimierungsmethoden können die Fähigkeit verbessern, Trends und Muster in den Daten zu erkennen. Die Erschaffung eines Verbund-KI-Systems ist folglich das Ergebnis, wenn mehrere Technologien, wie etwa (unter anderem) maschinelles Lernen, regelbasierte Systeme und Optimierungsverfahren, kombiniert werden.

Masse (Mass)

Die vorhandene Masse ist enorm, weil Unternehmen schneller Entscheidungen treffen müssen. Andernfalls riskieren sie in ihren Märkten aufgrund der immer komplexer werdenden Geschäftslandschaft bedeutungslos zu werden. Zeit ist Geld – und dank der Möglichkeit, sich wiederholende Aspekte von Back-Office-Vorgängen zu automatisieren, können Mitarbeiter ihre Zeit stärker in wertschöpfende Aufgaben investieren.

Herkömmliche KI-Anwendungen bieten viele Vorteile, die Composite AI auch bereichsübergreifend für Geschäftsfunktionen bereitstellen kann. Hier sind vor allem zu nennen:

• Automatisierte Dienstleistungen im Kundendienst
• geringere Betriebskosten aufgrund rechtzeitig aktualisierter Compliance-/Regulierungsvorgaben
• schnellere Erkenntnisse aus der Marktforschung, die dank maschineller, über schnelle Datenströme hinweg angewendeter Lernfähigkeiten dem Markteilnehmer rascher vorliegen als seinen Konkurrenten.

Darüber hinaus ist Composite AI erforderlich, um komplizierte Logik einzubinden oder Antworten bereitzustellen, die in natürlicher Sprache schwer auszudrücken sind. Damit man die Lösung beschreiben (und kodieren) kann, müssen bei der besten Methode manchmal viele Techniken zum Einsatz kommen, um sowohl die Geschäftslogik zu erfassen als auch aus Erfahrungen zu lernen. Somit stellt die Verbund-KI die nächste Stufe in der KI-Entwicklung dar.

Die Funktionen sind in jeder Branche, in jedem Bereich bzw. in jedem Unternehmensprozess sinnvoll einsetzbar. Sie ersetzen keine laufenden Investitionen, sondern bauen diese schnell aus, wodurch sie ihren Einsatz rechtfertigen. Die Integration von KI-Technologien in vorhandene Anwendungsökosysteme ist jedoch eine schwierige Aufgabe. Allerdings senken die kombinierten KI-Methoden die techniklastigen Kosten, während Entwickler gleichzeitig auf höheren Abstraktionsebenen arbeiten und von einer besseren Segmentierung des gesammelten oder erforderlichen Wissens profitieren können. Dieser Umstand eröffnet wiederum den Zugang zu einem größeren Kreis von interessierten Akteuren, die ihr Fachwissen effektiver „kodieren“ können, was Composite AI folglich attraktiver macht.

Die Tage, in denen man sich auf einen einzigen KI-Typ verlassen musste, neigen sich dem Ende zu. Software- und Dienstleistungsanbieter, die keine Lösungen anbieten können, die unterschiedliche KI-Methoden (wie etwa maschinelles Lernen, regelbasierte Systeme, Optimierungsverfahren, Wissensdarstellungsgraphen, Technologien in natürlicher Sprache) berücksichtigen, werden gegenüber denjenigen im Nachteil sein, die diese Vorteile bieten können. Die Einführung von Composite AI Methoden in aktuelle Produkte wird sich erheblich auf deren Fähigkeiten auswirken.

Empfohlene Aktionen

Eine zentrale Erkenntnis aus dem Bericht über Composite AI ist, dass Entscheidungsmanagement unbedingt zusammen mit Geschäftsregeln, Wissensdarstellungsgraphen oder physischen Modellen in Verbindung mit Machine-Learning-Modellen anzuwenden ist. Denn nur so lassen sich Wissensgebiete und menschliches Fachwissen wirksam einbringen, um ihrerseits Kontext für datenorientierte Erkenntnisse zu schaffen und sie zu ergänzen.

Was ist Decision Intelligence?

Decision Intelligence (DI) oder auch Entscheidungsintelligenz ist der Prozess, in dem Erkenntnisse darüber gewonnen werden, wie Entscheidungen getroffen und wie Ergebnisse durch Rückmeldungen ausgewertet, verwaltet und verbessert werden. In der heutigen schnelllebigen, dynamischen Geschäftsumgebung mit ihrem wachsenden Bedarf an Informationen, Kollaboration und Rückmeldungen bietet Entscheidungsintelligenz eine Methode, um sich auf diese drei entscheidenden Aspekte zu konzentrieren.

Gartner stellte fest, dass die erste flächendeckende Markteinführung von Decision Intelligence in sechs bis acht Jahren zu erwarten ist. Eine schlechte Koordination zwischen den Unternehmenseinheiten und die Unfähigkeit, kritische Entscheidungsabläufe innerhalb und zwischen den Abteilungen erneut zu überprüfen, verringert die Effektivität der vorlaufenden Anstrengungen für den intelligenten Entscheidungsprozess. Außerdem hat die fehlende Ausgereiftheit der allgemeinen KI zur Folge, dass Entscheidungsintelligenz als zu ehrgeizig und nicht machbar wahrgenommen wird. Daher ist Gartner der Meinung, dass es sechs bis acht Jahre dauern wird, bis Decision Intelligence erstmals umfassend im Markt eingeführt ist.

Anwendungsfälle für Decision Intelligence

Häufige Anwendungsfälle für Decision Intelligence im Bank- und Versicherungswesen sind in den Bereichen Portfoliooptimierung, personalisierte Kundenerfahrungen und Risikomanagement zu finden. Selbst wenn diese Entscheidungen oft bereits durch den Einsatz von Daten unterstützt werden, führt das Hinzufügen weiterer Daten zu einem höheren Wert. Auch wenn ein Versicherer beispielsweise über ausgezeichnete Daten zum Typ der den Kunden angebotenen Produkte verfügt, reichen diese Informationen allein nicht aus, um einen personalisierten Service zu bieten.

Das fehlende Bindeglied ist der entscheidende Einblick, ob ein bestimmter Kunde überhaupt eine Affinität zu bestimmten Produkten hat. So kann beispielsweise eine Versicherung einen „Data Lake“ anlegen, der Informationen darüber enthält, ob der Kunde kürzlich eine professionelle Kamera gekauft hat oder in einer Facebook-Gruppe zum Thema „Tierfotografie“ aktiv war. Basierend auf diesen realen Bezugspunkten können DI-Systeme für maschinelles Lernen feststellen, ob der Kunde eine Affinität zu bestimmten Versicherungsprodukten, wie etwa Ausrüstungs-, Kameraausrüstungs- und Personenunfallversicherungen, hat. Und das funktioniert in vielen Zusammenhängen gut. Bei vielen Datenquellen wäre es für einen Menschen praktisch unmöglich, die notwendigen Geschäftsregeln händisch zu schreiben.

Die Unvorhersehbarkeit der langfristigen Tragfähigkeit von Entscheidungsmodellen in Unternehmen, die auf dem Transparenzgrad beruht, ist ein zentrales Problem – und hier muss sich Decision Intelligence bewähren. Um negative Konsequenzen und höhere Ausgaben zu vermeiden, benötigen autonome Entscheidungsmodelle in der Entwicklungszeit daher mehr Aufmerksamkeit.

Masse (Mass)

Das Zusammenführen von mehreren technologischen Clustern berücksichtigt u.a. Composite AI, intelligente Geschäftsprozesse, Entscheidungsmanagement sowie fortschrittliche Personalisierungsplattformen und schafft so einen neuen Markt für Entscheidungssysteme, die die fachliche Disziplin „DI“ unterstützen.

Viele Unternehmen arbeiten wie isolierte, voneinander getrennte Teams. Lokale Optimierungen werden manchmal einer breiter angelegten Effizienz vorgezogen. Die methodische Vorgehensweise der Decision Intelligence fördert die Transparenz, Interpretierbarkeit, Ausgewogenheit, Verlässlichkeit und Verantwortlichkeit von Entscheidungsmodellen, die für die Zusammenarbeit von Mensch und Maschine unerlässlich sind.

Risikomanagement, insbesondere im Banken- und Versicherungswesen, wird bei strenger werdenden Vorschriften immer wichtiger. Denn: Datenschutz und ethische Standards müssen neue gesetzliche Auflagen und behördliche Vorgaben erfüllen. Die Decision Intelligence unterstützt Unternehmen darin, die Risikofolgen ihrer Entscheidungen umfassend nachvollziehen zu können. Sie ermöglicht die explizite Darstellung von Entscheidungsmodellen und senkt so dieses Risikopotenzial.

Decision Intelligence kann unabhängig von der Größe oder Branche in jedem Unternehmen angewendet werden, da die fachliche Disziplin, konsistente und wiederholbare Entscheidungen zu treffen, für alle relevant ist. In der Praxis werden jedoch Großunternehmen mit ihren heterogeneren Systemlandschaften und höheren techniklastigen Kosten einen größeren Bedarf an intelligenten Entscheidungspraktiken haben, um konsistente und wiederholbare Entscheidungsfindung zu gewährleisten.

Die Decision Intelligence trägt als fachliche Disziplin dazu bei, dass Unternehmen sich auf die Wertschöpfung konzentrieren können. Führungskräfte werden so davor bewahrt, sich in gefälligen, aber ineffektiven Daten zu verlieren, weil die gesamte analytische Aufmerksamkeit auf bessere Entscheidungen ausgerichtet ist. Sie erhöht zudem die Konsistenz von Entscheidungen, die zwar bei operativen Fragen (z. B. bei Kreditentscheidungen) gegeben ist, aber bei strategischen Fragen (z. B. bei der Entscheidung, wo eine Filiale eröffnet werden soll oder welche wenig rentablen Dienstleistungen gestrichen werden sollen) oftmals fehlt. Die verbesserte Wiederholbarkeit von wichtigen Entscheidungen ist für Unternehmen entscheidend, damit sie aus schwierigen Situationen lernen und tatsächlich datenorientiert agieren können.

Langfristige strategische Entscheidungen erfordern eine andere Sammlung von technologischen Komponenten, die operative, intelligente Echtzeit-Entscheidungen ermöglichen. Daher besteht ein dringender vielfältiger Bedarf an technologischen Komponenten, um die Decision Intelligence bei taktischen und strategischen Beurteilungen zu unterstützen.

Der primäre Nutzen von Decision Intelligence besteht darin, Unternehmen bei der Nutzung von Daten, Analytik und KI-bezogenen Komponenten (maschinelles Lernen) behilflich zu sein, indem ein umfassendes Rahmenkonzept für Unternehmen geschaffen wird.

Empfohlene Aktionen

Laut Gartner-Bericht sind die wichtigsten empfohlenen Maßnahmen für DI:

• Ziehen Sie in Erwägung, sich auf die Senkung von Kosten und die zunehmende Automatisierung von Entscheidungen mit geringem Wert und geringem Risiko zu konzentrieren, um so den Weg zu einer fortschrittlicheren Entscheidungsintelligenz zu ebnen.
• Die Fähigkeit, aus vergangenen Aktionen zu lernen und Wissen anzuwenden, wird durch ein zusammensetzbares Rahmenkonzept, das die Grundsätze der Zusammensetzbarkeit berücksichtigt, gut unterstützt.

Erste Schritte mit Composite AI- und DI-Systemen

ACTICO wurde im Gartner-Bericht als Beispielanbieter für Composite-AI- und Decision-Intelligence-Plattformen hervorgehoben.

Die nächste Etappe ist für die meisten Unternehmen normalerweise ein Proof-of-Concept (PoC) – und zwar als Nachweis, dass die gewählte Lösung die Anforderungen erfüllt. Einige Kunden hätten beispielsweise gerne eine Testlizenz, um das System selbst auszuprobieren und zu sehen, was es leisten kann. Andere haben ein konkretes Projekt im Sinn, für das wir als Anbieter einen PoC einrichten, um zu zeigen, wie Kunden das System einsetzen können.

Composite AI und Decision Intelligence gehören zu den vielversprechendsten Technologien der letzten Jahre. Unternehmen, die ihre Vorteile voll ausschöpfen, werden in den kommenden Jahren einen unschlagbaren Wettbewerbsvorteil genießen. Wenden Sie sich an uns, wenn Sie weitere Informationen zu Composite AI und Decision Intelligence wünschen oder die Einführung der ACTICO Platform in Ihrem Unternehmen planen.