Big-Data-Analysen

Der Aufschwung der Künstlichen Intelligenz ist überhaupt erst durch billigen Speicher und die großen Rechenkapazitäten möglich geworden, die in der Cloud zur Verfügung stehen. Das Gleiche galt vor einigen Jahren für Big-Data-Anwendungen. 

Doch es gibt gravierende Unterschiede: Big Data beschreibt große, teilweise schnell fließende Ströme aus heterogenen, sowohl strukturierten als auch unstrukturierten Daten. Big-Data-Analysen zielen darauf ab, mit der Auswertung dieser Datenmengen sinnvolle Ergebnisse zu produzieren. 

Diese eher statische Auswertung ergänzt und ersetzt die Künstliche Intelligenz mit einer Mustererkennung. Sie ist in der Lage, gemeinsam mit den Mitarbeitern ihre eigenen Algorithmen ständig zu verbessern und an neue Aufgaben anzupassen.

Big-Data-Analysen und KI für neue Geschäftsmodelle

Einer der wohl bekanntesten Geschäftsprozesse bei Autoversicherern ist, die Systeme vorausschauende, personalisierte Angebote erstellen zu lassen. Analysealgorithmen recherchieren Alter, Fahrpraxis, Wohnadresse, Fahrzeugtyp oder typische Fahrstrecken. Sie gleichen die Risiken einer Versicherung mit dem Fahrstil ab, den sie aus den Daten des Fahrzeuges ablesen. 

Auch der Zustand des Autos und die Zahl der Schäden und Unfälle fließen in die Bewertung mit ein. Am Ende erfolgt das Angebot einer Versicherungsprämie nicht streng nach Plan und Tabellen, sondern zugeschnitten auf die Persönlichkeit des Fahrers oder der Fahrerin. 

Viel war hier schon mit Big-Data-Analysen möglich, doch gerade in komplexen Kontexten können KI-Methoden entscheidend zu besseren Prognosen beitragen. Projekte zeigen, dass neuronale Netze, die mit spezifischem Erfahrungswissen der Mitarbeiter angereichert werden, deutlich mehr und bessere Vorhersagekraft für Unfälle oder Verschleiß entwickeln. 

Hier kommen auch KI-Methoden, zum Beispiel der Audio-Analyse zum Tragen: Oft weisen Geräusche in der Werkstatt auf entstehende Probleme hin. Mit vorausschauenden Reparaturen lassen sich zum Beispiel teure Wartungen oder Pannen und Stillstandzeiten vermeiden.

Selbstlernende Systeme liefern bessere Ergebnisse

Immer mehr Finanzdienstleister und Versicherungen sehen sich als Lösungsanbieter und sie nutzen ihre Plattform-Ökosysteme, um neue, mit KI angereicherte Dienste anzubieten. So können sie ihren Kunden zum Beispiel durch die intelligente Analyse ihrer Gesundheitsdaten und der darin erkannten Muster exakt sagen, ob und für welche Krankheiten ein Versicherter anfällig sein könnte – und wie er die beste Vorsorge treffen kann. 

Ein weiterer wichtiger Unterschied zu Big-Data-Analysen ist die Fähigkeit von KI-Systemen, selbst ohne vorhergehende Programmierung auf Basis kognitiver Funktionalität zu lernen. Besonders gut lässt sich das an einem Bot-Programm beschreiben: Bots – also Software-Roboter, die Unternehmen für die Kommunikation mit den Kunden einsetzen – arbeiten direkt mit Menschen zusammen. Nach und nach lernen sie nicht nur die Sprache und Ausdrucksweise ihrer Gesprächspartner zu verstehen. Sie werden auch darauf trainiert, den Ton der Anrufer und Anruferinnen zu verstehen und Empathie vorzutäuschen. 

Das digitalisierte Geschäftsmodell und KI

Auf diese Weise hilft KI, die Fähigkeiten des Roboterkollegen zu erweitern und ihm zu ermöglichen, etwa bei Video­chats Gesten und Sprachanweisungen zu verstehen. Dahinter stehen Anwendungen wie Sprachverarbeitung und Objekt­erkennung. Die KI entwickelt sich mit den immer neuen Daten weiter und passt das Roboterverhalten entsprechend an.

Eine Zukunftsvision ist das digitalisierte Geschäftsmodell mit Künstlicher Intelligenz als Betriebssystem. Hier kommt ein weiteres Konzept ins Spiel: Der digitale Zwilling. Er wird zunehmend als digitales Echtzeitabbild nicht nur von Produkten oder Dienstleistungen selbst, sondern auch von Design- und Vertriebsprozessen gedacht. 

Es geht darum, enorme Datenmengen aus den unterschiedlichsten Systemen zu verbinden, versteckte Muster zu erkennen, um schließlich ein digitales, simulierbares Abbild der Realität zu erlangen. Unternehmen stehen vor der Herausforderung, diese strukturellen Hausaufgaben zu erledigen. Vor allem aber müssen sie lernen, in ganz neuen Kategorien zu denken und herauszufinden, welchen Mehrwert sie ihren Kunden auf Basis der technologischen Möglichkeiten bieten können.