Schneller per Korrelation: Künstliche Intelligenz in der Datenlogistik

Artificial Intelligence und Machine Learning gehören zu den großen technologischen Trendthemen. Getrieben wird ihre Popularität unter anderem vom Verwertungsinteresse und den Erfolgen der großen multinationalen Datensammler. Aber auch in den vermeintlichen "Niederungen" der praxisnahen Business Use Cases sind AI-Anwendungen inzwischen angekommen – zu Recht, denn wenn man sich von klassischen Denkweisen löst, ergeben sich in der Datenlogistik hochinteressante Potenziale.

Eine entscheidende Rolle für den Enterprise-Einsatz von AI-Technologien spielen neuronale Netze. Im Kern handelt es sich um lernfähige Anwendungen, die Metadaten verarbeiten und sich dabei der Arbeitsweise des menschlichen Gehirns bedienen: beobachten, Korrelationen registrieren, das Gelernte auf andere Metadaten anwenden. Mit Kausalität hat dieses System nicht viel zu tun, Compliance-Anwendungen sind damit auch nicht das geeignete Einsatzfeld.

Ein gutes Beispiel sind neuronale Netze in der Vorqualifizierung von großen Posteingangssystemen im ECM-Segment. Hier können sie auf die Vorsortierung von Eingängen trainiert werden, indem sie zunächst den Servern und Usern als Beobachter zur Seite gestellt werden. Dabei erfassen die neuronalen Netze selbstständig Sortier- Qualifizierungs- und Bearbeitungsroutinen der Anwender, ohne dazu den Inhalt von Dokumenten kennen zu müssen. Nach diesem Training sind sie in der Lage, in der selben oder in einer ähnlichen Umgebung eine enorm treffsichere Vorqualifizierung des Eingangsverkehrs vorzunehmen.

AI- und Machine-Learning-Systeme spielen in den Lösungen von nextevolution eine zunehmende Rolle. Unsere Entwicklungen stützen sich auf die Pionierleistungen unseres Innvations Hubs Deepshore.