Entfesseln Sie das Potenzial Ihrer NLP-Projekte mit dem richtigen Talent. Veröffentlichen Sie Ihre Stelle bei uns und ziehen Sie Kandidaten an, die genauso leidenschaftlich über natürliche Sprachverarbeitung sind.
NLP-Experten einstellenWie Hybrid-KI das Beste aus symbolischer KI und maschinellem Lernen kombinieren kann, um Gehälter, Risiken und Kosten für klinische Studien vorherzusagen und Chatbots zu verbessern.
In jeder Hinsicht entwickelt sich KI ( künstliche Intelligenz ) schnell zum dominierenden Trend, wenn es um Datenökosysteme auf der ganzen Welt geht. Im Laufe der Jahrzehnte wird dies nur noch zunehmen. IDC, ein führendes globales Marktforschungsunternehmen, schätzt, dass der KI-Markt bis 2024 einen Wert von 500 Milliarden US-Dollar haben wird. Praktisch 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. KI-Strategieberatung entwickelt sich ebenfalls zu einer der Top-Dienstleistungen im Bereich Data Science.
In diesem Jahr können wir definitiv damit rechnen, dass KI bei der Lösung praktischer Probleme, die typischerweise unstrukturierten, datengesteuerten Sprachprozessen im Weg stehen, weitaus effizienter wird – vor allem dank der Fortschritte in der Verarbeitung natürlicher Sprache ( NLP ).
Wenn Sie ein Bewerbersystem entwerfen, bei dem Arbeitssuchende ihre Lebensläufe oder Lebensläufe hochladen und das System eine Gehaltsspanne empfiehlt, wie würden Sie vorgehen?
Sehr vereinfachte Demonstration, wie eine symbolische KI Dienstaltersstufen in einem Lebenslauf finden könnte.
Der erste Ansatz wird als symbolische KI , regelbasierte KI oder Knowledge Engineering bezeichnet, und der zweite Ansatz kann als nicht-symbolische KI oder einfach als maschinelles Lernen bezeichnet werden.
Symbolische KI umfasst manuelle Regeln, während maschinelles Lernen das Lernen von Mustern aus markierten Daten beinhaltet.
Natürlich gibt es keine richtige oder falsche Antwort. Offensichtlich ist der symbolische KI-Ansatz mit Schwierigkeiten behaftet: Wie können Sie jemals sicher sein, dass Sie alle möglichen Wendungen berücksichtigt haben, die ein Kandidat verwenden könnte? Auch reines maschinelles Lernen ist schwierig, da Sie möglicherweise keinen Zugriff auf einen gekennzeichneten Datensatz haben und möglicherweise keine Kontrolle über die Muster haben, die die KI lernt.
Wie wäre es mit einem kombinierten Ansatz: Verwenden Sie maschinelles Lernen, um wichtige Merkmale der beruflichen Laufbahn eines Kandidaten zu identifizieren, wie z. B. die Karrieredauer, und kombinieren Sie dies mit einem manuellen Regelwerk, um es in eine Gehaltsspanne zu übersetzen. Dieser als Hybrid-KI bekannte Ansatz ermöglicht es Ihnen, die Vorteile sowohl der symbolischen KI als auch des maschinellen Lernens zu nutzen.
Unter Hybrid-KI versteht man die Anreicherung bestehender KI-Modelle durch speziell gewonnenes Expertenwissen. 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 – was sie im Kern ausmacht und welche Anwendungsfälle sie haben könnte –, sollten wir zunächst einen kleinen Hintergrund besprechen, sozusagen einen Hintergrund für die Entstehung hybrider KI.
Von allen Herausforderungen, denen sich die 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 an Rohzahlen und strukturierten Daten in Millisekunden zu verarbeiten, sind die vielfältigen Bedeutungen und unterschiedlichen Nuancen in der Sprache je nach Kontext ein ganz anderes Thema.
Wörter sind für ein KI-System kontextbezogen, was bedeutet, dass sie unter verschiedenen Umständen unterschiedlich interpretiert werden. Für unser Gehirn ist das ziemlich einfach und „alles eine Tagesarbeit“, aber bei einer Software ist es nicht ganz so einfach.
Dies ist der Hauptgrund, warum die Entwicklung von Software, die Sprache richtig und zuverlässig interpretieren kann, für die allgemeine Entwicklung jeglicher Art von KI von entscheidender Bedeutung ist. Wenn Unternehmen in der Lage sind, dieses Maß an Rechengenie zu erreichen, wären sie buchstäblich in der Lage, die Schleusen für die KI-Entwicklung zu öffnen – indem sie ihr Zugriff auf praktisch jede Art von Wissen ermöglichen, das sie ihr zur Verfügung stellen, und es konsumieren.
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 steht im Mittelpunkt aller Facetten unternehmerischen Handelns. Das bedeutet, dass ein KI-Ansatz nur dann als vollständig und realisierbar angesehen werden kann, wenn aus diesen Daten der größtmögliche Nutzen gezogen werden kann.
Ein symbolischer oder wissensbasierter Ansatz nutzt, wenn Sie so wollen, einen Wissensgraphen , der als offene Box angesehen werden kann – dessen Struktur von Datenwissenschaftlern erstellt wird, um die reale Welt darzustellen – eine Welt, in der Konzepte klar und deutlich definiert sind durch semantische Beziehungen miteinander verbunden.
Dank der Leistungsfähigkeit von NLP- Algorithmen und Wissensgraphen ist es einfach, praktisch jede Art von Text sofort zu lesen und daraus zu lernen und ein tiefgreifendes Verständnis dafür zu erlangen, wie Daten interpretiert werden und wo Schlussfolgerungen möglich sind lässt sich leicht aus dieser Interpretation ableiten.
Dies ist nun sehr ähnlich, wie Menschen in der Lage sind, ihr eigenes domänenorientiertes, spezifisches Wissen zu schaffen – und das wird es KI-Projekten ermöglichen, die algorithmischen Ergebnisse mit expliziten Wissensdarstellungen zu verknüpfen. Sie können darauf wetten, dass es im Jahr 2022 einen Wandel hin zu dieser Art von KI-Ansatz geben wird, bei dem beide Techniken kombiniert werden. Betreten Sie die Welt der hybriden KI.
Was hybride KI bewirkt, ist, dass sie sich verschiedene Techniken zunutze macht, um die Gesamtergebnisse zu verbessern und gleichzeitig komplexe kognitive Probleme auf sehr effektive Weise anzugehen. Hybride KI wird auch schnell zu einem sehr beliebten Ansatz für die Verarbeitung natürlicher Sprache .
Die Kombination der besten hybriden KI- und maschinellen Lernmodelle (ML) ist der beste Weg, den vollen Wert unstrukturierter Sprachdaten auszuschöpfen – und das auf schnelle, genaue und skalierbare Weise, wie es die meisten Unternehmen heute fordern.
Der Einsatz von symbolischem Denken, Wissen und semantischem Verständnis wird weitaus genauere Ergebnisse liefern, als man für möglich gehalten hätte, und darüber hinaus eine effektivere und effizientere KI- Umgebung schaffen. Darüber hinaus werden ressourcenintensive Schulungen reduziert, die ansonsten eine teure Hochgeschwindigkeits-Dateninfrastruktur erfordern.
Hybride KI ist ein ganzheitlicherer und umfassenderer Ansatz, um den vollen Nutzen und das Potenzial KI-basierter Lösungen nachhaltig zu nutzen. Um die Bedeutung dieser Aussage zu erfassen, sollten wir zwei Bereiche der KI verstehen:
Symbolische KI: Bei der symbolischen KI versuchen Datenwissenschaftler, Fakten und Ereignisse mithilfe logischer Regeln zu verknüpfen und das Wissen durch semantische Anreicherung maschinenlesbar und abrufbar zu machen.
Nicht-symbolische KI (Ansatz des maschinellen Lernens): Dieser Bereich bezieht sich auf Modelle des maschinellen Lernens, des Deep Learning und neuronaler Netze, bei denen umfangreiche Trainingsdaten verwendet werden, um zu Entscheidungen und Schlussfolgerungen zu gelangen.
Die traditionelle Ansicht ist, dass symbolische KI „Lieferant“ für nicht-symbolische KI sein kann, die wiederum den Großteil der Arbeit erledigt. Alternativ kann eine nicht-symbolische KI Eingabedaten für eine symbolische KI bereitstellen. Mithilfe der symbolischen KI können Trainingsdaten für das Machine-Learning-Modell generiert werden.
Dies kann auch aus einem anderen Blickwinkel betrachtet werden, bei dem die symbolische KI eine wesentliche Aufgabe ist, die selbst viel Wert schaffen kann, anstatt den Großteil der Arbeit der nicht-symbolischen KI zu überlassen – z. B. durch die Strukturierung, Vorbereitung und Anreicherung von Organisationsdaten sowie Wissen (z. B. Logik, Fakten, Semantik, Ereignisse usw.) in eine maschinenlesbare Form.
Diese Aufbereitung erfolgt in Form eines Wissensgraphen, auf den wir zu Beginn des Artikels kurz eingegangen sind. Man kann wahrscheinlich mit Fug und Recht sagen, dass hybride KI eher eine symbolische und nicht-symbolische KI-Kombination ist als alles andere. Und der Wissensgraph kann möglicherweise für jedes Unternehmen von großem Nutzen sein.
Vielleicht wäre es besser, wenn wir an dieser Stelle unsere Definition von Hybrid-KI überarbeiten und etwas verfeinern würden:
Hybride KI ist der einheitliche, strukturierte und umfassende Einsatz sowohl symbolischer als auch nicht symbolischer KI, um Daten oder Wissen einer Organisation zu erfassen, abzubilden und zu strukturieren sowie in einem verständlichen, lesbaren und „maschinenabrufbaren“ Format verfügbar zu machen. Dieses Wissen kann wiederum durch die Verarbeitung natürlicher Sprache abgerufen werden, die für Menschen die einfachste Zugriffsart darstellt.
Fast Data Science - London
Durch diese praktischen Anwendungsbeispiele können wir der obigen Aussage sicherlich mehr Gewicht verleihen:
Im Einzelhandel könnte die Produktdatenbank einer Modemarke eine symbolische KI darstellen. Fakten 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 symbolische KI anhand von Kartendaten angeben, wo sich Stoppschilder, Ampeln oder Hindernisse in einem Gebiet befinden können. Diese Faktendaten können eine bessere Kontrolle des selbstfahrenden Fahrzeugs ermöglichen.
Im Eventmanagement kann symbolische KI zur Darstellung einer Ereignisdatenbank verwendet werden. Wenn zum Beispiel eine bestimmte Band bei einem Konzert spielt, sagen wir bei einem Jeff-Beck-Konzert – wenn diese Tatsache in die Datenbank integriert wird, möglicherweise auch um ein Musikgenre erweitert, kann der Chatbot leicht Bedeutung und Kontext von Anfragen im Zusammenhang mit „ Jeff beck". Diese Ausdrücke würden nicht mit einer gewöhnlichen Person namens Jeff oder etwas anderem verwechselt werden.
Einige der Hauptkandidaten für die Einführung hybrider KI sind Geschäftsprobleme, bei denen nicht genügend Daten zum Trainieren eines großen neuronalen Netzwerks vorhanden sind oder bei denen herkömmliches maschinelles Lernen nicht alle Randfälle alleine bewältigen kann. Hybride KI kann auch dort hilfreich sein, wo ein neuronaler Netzwerkansatz das Risiko einer Diskriminierung oder Probleme aufgrund mangelnder Transparenz mit sich bringen würde oder anfällig für eine Überanpassung wäre.
Bei Fast Data Science arbeiten wir an einem Projekt zur Identifizierung 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 Protokoll der klinischen Studie. Ein maschinelles Lernmodell ist in der Lage, Schlüsselattribute des Versuchs wie Ort, Dauer, Anzahl der Probanden und einige statistische Parameter zu identifizieren. Die Ausgabe des maschinellen Lernmodells wird dann in ein manuell erstelltes Risikomodell eingespeist, das diese Parameter in einen Risikowert umwandelt, der dem Benutzer dann als Ampel angezeigt wird, die ein hohes, mittleres oder niedriges Risiko anzeigt.
Es wäre schwieriger gewesen, allein ein neuronales Netzwerk zu verwenden, um vom Text des Protokolls direkt zu einem Risikowert zu gelangen, da Daten schwer zu kennzeichnen sind und für diesen Ansatz weitaus mehr Daten benötigt würden. Darüber hinaus ist die menschliche Intelligenz hilfreich, um festzulegen, was eine sinnvolle Regel ist. Wenn alle risikoreichen Studien ein bestimmtes Merkmal aufwiesen, beispielsweise dass sie in einem bestimmten Land stattfinden, könnte ein traditionelles Deep-Learning -Modell fälschlicherweise lernen, dass dieses Land ein Risikofaktor ist, und am Ende versehentlich diskriminieren.
Mit hybrider KI kann maschinelles Lernen für den schwierigen Teil der Aufgabe verwendet werden, nämlich das Extrahieren von Informationen aus Rohtext, aber symbolische Logik hilft dabei, die Ausgabe des maschinellen Lernmodells in etwas Nützliches für das Unternehmen umzuwandeln.
In unserem Beispiel kann symbolische Logik verwendet werden, um manuell festzulegen, dass eine kleine Anzahl von Teilnehmern mit einem fehlgeschlagenen Versuch verbunden ist, was für einen Menschen normal ist und kein neuronales Netzwerk erfordert. Auf diese Weise können wir den Problemraum für das neuronale Netzwerk vereinfachen.
Wie hybride KI mithilfe eines maschinellen Lernmodells, das in eine symbolische KI einfließt, das Risiko klinischer Studien berechnen kann
Das juristische Denken ist eine interessante Herausforderung für die Verarbeitung natürlicher Sprache, da juristische Dokumente von Natur aus präzise, informationsreich und eindeutig sind. Abhängig vom Rechtssystem eines Landes eignen sich einige Rechtsbereiche möglicherweise besser für die symbolische Logik als andere. Ich stelle mir vor, dass Gesetze, die auf Eindeutigkeit ausgelegt sind, leichter in symbolische Logik zu übersetzen sind als Rechtsprechung (Rechtssysteme, die auf Präzedenzfällen basieren, wie sie in Rechtsordnungen des Common Law wie Großbritannien und den USA zu finden sind).
Nils Holzenberger von der Johns Hopkins University ist es gelungen, einen großen Teil des US-Steuerrechts (bei dem es sich um Gesetz und nicht um Rechtsprechung handelt) in symbolische Logik in Prolog (eine Programmiersprache für logisches Denken ) zu übersetzen.
Schauen wir uns also die zweite Zeile der folgenden Tabelle zum US-Steuergesetz an:
US-Steuercodetitel 26A-1A-I Abschnitt 1 ( Quelle: govinfo.gov )
Die obige Zeile kann wie folgt in Prolog übersetzt werden:
„ s1_a_ii(Taxinc,Tax) :-
Taxinc =< 89150,
36900 < Taxinc,
Tax is round(5535+(Taxinc-36900)*0.28).
„
Quelle: SARA ( StAtutory Reasoning Assessment)
Sobald das Steuerkennzeichen vollständig in Prolog vorhanden ist, können Fragen an ein System gestellt werden, z. B. „Wie viel Steuern muss ich zahlen, wenn ich letztes Jahr 49.000 US-Dollar 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 angepasst werden kann, um Gesetze zuverlässig in symbolische Logik zu übersetzen, könnte möglicherweise ein großer Teil der sich wiederholenden Arbeit von Steueranwälten automatisiert werden. Holzenbergers Team und andere haben an Modellen zur Interpretation von Rechtstexten in natürlicher Sprache gearbeitet, um sie in ein symbolisches Logikmodell einzuspeisen.
Ein ganzheitlicher hybrider KI-Ansatz bietet das Beste von dem, was sich jedes Unternehmen wünscht: ununterbrochene Skalierbarkeit. Dies würde es ihnen ermöglichen, problemlos neue Produkte oder beispielsweise Veranstaltungen hinzuzufügen. Sie müssen lediglich die neuen Besonderheiten beispielsweise über eine Konversations-KI-Plattform hinzufügen, und der Kernprozess bleibt derselbe: eine Kombination aus symbolischer und nicht-symbolischer KI.
Für den durchschnittlichen Benutzer, der hybride KI nutzt, ergibt sich ein klarer Mehrwert, der weit über reine 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 es die Datenstruktur ist, die Unternehmen in die Zukunft führen wird und sich als Kern aller zukünftigen Anwendungsfälle für die Nutzung von KI erweisen wird.
Prozessimplementierung – Organisationen, die sich weigern, die Digitalisierung und organisatorische Vorbereitungsdaten anzunehmen, werden auf der Strecke bleiben. Daher wird ein maßgeschneiderter Wissensgraph irgendwann fast zur Pflicht. Wir implementieren spezifische, auf Ihr Unternehmen zugeschnittene Organisationsprozesse und Arbeitsabläufe, durch die Sie Ihre Wissensdokumentation sowohl in der Gegenwart als auch in der Zukunft regelmäßig aktualisieren können.
Jahrzehntelanges KI- und NLP- Know-how – 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 von dieser Erfahrung für ihre maßgeschneiderte Hybrid-KI-Lösung enorm profitieren.
Komfort und Praktikabilität – Fast Data Science kümmert sich um die Ausführung aller kleinsten Details im Hintergrund, während Sie sich auf die Vorbereitung und das Hinzufügen von Informationen nach Bedarf konzentrieren können.
Ganzheitlicher Prozess – Wir begleiten unsere Nutzer gerne durch jede Phase des Prozesses. Von der Wissensvorbereitung für den Wissensgraphen bis hin zum Entwurf und Training von Modellen für maschinelles Lernen wird unsere gesamte Arbeit dokumentiert und unterstützt.
Stellen Sie sich für einen Moment das folgende Szenario vor:
Ein Interessent nimmt Kontakt zu einem Veranstaltungsunternehmen auf, weil er sich über ein bevorstehendes Konzert erkundigen möchte. Natürlich würde der Interessent als Erstes nach bevorstehenden Konzerten in seiner Nähe fragen – was wir als Entdeckungsphase bezeichnen. Als nächstes fragte der Interessent nach einem Konzert, indem er sich auf eine bestimmte Band, einen bestimmten Künstler oder einen bestimmten Musiker bezog.
Er/sie kann auch andere Fragen stellen, beispielsweise zum Ort und zur Zeit des Konzerts. All dies wird bei der Erstellung des Wissensgraphen berücksichtigt. Als nächstes fragt der Interessent möglicherweise nach der Ticketverfügbarkeit und ob das Ticket bestimmte Kategorien (Einzel, Paar, Erwachsener, Senior) oder Ticketklassen (erste Reihe, Stehplatzbereich, VIP-Lounge) hat – was bei der Entwicklung des Wissensgraphen ebenfalls berücksichtigt wird .
Sobald alle erforderlichen Informationen vom Interessenten gesammelt wurden, wird er/sie zu einem Warenkorb oder Ticketbuchungssystem weitergeleitet. Unter Berücksichtigung aller vorgegebenen Daten kann der Interessent zum Kunden nun in einem NLP-basierten Dialog über den Chatbot sein Wunschticket kaufen
Wenn man alle oben genannten Szenarien berücksichtigt, fragt man sich: Warum jetzt? Warum findet der Übergang jetzt statt? Warum war KI in der Vergangenheit nicht in der Lage, sprachbasiertes Wissen zu nutzen?
Nun, unterschiedliche Lernansätze führen zu unterschiedlichen Lösungen. Beispielsweise könnte KI in einigen Fällen einige oder alle der oben genannten Aufgaben erfüllen – obwohl die bloße Tatsache, dass ML- Algorithmen beispielsweise mit bestimmten Anforderungen und Kontexten gut zurechtkommen, nicht bedeutet, dass sie die Methode der Wahl ist. Leider ist dies allzu oft zu beobachten, wenn es um Computer geht, die versuchen, Sprache zu verstehen und zu verarbeiten. Insbesondere in den letzten Jahren konnten wir bemerkenswerte Fortschritte bei der Verarbeitung natürlicher Sprache (NLP) und dem Verständnis natürlicher Sprache ( NLU ) beobachten, die ausschließlich auf hybriden KI-Ansätzen basieren.
Jedes Unternehmen, jede Firma und jedes Unternehmen muss sich jetzt der hybriden KI zuwenden – denn wo Organisationen zuvor nur eine Form der KI für ein Problem eingesetzt haben (mit ihren begrenzten Toolsets), können sie jetzt mehrere, unterschiedliche Ansätze nutzen.
Jeder Ansatz kann verwendet werden, um das Problem aus einem einzigartigen Blickwinkel zu betrachten und durch unterschiedliche Modelle das Problem auf multikontextuelle Weise zu bewerten und zu lösen. Da jede der Methoden unabhängig voneinander bewertet werden kann, lässt sich leicht erkennen, welche Methode die besten Ergebnisse liefert.
Unternehmen haben bereits einen Eindruck davon bekommen, was KI leisten kann, indem sie ihre leistungsstarken Anwendungen gesehen haben, und dieser hybride Ansatz wird eine herausragende Initiative sein, wenn wir im Jahr 2022 über alles rund um Technologie sprechen. Es sind erhebliche Zeit- und Kostenvorteile zu erzielen , ganz zu schweigen von der schnelleren Bereitstellung und den schnelleren Ergebnissen, während wir gleichzeitig eine unübertroffene Effizienz und Genauigkeit in allen analytischen und betrieblichen Prozessen sehen.
Um das oben Gesagte anhand eines Beispiels zu veranschaulichen: Der Annotationsprozess wird derzeit nur von ausgewählten Branchenexperten durchgeführt, was vor allem auf die Komplexität und die Kosten zurückzuführen ist, die mit der Schulung verbunden sind. Durch die Kombination umfangreicher Wissensrepositorys und Diagramme kann diese Schulung jedoch erheblich vereinfacht werden, wodurch der Prozess selbst innerhalb der Wissensarbeitskräfte effektiv „demokratisiert“ wird.
Naturgemäß kommt die Forschung zu allen Arten von KI selten oder gar nicht zum Erliegen. Aber wir werden definitiv einen starken Fokus auf die Erweiterung des Wissensgraphen und die Automatisierung von ML zusammen mit anderen Methoden sehen, da Unternehmen jetzt unter dem Druck stehen, riesige Datenmengen schnell und zu geringeren Kosten zu verbrauchen.
Im weiteren Verlauf des Jahres 2022 werden wir einige sehr spannende und vielversprechende Verbesserungen bei der Anwendung hybrider KI-Modelle in ihren Kernprozessen erleben. Die Geschäftsautomatisierung in Form von E-Mail-Management und -Suche setzt sich bereits durch.
Allerdings kann der aktuelle schlüsselwortbasierte Suchmaschinenansatz beispielsweise ganze Dokumente mit rasender Geschwindigkeit aufnehmen und interpretieren, jedoch nur grundlegende und weitgehend nicht-kontextbezogene Informationen extrahieren. Ebenso sind automatisierte E-Mail-Managementsysteme nicht in der Lage, Bedeutungen zu erfassen, die über bloße Produktnamen und andere Informationspunkte oder Referenzen hinausgehen. Am Ende haben die Benutzer die Aufgabe, eine lange Liste von „Treffern“ zu durchsuchen und zu versuchen, die wichtigsten Wissensbestandteile zu finden. Dies führt unweigerlich zu einer Verlangsamung der Geschäftsprozesse , stellt die Zeit für eine schnelle Entscheidungsfindung zurück und wirkt sich letztendlich negativ auf Produktivität und Umsatz aus.
Hybride KI kann das alles ändern. Die Stärkung natürlicher Sprachverarbeitung und Tools zum Verstehen natürlicher Sprache unter Verwendung symbolischen Verstehens 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 Werkzeug, das bei der Verarbeitung von Unternehmensdaten Wunder bewirken kann, auch wenn es noch in den Kinderschuhen steckt. Zukunftsorientierte Unternehmen sind sich bereits der Grenzen von Single-Mode-KI-Modellen bewusst und verstehen nur allzu gut, dass der Technologieeinsatz anpassungsfähiger, besser in der Lage sein muss, in die Tiefen der gespeicherten Daten vorzudringen, und außerdem kostengünstiger werden muss viel einfacher zu bedienen.
Sobald symbolische KI in Geschäftsprozesse eingeführt wird, ist sozusagen die Blackbox der KI geöffnet, sodass Benutzer verstehen können, warum Maschinen sich auf eine bestimmte Weise verhalten und was getan werden kann, um dieses Verhalten zu ändern, um wünschenswertere Ergebnisse zu erzielen. Darüber hinaus würde diese hohe Transparenz es den Betreibern ermöglichen, ihre Prozesse kontinuierlich zu überwachen, sodass sie weiter optimiert und vereinfacht werden können.
Hybride KI, die auf symbolischer KI basiert und in der Lage ist, tatsächliches Wissen zu verstehen, wie Menschen es tun, anstatt nur Muster zu lernen, ist für Unternehmen die effektivste Möglichkeit, die Daten, die sie über die Jahre fieberhaft gesammelt haben, vollständig zu nutzen und davon zu profitieren.
Wir verstehen jetzt, dass hybride KI verschiedene Methoden kombiniert, um Gesamtergebnisse zu verbessern und komplexe kognitive Probleme viel effektiver anzugehen. Hybride KI entwickelt sich 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 zu erschließen – und das mit außergewöhnlicher Geschwindigkeit, Genauigkeit und Effizienz Maßstab, den moderne Unternehmen benötigen.
Da hybride KI symbolische KI und ML kombiniert, kann sie die Stärken jeder Methode effektiv nutzen und bleibt dennoch erklärbar – ML kann beispielsweise auf bestimmte Aspekte eines Problems abzielen, bei denen keine Erklärbarkeit erforderlich ist, während symbolische KI zu Schlussfolgerungen gelangen kann Treffen Sie Entscheidungen in einem transparenten und leicht verständlichen Prozess. Mit der Zeit wird ein hybrider Ansatz für KI immer häufiger eingesetzt.
Wenn es um Herausforderungen in der KI geht, bleibt das Verstehen von Sprache eine der schwierigsten. Während ML sicherlich bestimmte Arten sprachintensiver Anwendungen unterstützen kann, kann es nicht ganz optimale Ergebnisse liefern.
Ein symbolischer oder wissensbasierter Ansatz hingegen – also. Hybride KI – nutzt einen Wissensgraphen, um Wissen einzubetten. Der Aufbau ähnelt sehr der Art und Weise, wie Menschen ihr eigenes Wissen aufbauen. Darüber hinaus bietet es erklärbare KI, da die Ergebnisse direkt mit expliziten Wissensdarstellungen verknüpft sind.
Hybrid-KI kann Datenwissenschaftler auch von umständlichen und mühsamen Aufgaben wie der Datenkennzeichnung entlasten. Beispielsweise möchte ein Versicherer mit mehreren medizinischen Ansprüchen möglicherweise die Verarbeitung natürlicher Sprache nutzen, um die Codierung zu automatisieren, damit die KI die betroffenen Körperteile in einem Unfallanspruch automatisch erkennen und kennzeichnen kann.
Das hybride KI-System würde die Daten in jedem Schadensfall erfassen und normalisieren. Wenn beispielsweise der rechte Knöchel bei einem Unfall verletzt wird, kann die symbolische KI problemlos alle Synonyme erkennen, den zugrunde liegenden Kontext verstehen und einen Code in Bezug auf das betroffene Körperteil anwenden. Es handelt sich um einen transparenten Prozess, da der Versicherer anhand eines Ausschnitts aus dem Originalbericht erkennen kann, wo das Körperteil kodiert ist. Hier lässt sich ein enormer Effizienzgewinn erzielen, auch wenn am Ende natürlich die Menschen die endgültige Entscheidung treffen.
Diese Art der Implementierung hilft Unternehmen auch dabei, zu verstehen, warum sich ein KI-System auf eine bestimmte Weise verhält. Wenn es beispielsweise Fehler gibt, kann die symbolische KI einen klaren und transparenten Prozess zum Zurückverfolgen bereitstellen, um die Quelle des „Fehlers“ zu identifizieren.
Fast Data Science steht an der Spitze der hybriden KI und der Verarbeitung natürlicher Sprache und hilft Unternehmen unter anderem dabei, die Prozesseffizienz zu verbessern. Kontaktieren Sie unser Team, um mehr zu erfahren.
Sremac, Neuro-fuzzy inference systems approach to decision support system for economic order quantity, Ekonomska Istraživanja / Economic Research 32(1):1114-1137
DOI:10.1080/1331677X.2019.1613249
Ananthaswamy, AI’s next big leap, Knowable Magazine (2020)
Holzenberger et al, Factoring Statutory Reasoning as Language Understanding Challenges (2021)
Holzenberger et al, A Dataset for Statutory Reasoning in Tax Law Entailment and Question Answering (2020)
Tauchen Sie ein in die Welt der Natürlichen Sprachverarbeitung! Entdecken Sie modernste NLP-Rollen, die zu Ihren Fähigkeiten und Leidenschaften passen.
NLP-Jobs entdecken
Mittlerweile sind es Organisationen aller Größenordnungen und fast aller Sektoren werden zunehmend datengesteuert, insbesondere als größere Datenspeicher Systeme und schnellere Computer treiben die Leistungsgrenzen immer weiter voran.
Aufgrund des umfangreichen Einsatzes von Technologie und der Arbeitsteilung hat die Arbeit des durchschnittlichen Gig-Economy-Arbeiters jeden individuellen Charakter und damit auch jeden Charme für den Arbeitnehmer verloren.
Die Auswirkungen von KI auf die Humanressourcen Die Arbeitswelt verändert sich rasant, sowohl aufgrund der Einführung traditioneller Data-Science-Praktiken in immer mehr Unternehmen als auch aufgrund der zunehmenden Beliebtheit generativer KI-Tools wie ChatGPT und Googles BARD bei nicht-technischen Arbeitnehmern.
What we can do for you