Künstliche Intelligenz in der Anwendung

Dieser Beitrag bietet eine Einführung in den Themenband „Künstliche Intelligenz in der Anwendung“, der in der Reihe „Angewandte Wirtschaftsinformatik“ erscheint. Er stellt die Beiträge in den thematischen Schwerpunkten vor. Ausgangspunkt für die einzelnen Beiträge sind rechtliche Aspekte. Der Fokus der Beiträge liegt in der Beschreibung von Anwendungspotenzialen für Künstliche Intelligenz und auf der Vorstellung konkreter Einsatzszenarien.

Im April 2016 wurde die Europäische Datenschutz-Grundverordnung (DSGVO) nach jahrelangen Verhandlungen verabschiedet. Doch erst mit dem Ablauf der Übergangsfrist erlangte die DSGVO am 25. Mai 2018 ihre unmittelbare Geltung auch in Deutschland. Die Zielstellung des Unionsgesetzgebers, das europäische Datenschutzrecht zu harmonisieren und zu modernisieren, steht in Zeiten von allgegenwärtiger Automatisierung, Digitalisierung und Vernetzung vor immensen Herausforderungen.

Die DSGVO begegnet dieser Entwicklung mit einer Regelung, die automatisierte Einzelfallentscheidungen grundsätzlich mit einem Verbot belegt. Die von der Datenverarbeitung betroffene Person soll somit vor den Auswirkungen einer Entscheidung geschützt werden, die ausschließlich auf der datengestützten Grundlage einer maschinenverantworteten Bewertung gefällt wird.

Dieses Kapitel stellt den Regelungsinhalt des Art. 22 DSGVO und damit die automatisierten Entscheidungen im Einzelfall einschließlich dem Profiling dar. Insbesondere werden die Praxisrelevanz und die Wirksamkeit der Norm in Zeiten von Big Data untersucht, um zu bewerten, inwiefern die DSGVO die Risiken von maschinell gefällten Entscheidungen adressiert.

Künstliche Intelligenz nimmt komplexe Bewertungen vor, auf deren Grundlage sie ohne menschliches Zutun Entscheidungen treffen oder technische Vorgänge auslösen kann. Derart autonome Entitäten stellen die Rechtsordnung vor Herausforderungen. Sie taugen selbst nicht als Träger von Verantwortung und von Rechten. Aus diesem Grunde hinterlassen sie juristische Zurechnungslücken, wenn sie den Menschen ersetzen. Eine innovationsverträgliche Schließung solcher Lücken wird der Gesetzgeber nur erzielen, wenn er auf eine verwendungsbereichsspezifische Regulierung von Künstlicher Intelligenz setzt. Für das autonome Fahren ist dies bereits zum Teil gelungen.

Gesellschaftliche Trends wie Urbanisierung, digitale Transformation und Sharing Economy beeinflussen die Zukunft des Automobilhandels. Vier Mobilitätsszenarien, bei denen einerseits Autos privat besessen oder geteilt und andererseits von einem Fahrer geführt werden oder sich autonom bewegen, verändern die wichtigsten Geschäftsprozesse im Automobilhandel wie Autoverkauf, Wartung, Reparatur sowie Gebrauchtwagenankauf. In allen Prozessen lassen sich Anwendungsszenarien für die KI-Teilgebiete Computer Vision, Natural Language Processing (NLP) und maschinelles Lernen identifizieren. Die Analyse zeigt, dass der aktuelle Umsetzungsgrad höchst unterschiedlich ausfällt, vom bereits weit verbreiteten Predictive Maintenance in der Wartung, über erste Ansätze von Computer Vision für die Diagnose bei Reparatur und Gebrauchtwagenankauf bis zum für die Branche noch neuartigen Einsatz von Chatbots in der Beratung und von maschinellem Lernen in Empfehlungsprozessen. Für Autohändler ergibt sich die Frage nach einer Spezialisierung, z. B. als Service Factory oder für das Flottenmanagement eines Mobilitätsdienstleisters, die jeweils andere KI-Szenarien erfordert.

Der vorliegende Beitrag untersucht mithilfe einer Serie von Experteninterviews die Akzeptanz von KI-Systemen im Handel. Hierzu werden fünf KI-Anwendungsszenarien näher betrachtet, die bereits heute – zumindest in Ansätzen – in der Praxis als realistisch gelten oder schon Anwendung finden. Der Beitrag hat das Ziel einer synoptischen Prognose, wie sich die Nutzung von KI-Anwendungen im Handel wahrscheinlich entwickeln wird. Gewerblichen Handelsunternehmen werden insoweit Hinweise gegeben, wo sich Investitionen in Systeme der KI rentieren könnten, da mit einer erhöhten Akzeptanz der Kunden oder anderer Stakeholder zu rechnen ist.

Die Anwendung von kausalen Diagrammen gemeinsam mit der mathematischen Sprache der Wahrscheinlichkeitstheorie bietet die Gelegenheit, Fragestellungen der Art „Was wäre wenn?“ zu formulieren und unter gewissen Umständen auch mathematisch fundiert zu beantworten. Im Rahmen dieses Beitrages wird einerseits das zugrunde liegende Konzept erörtert und andererseits eine mögliche Anwendung im Marketing vorgestellt, welche die Wirksamkeit von Online-Werbung zum Gegenstand hat.

Im Konsumentenmarkt entstehen vermehrt neue Anwendungen von Künstlicher Intelligenz (KI). Zunehmend drängen auch Geräte und Dienste in den Markt, die eigenständig über das Internet kommunizieren. Dadurch können diese Geräte und Dienste mit neuartigen KI-basierten Diensten verbessert werden. Solche Dienste können die Art und Weise beeinflussen, wie Kunden kommerzielle Entscheidungen treffen und somit das Kundenerlebnis maßgeblich verändern. Der Einfluss von KI auf kommerzielle Interaktionen wurde bisher noch nicht umfassend untersucht. Basierend auf einem Framework, welches einen ersten Überblick über die Effekte von KI auf kommerzielle Interaktionen gibt, wird in diesem Kapitel der Einfluss von KI auf Customer Journeys am konkreten Anwendungsfall des intelligenten Parkens analysiert. Die daraus gewonnenen Erkenntnisse können in der Praxis als Grundlage genutzt werden, um das Potenzial von KI zu verstehen und bei der Gestaltung eigener Customer Journeys umzusetzen.

Die Weiterentwicklung zur Plattform und der Einsatz von KI-Technologien zur Unterstützung des Plattformgeschäftsmodells bietet Unternehmen die Chance, den disruptiven Veränderungen der Digitalen Transformation zu begegnen. Plattformen tauchen als Geschäftsmodellmuster mit unterschiedlicher Erfolgsrate in diversen Geschäftsmodellclustern auf und unterscheiden sich auch hinsichtlich der Art ihrer Datennutzung. Die Gestaltungsaspekte einer Plattform von Launch bis zu Governance und Controlling etablierter Plattformen implizieren Datennutzung unterschiedlicher Intensität beispielsweise für Prozesssteuerung, Entscheidungsvorbereitung oder -automatisierung. So ergeben sich verschiedene KI-Einsatzmöglichkeiten mit unterschiedlich starken Auswirkungen auf den Plattformerfolg je nach deren Einfluss auf die Wettbewerbsfähigkeit und je nach Häufigkeit der unterstützten Prozesse sowie mehrere Handlungsoptionen für Unternehmen, die sich im Plattformökosystem verorten wollen.

In diesem Kapitel werden die Potenziale für die Anwendung Künstlicher Intelligenz im Projektmanagement beleuchtet. Aufgrund der charakteristischen Neu- und Einzigartigkeit von Projekten scheint diese Anwendungsdomäne auf den ersten Blick eher ungeeignet für den Einsatz Künstlicher Intelligenz, deren Verfahren und Methoden des maschinellen Lernens maßgeblich auf umfassenden historischen Daten basieren. Anhand von existierenden Lösungen in Theorie und Praxis sowie der Ergebnisse einer explorativen Interviewstudie zeigt dieser Beitrag, dass Künstliche Intelligenz dennoch einen sinnvollen Beitrag in der Anwendungsdomäne Projektmanagement leisten kann. Dazu wird ein Ordnungsrahmen vorgestellt, der die Anforderungen Künstlicher Intelligenz an die Anwendungsdomäne Projektmanagement einerseits sowie Anforderungen des Projektmanagements an die Lösungsdomäne Künstliche Intelligenz andererseits umfasst. Unter Betrachtung der wechselseitigen Anforderungen dieser beiden Domänen strukturiert der entwickelte Ordnungsrahmen die Einsatzpotenziale für Künstliche Intelligenz im Projektmanagement und unterstützt damit auch die zielgerichtete Lösungskonzeption in Unternehmen.

Dunkelverarbeitung ist eine Form der Digitalisierung in der Dokumentenverarbeitung. Aus Kostengründen arbeiten die Versicherungen seit Jahren daran, den Anteil der Dunkelverarbeitung zu erhöhen. Rechnungen in der privaten Krankenversicherung bieten durch das Gebührenziffernsystem auf Basis der Gebührenordnung gute Voraussetzungen für eine automatisierte Verarbeitung. Hierbei kommen sowohl klassische Techniken der Künstlichen Intelligenz (KI) wie Regelsysteme als auch neuere konnektionistischen Ansätze wie Convolutional Neural Networks (CNN) mit Deep Learning zum Einsatz.

Im Recruiting sind oftmals große Datenmengen aufzubereiten und zu analysieren. Das Ziel dabei: Die Informationsverarbeitung und Entscheidungsfindung vor, während und nach der Bewerbung zu optimieren sowie die Kommunikation zwischen Recruitingverantwortlichen, Fachabteilungen und Bewerbern zu unterstützen. Für den Einsatz von Verfahren der Künstlichen Intelligenz eröffnen sich in diesem Bereich vielfältige Anwendungsmöglichkeiten entlang des gesamten Recruitingprozesses bzw. der sogenannten „Candidate Journey“. Diese Anwendungsfelder und zugehörigen Potenziale für den KI-Einsatz werden im Beitrag zunächst systematisch beschrieben. Danach werden Erkenntnisse aus konkreten Pilotanwendungen vorgestellt. Hierzu gehören eine KI-Anwendung zur Unterstützung der Recruiter bei der Formulierung von Stellenanzeigen sowie die Einsatzmöglichkeiten von Chatbots im Bewerbersupport.

Künstliche Intelligenz, soweit besteht Einigkeit, hat das Potenzial, auch administrative Jobs zu verändern. Während in vielen Bereichen der Forschung die Arbeiten zur Künstlichen Intelligenz eine relativ lange Tradition aufweisen, ist das Personalmanagement ein Gebiet, in dem sich erst seit wenigen Jahren mit dem Thema beschäftigt wird. Es gibt viele Vorschläge zum Einsatz von Künstlicher Intelligenz im Personalmanagement, aber es mangelt an konkreten empirischen Beispielen. Dieser Beitrag versucht, im Rahmen einer Pilotstudie mit drei kleinen Datensätzen einen konkreten Anwendungsfall zu exemplifizieren. Mittels der einfachen Clusteranalyse aus der Gruppe des unsupervised Learnings sowie eines neuronalen Netzes aus der Gruppe des supervised Learnings werden Bewerbungsanschreiben analysiert. Dabei kann in Abhängigkeit der Qualität und Größe des Datensatzes gezeigt werden, dass die Clusteranalyse über Dokument-Wort-Matrizen menschliche Urteilsgruppen signifikant replizieren und darüber hinaus die Menge der optimalen Urteilsgruppen bestimmen kann. So müssten Recruiter nur noch exemplarische Bewerbungen je ermittelter Urteilsgruppe ansehen, um die Güte der Gruppe festzulegen. Mit Hinzunahme des neuronalen Netzes konnte eine Performancesteigerung sowohl bei der Replikation der menschlichen Urteile als auch im Falle der optimalen Menge der Urteilsgruppen in Abhängigkeit der Anzahl der verwendeten versteckten Neuronen erreicht werden. Dies beschränkt sich allerdings auf das Trainingsdatenset. Insofern kann abschließend festgehalten werden, dass die Verwendung beider Methoden ein erfolgversprechender Ansatz zur Einführung von Künstlicher Intelligenz im Recruiting darstellt.

In diesem Kapitel wird ein innovatives zweistufiges Klassifikationsframework vorgestellt, das auf Basis multipler Modelle für den Sprechausdruck qualitätsinduzierende Kriterien bei Callcentergesprächen mit erklärungsfähigen Regeln prognostizieren kann. Durch diese Basisklassifikation wird eine symbolische Repräsentation des Sprechausdrucks erzeugt, die sowohl für Experten verständlich ist als auch von Klassifikationsalgorithmen verarbeitet werden kann. In der zweiten Stufe werden mit Lernverfahren die erkannten sprecherisch-stimmlichen Merkmale zu einer Klassifikation der Qualitätsfaktoren zusammengeführt. Regeln und Entscheidungsbäume bilden die funktionalen Beziehungen zu den relevanten Merkmalen ab und können so anhand der erkannten sprecherisch-stimmlichen Merkmale die wahrgenommenen Qualitätsfaktoren erklären.

Künstliche neuronale Netze sind in der Lage, in Datenmengen Muster zu identifizieren. Diese Identifikation ist aber stochastisch und kann durch den Programmierer zwar geprüft, aber nicht zugesichert werden. Gerade wenn klassische Algorithmen den Großteil der Verarbeitung erfüllen können, scheint es deshalb – besonders unter dem Blickwinkel der Nachvollziehbarkeit, einer Forderung vieler Standards – einfacher, auf die Vorteile z. B. von künstlichen neuronalen Netzen zu verzichten, da sich der Aufwand der Absicherung des vollständigen Verarbeitungsschritts nicht rechnet bzw. (derzeit) nicht möglich ist. Darum wird in diesem Kapitel das Prinzip der „Evidence Maps“ beschrieben, das den Einsatz von stochastischen Algorithmen klar kapselt, um entsprechende KI-Ansätze auch in komplexen Systemen als Teilkomponenten integrieren zu können. Auf diesen Evidence Maps konkurriert der Output der KI-Algorithmen mit dem der klassischen Algorithmen. So kann die Überprüfbarkeit und damit die Nachvollziehbarkeit der Letzteren eine Grundsicherheit liefern, die – nun kleiner und damit überschaubarer gewordenen – Aufgabenbereiche der KI-Algorithmen die Grenzbetrachtungen vervollständigen können.