Künstliche Intelligenz

Fabienne Schwizer, die Autorin dieses Berichts, ist Studierende des eidgenössisch anerkannten und Online-Nachdiplomstudiengangs «Dipl. Digital Innovation Manager NDS HF» der Höheren Fachschule der BVS St. Gallen.

Zusammenfassung der Technologie
Will man den Begriff «Künstliche Intelligenz (KI)» oder «Artificial Intelligence» (engl.) definieren, stellt man schnell fest, dass das gar nicht so einfach ist. Selbst für den Begriff «Intelligenz» gibt es keine klare Definition. 
Zusammenfassend kann man aber sagen: Künstliche Intelligenz soll intelligentes Verhalten und Lernen auf künstlichem Weg nachbilden. Die Grundidee besteht darin, dass Künstliche Intelligenz selbständig aus Informationen lernt, auf deren Grundlage Entscheidungen trifft, Probleme löst und sich eigenständig weiterentwickelt.  

Man unterscheidet dabei zwischen schwacher und starker KI. Eine schwache Künstliche Intelligenz wird für eine bestimmte Aufgabe entwickelt und trainiert und soll den Menschen in einzelnen Bereichen unterstützen. Die meisten der heute verfügbaren KI sind als schwache Künstliche Intelligenzen zu definieren. Als starke KI bezeichnet man ein KI-System mit verallgemeinerten menschlichen kognitiven Fähigkeiten. Es verfügt über genügend Intelligenz, um eine Lösung zu finden, wenn es mit einer unbekannten Aufgabe konfrontiert wird. 

Ein wichtiger Teilbereich der Künstlichen Intelligenz ist das Machine Learning (maschinelles Lernen). Beim maschinellen Lernen liegt der Schwerpunkt auf dem selbständigen Lernen aus Daten. Der Algorithmus muss von einem Menschen trainiert werden. Durch das Bereitstellen von Muster- und Beispieldaten kann der Algorithmus Muster und Zusammenhänge erkennen und dadurch aus den Daten lernen 
(= Modelltraining). Nach dem abgeschlossenen Lernprozess wird das trainierte System dazu genutzt, unbekannte Daten zu bewerten. Dadurch kann Machine Learning auf Basis der analysierten Daten beispielsweise Werte vorhersagen, Wahrscheinlichkeiten berechnen oder Gruppen und Zusammenhänge erkennen. In der Praxis finden häufig mehrere Entwicklungsschleifen statt, bis der Algorithmus eine bestimmte Qualität erreicht hat.

Dabei gibt es unterschiedliche Arten von Machine Learning:

• Überwachtes Lernen: Das Model trainiert Muster und Zusammenhänge anhand von bekannten Daten. Es gibt eine klare Zielvariable, die vorhergesagt wird.
• Unüberwachtes Lernen: Das Model trainiert ohne Zielvariable und muss eigenständig Muster und Zusammenhänge in den Daten finden.
• Verstärkendes Lernen / Reinforcement: Es werden vorab keine Beispieldaten benötigt. Diese Algorithmen interagieren mit der Umgebung und werden durch ein Belohnungssystem bewertet, um so selbständig eine Strategie zur Lösung des Problems zu erlernen und die Belohnung zu maximieren.  

Nutzen für den Alltag
Neben vielen Vorteilen in der Geschäftswelt, wobei eine mögliche Anwendung in diesem Blog behandelt wird, ist KI längst in unserem Alltag angekommen und viele profitieren bereits heute von dieser Technologie. Nachfolgend werden einige Beispiele aufgeführt:

• Die meisten Suchmaschinen (wie Google) setzten auf einen KI-basierten Suchalgorithmus. Die Suchanfrage wird dabei mit bedeutungsähnlichen, bereits bekannten Suchanfragen verknüpft.
• Netflix, Youtube, Spotify, Instagram usw., sie alle setzen auf Empfehlungsalgorithmen, um dem User passende Unterhaltung anzuzeigen. Dabei wird ausgewertet, was ich gerade schaue, was ich davor und danach schaue oder um welche Uhrzeit ich etwas geschaut habe.
• Kontroll- und Prüfalgorithmen arbeiten beispielsweise im E-Mail-Verkehr als Spamfilter. Sie analysieren eine Vielzahl von Informationen und filtern unerwünschte E-Mails als Spam heraus.
• Beim morgendlichen Blick auf das Smartphone wird jenes durch die KI-basierte Gesichtserkennung entsperrt.
• Digitale Assistenten wie Amazons Alexa oder Siri kommen dem gesellschaftlichen Bild von Künstlicher Intelligenz am nächsten: Sie haben einen Namen und können sprechen. Sie verstehen uns, können Fragen beantworten und einfache Dinge erledigen. Integrierte Übersetzungs- und Bildanalysetools erleichtern Übersetzungen und identifizieren Objekte oder Hinweisschilder.  Eine Umfrage von Splendid Research zeigt, dass 2019 von rund 1000 Befragten 60% schon einmal ein Gerät mit Sprachsteuerung genutzt haben, 2017 waren es gerade mal 37%. Ein Drittel der Verwendenden zählt zu den Intensivnutzenden (mehrmals wöchentlich). 

Einsatzmöglichkeiten von KI im IT-ServiceDesk
Die fortschreitende digitale Transformation bedeutet für viele Unternehmen, dass auch Ihre Geschäftsprozesse immer mehr IT-gestützt ablaufen. Der reibungslose IT-Betrieb und Support wird dadurch geschäftskritisch und somit zum strategischen Erfolgsfaktor. Oftmals ist der ServiceDesk mit Standardanfragen gebunden, wie beispielsweise Passwort ändern, Hardware- oder Verbindungsproblemen. Daraus ergeben sich einige Herausforderungen für Mitarbeitende:

• Anfragen per Telefon, Mail oder Ticketsystem sind oftmals mit Wartezeiten verbunden. Gerade am Wochenende ist niemand erreichbar.
• Anfragen per Telefon sind meist zeit- und kostenintensiv.
• Unternehmens-Wikis sind häufig überdimensioniert und in Tech-Sprache geschrieben.

Wie können also Qualität und Effizienz verbessert und gleichzeitig die Kosten im 
IT-ServiceDesk reduziert werden? 

Viele kennen Chatbots bereits aus dem Privatleben. Unternehmen nutzen Sie als Schnittstelle zu den Kunden und setzen sie beispielsweise in Onlineshops, in Instant-Messaging-Systemen, im E-Commerce oder eben im Support ein. 

Bei einem Chatbot handelt es sich um ein technisches Online-Dialogsystem, das Anfragen per Texteingabe oder mithilfe der Spracherkennung entgegennimmt. Der Chatbot beantwortet diese Anfragen automatisiert und ohne menschliches Eingreifen und kann, wenn nötig, zusätzliche Aktionen einleiten. 
Die Hauptaufgaben eines Chatbots sind das Analysieren der Suchanfrage des Users sowie das Suchen einer passenden Antwort. Regelbasierte Chatbots sind lediglich in der Lage, im Vorfeld definierte Keywords in Nutzeranfragen zu erkennen und die damit verknüpften Antworten auszugeben. Durch den Einsatz von Machine Learning ist es möglich, selbstlernende Chatbots zu realisieren. Aufbauend auf einer Wissensdatenbank lernt der Chatbot anhand von Trainingsgesprächen und echter Userkommunikation, wodurch sich der Chatbot laufend weiterentwickelt.  

Eine mögliche Anfrage könnte dann wie folgt aussehen:
Chatbot: «Guten Tag. Ich bin eBot, ein digitaler Assistent des IT-ServiceDesk. Gerne unterstütze ich Sie bei Ihrem Anliegen.»
Mitarbeitende: «Ich möchte mein Passwort zurücksetzen.»
Chatbot: «Folgende Wissenseinträge konnten zu Ihren Angaben gefunden werden: Passwort ändern.»
Chatbot: «War die Lösung hilfreich?»
Mitarbeitende: «Ja passt, Danke!»
Chatbot: «Kann ich noch mit etwas behilflich sein?»
Mitarbeitende: «Nein Danke.»
Chatbot: «Auf Wiedersehen! Ich wünsche Ihnen einen schönen Tag.»

Fazit
Chatbots sind effizienter als ServiceDesk Mitarbeitende, wenn es sich um einfache, wiederkehrende Probleme handelt. Dies reduziert den Workload im IT-ServiceDesk, wodurch Kapazitäten für andere Aufgaben frei werden, und der User erhält eine Antwort ohne längere Wartezeiten. Durch Chatbots ist der IT-ServiceDesk rund um die Uhr, auch an Wochenenden und Feiertagen, erreichbar. Sobald der Chatbot an seine technischen Grenzen stösst, wird ein Ticket eröffnet und ein ServiceDesk Mitarbeitender kümmert sich um die Anfrage. Durch den Einsatz eines Chatbots kann sich der IT-ServiceDesk zukunftsgerichtet positionieren.