The Doppler Quarterly (DEUTSCHE) Sommer 2017

Wir nutzen mehr Anwendungen für diese Vorhersageart als für jede andere, da die Antworten mit Ja oder Nein weniger komplex sind. Daher finden sich diese Art Anwendungsfälle für künstliche Intelligenz oft in typischen Geschäftspro- zessen wieder, wie beispielsweise in der Auftragsverarbeitung, in Bonitätsprü- fungssystemen und Recommendation Engines, um Benutzern Videos, Musik oder andere Produkte basierend auf gesammelten Daten und erlernten Ant- worten vorzuschlagen. Wir haben festgestellt, dass die Finanz- und Ferti- gungsbranchen am meisten von diesem Aspekt der künstlichen Intelligenz profitieren (Abbildung 2). 2. Kategorievorhersagen basieren auf dem Betrachten eines Datensatzes und, basierend auf den erlernten Informationen, dem anschließenden Einteilen die- ser Information in eine bestimmte Kategorie. Dies ist nützlich, wenn sehr unterschiedliche Arten von Daten analysiert werden und Kategorien erforder- lich sind, damit die Daten besser verstanden und verarbeitet werden können. Beispielsweise teilen Versicherungsgesellschaften verschiedene Fälle von Ansprüchen in bestimmten Kategorien ein, basierend auf den im Laufe der Jahre gesammelten Informationen und gemachten Erfahrungen. Ein Beispiel hierfür wäre die Bestimmung der wahrscheinlichen Unfallursache, selbst wenn diese Informationen nicht Teil der Daten sind. So kann das KI-System Zuord- nungen wie „wahrscheinlich alkoholisiert“, „wahrscheinlich Betrug“ oder „wahrscheinlich wetterb edingt“ vornehmen, basierend auf früher erlernten Informationen wie zum Beispiel der Tageszeit, zu der sich der Unfall ereignet hat, und den Ort, die Art des Schadens, das Alter des Fahrers usw. Kategorievorhersagen finden auf verschiedenste Art Anwendung, z. B. wenn wir Daten um zusätzliche Erläuterungen erweitern müssen, die direkten Kor- relationsdaten aber nicht in der vorhandenen Datenbank enthalten sind. So können Branchen wie Finanzwesen, Fertigung und Einzelhandel diese Katego- rievorhersageart der Technologie einsetzen. Wir haben festgestellt, dass die Finanzdienstleistungsbranche und das Gesundheitswesen besonders von diesem Aspekt der künstlichen Intelligenz profitieren können (Abbildung 2). Zum Beispiel muss ein Benutzer im Finanz- sektor möglicherweise Transaktionen in Kategorien wie „wahrscheinlich betrügerisch“ oder „wahrscheinlich nicht konform“ einteilen. Oder Kranken- häuser müssen möglicherweise Testergebnisse, die aus dem Labor zurück- kommen, kategorisieren. 3. Wertvorhersagen sind deutlich komplexer, aber auch informativer. Sie geben quantitative Informationen über wahrscheinliche Ergebnisse aus Daten, die durch Lernmodelle zur Mustererkennung ausgelesen wurden. Nehmen wir an, wir möchten herausfinden, wie viele Einheiten eines Produk- tes im nächsten Monat voraussichtlich verkauft werden. Dies kann eine sehr hilfreiche Information sein. Sie kann eine bessere Fertigungsplanung ermögli- chen. Sie kann Ihnen sagen, ob zusätzliche Einnahmen generiert werden müs- sen, um die vierteljährlichen Ziele zu erreichen. Sie kann sogar die Reisekosten von Verkäufern reduzieren, die Anfragen nachgehen. Wir haben festgestellt, dass alle Branchen von diesem Aspekt der künstlichen Intelligenz (siehe Abbildung 2) profitieren können; insbesondere aber die Ferti- gungsbranche zur Optimierung der Produktion sowie der öffentliche Sektor für Verteidigungsmaßnahmen wie z. B. Bedrohungsanalysen. SOMMER 2017 | THE DOPPLER | 39

The Doppler Quarterly (DEUTSCHE) Sommer 2017 | Page 41