KI-basierte Einsatzszenarien

Next Generation Workplace powered by Machine Learning

Maximilian Hille ist Analyst des IT-Research- und Beratungsunternehmens Crisp Research. Seine inhaltlichen Schwerpunkte sind Cloud Computing, Social Collaboration und Mobile Innovations.
Machine Learning und Artificial Intelligence sind gerade „das Ding“ im Technologie-Markt. Das Suchinteresse auf Google für den Begriff „Machine Learning“ hat sich seit Juni 2016 noch einmal verdoppelt. Doch wie lässt sich KI/AI am (mobilen) Arbeitsplatz einsetzen?

Die Nutzung von Daten- & Software-getriebener Intelligenz für die Automatisierung der IT, die Unterstützung in Prozessen oder als Sprach- und Kundenservice-Roboter sorgen gerade für eine Menge Wirbel und haben schon auf ein Stichwort die Aufmerksamkeit der Entscheider in Deutschland. In vielen Bereichen von Produkten und Dienstleistungen sind bereits Technologien aus dem Bereich des Machine Learning im Einsatz und dies wird sich noch deutlich steigern. Der Wertanteil von Machine Learning an Produkten und Diensten wird sich spürbar erhöhen und zum Teil auch einige Produkte oder Dienste überhaupt erst möglich machen.

Machine Learning hat das Potenzial, die Arbeit und den Kundenkontakt deutlich zu erleichtern.
Machine Learning hat das Potenzial, die Arbeit und den Kundenkontakt deutlich zu erleichtern.
Foto: ibreakstock - shutterstock.com

Heute möchte kein Nutzer, sei es ein Mitarbeiter, Partner oder Kunde, triviale Entscheidungen mehr treffen, wenn er einer Technologie oder App gegenübersteht. Durch die immer häufiger schon praktische Nutzung der riesigen Datenmengen wissen die Systeme meist sowieso schon vor dem Nutzer, was er braucht, was ihm gefällt oder was er als nächstes tut.

Machine Learning & Mobility – Mehr als „nur“ Chatbots

Im Kontext mobiler Arbeitsplätze und dem mobilen Kundenkontakt werden den meisten Menschen vermutlich Chatbots als relevanter Einsatzzweck einfallen. Und in der Tat sind textbasierte Sprachdialogsysteme vor allem aufgrund der Vielzahl von Angeboten von Facebook, Amazon, IBM, Google & Co. schnell zu ersten Produktivszenarien gereift. Denn viele Service-Prozesse und teilweise sogar Banking-Geschäfte werden schon heute über Chatbots abgewickelt.

Da sich dank der Frameworks der Anbieter jeder semi-professionelle Entwickler einen Chatbot bauen kann, sofern die zugrundeliegende Logik passt, nimmt die Zahl solcher Bots immer mehr zu. Und zukünftig werden auch Workflows im „ChatOps“-Modell laufen. Das bedeutet, dass sich auf einer Chat-Plattform wie Slack, wie gewohnt Mitarbeiter zu aktuellen Themen & Projekten austauschen. Allerdings werden auch Tools und Bots eingesetzt, um bestimmte Tasks zu erledigen und Fragen zu beantworten.

Doch auch darüber hinaus bietet sich in Verbindung mit mobiler Arbeit und dem mobilen Kundenkontakt eine Reihe von Einsatzzwecken. Mobile AI hat den gesamten Workplace-Stack „infiziert“ und reicht vom Backend-Layer bis zu den neuesten Apps und Services.

Mobile AI hat den gesamten Workplace-Stack „infiziert“ - vom Backend-Layer bis zu den neuesten Apps und Services.
Mobile AI hat den gesamten Workplace-Stack „infiziert“ - vom Backend-Layer bis zu den neuesten Apps und Services.
Foto: Crisp Research AG, 2017

Nebst der hohen Wahrscheinlichkeit, dass AI bald ohnehin eine Teil-Komponente beinahe jeder Technologie bilden wird, sind einige weitere Einsatzzwecke schon heute denkbar und zum Greifen nahe.

Die Fähigkeiten von Machine Learning zur Automation und schnellen Aufbereitung von großen Datenmengen spielen dabei eine wesentliche Rolle. Auch Features wie Gesichts-, Text-, Sprach- & Bilderkennung können genutzt werden, um basierend auf Machine Learning Algorithmen neue und innovative Apps zu entwickeln.

Lastverteilung, Security & Personalisierung – die Mobile AI Use Cases

  • Sync der Datenbestände: Die Realität des Arbeitsalltags hat sich geändert. Mitarbeiter wollen die gleiche User Experience & App-Landschaft auf allen Endgeräten. Dazu zählen auch die Datenbestände im Unternehmen. Um diese so zusammenzuführen und möglicherweise auch „Mobile App-ready“ aufzubereiten, sind Machine Learning-Tools gefragt.

  • Lastverteilung: Intelligentes Lastmanagement ist vor allem ein Infrastruktur- bzw. IT- & Cloud-Management-Thema. Aber auch für den mobilen Arbeitsplatz, wenn beispielsweise jeden Morgen 4.000 Nutzer auf ihre VDI-Infrastruktur zugreifen, gibt es die Notwendigkeit, die Backend-Infrastruktur optimal auszulasten bzw. bestimmte Prozesse im Hintergrund herunterzufahren, sodass alle User problemlosen Zugriff erhalten.

  • Mobile Security & IAM: Je mehr unternehmenskritische Daten auf mobilen Geräten abgerufen werden, desto spannender werden diese als Ziele für Hacker und Cyberkriminelle. Mit Algorithmen zur Erkennung von Anomalien im Nutzer- & Infrastrukturverhalten können mögliche Schwachstellen mittels Machine Learning erkannt werden. Auch im Identity und Access Management kann Machine Learning anhand von Datenanalysen für eine genauere Zuordnung von Personas & Berechtigungen sorgen. Auch abhängig von Umgebungen (auf dem Firmencampus vs. Im Flugzeug) könnten automatisiert Berechtigungen entstehen. Etwas Science-Fiction, aber durchaus möglich wäre auch, dass die Gesichtserkennung bald das Passwort absetzen könnte.

  • Search & Discovery: Enterprise App-Stores sind für viele Unternehmen ein wichtiger Baustein der Mobility-Strategie. Die Auswahl der richtigen Apps erfolgt aber oft einseitig und durch wenige Personen. Wenn Machine Learning und Artificial Intelligence das Nutzungsverhalten, die Tasks und Anforderungen der Mitarbeiter aber untersuchen und auf dieser Basis App-Empfehlungen aussprechen würden, wächst der Stack nicht nur schnell, sondern vor allem sinnvoll an.

  • Mobile & UX Monitoring: In eine ähnliche Kerbe schlägt auch die Idee, User Experience Management mit Machine Learning zu optimieren. Anhand des Nutzerverhaltens auf den Apps und anhand von Design-Kriterien aus Best Practice-Anwendungen und Beispielen könnten die Unternehmen Erkenntnisse zur Güte der User Experience und App-Nutzung erhalten. Diese können sowohl an die Design und Entwicklungsabteilung gespiegelt werden, als auch für zukünftige kundenzentrierte Apps genutzt werden.

  • Personalisierung/Kontextualisierung: Schon heute gibt es Ansätze, anhand von bspw. Geo-Daten den Nutzern Inhalte und Daten bereitzustellen, die zu ihrer Location passen. Beispielsweise werden so Angebote eines Geschäfts in der Nähe per Push auf das Smartphone gebracht. Mit Machine Learning werden diese Daten noch deutlich genauer. Schlussendlich werden Standard-Apps unter Hinzunahme von bestimmten Daten, die direkt dem Nutzer zuzuordnen sind, für seine Bedürfnisse angepasst. Das funktioniert dann für Mitarbeiter, die unterschiedliche Aufgaben zu unterschiedlichen Zeiten, Orten und Projektstadien erledigen müssen. Ähnliche Modelle sind auch für Kunden und Partner denkbar.

  • Optimierung des Field Service: Der Außendienst hat häufig mit hohen Ineffizienzen zu kämpfen. Eine gute Routenplanung vermag bislang noch kaum eine Software-Lösung wirklich zu bewerkstelligen. Mit dem „Wissen“, dass Machine Learning-Algorithmen aus den Erfahrungswerten der letzten Jahre generieren, besteht aber Hoffnung. Effiziente Routenplanung für den technischen Service, aber auch in der Logistik, sind zukünftig möglich.

  • Service & Maintenance-Tool: Predictive Maintenance ist ja bereits ein bekanntes Beispiel aus dem Machine Learning-Umfeld. Wenn aber auch der technische Service ein individuelles Tool erhält und die notwendigen Werkzeuge und Bauteile zur Wartung einer Maschine vorab bekannt sind, erspart dies Wege, Aufwand, Last und vor allem Zeit. Werden mehrere Daten zum Auftrag aggregiert und genutzt, sind auch hier Effizienzen zukünftig möglich.

Der Weg zum Machine Learning Powered Workplace

Die Logik hinter den einzelnen Prozessen lässt sich in einem stark vereinfachten Modell auch weitgehend vereinheitlichen. Alle Services basieren letztlich darauf, dass eine große Menge von Daten für einen ganz bestimmten Zweck aufbereitet wird. Eine Anfrage – entweder standardisiert oder je nach Bedarf vom Nutzer gesteuert – löst stets einen Prozess im Backend aus, der aus den Daten die relevante Information generiert. Die aufbereiteten und analysierten Daten stehen dann dem Framework zur Verfügung, mit dessen Hilfe dann je nach Einsatzzweck gesamte Workflows oder einzelne Aufgaben automatisiert werden können.

Wichtige Bausteine sind dabei zum Teil auch SaaS-Plattformen, um das Routing zwischen den Plattformen und Ökosystem zu überbrücken. Dazu zählen beispielsweise Microsoft Flow oder IFTTT. In einer über APIs und Konnektoren vernetzten Architektur laufen letztlich alle Anwendungen, Services und Prozesse zusammen, sodass teilweise mit wenig Aufwand neue Frontend-Lösungen entstehen können. So kann auch gewährleistet werden, dass der Nutzer immer weniger manuelle Eingaben machen muss, um die richtige Information oder Automation zum Prozess zu erhalten.

Dank AI muss der Nutzer immer weniger manuelle Eingaben machen, um die richtige Information oder Automation zum Prozess zu erhalten.
Dank AI muss der Nutzer immer weniger manuelle Eingaben machen, um die richtige Information oder Automation zum Prozess zu erhalten.
Foto: Crisp Research AG, 2017

Um diese oben genannten Use Cases zu erreichen, ist oftmals noch etwas Arbeit vor den Unternehmen. Viele reden bereits sehr konkret darüber, mit Machine Learning die Arbeit und den Kundenkontakt zu erleichtern. Aber vor allem das Datenmodell und auch die Technologien sind essentiell, um auf dessen Basis die „Frontend-Anwendungen“ real werden zu lassen. So gehören der Aufbau einer Daten-Kernkompetenz und angemessenen IT-Architektur zu den Grundvoraussetzungen, um in einzelnen Architekturen und Use Cases die richtigen Lösungen zu finden.