Anzeige

Eric Brabänder von Empolis Information Management:

"KI-basierte Anwendungsfälle out of the box"

Im Februar hatte der Lösungsanbieter Empolis rund um cloudbasiertes Wissensmanagement die Akquisition von Intelligent Views bekanntgegeben - inklusive der KI-gestützten Knowledge-Graph-Technologie. Wir haben in beiden Firmen nachgefragt, wie Wissensmanagement und künstliche Intelligenz zusammenpassen.

Bild: Empolis Information Management GmbHBild: Empolis Information Management GmbH

Bild: Empolis Information Management GmbHBild: Empolis Information Management GmbH

Empolis ist vor allem für ihre Wissensmanagement-Lösungen bekannt. Was leistet künstliche Intelligenz bei der Analyse von Big Data und schwach strukturierten Daten?

Strukturierte Informationen aus großen Mengen unstrukturierter Daten zu gewinnen ist eine hervorragende Aufgabe für künstliche Intelligenz. Seit einigen Jahren verstehen darunter aber viele Leute einfach, dass man die Daten einem neuronalen Netz in die Hand drückt und dann sofort 'Insights' bekommt. Das funktioniert tatsächlich für einige Arten von Daten gut, wenn man genau die Frage hat, die das neuronale Netz auch beantworten kann. Unsere Kunden möchten jedoch aus ihren Daten meistens Dinge in Erfahrung bringen, für deren Erkennung es noch gar kein neuronales Netz gibt. Meistens gibt es dafür auch nicht annähernd genug Trainingsdaten, um ein solches Netz zu bauen. Gerade im Maschinen- und Anlagenbau handelt es sich um komplexe Produkte, die in ihrem Wirkzusammenhang wissensintensiv sind, aber nicht immer ausreichend Daten zur Verfügung stellen, um Machine-Learning-Verfahren einzusetzen. So gibt es von manchen Störfällen überhaupt keine oder nicht ausreichend Daten, gerade weil man sie vermeiden möchte. Etwa im Automobilbereich, bei Seilbahnen oder im Flugverkehr, wenn Ausfälle Menschenleben in Gefahr bringen könnten. Es trifft aber auch auf Anlagen zu, die es so nur einmal gibt oder die in unzähligen Konfigurationsvarianten verfügbar sind, sodass die erzeugten Daten nicht generalisierbar sind. Das bedeutet, man muss neben reinen Machine-Learning-Verfahren auch sogenannte wissensbasierte KI-Verfahren einsetzen. Wir gehen damit auf zweierlei Wegen um: Zum einen setzen wir hier ganz klassische regelbasierte Verfahren der künstlichen Intelligenz ein. Diese sind ungemein effizient und auch bei wenigen Trainingsdaten schnell einsetzbar. Zum anderen bauen wir speziell für Daten aus dem technischen Service auch eigene Trainingskorpora auf und nutzen bspw. Verfahren aus dem Transfer Learning, um häufig auftretende Muster aus der Servicedomäne auch in selbstlernenden Verfahren erkennen zu können, zum Beispiel den Zusammenhang zwischen Fehlersymptomen, Ursachen und notwendigen Wartungshandlungen. Dann spielen auch Knowledge-Graphen eine wichtige Rolle, weil sie den Rahmen vorgeben, in den sich die Informationen aus den Daten einfügen müssen und in dem sie validiert werden können.

Empolis Information Management GmbH

Dieser Artikel erschien in IT&Production 4 (Mai) 2020 - 12.05.20.
Für weitere Artikel besuchen Sie www.it-production.com