Der Ausgangspunkt für Unternehmen: Data Science und künstliche Intelligenz

Das schnell wachsende Feld der künstlichen Intelligenz und der Datenwissenschaft bietet eine erschreckende Liste von Optionen für Unternehmen, die hoffen, sein Potenzial auszuschöpfen. Maschinelles Lernen, Deep Learning, Verarbeitung natürlicher Sprache, neuronale Netze, robotergestützte Prozessautomatisierung und viele weitere esoterische Varianten füllen Schlagzeilen und Whitepaper.

An der Schwelle zur Bereitstellung wundersamer Rechenleistung flehen diese Technologien Führungskräfte an, sie zu übernehmen, oder sie werden feststellen, dass ihre Unternehmen bald von denen ausmanövriert werden, die dies tun. Für einige wenige Unternehmen mit ganzen Abteilungen, die sich der KI verschrieben haben, ist die Anpassung solcher Technologien an Anwendungsfälle tägliches Geschäft. Aber für die überwiegende Mehrheit ist es weniger einfach zu wissen, wo man anfangen soll.

In diesem Artikel tauschen sich Toptal-Führungskräfte über die praktische Anwendung künstlicher technologiebezogener Lösungen für allgemeine Geschäftsanforderungen aus.

Pedro Nogueira, ein Spezialist für maschinelles Lernen und Data Science, bietet neuen Unternehmen erfrischende Neuigkeiten: Die erste Lösung ist oft einfach, relativ kostengünstig und finanziell gewinnbringend. Ergänzend zur Perspektive von Nogueira hebt das Team von Toptal Enterprise die jüngsten Trends in der robotergesteuerten Prozessautomatisierung hervor, die Unternehmen dabei helfen, routinemäßige Arbeitsabläufe zu rationalisieren.

Robotic Process Automation und KI: Werkzeuge für unterschiedliche Aufgaben

Um den von Nogueira geteilten Rat zu formulieren, ist es hilfreich, den Unterschied zwischen robotergesteuerter Prozessautomatisierung (RPA) und künstlicher Intelligenz (KI) und den Datentypen zu verstehen, für die jeder Ansatz am besten geeignet ist.

RPA und KI unterscheiden sich aufgrund der von ihnen ausgeführten Aufgaben. Als Software-Roboter zeichnet sich RPA durch sich wiederholende Aufgaben aus, die denen entsprechen, die von einem Fließbandarbeiter oder einer Maschine ausgeführt werden. Umgekehrt eignet sich KI am besten für weniger strukturierte Umgebungen und repliziert die analytische Fähigkeit, die für das menschliche Urteilsvermögen und die Entscheidungsfindung grundlegend ist.

Definitionsgemäß sind die beiden Ansätze auch verschieden. Die IEEE Standards Association, eine internationale Organisation aus Branchenexperten, definiert sie wie folgt:

RPA: vorkonfigurierte Software, die Geschäftsregeln und vordefinierte Aktivitäten verwendet, um die autonome Ausführung einer Kombination aus Prozessen, Aktivitäten, Transaktionen und Aufgaben abzuschließen.

KI: Die Kombination aus kognitiver Automatisierung, maschinellem Lernen (ML), Argumentation, Hypothesengenerierung und -analyse, Verarbeitung natürlicher Sprache und absichtlicher Algorithmusmutation, die Erkenntnisse und Analysen erzeugt, die den menschlichen Fähigkeiten entsprechen oder diese übertreffen.

RPA wird im Allgemeinen als eine Teilmenge der KI angesehen, die auf sich wiederholende Routinen abzielt. Der entscheidende Unterschied besteht darin, dass RPA nicht lernt, während KI sich selbst modifizieren und ihre Aktivität als Reaktion auf unterschiedliche Umgebungseinflüsse ändern kann.

Daher eignet sich RPA am besten für stark strukturierte Daten, während KI unstrukturierte oder halbstrukturierte Daten verarbeitet. Der unten zusammengefasste Unterschied zwischen den beiden Datentypen ist für jeden, der eine Tabellenkalkulationsdatenbank erstellt hat, leicht zu verstehen.

Daten, die genau in eine solche Tabelle passen – wie z. B. Kundenkontaktinformationen – sind strukturiert. Daten, die nicht passen – wie etwa natürliche Sprache – sind unstrukturiert. Die Kenntnis der Unterschiede zwischen diesen Datentypen ist entscheidend, um zu verstehen, welche Formen der KI für einen bestimmten Geschäftsfall geeignet sind.

Blockieren und angehen mit Geschäftsprozessautomatisierung

Für die meisten Unternehmen ist die Automatisierung von Geschäftsprozessen der einfachste und am wenigsten riskante Ausgangspunkt für die Nutzung von KI. Solche Prozesse bestehen aus alltäglichen Aufgaben, die wenig Intelligenz und möglicherweise keine menschliche Anstrengung erfordern, und rechtfertigen Investitionen in Technologien, die menschliche Beteiligung eliminieren oder erheblich reduzieren. Unternehmen und Mitarbeiter profitieren gleich dreifach:

1. Mitarbeiter konzentrieren sich auf höherwertige Aufgaben und Problemlösungen.
2. Unternehmen erzielen einen positiven ROI aus minimalen laufenden Betriebskosten.
3. Die Prozessqualität verbessert sich aufgrund des Fehlens menschlicher Fehler.

RPA treibt mehrere Arbeitsabläufe in der Versicherungsbranche voran

Für Unternehmen, die bereits einfache interne Verfahren wie die Kostenerstattung rationalisieren, bieten komplexere Möglichkeiten ein hohes ROI-Potenzial. In der Versicherungsbranche sind beispielsweise die Erstellung von Versicherungsangeboten und die Bearbeitung von Versicherungsansprüchen perfekte Anwendungsfälle für RPA.

Bei der Zeichnung einer Police müssen Versicherungsunternehmen Risiko und Ertrag abwägen. Grundsätzlich muss der Barwert der Versicherungsprämien im Durchschnitt den der Schäden übersteigen. Während des Underwritings schätzen Versicherungsunternehmen die Risikokomponente dieser Gleichung, was ihnen hilft, den Zeitpunkt und das Ausmaß zukünftiger Verbindlichkeiten vorherzusagen.

Das Underwriting war in der Vergangenheit ein manueller Prozess, dessen analytische Anforderungen von Aktuaren überwacht wurden. Jetzt werden solche Arbeiten zunehmend automatisch und unter der Aufsicht von Datenwissenschaftlern durchgeführt, die auf neue Datenquellen zurückgreifen, um Risiken besser vorhersagen zu können. Beispielsweise haben Versicherer in der Autoindustrie historische Schadenshistorien ausgewertet, bei denen es sich um Aufzeichnungen vergangener Versicherungsansprüche für einen bestimmten Fahrer handelt. Versicherer begannen damit, Kreditwürdigkeitsbewertungen für Fahrer in ihre Risikoanalyse einzubeziehen, da sie erkannten, dass hohe Bewertungen positiv mit sicherer Fahrweise und entsprechend geringeren Verlusten korrelieren.

In Bezug auf das Underwriting-Beispiel bemerkt Nogueira: „Wenn Unternehmen denken, dass sie KI brauchen, brauchen sie oft tatsächlich Datenwissenschaftler.“

Für Nogueira ist der Versicherungsangebotsprozess sowohl auf beruflicher als auch auf persönlicher Ebene ziemlich vertraut. Als Data Scientist mit Projekterfahrung in der Versicherungsbranche und Motorrad-Enthusiast, der kürzlich Portugal bereist hat, erzählt er eine Anekdote, die jeder Fahrer oder Hausbesitzer nachvollziehen kann: „Wenn ich das Motorrad wechseln muss, was ich gerne und oft mache, dann mache ich das Gehen Sie online zu einer Reihe von Versicherungsunternehmen und geben Sie meine Daten über deren Online-Fragebögen weiter.“

Nach der Übermittlung gehen die Daten in „ein Modell, das irgendwo im Backend lebt und mein Risikoprofil anhand eines oder mehrerer Modelle analysiert und mir dann ein Angebot unterbreitet“. In den Sekunden, die es dauert, ein solches Angebot zu erhalten, erfolgt die gesamte Analyse automatisch und wird nur im Falle von Datenausreißern durch menschliches Eingreifen außer Kraft gesetzt.

Die Automatisierung treibt auch nachgelagerte Arbeitsabläufe im Versicherungskundenlebenszyklus voran, insbesondere während des Schadenprozesses. Wenn ein Versicherungskunde einen Anspruch geltend macht, entscheidet die Versicherungsgesellschaft, ob der Anspruch vollständig, teilweise bezahlt oder abgelehnt wird. An dem Prozess sind häufig mehrere externe Parteien beteiligt, darunter der Versicherungskunde und der Dienstleister, z. B. ein Krankenhaus im Fall des Gesundheitswesens oder eine Werkstatt im Fall des Autos.

In der Autoindustrie hängt die Schadensentscheidung von der Überprüfung des Schadens an einem Fahrzeug, der Bestimmung der Reparaturkosten, der Auswahl der Werkstatt und der Bezahlung der Reparatur ab. Bei Reparaturkostenvoranschlägen spielen Fotos eine entscheidende Rolle im Schadensprozess. Der Schadensregulierer fotografiert das havarierte Fahrzeug ebenso wie die Werkstatt – sowohl vor als auch nach der Reparatur. Diese Fotos liefern den Beweis für Schäden, Reparaturen und die Grundlage für die Erstattung.

In der Vergangenheit wurden diese Fotos ausschließlich von Menschen interpretiert, aber jetzt liefert Bilderkennungssoftware in Verbindung mit regelbasierter Automatisierung dem Schadensregulierer wichtige Informationen, was eine schnellere Reparatur und Abdeckung ermöglicht.

Data Science ist das Arbeitspferd und Data Scientists sind die Treiber

Unternehmen müssen „definieren, was leicht automatisiert werden kann und was an menschliche Entscheidungsträger eskaliert werden muss“, so Nogueira. Bei jedem Prozess, der für eine Automatisierung in Betracht gezogen wird, fährt er fort: „Sehen Sie sich zuerst die Daten an und finden Sie die Regeln heraus.“

Während er zugibt, dass die Bereiche Data Science und KI verschmelzen, grenzt Nogueira für die Ansiedlung von Unternehmen die beiden ab:

„Data Science ist KI, die auf reale Szenarien und allgemeine Geschäftsanforderungen angewendet wird. Es hat mehr damit zu tun, die Daten zu verstehen, sie zu verwalten, sie leicht verfügbar zu machen, leicht zu verarbeiten und letztendlich eine Anleitung für die Entscheidungsfindung der Stakeholder des Unternehmens zu sein.“

Solche Arbeiten laufen oft darauf hinaus, unterschiedliche Datensätze zu bereinigen und zusammenzustellen – keine leichte Aufgabe – und dann statistische Analysen wie die logistische Regression anzuwenden, um bessere Vorhersagen und Entscheidungen zu treffen.

Im Gegensatz dazu ist KI viel forschungsorientierter und für die Analyse unstrukturierter Daten geeignet. „Stellen Sie sich ein wirklich komplexes Projekt vor, eines mit vielen Unsicherheiten, zum Beispiel der Versuch, ein Modell zu erstellen, das bestimmt, wie viele Menschen in einen Supermarkt kommen könnten, basierend auf Laufmustern, CCTV-Videos und sensorischen Daten.“

Letztendlich könnte dieses Modell vorhersagen, wie Menschen einkaufen, was sie suchen und wie sie Produkte relativ zueinander positionieren und den Grundriss optimieren, um den Gewinn zu maximieren. Während ein solches „Blue-Sky“-Projekt, wenn es erfolgreich wäre, zweifellos wertvoll für Einzelhändler wäre, würde es auch ein Team aus mehreren Experten erfordern und könnte leicht ein Vielfaches einer datenwissenschaftlichen Initiative kosten. Im Einzelhandel könnte sich ein Unternehmen auf eine oder einige der kritischsten Komponenten des Vorhersagemodells konzentrieren – zum Beispiel die Optimierung der Ladenöffnungszeiten im Verhältnis zur Laufkundschaft und den Betriebskosten.

Der entscheidende Ausgangspunkt für den Aufbau von Data-Science-Fähigkeiten besteht darin, die richtige Art und Anzahl von Talenten an Bord zu holen. Glücklicherweise, so Nogueira, brauchen die meisten Unternehmen „kein großes Team von Super-Experten-Entwicklern, um viele der gängigen Automatisierungen durchzuführen, insbesondere wenn man die Anzahl der verfügbaren APIs und SDKs berücksichtigt“.

Während solche Standardtechnologien leistungsstarke Werkzeuge darstellen, ist es entscheidend, dass sie von den richtigen Händen eingesetzt werden. Hier warnt Nogueira: „Diese Tools könnten tatsächlich ein Problem darstellen, weil viele Leute sie auf eine Weise verwenden, die sie nicht sollten, weil sie sie nicht verstehen.“

Die Gefahr, bemerkt er, liegt in der „Überanpassung von Datenmodellen“, die entsteht, wenn ein Modell auf Daten auf eine Weise angewendet wird, die nicht das gesamte Spektrum der Möglichkeiten berücksichtigt. Ein solches Übertraining, warnt er, „kann für das Unternehmen äußerst kostspielig sein, da das Modell in Situationen, die Sie noch nie zuvor gesehen haben, nicht gut verallgemeinert werden kann, was dazu führen kann, dass falsche Entscheidungen auf der Grundlage der Daten getroffen werden.“

Um solche Fallstricke zu vermeiden, ermutigt Nogueira Unternehmen, erfahrene Datenwissenschaftler einzustellen. Alle Unternehmen, die den Wert von Kunden- oder Betriebsdaten erschließen möchten, „brauchen eine Person mit einem guten Verständnis für Statistiken und genügend Geschäftssinn, um die Anwendungsfälle zu verstehen und zu verstehen, wo der Wert im Unternehmen liegt.“ Aus Sicht der Qualifikationen hat ein solider Data Scientist in der Regel mindestens einen BS in Mathematik oder Statistik, gute Programmierkenntnisse und kann einen geschäftlichen Anwendungsfall analysieren, um festzustellen, wo Data Science die größte Wirkung erzielen kann.

Abschiedsgedanken

Während die Datenwissenschaft aus Risiko-Ertrags-Perspektive einen überzeugenden Ausgangspunkt darstellt, lohnt es sich auch, die breitere Landschaft der KI-Technologien zu erkunden. Führungskräfte in Unternehmen sollten Data Science als den Sammelpunkt betrachten, um den herum sie das interne Gespräch über KI beginnen können.

Wenn sie Erfolgsgeschichten mit der Automatisierung von Geschäftsprozessen realisieren, sollten sie erwägen, den Umfang zu erweitern, um anspruchsvollere Anwendungsfälle einzubeziehen, die möglicherweise besser für alternative KI-Technologien geeignet sind. In den folgenden Artikeln wird Insights die breitere KI-Landschaft untersuchen und Führungskräfte dabei unterstützen, sich in einem Bereich zurechtzufinden, der zweifellos starke Renditen liefern wird.