Trüffelsuche im gesamten Unternehmen – ohne Migration Hybride Betriebsmodelle zur flexiblen Informationsbereitstellung

Autor / Redakteur: Gerald Martinetz* / Ulrike Ostler

Daten intelligent zu verknüpfen und auszuwerten zählt heute zu den geschäftskritischen Erfolgsfaktoren. Ohne die richtigen Tools lässt sich dies jedoch nicht effizient bewerkstelligen. Oft bleiben Daten aber noch ungenutzt.

Firmen zum Thema

Wer die Trüffel in dem Datenwust innerhalb und außerhalb des Unternehmens finden will, braucht gute Spürnasen, in diesem Fall ein Tool, das im Enterprise und in der Cloud auf die Suche geschickt werden kann.
Wer die Trüffel in dem Datenwust innerhalb und außerhalb des Unternehmens finden will, braucht gute Spürnasen, in diesem Fall ein Tool, das im Enterprise und in der Cloud auf die Suche geschickt werden kann.
(Bild: © Steve Mann stock.adobe.com)

Daten und die daraus gewonnenen Informationen sind wertvoll. Das pfeifen die Spatzen von den Dächern. Sie stellen in mehrfacher Betrachtung einen Wettbewerbsvorteil dar. Vorausgesetzt Unternehmen nutzen das vorhandene Potenzial. Einer IDC-Studie zufolge bleiben rund 68 Prozent der in Unternehmen vorhandenen Daten derzeit noch ungenutzt.

Ein Grund dafür liegt unter anderem in den exponentiell steigenden Datenmengen und den unterschiedlichen Speichermöglichkeiten – also: Clou und eigenes Rechenzentrum. Sie erschweren die Auswertung und Bereitstellung von Daten und Informationen besonders dann, wenn ein Gesamtüberblick zu einem Thema oder Geschäftsprozess rasch benötigt wird.

Wissens-Management-Tools, die Methoden der künstlichen Intelligenz zur Aufbereitung der Informationen verwenden, erfüllen genau diese Anforderung. Sie analysieren und kombinieren die vorhandenen Informationen und bereiten diese für den Anwender in einer Gesamtübersicht (360-Grad-Sicht) auf. Oftmals bieten die einschlägigen Hersteller diese sehr wichtige Komponente für die künstliche Intelligenz in der Cloud an.

Public Cloud – nicht unter allen Umständen

Eine vollständige Verlagerung aller Unternehmensdaten lässt sich in der Praxis nur sehr aufwendig umsetzen, ist gar nicht gewünscht oder aufgrund der Compliance-Richtlinien nicht erlaubt. Die Konsequenz daraus: Kritische Unternehmensprozesse und sensible Daten werden weiterhin überwiegend innerhalb des Unternehmens, also On-Premises, verwaltet und sind nicht in das zentrale Wissens-Management, wenn dieses eine Cloud-Umgebung voraussetzt, eingebunden.

Damit aber alle Unternehmensbereiche von den Vorteilen eines umfassenden Wissensmanagements profitieren, setzen Unternehmen in der Praxis zunehmend Insight Engines ein. Diese vereinen aktuellste Enterprise Search Technologien mit innovativen Methoden aus dem Bereich der künstlichen Intelligenz und bieten einen vollständigen hybriden Ansatz bei der Anbindung der Unternehmensdatenquellen.

Personalisierte 360-Grad-Sichten

Im Grunde agieren ´Insight Engines` als Informationszentrale im Unternehmen. Startet ein Anwender eine Recherche, durchsucht die Insight Engine alle angebundenen Quellsysteme wie Fachanwendungen, Archive und Datenbanken, analysiert ihre Inhalte semantisch, stellt Zusammenhänge zwischen den Daten her und extrahiert relevante Fakten.

Dank ihrer Flexibilität was die Anbindung der Datenquellen betrifft – diese erfolgt mittels sogenannter Konnektoren – spielt es keine Rolle, ob die Daten in einer Cloud-Umgebung oder im eigenen Rechenzentrum bereitstehen. So indiziert die Insight Engine Daten mit hohen Compliance-Anforderungen aus On-Premises-Anwendungen und jene in der Cloud verfügbaren Informationen direkt von dort.

Dadurch entsteht eine zentrale Wissensdatenbank (Index), die bei einer Suchabfrage konkrete Antworten und kontext- und anwenderspezifische Sichten liefert. Die Daten verlassen dabei nie ihren Ursprungsort. Erst bei einer Interaktion mit dem Suchergebnis wird der Nutzer in die entsprechende Anwendung weitergeleitet. Auf diese Weise können auch hohe Compliance-Anforderungen stets erfüllt werden.

Die Ergebnisse stehen den Anwendern in Form von 360-Grad-Sichten zur Verfügung. Auf diese Weise sind komplexe Sachverhalte und kritische Abhängigkeiten zwischen den Daten auf einen Blick erkennbar.

Anfragen, Inhalte und Anwender verstehen

Die Anforderungen gehen heute weit über die einfache Schlagworte-Suche hinaus. Menschen erwarten zunehmend, dass Maschinen auch komplexe Fragen, Sätze und Sachverhalte verstehen und adäquat darauf reagieren. Neben der Mehrdeutigkeit der menschlichen Sprache stellen Umgangssprache, verschiedene Dialekte, Ironie oder Tipp- und Rechtschreibfehler die größten Herausforderungen in diesem Zusammenhang dar.

Um einen menschenähnlichen, natürlichsprachlichen Dialog (Conversational Search) zu ermöglichen, nutzen Insight Engines eine Reihe an unterschiedlichen Technologien aus dem Bereich der KI und Spracherkennung. Mittles Machine Learning, insbesondere Deep Learning sowie Natural Language Processing (NLP) und Natural Language Understanding (NLU) sind sie in der Lage, einzelne Wörter, Sätze, Texte und ihre Bedeutung sowie ihre Beziehung zueinander zu verstehen.

Ein Beispiel für Natural Language Understanding
Ein Beispiel für Natural Language Understanding
(Bild: Mindbreeze)

So lässt sich die konkrete Absicht des Anwenders – also welche Intention sich hinter einer Suchabfrage verbirgt – ermitteln und interpretieren. Auf diese Weise können Insight Engines trotz klassischer menschlicher Fehler wie Interpunktion-, Rechtschreib-, Grammatik- oder Tippfehler in Anfragen, adäquat reagieren und explizite Antworten geben.

Darüber hinaus versuchen Insight Engines permanent das Verhalten der Anwender zu verstehen, um dem Informationsbedarf noch exakter nachkommen zu können. Die Analyse der individuellen Arbeitsweise, dem Such- und Klickverhalten, dient der Erstellung sogenannter Relevanzmodelle. Anhand bestimmter Parameter – z.B. wie oft eine Information aufgerufen und bearbeitet wurde – berechnen sie die Relevanz der Treffer und Antworten bezogen auf die Fragestellung. Bei nachfolgenden Suchabfragen stellen sie den Anwendern die „relevanter“ eingestuften Informationen vorrangig zur Verfügung.

ein KI-basiertes Relevanzmodell
ein KI-basiertes Relevanzmodell
(Bild: Mindbreeze)

Neben Arbeitsweise und Verhalten der Nutzer spielen auch die individuellen Zugriffsberechtigungen eine wesentliche Rolle. Um den Compliance-Richtlinien zu entsprechen, werden die Autorisierungen bei jeder einzelnen Abfrage direkt bei den entsprechenden Datenquellen abgeglichen und die Ergebnisanzeige entsprechend angepasst.

Das bedeutet einerseits, dass Anwender nur Daten erhalten, für die sie die Berechtigung besitzen und andererseits, dass die Ergebnisse perfekt auf die individuellen Anforderungen abgestimmt sind. Während ein Mitarbeiter aus dem Kundenservice bei der Suche nach einem konkreten Namen vorrangig Verträge, Bestellungen und Beschwerden erhält, bekommt ein Anwender aus dem Accounting offene Bestellungen, Rechnungen, Mahnungen oder Saldenlisten angezeigt.

Dank dieser Flexibilität schaffen Insight Engines die Basis für umfassendes und intelligentes Wissens-Management im gesamten Unternehmen und einen sofortigen Mehrwert für das Business, ganz ohne Migrationsprojekt.

Gerald Martinetz, KI-Experte bei Mindbreeze, erläutert, wie im Wissens-Management ein sofortiger Mehrwert möglich ist.
Gerald Martinetz, KI-Experte bei Mindbreeze, erläutert, wie im Wissens-Management ein sofortiger Mehrwert möglich ist.
(Bild: Mindbreeze)

* Gerald Martinetz ist Verantwortlicher für die Bereiche angewandte Künstliche Intelligenz und Klassifizierung bei Mindbreeze. Die Mindbreeze GmbH bietet Appliances und Cloud-Services für Information Insight, angewandte künstliche Intelligenz und Wissens-Management. Die Produkte ermöglichen eine konsolidierte Sicht auf das Unternehmenswissen - unabhängig davon, wo und wie dieses gespeichert ist.

(ID:47535279)