Bereit für den nächsten Schritt in Ihrer NLP-Reise? Vernetzen Sie sich mit Top-Arbeitgebern, die Talente in der natürlichen Sprachverarbeitung suchen. Entdecken Sie Ihren Traumjob!
Finden Sie Ihren TraumjobWie Hybrid-KI das Beste aus symbolischer KI und maschinellem Lernen kombinieren kann, um Gehälter, Risiken und Kosten klinischer Studien vorherzusagen und Chatbots zu verbessern.
Nach allen Schätzungen entwickelt sich KI ( künstliche Intelligenz ) schnell zum dominierenden Trend in Datenökosystemen auf der ganzen Welt. Im Laufe der Jahrzehnte wird dieser Trend nur noch zunehmen. IDC, ein führendes globales Marktforschungsunternehmen, schätzt, dass der KI-Markt bis 2024 einen Wert von 500 Milliarden US-Dollar haben wird. Nahezu alle Branchen werden davon betroffen sein und eine Reihe neuer Anwendungen und Dienste hervorbringen, die die Arbeit und das Leben im Allgemeinen einfacher machen sollen. Auch die KI-Strategieberatung entwickelt sich zu einer der wichtigsten datenwissenschaftlichen Dienstleistungen.
In diesem Jahr können wir definitiv davon ausgehen, dass die KI bei der Lösung praktischer Probleme, die unstrukturierten, datengesteuerten Sprachprozessen normalerweise im Weg stehen, weitaus effizienter werden wird – vor allem dank der Fortschritte bei der Verarbeitung natürlicher Sprache ( NLP ).
Wie würden Sie vorgehen, wenn Sie ein Bewerbersystem entwickeln, bei dem Arbeitssuchende ihren Lebenslauf hochladen und das System eine Gehaltsspanne empfiehlt?
Sehr vereinfachte Demonstration, wie eine symbolische KI in einem Lebenslauf Dienstaltersstufen finden könnte.
Der erste Ansatz wird als symbolische KI , regelbasierte KI oder Wissenstechnik bezeichnet, und der zweite Ansatz kann als nicht-symbolische KI oder einfach als maschinelles Lernen bezeichnet werden.
Bei der symbolischen KI geht es um manuelle Regeln, während beim maschinellen Lernen Muster aus markierten Daten erlernt werden.
Natürlich gibt es keine richtige oder falsche Antwort. Der symbolische KI-Ansatz ist offensichtlich mit Schwierigkeiten behaftet: Wie können Sie jemals sicher sein, dass Sie alle möglichen Formulierungen berücksichtigt haben, die ein Kandidat verwenden könnte? Reines maschinelles Lernen ist auch deshalb schwierig, weil Sie möglicherweise keinen Zugriff auf einen gekennzeichneten Datensatz haben und keine Kontrolle über die Muster haben, die die KI lernt.
Wie wäre es mit einem kombinierten Ansatz: Sie nutzen maschinelles Lernen, um wichtige Merkmale des beruflichen Werdegangs eines Bewerbers zu ermitteln, wie etwa die Dauer seiner Karriere, kombinieren diese aber mit einem manuellen Regelsatz, um sie in eine Gehaltsspanne umzuwandeln? Dieser Ansatz, bekannt als hybride KI , ermöglicht es Ihnen, die Vorteile sowohl der symbolischen KI als auch des maschinellen Lernens zu nutzen.
Hybride KI kann als die Anreicherung bestehender KI-Modelle durch speziell erworbenes Expertenwissen definiert werden. Hybride KI ist eines der am meisten diskutierten Themen im Bereich Technologie, Verarbeitung natürlicher Sprache und KI.
Bevor wir uns im Detail mit hybrider KI befassen – also damit, was ihr Kern ist und was einige ihrer Anwendungsfälle sein könnten – sollten wir zunächst ein wenig über den Hintergrund sprechen, sozusagen den Hintergrund für die Entstehung von hybrider KI.
Von allen Herausforderungen, denen sich KI stellen muss, ist das Verstehen von Sprache wahrscheinlich eine der schwierigsten. Auch wenn die überwiegende Mehrheit der heute existierenden KI-Lösungen in der Lage ist, riesige Mengen sowohl an Rohzahlen als auch an strukturierten Daten in Millisekunden zu verarbeiten, sind die unterschiedlichen Bedeutungen und Nuancen der Sprache je nach Kontext ein ganz anderes Problem.
Für ein KI-System sind Wörter kontextabhängig, was bedeutet, dass sie unter verschiedenen Umständen unterschiedlich interpretiert werden. Für unser Gehirn ist das relativ unkompliziert und „normalerweise“ normal, für eine Software ist es jedoch nicht ganz so einfach.
Dies ist der Hauptgrund, warum die Entwicklung von Software, die Sprache richtig und zuverlässig interpretieren kann, für die Entwicklung jeglicher Art von KI so wichtig geworden ist. Wenn Unternehmen in der Lage sind, dieses Niveau an rechnerischer Genialität zu erreichen, wären sie buchstäblich in der Lage, die Schleusen für die KI-Entwicklung zu öffnen – indem sie der KI Zugriff auf praktisch jede Art von Wissen gewähren, das sie ihr vorsetzen.
Die Verarbeitung natürlicher Sprache oder einfach NLP ist ein wesentlicher Bestandteil dieser Gleichung – und zwar aufgrund ihrer Fähigkeit, eine ganze Welt sprachbasierter Informationen zu nutzen. Sprache ist etwas, das im Mittelpunkt aller Facetten der Unternehmenstätigkeit steht. Dies bedeutet, dass ein KI-Ansatz erst dann als vollständig und praktikabel angesehen werden kann, wenn aus dieser Art von Daten der maximale Wert extrahiert werden kann.
Ein symbolischer oder wissensbasierter Ansatz nutzt einen Wissensgraphen , der als offene Box betrachtet werden kann – wobei die Struktur von Datenwissenschaftlern mit dem Ziel erstellt wird, die reale Welt darzustellen – eine Welt, in der Konzepte klar definiert und durch semantische Beziehungen miteinander verbunden sind.
Angesichts der Leistungsfähigkeit von NLP- Algorithmen und Wissensgraphen ist es einfach, praktisch jede Art von Text direkt „out of the box“ zu lesen und daraus zu lernen und ein tiefgreifendes Verständnis dafür zu erlangen, wie Daten interpretiert werden, sodass sich aus dieser Interpretation leicht Schlussfolgerungen ziehen lassen.
Dies ist sehr ähnlich der Art und Weise, wie Menschen ihr eigenes domänenorientiertes, spezifisches Wissen schaffen können – und genau das wird es KI-Projekten ermöglichen, die algorithmischen Ergebnisse mit expliziten Wissensrepräsentationen zu verknüpfen. Im Jahr 2022 wird es mit Sicherheit eine Verschiebung hin zu dieser Art von KI-Ansatz geben, bei dem beide Techniken kombiniert werden. Betreten Sie die Welt der hybriden KI.
Hybride KI nutzt verschiedene Techniken, um die Gesamtergebnisse zu verbessern und gleichzeitig komplexe kognitive Probleme sehr effektiv zu lösen. Hybride KI wird auch schnell zu einem sehr beliebten Ansatz für die Verarbeitung natürlicher Sprache .
Die Zusammenführung der besten hybriden KI- und Maschinelles-Lernen-Modelle (ML) ist der beste Weg, den vollen Wert unstrukturierter Sprachdaten auszuschöpfen – und zwar auf eine schnelle, genaue und skalierbare Weise, wie es die meisten Unternehmen heute verlangen .
Der Einsatz symbolischer Argumentation, Wissens und semantischen Verständnisses wird weitaus präzisere Ergebnisse liefern, als man für möglich gehalten hätte, und darüber hinaus eine effektivere und effizientere KI- Umgebung schaffen. Darüber hinaus wird dadurch auch ressourcenintensives Training reduziert, das sonst eine teure Hochgeschwindigkeitsdateninfrastruktur erfordert.
Hybride KI ist ein ganzheitlicherer und umfassenderer Ansatz, um den vollen Nutzen und das Potenzial von KI-basierten Lösungen nachhaltig zu nutzen. Um die Tragweite dieser Aussage zu erfassen, sollten wir zwei Bereiche der KI verstehen:
Symbolische KI: Bei der symbolischen KI versuchen Data Scientists, Sachverhalte und Ereignisse mittels logischer Regeln zu verknüpfen und das Wissen durch semantische Anreicherung maschinenlesbar und abrufbar zu machen.
Nicht-symbolische KI (Maschinelles Lernen-Ansatz): Dieser Bereich bezieht sich auf Modelle des maschinellen Lernens, des Deep Learning und der neuronalen Netzwerke, bei denen umfangreiche Trainingsdaten verwendet werden, um zu Entscheidungen und Schlussfolgerungen zu gelangen.
Die traditionelle Sichtweise ist, dass symbolische KI als „Lieferant“ für nicht-symbolische KI fungieren kann, die wiederum den Großteil der Arbeit übernimmt. Alternativ kann eine nicht-symbolische KI Eingabedaten für eine symbolische KI bereitstellen. Die symbolische KI kann verwendet werden, um Trainingsdaten für das maschinelle Lernmodell zu generieren.
Dies kann auch aus einem anderen Blickwinkel betrachtet werden, wobei die symbolische KI eine wesentliche Aufgabe darstellt, die allein viel Wert schaffen kann, anstatt den Großteil der Arbeit der nicht-symbolischen KI zu überlassen – d. h. durch die Strukturierung, Aufbereitung und Anreicherung organisatorischer Daten sowie von Wissen (z. B. Logik, Fakten, Semantik, Ereignisse usw.) in eine maschinenlesbare Form.
Diese Vorbereitung erfolgt in Form eines Wissensgraphen, den wir zu Beginn des Artikels kurz besprochen haben. Man kann wohl mit Fug und Recht behaupten, dass hybride KI eher eine Kombination aus symbolischer und nicht-symbolischer KI ist als alles andere. Und der Wissensgraph kann potenziell ein großer Vorteil für jedes Unternehmen sein.
Vielleicht wäre es besser, wenn wir an dieser Stelle unsere Definition der hybriden KI überarbeiten und etwas verfeinern:
Hybride KI ist die einheitliche, strukturierte und umfassende Nutzung sowohl symbolischer als auch nicht-symbolischer KI, um Daten oder Wissen einer Organisation zu erfassen, abzubilden, zu strukturieren und in einem verständlichen, lesbaren und „maschinenabrufbaren“ Format verfügbar zu machen. Dieses Wissen kann wiederum durch die Verarbeitung natürlicher Sprache abgerufen werden, was für Menschen der einfachste Zugriffsmodus ist.
Fast Data Science - London
Wir können der obigen Aussage durch diese praktischen Anwendungsbeispiele sicherlich mehr Gewicht verleihen:
Im Einzelhandel könnte die Produktdatenbank einer Modemarke eine symbolische KI darstellen. Angaben wie Größe, Farbe oder Kompatibilität/Eignung mit anderen Produkten können sehr einfach dargestellt werden, wenn ein Benutzer Produktdaten über Chatbots oder Sprachassistenten abfragt.
Im Bereich autonomer Fahrzeuge kann die symbolische KI anhand von Kartendaten angeben, wo sich in einem Gebiet Stoppschilder, Ampeln oder Hindernisse befinden können. Diese Faktendaten können eine bessere Steuerung des selbstfahrenden Fahrzeugs ermöglichen.
Im Eventmanagement kann symbolische KI zur Darstellung einer Eventdatenbank eingesetzt werden. Wenn beispielsweise eine bestimmte Band bei einem Konzert spielt, sagen wir ein Jeff-Beck-Konzert – wenn diese Tatsache in die Datenbank integriert ist, möglicherweise auch um ein Musikgenre erweitert, kann der Chatbot Bedeutung und Kontext von Anfragen im Zusammenhang mit „Jeff Beck“ leicht erkennen. Er würde diese Ausdrücke nicht mit einer alltäglichen Person namens Jeff oder etwas anderem verwechseln.
Zu den wichtigsten Kandidaten für die Einführung hybrider KI gehören Geschäftsprobleme, bei denen nicht genügend Daten vorhanden sind, um ein großes neuronales Netzwerk zu trainieren, oder bei denen herkömmliches maschinelles Lernen nicht alle Randfälle allein bewältigen kann. Hybride KI kann auch dort hilfreich sein, wo ein neuronaler Netzwerkansatz aufgrund mangelnder Transparenz zu Diskriminierung oder Problemen führen oder zu Überanpassung neigen würde.
Bei Fast Data Science arbeiten wir an einem Projekt zur Ermittlung des Risikos einer klinischen Studie. Der Benutzer lädt ein PDF-Dokument auf unsere Plattform hoch, das den Plan zur Durchführung einer klinischen Studie beschreibt, das sogenannte klinische Studienprotokoll. Ein maschinelles Lernmodell kann wichtige Attribute der Studie wie Ort, Dauer, Anzahl der Probanden und einige statistische Parameter ermitteln. Die Ausgabe des maschinellen Lernmodells wird dann in ein manuell erstelltes Risikomodell eingespeist, das diese Parameter in einen Risikowert übersetzt, der dem Benutzer dann als Ampel angezeigt wird und ein hohes, mittleres oder niedriges Risiko anzeigt.
Es wäre schwieriger gewesen, nur mithilfe eines neuronalen Netzwerks direkt vom Text des Protokolls zu einem Risikowert zu gelangen, da sich Daten nur schwer kennzeichnen lassen und für diesen Ansatz weitaus mehr Daten erforderlich wären. Darüber hinaus ist menschliche Intelligenz hilfreich, um eine sinnvolle Regel festzulegen. Wenn alle Hochrisikostudien ein bestimmtes Merkmal enthielten, z. B. in einem bestimmten Land durchgeführt wurden, könnte ein traditionelles Deep-Learning -Modell fälschlicherweise lernen, dass das Land ein Risikofaktor ist, und am Ende versehentlich eine Diskriminierung vornehmen.
Bei hybrider KI kann maschinelles Lernen für den schwierigen Teil der Aufgabe eingesetzt werden, nämlich das Extrahieren von Informationen aus Rohtext. Gleichzeitig hilft symbolische Logik dabei, die Ausgabe des maschinellen Lernmodells in etwas für das Unternehmen Nützliches umzuwandeln.
In unserem Beispiel kann symbolische Logik verwendet werden, um manuell festzulegen, dass eine kleine Anzahl von Teilnehmern mit einem fehlgeschlagenen Versuch in Zusammenhang steht. Dies ist für einen Menschen selbstverständlich und erfordert kein neuronales Netzwerk. Auf diese Weise können wir den Problemraum für das neuronale Netzwerk vereinfachen.
Wie hybride KI das Risiko klinischer Studien mithilfe eines maschinellen Lernmodells berechnen kann, das in eine symbolische KI einfließt
Juristische Argumentation ist eine interessante Herausforderung für die Verarbeitung natürlicher Sprache, da juristische Dokumente von Natur aus präzise, informationsreich und eindeutig sind. Je nach Rechtssystem eines Landes können sich einige Rechtsbereiche besser für die symbolische Logik eignen als andere. Ich stelle mir vor, dass Gesetzesrecht, das eindeutig sein soll, leichter in symbolische Logik übersetzt werden kann als Fallrecht (Rechtssysteme, die auf Präzedenzfällen basieren, wie sie in Common Law-Rechtsprechungen wie Großbritannien und den USA zu finden sind).
Nils Holzenberger von der Johns Hopkins University ist es gelungen, große Teile des US-amerikanischen Steuerrechts (bei dem es sich eher um Gesetzesrecht als um Fallrecht handelt) in symbolische Logik in Prolog (einer Programmiersprache für logisches Denken ) zu übersetzen.
Schauen wir uns also die zweite Zeile der folgenden Tabelle aus dem US-Steuergesetz an:
US-Steuergesetzbuch, Titel 26A-1A-I, Abschnitt 1 ( Quelle: govinfo.gov )
Die obige Zeile kann wie folgt in Prolog übersetzt werden:
s1\_a\_ii(Steuerertrag,Steuer) :-
Taxinc =< 89150,
36900 < Taxinc,
Tax is round(5535+(Taxinc-36900)*0.28).
Quelle: SARA ( Statutory Reasoning Assessment)
Sobald der gesamte Steuercode in Prolog vorliegt, können einem System Fragen gestellt werden wie „ Wie viel Steuern muss ich zahlen, wenn ich im letzten Jahr 49.000 $ verdient habe, verwitwet bin usw.“ – vorausgesetzt, die Frage wird auch in Prolog konvertiert.
Die Übersetzung des Steuergesetzes in symbolische Logik war ein mühsamer manueller Prozess. Wenn ein natürliches Sprachmodell wie BERT so angepasst werden kann, dass es Gesetze zuverlässig in symbolische Logik übersetzt, könnte ein Großteil der sich wiederholenden Arbeit von Steueranwälten möglicherweise automatisiert werden. Holzenbergers Team und andere haben an Modellen gearbeitet, um Rechtstexte in natürlicher Sprache zu interpretieren und in ein symbolisches Logikmodell einzuspeisen.
Ein ganzheitlicher hybrider KI-Ansatz bietet das Beste, was sich jedes Unternehmen wünscht: ununterbrochene Skalierbarkeit. So könnten sie problemlos neue Produkte oder beispielsweise Veranstaltungen hinzufügen. Sie müssen lediglich die neuen Einzelheiten hinzufügen, beispielsweise über eine Konversations-KI-Plattform, und der Kernprozess bleibt derselbe: eine Kombination aus symbolischer und nicht-symbolischer KI.
Für den durchschnittlichen Benutzer, der hybride KI nutzt, gibt es einen klaren Mehrwert, der weit über Chatbots oder Sprachassistenten hinausgehen kann, zum Beispiel:
Entwicklung eines Wissensgraphen – Als Ausgangspunkt für die Entwicklung eines Chatbots oder Sprachassistenten sollte ein Entwicklungsteam beispielsweise einen maßgeschneiderten Wissensgraphen erstellen. Wir glauben, dass diese Datenstruktur Unternehmen in die Zukunft führen wird und sich als Kern aller zukünftigen Anwendungsfälle mit KI erweisen wird.
Prozessimplementierung – Organisationen, die sich der Digitalisierung und organisatorischen Aufbereitung von Daten verweigern, werden abgehängt. Daher wird ein maßgeschneiderter Wissensgraph irgendwann fast obligatorisch. Wir implementieren spezifische organisatorische Prozesse und Workflows, die auf Ihr Unternehmen zugeschnitten sind und mit denen Sie Ihre Wissensdokumentation sowohl jetzt als auch in Zukunft regelmäßig aktualisieren können.
Jahrzehntelanges Know-how in den Bereichen KI und NLP – Gemeinsam nutzt unser Team jahrzehntelange Erfahrung in den Bereichen KI, Verarbeitung natürlicher Sprache und Entwicklung von Wissensgraphen. Sowohl der durchschnittliche Geschäftsanwender als auch Unternehmen können für ihre maßgeschneiderte hybride KI-Lösung enorm von dieser Erfahrung profitieren.
Komfort und Zweckmäßigkeit – Fast Data Science kümmert sich im Hintergrund um alle kleinsten Details, während Sie sich auf die Vorbereitung und Hinzufügung von Informationen nach Bedarf konzentrieren.
Ganzheitlicher Prozess – Wir begleiten unsere Anwender gerne durch jede Phase des Prozesses. Von der Wissensaufbereitung für den Knowledge Graph bis hin zum Entwerfen und Trainieren von Machine-Learning -Modellen wird unsere gesamte Arbeit dokumentiert und unterstützt.
Stellen Sie sich bitte für einen Moment folgendes Szenario vor:
Ein potenzieller Kunde nimmt Kontakt mit einer Eventmanagement-Firma auf, weil er sich nach einem bevorstehenden Konzert erkundigen möchte. Natürlich erkundigt sich der Interessent zunächst nach bevorstehenden Konzerten in seiner Nähe – das nennen wir die Entdeckungsphase. Als Nächstes erkundigt sich der Interessent nach einem Konzert, indem er sich auf eine bestimmte Band, einen bestimmten Künstler oder Musiker bezieht.
Er/sie kann auch andere Fragen stellen, wie etwa den Ort und die Zeit des Konzerts. All dies wird bei der Erstellung des Wissensgraphen berücksichtigt. Als Nächstes kann der Interessent nach der Ticketverfügbarkeit fragen, ob das Ticket bestimmte Kategorien (Einzelperson, Paar, Erwachsener, Senior) oder Ticketklassen (erste Reihe, Stehplatz, VIP-Lounge) hat – auch dies wird bei der Entwicklung des Wissensgraphen berücksichtigt.
Sobald alle erforderlichen Informationen vom Interessenten eingeholt wurden, wird er/sie zu einem Warenkorb oder Ticketbuchungssystem weitergeleitet. Unter Berücksichtigung aller angegebenen Daten kann der zum Kunden gewordene Interessent nun in einem NLP-basierten Dialog über den Chatbot sein gewünschtes Ticket kaufen
Wenn man all diese Szenarien betrachtet, fragt man sich: Warum jetzt? Warum findet dieser Übergang jetzt statt? Warum war die KI in der Vergangenheit nicht in der Lage, sprachbasiertes Wissen zu nutzen?
Nun, unterschiedliche Lernansätze führen zu unterschiedlichen Lösungen. In einigen Fällen könnte KI beispielsweise einige oder alle der oben genannten Aufgaben übernehmen – obwohl die Tatsache, dass ML -Algorithmen beispielsweise mit bestimmten Anforderungen und Kontexten gut zurechtkommen, nicht bedeutet, dass dies die bevorzugte Methode ist. Leider kann man dies allzu oft beobachten, wenn wir über Computer sprechen, die versuchen, Sprache zu verstehen und zu verarbeiten. Erst in den letzten Jahren haben wir insbesondere bemerkenswerte Fortschritte bei der Verarbeitung natürlicher Sprache (NLP) und beim Verständnis natürlicher Sprache ( NLU ) erlebt, die ausschließlich auf hybriden KI-Ansätzen basieren.
Jedes Unternehmen, jede Firma und jeder Betrieb muss sich heute der hybriden KI zuwenden. Denn wo Unternehmen früher ein Problem nur mit einer einzigen Form der KI (und deren begrenzten Werkzeugsätzen) lösen konnten, können sie heute mehrere unterschiedliche Ansätze nutzen.
Jeder Ansatz kann verwendet werden, um das Problem aus einem einzigartigen Blickwinkel anzugehen und das Problem mithilfe unterschiedlicher Modelle auf multikontextuelle Weise zu bewerten und zu lösen. Da jede Methode unabhängig bewertet werden kann, lässt sich leicht erkennen, welche die besten Ergebnisse liefert.
Unternehmen haben bereits eine Kostprobe davon bekommen, was KI leisten kann, da sie leistungsstarke Anwendungsmöglichkeiten haben. Dieser hybride Ansatz wird im Jahr 2022 eine wichtige Rolle in allen Technologiethemen spielen. Es ergeben sich erhebliche Zeit- und Kosteneinsparungen, ganz zu schweigen von schnellerer Bereitstellung und besseren Ergebnissen. Gleichzeitig ist in allen Analyse- und Betriebsabläufen eine unübertroffene Effizienz und Genauigkeit zu erwarten.
Um das oben Gesagte an nur einem Beispiel zu demonstrieren: Der Annotationsprozess wird derzeit nur von ausgewählten Branchenexperten durchgeführt, was hauptsächlich an der Komplexität und den Kosten liegt, die mit der Schulung verbunden sind. Durch die Kombination umfangreicher Wissensdatenbanken und Diagramme kann diese Schulung jedoch erheblich vereinfacht und der Prozess selbst innerhalb der Wissensbelegschaft effektiv „demokratisiert“ werden.
Natürlich kommt die Forschung zu allen Arten von KI selten zum Stillstand, wenn überhaupt. Aber wir werden definitiv einen starken Fokus auf die Erweiterung des Wissensgraphen und die Automatisierung von ML zusammen mit anderen Methoden sehen, denn Unternehmen stehen heute unter dem Druck, riesige Datenmengen schnell und zu geringeren Kosten zu verarbeiten.
Im weiteren Verlauf des Jahres 2022 werden wir einige sehr spannende und vielversprechende Verbesserungen bei der Anwendung hybrider KI-Modelle in Unternehmen auf ihre Kernprozesse sehen. Die Geschäftsautomatisierung setzt sich bereits in Form von E-Mail-Verwaltung und -Suche durch.
Der aktuelle Ansatz auf der Grundlage von Schlüsselwörtern kann beispielsweise ganze Dokumente in rasender Geschwindigkeit erfassen und interpretieren, aber nur grundlegende und weitgehend kontextlose Informationen extrahieren. Ebenso sind automatisierte E-Mail-Managementsysteme nicht wirklich in der Lage, Bedeutungen jenseits von Produktnamen und anderen Informationen oder Referenzen zu erfassen. Am Ende müssen die Benutzer eine lange Liste von „Treffern“ durchgehen und versuchen, die wichtigsten Informationen zu finden. Dies verlangsamt zwangsläufig Geschäftsprozesse , verzögert schnelle Entscheidungsfindungen und wirkt sich letztlich negativ auf Produktivität und Umsatz aus.
Hybride KI kann das alles ändern. Die Stärkung von Tools zur Verarbeitung natürlicher Sprache und zum Verständnis natürlicher Sprache durch symbolisches Verständnis in einem hybriden Rahmen kann allen wissensbasierten Unternehmen und Betrieben die Möglichkeit geben, die menschliche Fähigkeit nachzuahmen ( aha! ), um ganze Dokumente in ihren automatisierten Prozessen zu verstehen.
Einige wichtige Punkte, die wir bisher besprochen haben:
KI ist ein sehr leistungsfähiges Tool, das bei der Datenverarbeitung in Unternehmen wahre Wunder bewirken kann, auch wenn es noch in den Kinderschuhen steckt. Zukunftsorientierte Organisationen erkennen bereits die Grenzen von Single-Mode-KI-Modellen und wissen nur zu gut, dass die Technologie anpassungsfähiger sein muss, besser in der Lage, in die Tiefen der gespeicherten Daten vorzudringen, und dass sie kostengünstiger und viel benutzerfreundlicher werden muss.
Sobald symbolische KI in Geschäftsprozesse eingeführt wird, ist die Blackbox der KI sozusagen geöffnet. So können Benutzer verstehen, warum Maschinen auf eine bestimmte Weise handeln und wie sie dieses Verhalten ändern können, um bessere Ergebnisse zu erzielen. Darüber hinaus ermöglicht diese hohe Transparenz den Betreibern, ihre Prozesse kontinuierlich zu überwachen, sodass sie weiter optimiert und vereinfacht werden können.
Hybrid-KI, die auf symbolischer KI basiert und in der Lage ist, tatsächliches Wissen wie Menschen zu verstehen, anstatt nur Muster zu lernen, ist für Unternehmen der effektivste Weg, die Daten, die sie im Laufe der Jahre fieberhaft gesammelt haben, voll zu nutzen und davon zu profitieren.
Wir wissen heute, dass hybride KI verschiedene Methoden kombiniert, um die Gesamtergebnisse zu verbessern und komplexe kognitive Probleme viel effektiver anzugehen. Hybride KI wird schnell zu einem beliebten Ansatz für die Verarbeitung natürlicher Sprache. Durch die Kombination der besten symbolischen KI- und maschinellen Lernmodelle ist sie der beste Weg, den Wert unstrukturierter Sprachdaten freizusetzen – und zwar mit der außergewöhnlichen Geschwindigkeit, Genauigkeit und Skalierbarkeit, die die heutigen Unternehmen benötigen.
Da hybride KI symbolische KI und ML kombiniert, kann sie die Stärken jeder Methode effektiv nutzen und dennoch erklärbar bleiben – ML kann sich beispielsweise auf bestimmte Aspekte eines Problems konzentrieren, bei denen keine Erklärbarkeit erforderlich ist, während symbolische KI durch einen transparenten und leicht verständlichen Prozess zu Schlussfolgerungen gelangen und Entscheidungen treffen kann. Mit der Zeit wird ein hybrider Ansatz für KI immer üblicher werden.
Wenn es um Herausforderungen in der KI geht, ist das Verstehen von Sprache nach wie vor eine der schwierigsten. ML kann zwar sicherlich bestimmte Arten sprachintensiver Anwendungen unterstützen, liefert jedoch nicht unbedingt optimale Ergebnisse.
Ein symbolischer oder wissensbasierter Ansatz – auch Hybrid-KI genannt – verwendet dagegen einen Wissensgraphen, um Wissen einzubetten. Er ist sehr ähnlich aufgebaut wie Menschen ihr eigenes Wissen aufbauen. Darüber hinaus bietet er erklärbare KI, da die Ergebnisse direkt mit expliziten Wissensrepräsentationen verknüpft sind.
Hybride KI kann Datenwissenschaftler auch von mühsamen und langwierigen Aufgaben wie der Datenbeschriftung befreien. Ein Versicherer mit mehreren medizinischen Ansprüchen möchte beispielsweise möglicherweise die Verarbeitung natürlicher Sprache zur Automatisierung der Kodierung verwenden, damit die KI die betroffenen Körperteile bei einem Unfallanspruch automatisch erkennen und beschriften kann.
Das hybride KI-System würde die Daten in jedem Anspruch erfassen und normalisieren. Wenn beispielsweise bei einem Unfall der rechte Knöchel verletzt wird, kann die symbolische KI problemlos alle Synonyme erkennen, den zugrunde liegenden Kontext verstehen und einen Code in Bezug auf den betroffenen Körperteil anwenden. Es ist ein transparenter Prozess, da der Versicherer anhand eines Ausschnitts aus dem Originalbericht sehen kann, wo der Körperteil codiert ist. Hier lässt sich eine enorme Effizienzsteigerung erzielen, obwohl natürlich letztendlich Menschen die endgültige Entscheidung treffen werden.
Diese Art der Implementierung wird Unternehmen auch dabei helfen zu verstehen, warum sich ein KI-System auf eine bestimmte Weise verhält. Wenn beispielsweise Fehler auftreten, kann symbolische KI einen klaren und transparenten Prozess zum Zurückverfolgen bereitstellen, um die Quelle des „Fehlers“ zu identifizieren.
Fast Data Science ist führend im Bereich hybrider KI und natürlicher Sprachverarbeitung und hilft Unternehmen unter anderem dabei, die Prozesseffizienz zu verbessern. Kontaktieren Sie unser Team, um mehr zu erfahren.
Sremac, Neuro-Fuzzy-Inferenzsystem-Ansatz für ein Entscheidungsunterstützungssystem für die wirtschaftliche Bestellmenge , Ekonomska Istraživanja / Economic Research 32(1):1114-1137 DOI:10.1080/1331677X.2019.1613249
Ananthaswamy, Der nächste große Sprung der KI , Knowable Magazine (2020)
Holzenberger et al., Faktorisierung des gesetzlichen Denkens als Herausforderung für das Sprachverständnis (2021)
Holzenberger et al., Ein Datensatz zur gesetzlichen Begründung im Steuerrecht und zur Beantwortung von Fragen (2020)
Suchen Sie Experten in Natürlicher Sprachverarbeitung? Veröffentlichen Sie Ihre Stellenangebote bei uns und finden Sie heute Ihren idealen Kandidaten!
Veröffentlichen Sie einen Job
Generative KI Einführung Generative KI , ein Teilbereich der KI, verändert Branchen grundlegend und gestaltet die Zukunft. Durch die Nutzung fortschrittlicher Algorithmen kann generative KI Inhalte, Designs und Lösungen erstellen, die zuvor undenkbar waren.
Große Daten Das Aufkommen von Big Data hat ganze Branchen revolutioniert und traditionelle Geschäftsmodelle und Entscheidungsprozesse verändert. In dieser umfassenden Untersuchung gehen wir der Frage nach, was Big Data ist, welche erheblichen Auswirkungen es auf die Geschäftsstrategie hat und wie Unternehmen riesige Datenmengen nutzen können, um Innovationen voranzutreiben und sich einen Wettbewerbsvorteil zu verschaffen.
What we can do for you