Publiziert am 29. August 2017 von Redaktion Digitales Wirtschaftswunder unter: Cloud Services & IT-Transformation, Digitalisierung

Arbeit 4.0 Crisp Künstliche Intelligenz Machine Learning

Mobiles Arbeiten mit Machine Learning optimieren

Quelle: © istock.com / Peopleimages

Künstliche Intelligenz (KI) wird zunehmend zur Teilkomponente bestehender Technologien. Insbesondere Machine Learning bietet Unternehmen eine Reihe von Einsatzzwecken für das mobile Arbeiten. Teils sind sie bereits zum Greifen nah.

Machine-Learning-Technologien kommen bereits heute in vielen Produkten und Dienstleistungen zum Einsatz. Maximilian Hille, Analyst bei Crisp Research, geht davon aus, dass deren Anteil noch deutlich zunimmt, wie er in einem Beitrag für die Computerwoche ausführt. Der Wertanteil von Machine Learning an Produkten und Diensten werde sich spürbar erhöhen und einige Produkte oder Dienste überhaupt erst möglich machen.

Insbesondere in Verbindung mit mobiler Arbeit und mobilem Kundenkontakt böte dieser Teilbereich der künstlichen Intelligenz (KI) eine Reihe komplett neuer Einsatzzwecke. Grund seien die Fähigkeiten von Machine Learning zur Automation sowie zur schnellen Aufbereitung großer Datenmengen. KI-Technologien wie Gesichts-, Sprach-, Bild- und Texterkennung könnten ergänzend genutzt werden, um Algorithmen und innovative Apps für mobile Szenarien auf Basis von Machine Learning zu entwickeln. Der Crisp-Analyst benennt eine Reihe potentieller Anwendungsfelder für Mobile Künstliche Intelligenz (Mobile AI):

• Damit Mitarbeiter per mobiler App genauso komfortabel und umfassend auf Unternehmensdaten zurückgreifen können, braucht es Machine-Learning-Tools, die diese Daten zusammenführen, aufbereiten und verfügbar machen.
• Selbstlernende Systeme sind geeignet, Netzwerk- und Systemlasten flexibel und optimal auszubalancieren. Das ist nicht nur ein IT- und Cloud-Management-Thema, sondern auch eines des mobilen Arbeitsplatzes, wenn zum Beispiel Tausende von Mitarbeitern „von unterwegs“ gleichzeitig auf das Backend zugreifen.
• Je mehr Mitarbeiter mobil auf unternehmenskritische Daten zugreifen, umso attraktiver werden die mobilen Systeme für Cyberkriminelle. Machine-Learning-Tools können Mobile Security und IAM (Identity & Access Management) verbessern, wenn sie Anomalien im Nutzer- und Netzwerkverhalten mittels Algorithmen aufdecken. Beim IAM hingegen könnte zum Beispiel bald die Gesichtserkennung das Passwort ablösen und so den mobilen Zugang einfacher und sicherer machen.
• Der Erfolg firmeninterner App Stores steht und fällt mit dem Angebot der zur Verfügung gestellten Apps. Machine Learning und KI können sinnvolle App-Empfehlungen aussprechen, wenn sie das Nutzerverhalten, die Aufgaben und Anforderungen der Mitarbeiter kontinuierlich untersuchen. So wächst der App-Bestand nicht nur schnell, sondern vor allem auch sinnvoll an.
• Um die Bedienung und die Akzeptanz von Anwendungen zu verbessern, können Unternehmen mittels Machine Learning das Nutzerverhalten ihrer Mitarbeiter untersuchen und die Ergebnisse an die Design- und Entwicklungsabteilungen zurückspiegeln.
• Personalisierte Daten im richtigen Kontext sind das A und O sowohl für Mitarbeiter- als auch für Kundenanwendungen. Schon heute werden Nutzern mithilfe von Geodaten gezielt Inhalte zur Verfügung gestellt, die zu ihrer aktuellen Umgebung passen. Mit Machine Learning werden diese Daten noch deutlich genauer. Bei Mitarbeitern erwachsen daraus vor allem Vorteile, wenn sie unterschiedliche Aufgaben mit variablen Zeiten, Orten und Projektstadien erledigen müssen.
• Mithilfe von Machine Learning lässt sich die Effizienz des Außendiensts erhöhen. Anhand von Erfahrungswerten der letzten Monate und Jahre können Algorithmen zum Beispiel eine effiziente Routenplanung für den technischen Service, aber auch in der Logistik erstellen.
• Predictive Maintenance ist vor allem in der Fertigungsindustrie bereits ein Anwendungsfeld von Machine Learning. Dieses proaktive statt nur reaktive Vorhersehen anstehender Wartungsmaßnahmen kann auch allgemein im technischen Service Wege, Aufwand, Lasten und Zeit sparen.

Als wichtigste Voraussetzungen, um diese Anwendungsfälle real werden zu lassen, betrachtet Hille den Aufbau einer Daten-Kernkompetenz sowie einer angemessenen IT-Architektur, um in einzelnen Architekturen und Use Cases die richtigen Lösungen zu finden. Ein wenig Arbeit liegt also noch vor den Unternehmen.