Potenzial von KI und Analytics in Verbindung mit Sprache

31.07.20

Digitale Transformation

Die digitale Welt steht vor der Herausforderung, den Anwendern eine möglichst unkomplizierte Navigation durch die Datenberge zu ermöglichen und Entwicklungen und Zusammenhänge klar verständlich zu visualisieren. Helfen soll dabei natürliche Sprachverarbeitung (Natural Language Processing, kurz NLP) im Zusammenspiel mit KI- und Analytics-Tools – ein Paket, das nicht nur die Anwendung von Analytics enorm vereinfacht, sondern auch unmittelbar brauchbare Antworten sowohl auf einfache wie auch komplexe Fragestellungen liefert. Lesen Sie alles dazu in meinem Artikel, der in der Fachzeitschrift Funkschau erschienen ist.

Drucken

NLP und Analytics – an der Schwelle zum Durchbruch

Bisher beherrschen nur wenige Data Scientists und sogenannte „Power-User“ die intelligente Auswertung von größeren Datenzusammenhängen. Will aber ein Manager beispielsweise ein Reporting oder eine genaue Analyse über die Verkaufszahlen einer bestimmten Produktgruppe sehen, muss er bei den Profis nachfragen. Das bedeutet zusätzlichen Aufwand und kostet Zeit. Darum ist das erklärte Ziel von BI-Entwicklern, die neuen Lösungen der breiten Masse zugänglich zu machen, denn so können Entscheidungen auf Basis fundierter Daten und Analysen schneller getroffen werden und dem Unternehmen folglich Zeit und Geld sparen.
Die benötigte technische Basis hierfür, also Tools für Analytics auf der einen und Sprach- bzw. Textverarbeitung auf der anderen Seite, ist im Einzelnen bereits vielfältig vorhanden. Der nächste logische Schritt ist nun, sie miteinander zu verknüpfen. Die Idee ist, eine Eingabezeile (in die der Anwender seine Frage eintippen kann) oder einen Sprachinput zur Verfügung zu stellen, um die angefragten Daten auszuwerten.

Intuitive Datenanalyse mit natürlicher Sprachsteuerung

Um das Zusammenspiel der beiden Komponenten NPL und Analytics besser zu verstehen, lohnt sich ein Blick auf die jeweiligen Bausteine. Wie kann Sprache dabei helfen, Daten zu analysieren? Ein entscheidender Faktor ist die Fähigkeit von intelligenter Analysesoftware, natürliche Sprache zu verstehen. Die größte Herausforderung im NLP-Kontext ist es, aus dem gesprochenen oder eingetippten Text die korrekten Datenobjekte und Aggregatsfunktionen herauszufiltern. Lautet die Anfrage beispielsweise „Wie ist der jährliche Umsatz in der DACH-Region?“, muss die Sprach-Engine die Schlagworte „Umsatz“ und „Jahr“ sowie die Länder „Deutschland, Österreich und Schweiz“ herauslesen können. Das funktioniert bei vielen Anbietern, die mit NLP bzw. Sprachschnittstellen arbeiten, schon recht gut – allerdings nicht für alle Sprachen. Sobald beispielsweise ein deutschsprachiger Anwender zu Englisch wechseln muss, ist der Vorteil der natürlichen Sprache nicht mehr gegeben. Schon die verschiedenen Begriffe für „Kunden“, also „Client“, „Customer“ oder auch „Account“, können den Erfolg der Suche maßgeblich beeinflussen. So müssen entweder die Anwender oder die Tools noch Einiges lernen. Immerhin kann eine gute Autovervollständigung den Anwender dabei unterstützen, seine Anfrage korrekt zu übermitteln.

Kerstin Neu, Manager, INFOMOTION GmbH

Es ist nur eine Frage der Zeit, bis der Anwender sich mit leichter Hand durch sprachgesteuerte Analytics-Tools navigieren wird.

Kerstin Neu, Business Unit Manager, INFOMOTION GmbH

Search Engine – das Herz sprachgesteuerter Analytics

Eine weitere unerlässliche Komponente neben der NLP ist die systemeigene Search Engine, denn sie setzt die Anfrage um – ob gesprochen oder geschrieben. Grundlegende, einfache Fragestellungen, wie etwa „Zeig mir den Umsatz vom letzten Jahr“, können viele Search Engines heute bereits sehr gut beantworten. Komplexere Suchaufträge, wie „Zeig mir den Umsatz des Kunden Müller im Vergleich zum Gesamtumsatz in Hessen“, erfordern allerdings schon andere Technologien.
Neben der Ausspielung einzelner Datenobjekte muss die Search Engine auch in der Lage sein, differenzierte Datenausprägungen in Echtzeit aus dem Datenssatz zu filtern und die entsprechenden Ergebnisse zu präsentieren. Alle großen Hersteller haben mittlerweile eine solche Komponente integriert, z. B. Microsoft Power BI, SAP Analytics Cloud oder Tableau. Da der Anwenderkomfort letztlich immer über die Implementierung einer Software im Unternehmen mitentscheidet, spielt die Analysegeschwindigkeit für die Anwender eine tragende Rolle. Wir haben in der jüngsten Vergangenheit häufig mit Tableau gearbeitet und dazu bereits einige Tests und Befragungen mit „Tableau Desktop“ als Self-Service Tool und „Tableau Ask Data“ durchgeführt. Das Ergebnis: In unseren Tests waren einige Anwender enttäuscht, weil ein Tool aufgrund längerer Antwortzeiten als schwerfällig empfunden wurde. Das ist eine der „Kinderkrankheiten“, die im Zusammenspiel zwischen NLP und Analytics behoben werden müssen.
Insgesamt war das Ergebnis aber sehr zufriedenstellend, denn beide Werkzeuge sind in der Lage, Fragestellungen automatisch in Suchaufträge umzuwandeln und komplexere Zusammenhänge innerhab der Daten zu erkennen. Und obwohl „Tableau Ask Data“ als ausgewiesene NLP-Schnittstelle in puncto Intuitivität besser abgeschnitten hat, wurden im Test beide Tools als gleichermaßen komplex zu erlernen wahrgenommen. Es ist aber nur eine Frage der Zeit, bis der Anwender sich mit leichter Hand durch sprachgesteuerte Analytics-Tools navigieren wird.

Augmented Analytics – ein Blick in die Kristallkugel

Ehrlicherweise muss man sagen, dass die Sprachsteuerung sich zwar im Sinne eines erstklassigen Anwenderkomforts durchsetzen, am Ende aber ein Nebenprodukt der großen Softwarehersteller bleiben wird. Den großen Durchbruch in den Unternehmen werden Technologien rund um „Augmented Analytics“ bringen, die aktuell als „Königsklasse“ der Datenanalyse gilt. Mittels verschiedener Technologien und Algorithmen lassen sich mit „Augmented Analytics“ Datensätze bereinigen, Anomalien oder Mechanismen erkennen und sogar Handlungsempfehlungen ableiten. Auch Trends können „Augmented Analytics“-Tools vorhersagen. Die Qualität des „The secret of Why“ ist dabei der Schlüssel zum Erfolg des Produkts: Warum sind meine Absätze im letzten Quartal gesunken? Wie werden sich die Umsätze bei gleichbleibenden Parametern in den nächsten drei Monaten verändern? Wie kann ich meine Absätze steigern? – all das sind Fragen, die mit Hilfe von „Augmented Analytics“ in der nahen Zukunft beantwortet werden sollen.
Das perfekte Zusammenspiel von NLP, Search Engine, KI-Engine und Visualisierungssoftware erfordert jedoch das reibungslose Funktionieren aller einzelnen Komponenten. Unter dieser Voraussetzung wird „Augmented Analytics“ ein voller Erfolg werden, denn der digitale „Data Scientist“ erledigt schnell und sauber Prozesse, für die ein menschlicher Fachexperte unter Umständen Wochen benötigt. 

Viele Anbieter zeigen bereits spannende Lösungen in diesem Feld und in den nächsten Jahren werden wir bahnbrechende Entwicklungen erleben. Bisher sind es vor allem Start-ups und kleine IT-Unternehmen, wie „Answer Dock“, die die Nase vorn haben. Nun gilt es, große Softwareanbieter und kreative Jungunternehmer zusammenzubringen.

 

Quelle: Funkschau, 17.07.2020 (Heft 7 / 2020), Artikel von Kerstin Neu, Seite 16

Weiterführende Informationen

Autor

Kerstin Neu

Business Unit Manager

Kerstin Neu studierte Mathematik an der Universität Mainz. Sie begann Ihre Karriere als Consultant bei einem mittelständischen IT-Beratungsunternehmen, bei dem sie sich vor allem auf den Bereich Reporting spezialisierte. Seit 2005 ist sie bei INFOMOTION tätig, zunächst als Senior Consultant, später als Managing Consultant. Kerstin Neu leitet seit 2010 als Business Unit Manager in Frankfurt ein Team, das sich vorwiegend mit Analytics (insbesondere im Segment Banken- und Kapitalanlagegesellschaften), angepassten Portallösungen für Reporting und Operational BI beschäftigt. Außerdem verantwortet sie das Thema Wissensmanagement als Wissensmanager.

E-Mail senden