German 
English 
French 
Dutch 
Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind derzeit die neuen Trendthemen in der Technologiebranche. Dabei gibt es KI bereits seit einiger Zeit.
Bei Docbyte setzen wir regelbasierte KI ein, um die Sortierung von Dokumenten in Kategorien für unsere digitale Poststelle zu automatisieren.
Was maschinelles Lernen (ML) betrifft, wird es hier erst richtig interessant, da die potenziellen Vorteile für jeden Onboarding- oder Poststellenprozess enorm sind.
WHITEPAPER – INTELLIGENTE POSTSTELLE
Für die meisten Menschen ist maschinelles Lernen jedoch ebenso rätselhaft wie entfernte Gebäude an einem dunklen, nebligen Tag.
Ihre schemenhaften Umrisse mögen uns zwar einen allgemeinen Eindruck davon vermitteln, worum es sich handelt, doch lässt sich ein Krankenhaus erst bei genauerer Betrachtung von einem Bürogebäude unterscheiden oder die Anzahl der Fenster ermitteln.
Das Gleiche gilt für das maschinelle Lernen. Da diese Technologie immer mehr an Bedeutung gewinnt und zunehmend Einzug in unseren Alltag hält, ist es höchste Zeit, den Schleier zu lüften und einige der Geheimnisse zu entwirren, die sie umgeben.
Maschinelles Lernen:
Beide Definitionen treffen den Kern der Sache und heben die wichtigsten Merkmale des maschinellen Lernens hervor:
- Ein mathematisches und statistisch fundiertes Verfahren
- Kaum bis gar kein menschliches Eingreifen beim Training des Modells
- Selbstoptimierungsfähigkeiten des Algorithmus
ML vs. KI:
Einfach ausgedrückt ist KI der Oberbegriff für die Theorie und Entwicklung von Computersystemen, die Aufgaben ausführen, für die normalerweise menschliche Intelligenz erforderlich wäre, d. h., die versuchen, intelligentes Verhalten in Computern zu simulieren. Auf dieser Grundlage ist ML ein Werkzeug zur Schaffung von KI.
Zwei Arten des maschinellen Lernens:
1. Beaufsichtigt:
Diese Art des maschinellen Lernens lässt sich mit einer Lehrer-Schüler-Beziehung vergleichen. Der Lehrer, ein menschlicher Programmierer, liefert Eingaben, anhand derer der Schüler, das ML-Modell, lernt, zugrunde liegende Muster zu erkennen.
Der Lernende wendet das Gelernte anschließend auf neue Übungen an und passt sein Modell jedes Mal an, wenn die Antworten falsch sind. Je mehr Datenbeispiele der Lernende erhält, desto besser wird er.
Zwei Beispiele für diese Art sind Klassifizierung und Regression.
Klassifizierung:
Sie geben Ihrem Algorithmus Artikelmerkmale und eine Reihe von Kategorien ein, in die diese Artikel sortiert werden können.
Der Algorithmus sucht anschließend nach Mustern in der Art und Weise, wie diese Artikelmerkmale kategorisiert werden, damit er auf der Grundlage seiner Erkenntnisse auch neue Artikel korrekt zuordnen kann.
Wenn beispielsweise in einer bestimmten Region Blumen mit einer bestimmten Höhe und Farbe wachsen, dann sollten neue Blumen mit diesen Merkmalen in die Kategorie fallen, die in dieser Region wachsen können.
Regression:
Analysiert den Zusammenhang zwischen Variablen und deren Auswirkungen auf bestimmte Merkmale.
Wie wirkt sich beispielsweise die Farbe einer Blume auf deren Preis aus? Durch die Ermittlung dieser kausalen Zusammenhänge kann der Algorithmus die Preise für neue Blumen präzise festlegen.
2. Unüberwacht:
Während überwachte Modelle eine gewisse Form menschlicher Interaktion und vordefinierte Regeln beinhalten, ist dies bei unüberwachten Modellen nicht der Fall.
Die Daten werden einem Algorithmus zugeführt, der daraufhin selbstständig Muster und Merkmale ermittelt. Hier noch einmal zwei Beispiele:
Clusterbildung:
Anstatt den Algorithmus anzuweisen, die Artikelmerkmale in vordefinierte Kategorien einzuordnen, stellen Sie Daten zur Verfügung und lassen den Algorithmus selbst die Kategorien festlegen, in die er die Artikelmerkmale einordnet.
Themenmodellierung:
Ähnlich wie beim Clustering extrahieren Algorithmen zur Themenmodellierung eine vordefinierte Anzahl von Themen aus den Daten, mit denen sie gefüttert wurden.
Hinter den Kulissen:
Data Mining
Wahrscheinlich das am häufigsten gehörte und verwirrendste Schlagwort. Entgegen dem, was der Name vermuten lassen könnte, geht es beim Data Mining nicht darum, neue Daten aus verschiedenen Systemen auszugraben.
Tatsächlich geht es darum, Ihren bestehenden Datenberg zu durchforsten, um die nützlichsten Informationen zu finden, was eher einer Datenfilterung als einem Data Mining gleicht.
Neuronales Netzwerk
Deep Learning oder DL
Ein weiterer Oberbegriff für Techniken und Modelle zur Bewältigung komplexer Probleme, die eine enorme Datenmenge erfordern. Beim Deep Learning besteht das Ziel darin, mithilfe neuronaler Netze das menschliche Denken nachzubilden.
Ein tiefes neuronales Netzwerk unterscheidet sich von anderen neuronalen Netzwerken durch seine schiere Größe. Während ein gewöhnliches Netzwerk beispielsweise 1.000 Neuronen umfassen kann, beläuft sich deren Anzahl in Deep-Learning-Szenarien in der Regel auf mehrere Hunderttausend.
So verfügt beispielsweise das neueste, hochmoderne Modell zur Verarbeitung natürlicher Sprache (siehe unten) von Google über 340 Millionen Parameter. Dies macht Deep Learning natürlich recht komplex und erfordert einen erheblichen Aufwand bei der Umsetzung.
Andererseits liefern tiefe neuronale Netze deutlich bessere Ergebnisse als andere Ansätze des maschinellen Lernens.
Zum Beispiel, im Gegenzug für diese zusätzliche Komplexität erhalten wir die Fähigkeit, Sprache mithilfe von Algorithmen außerordentlich gut zu interpretieren.
Das bedeutet, dass wir die Dokumentenverarbeitung nun in einem bisher unerreichten Ausmaß automatisieren können. DL zeichnet sich zudem durch seine Fähigkeit aus, unstrukturierte Daten wie Bilder und Videos korrekt zu analysieren.
Dies ermöglicht einen noch höheren Automatisierungsgrad und bietet uns fortschrittliche Funktionen zur Bildsuche, Gesichtserkennung, Bildklassifizierung und vieles mehr.
Natürliche Sprachverarbeitung (Natural Language Processing, NLP)
Dies eröffnet die Möglichkeit, mithilfe von maschinellem Lernen unstrukturierte Texte zu kennzeichnen, zu beschriften und Informationen daraus zu extrahieren.
Chat- und Sprachbots, Callcenter-Analysen und vieles mehr haben dazu beigetragen, dass NLP bestehende Prozesse weiter automatisieren und neue Prozesse schaffen konnte, die die Effizienz steigern.
Mustererkennung
Wenn es darum geht, Muster in riesigen Datenmengen zu erkennen, sind künstliche Intelligenz und maschinelles Lernen unübertroffen.
Sie können Zusammenhänge aufdecken, die Menschen normalerweise übersehen würden oder aufgrund der schieren Menge der verfügbaren Informationen niemals erkennen könnten.
Die Mustererkennung ist für Ihre Poststelle besonders wertvoll, da sie es Ihnen ermöglicht, Daten zu extrahieren, unabhängig davon, welches Layout Sie verwenden.
Viele Poststellen nutzen bereits eine Form der KI zur Extraktion von Informationen, doch diese beschränkt sich häufig auf vordefinierte Vorlagen.
Selbst geringfügige Änderungen am Layout können bereits zu Funktionsstörungen führen. Poststellen mit Mustererkennung, wie beispielsweise Docbyte, kann jedes Dokument, das ihm zugeführt wird, extrahieren und korrekt kategorisieren, unabhängig vom Layout.
Warum sollte man maschinelles Lernen einsetzen?
Das Ziel des maschinellen Lernens besteht darin, komplexe statistische Zusammenhänge und Muster zu erkennen. Zwar lassen sich diese auch mithilfe vordefinierter Regeln ermitteln, doch ist dieser Prozess wesentlich schwieriger, zeitaufwändiger und letztlich weniger genau.
Darüber hinaus lernt ein ML-Modell, sobald sein Algorithmus einmal programmiert ist, selbstständig, was für den Entwickler einen geringeren Arbeitsaufwand bedeutet.
Die Genauigkeit ist ein weiterer Vorteil der Technologie. In einem Anwendungsfall lieferten regelbasierte Modelle etwa 50 Prozent richtige Antworten, während maschinelles Lernen eine Trefferquote von 80 Prozent erreichte! ML-Algorithmen sind in der Lage, Muster aufzudecken, die Menschen einfach nicht erkennen können.
Robotergestützte und intelligente Prozessautomatisierung:
Traditionell automatisieren Entwickler Prozesse, indem sie zunächst einen Überblick über die Aufgaben erstellen und anschließend die für die Automatisierung erforderlichen Schritte miteinander verknüpfen und per Skript festlegen.
Mit der robotergestützten Prozessautomatisierung (RPA), erstellt ein Computer diese Aktionsliste selbst, indem er beobachtet, wie die Benutzer die Aufgaben ausführen. Somit ist es möglich, Ihre Geschäftsabläufe ohne menschliches Eingreifen zu automatisieren.
Dennoch entscheiden nach wie vor die Menschen, wann und in welchem Prozess RPA ausgeführt werden soll. Die intelligente Prozessautomatisierung (IPA) erweitert RPA um KI- und ML-Funktionen wie Bildsuche, Spracherkennung und Gesichtserkennung.
Diese neuen Technologien bergen ein großes Potenzial, die Automatisierung auf ein bisher unerreichtes Niveau zu heben.
Beispielsweise Systeme, die Unternehmensvorlagen – wie beispielsweise Rechnungen – automatisch ausfüllen, und zwar auf der Grundlage von Informationen, die aus digitalisierten Dokumenten extrahiert wurden.
Die Zukunft des maschinellen Lernens bei Docbyte:
Modelle mit manuell definierten Regeln können durchaus gut funktionieren. Doch je komplexer die Probleme werden, die wir mit KI lösen wollen, desto deutlicher wird, dass wir an ihre Grenzen stoßen.
Komplexe Anwendungsfälle erfordern Tausende von Regeln, und diese manuell zu programmieren, ist schlichtweg eine unnötige Herkulesaufgabe.
Maschinelles Lernen kann dazu beitragen, den Arbeitsaufwand zu verringern, weshalb es in zukünftigen KI-Projekten sicherlich eine weitaus bedeutendere Rolle spielen wird.
Dennoch ist das noch lange nicht das Ende der Regeln. Maschinelles Lernen erfordert nach wie vor einen erheblichen Zeit- und Arbeitsaufwand, sodass bei einfachen Problemen die Regeln nach wie vor, nun ja, das Sagen haben.
Maschinelles Lernen in einer digitalen Poststelle:
Wenn wir uns überlegen, welche Art des maschinellen Lernens für Docbyte das größte Potenzial birgt, scheinen Klassifizierung und Themenmodellierung die richtige Wahl zu sein.
Unser digitale Poststelle, … integriert beispielsweise bereits Klassifizierungsalgorithmen, um das Sortieren von E-Mails in verschiedene Kategorien effizienter zu gestalten.
Insbesondere bei komplexen Sortieraufgaben haben wir uns von der regelbasierten Sortierung verabschiedet und maschinelles Lernen eingeführt, um die Geschwindigkeit und Genauigkeit der Kategorisierung zu verbessern.
Beschleunigen Sie die Einarbeitung mit maschinellem Lernen:
Fordern Sie unser Whitepaper zum Thema „Intelligente Poststellen“ an
