Was ist Cognitive Computing und welche Potenziale hat es?

Beim Cognitive Computing wird der menschliche Denkprozess durch Computermodelle simuliert. Auf diese Weise kann ein Algorithmus auch in komplexen, mehrdeutigen Zusammenhängen Entscheidungen treffen, welche die binäre Logik herkömmlicher Algorithmen übersteigen.

Cognitive-Computing-Systeme führen unterschiedliche Datenquellen zusammen, um ein möglichst breites Set von Informationen zu erhalten. Das beinhaltet sowohl strukturierte als auch unstrukturierte Daten. Der Anspruch ist, eine Datengrundlage zu schaffen, die vergleichbar mit der gewaltigen Menge an Informationen ist, über die das menschliche Gehirn verfügt.

Außerdem werden unterschiedliche Kontexte einbezogen und abgewogen sowie Informationskonflikte verglichen. Dies geschieht unter Verwendungen von Data-Mining, Mustererkennungssoftware und Natural Language Processing (NLP). Mit der Zeit wird der Algorithmus besser und besser darin, Informationen korrekt einzuordnen, Probleme vorherzusagen und intelligente, menschenähnliche Lösungen zu finden.

Der Begriff Cognitive Computing wird vor allem mit dem Megarechner Watson von IBM assoziiert. Es gibt in der Zwischenzeit aber auch andere Systeme, die zu ähnlichen Leistungen in der Lage sind. Cognitive Computing ist stark mit der künstlichen Intelligenz (KI) verwandt; viele derselben Technologien kommen zum Einsatz. Das betrifft unter anderem künstliche neuronale Netzwerke, Roboter und Virtual Reality.

Das Cognitive Computing Consortium, ein Zusammenschluss von KI-Experten, hat vier Eigenschaften definiert, welche Cognitive Computing auszeichnen.

Cognitive-Computing-Systeme müssen in der Lage sein, auf sich verändernde Informationslagen zu reagieren. Daten müssen dynamisch in Echtzeit gelesen und verarbeitet werden können, um beispielsweise neue Unternehmensziele oder Umweltveränderungen zu berücksichtigen.

Eine weitere wichtige Eigenschaft von Cognitive Computing ist die sogenannte Human-Computer Interaction (HCI). Das bedeutet, dass Menschen intuitiv mit dem Algorithmus interagieren können, um ihm neue Anforderungen mitzuteilen. Genauso muss sich der Algorithmus auch mit anderen Rechnern, Maschinen und Cloud-Plattformen austauschen können.

Cognitive-Computing-Systeme sind in der Lage selbstständig neue Fragestellungen zu entwickeln oder zusätzliche Daten einzuholen, falls ein existierendes Problem zu unklar ist. Dafür greift das System auf vorangegangene Situationen zurück und vergleicht das aktuelle Problem mit diesen.

Cognitive-Computing-Systeme müssen wie der Mensch kontextuelle Informationen identifizieren und minen können. Das betrifft Daten wie die sprachliche Syntax, Uhrzeit, geographische Orte, User-Profile oder Unternehmensziele. Dafür werden insbesondere unstrukturierte Daten herangezogen, wie visuelle, akustische oder sensorische Informationen.

Es gibt mehrere Typen von kognitiven Systemen, die sich zum Teil überlappen. Die wichtigsten davon sind:

Deep-Learning-Systeme imitieren die Fähigkeit des menschlichen Gehirns, neue Informationen aufzunehmen, zu vergleichen und einzusetzen. Deep Learning kann Sprache und sogar Bilder verstehen. Das macht die Technologie zum idealen Tool für die Organisation und Bewertung von unstrukturierten Daten. Deep Learning kommt bereits als Spracherkennungslösung bei Smartphones, Tablets und IoT-Geräten zum Einsatz. Auch für das autonome Fahren dient Deep Learning als wichtige Grundlagentechnologie, um in Echtzeit zu beurteilen, wann der Abstand erhöht oder ein Bremsmanöver eingeleitet werden sollte.

Beim Machine-Learning wird einem System beigebracht, wie es sich selbst ohne oder nur mit geringer menschlicher Hilfe weiterentwickeln kann. Dafür muss das System zu Beginn ein Set von Daten zur Verfügung gestellt bekommen, das als initialer Referenzrahmen dient. Machine-Learning-Systeme können Daten selbstständig klassifizieren, Vorhersagen machen und Entscheidungen treffen. Bereits heute kommt Machine-Learning in vielen Industrien zum Einsatz, unter anderem in der Produktion, im Marketing und im Gesundheitswesen.

Ein künstliches neuronales Netzwerk ist ein Computersystem, welches die biologischen Strukturen des Gehirns nachbildet. Der primäre Einsatzzweck besteht darin, riesige Mengen unstrukturierter Daten zu organisieren, auf Muster zu untersuchen und Querverbindungen herzustellen. Solche Systeme werden zum Beispiel beim Filtern von E-Mails oder in der Krebsbehandlung eingesetzt.

Der Begriff Cognitive Computing wird oft synonym mit künstlicher Intelligenz verwendet. Aber es gibt feine Unterschiede im Hinblick auf den Einsatzzweck und die Anwendung.

Beide Methoden konzentrieren sich darauf, Muster zu erkennen. Beim Cognitive Computing liegt der Schwerpunkt aber darauf, menschliche Denkstrukturen nachzuahmen. Die menschliche Wahrnehmung zeichnet sich durch die Echtzeitanalyse von Ereignissen, Kontexten und Intentionen aus. Alle diese Faktoren werden herangezogen, um Probleme zu lösen und Entscheidungen zu treffen. Cognitive Computing simuliert dieses mehrschichtige Interpretationsverfahren durch digitale Systeme. Insofern stellt Cognitive Computing einen Spezialfall von KI dar.

Außerdem ist Cognitive Computing dafür gedacht, in direktem Kontakt Menschen bei ihrer Tätigkeit zu helfen; das trifft nicht auf alle künstliche Intelligenzen zu. So unterstützen Cognitive-Computing-Systeme Ärzte dabei, Diagnosen zu treffen und machen sogar Behandlungsvorschläge. Cognitive Computing überwindet also die Grenze zwischen Mensch und Maschine. Sie ist eine KI, mit der wir ohne technische Umwege kommunizieren können.

Keine Frage – das bekannteste Beispiel für Cognitive Computing ist nach wie vor der Watson von IBM. Zum heutigen Zeitpunkt hat das Unternehmen bereits 26 Milliarden US-Dollar in die Entwicklung investiert; aktuell geht fast ein Drittel aller R&D-Ausgaben an den Supercomputer. Aber auch Microsoft und Google sind mit starken Angeboten im Markt vertreten. Im Folgenden erfahren Sie mehr über die wichtigsten Anbieter.

Der Superrechner Watson von IBM kombiniert künstliche Intelligenz mit ausgeklügelter Analytics-Software. Berühmtheit erlangte das System, als es in der TV-Show “Jeopardy” gegen mehrere ausgezeichnete menschliche Spieler antrat und gewann. Der Watson ist zu natürlicher Sprachverarbeitung in der Lage, kann Bilder erkennen und einordnen, analysiert selbstständig Texte und stellt virtuelle Assistenten bereit. Unternehmen nutzen das, um bessere Lagebeurteilungen vorzunehmen, Prozesse zu optimieren und Kosten zu reduzieren.

Microsoft Cognitive Services sind eine Mischung aus APIs, SDKs und Cognitive Services, die sich insbesondere an Entwickler richten. Das Angebot war ursprünglich als Project Oxford bekannt. Die Programmierer verwenden die Tools, um Sprache und Bilder zu erkennen, menschliche Emotionen abzulesen oder um Suchanfragen besser zu verstehen. Diese Funktionen können dann in das jeweilige Programm integriert werden.

Das Unternehmen DeepMind wurde im Jahr 2014 von Google gekauft und fungiert seitdem als dessen Cognitive-Computing-Aushängeschild. Die künstliche Intelligenz erlangte im Jahr 2015 Berühmtheit, als sie in der Programmversion “AlphaGo” einen professionellen Go-Spieler besiegte. Bis dahin war es keinem anderen Algorithmus gelungen, das komplexe chinesische Brettspiel so zu dominieren. Das DeepMind-Team ist auf neuronale Netzwerke, verstärkendes Lernen (Reinforcement Learning) und neurowissenschaftliche Modelle spezialisiert.

CognitiveScale wurde von ehemaligen IBM-Watson-Teammitgliedern gegründet. Die Zielgruppe sind Unternehmen, welche Cognitive Services über die Cloud beziehen möchten. Insbesondere werden Anwendungen für den Einzelhandel, das Gesundheitswesen, die Finanzindustrie und die Tourismus-Branche geboten. Der Fokus liegt auf der Aufbereitung von „Dark Data“. Das sind verstreute, uneinheitliche Daten, die aus ganz verschiedenen Quellen stammen. Mit CognitiveScale können auch aus diesen Informationen Einsichten und Handlungsempfehlungen gewonnen werden.

Das Startup aus Austin in Texas begann seine Arbeit im Jahr 2014. Die Services richten sich an die herstellende Industrie und hier besonders an IoT-Applikationen. Sensordaten von internetfähigen Geräten können so besser ausgewertet und nutzbar gemacht werden. Der Fokus liegt auf der Risikobewertung und -minimierung. So können Katastrophenfälle im Ansatz abgewendet werden.

Cognitive Computing verfügt über zahlreiche interessante Einsatzgebiete. Einige Beispiele stellen wir Ihnen im Folgenden vor.

Einer der wichtigsten Einsatzzwecke von Cognitive Computing besteht darin, sogenannte unstrukturierte Daten aufzubereiten. Dies sind Informationen, die bisher nur schwer von herkömmlichen Systemen verstanden und ausgewertet werden können. Ein Beispiel ist die Interpretation der menschlichen Körpersprache oder von Gesichtsausdrücken. Das ist insbesondere für die Analyse von Bild- und Videodateien relevant, wie sie für die digitale Videoüberwachung benötigt werden. Weitere Beispiele für solche Daten sind Audioinformationen, Texte, E-Mails und Social-Media-Daten. Bisher mussten solche Informationen umständlich mit Tags versehen werden, um dann von automatisierten Systemen weiterverarbeitet werden zu können. Cognitiv Analytics macht diesen zeitintensiven Zwischenschritt überflüssig.

Cognitive Computing bildet die Grundlage von fortschrittlichen Spracherkennungssystemen. Das machen sich Unternehmen für Chatbots und virtuelle Assistenten zunutze. Diese Roboter verstehen Fragen und können Zusammenhänge selbstständig erklären. Der User hat das Gefühl, mit einem anderen Menschen zu interagieren, nicht mit einer Maschine.

Auch im Bildungsbereich bieten sich zahlreiche Einsatzzwecke. So können virtuelle Lehrer den menschlichen Lehrer je nach Bedarf unterstützen. Das ist insbesondere hilfreich, wenn bestimmte Schüler mehr Aufmerksamkeit benötigen, um den Lernstoff zu bewältigen. Der kognitive Assistent kann hier separate Lernangebote machen, zugeschnitten auf die Bedürfnisse der jeweiligen Person. Hinzu kommt ein psychologischer Vorteil: Vielen Schülern fällt es schwer, sich einem menschlichen Lehrer gegenüber zu öffnen; Lernschwächen werden als Makel empfunden. Einem virtuellen Assistenzlehrer gegenüber bestehen solche Vorbehalte normalerweise nicht.

Cognitive-Computing-Applikationen sind sehr relevant für das Gesundheitswesen. Beispielsweise greifen Radiologen auf Systeme zurück, die Röntgenbilder oder MRT-Befunde analysieren. Dies geschieht, um die Wahrscheinlichkeit von menschlichen Fehlern zu verringern; Krankheitsbilder werden so seltener übersehen. Dafür müssen die Systeme zu Beginn mit einer Vielzahl von radiologischen Bildern trainiert werden.

Insbesondere in der Finanzindustrie eignet sich Cognitive Computing dazu, ungewöhnliche Vorgänge auszumachen, beispielsweise im Bereich Geldwäsche. So könnten kriminelle Aktivitäten gestoppt werden, die im Moment noch ungestraft bleiben.

Derzeit haben Tourismus-Kunden zwei Optionen: Sie können sich an ein klassisches Reisebüro wenden, um sich individuell beraten zu lassen. Oder sie können ihre Reise im Internet selbst planen, haben dann aber deutlich mehr Aufwand. Cognitive Computing könnte diese Lücke schließen. Virtuelle Reiseberater würden dann selbstständig Flüge und Hotels aufeinander abstimmen, Ausflüge planen und lokale Reisebestimmungen berücksichtigen.

Das IT-Marktforschungsinstitut Gartner geht davon aus, dass KI und Cognitive Computing diejenigen neuen Technologien sind, welche in den nächsten Jahren die größten Disruptionen verursachen werden. Das liegt an den folgenden Vorteilen:

Kognitive Systeme sind sehr gut darin, Informationen zu sammeln, zu vergleichen und zu indexieren. Ein Beispiel ist die Gesundheitsindustrie: Der IBM Watson analysiert für menschliche Ärzte Krankheitsberichte, Fachpublikationen, Diagnosedaten sowie Familiengeschichten. Auf diese Weise lassen sich wesentlich genauere Diagnosen erstellen, die zu besseren Behandlungen beitragen. Cognitive Computing ersetzt den menschlichen Arzt also nicht, sondern assistiert ihm.

Cognitive Computing unterstützt Unternehmen dabei, neue Trends im Markt auszumachen und entsprechende Geschäftsmodelle zu entwickeln. Seine große Stärke entfaltet es aber bei der Optimierung von Prozessen. Der Algorithmus erkennt Verbesserungspotenziale, betreibt Risikominimierung und stellt sich auf neue Gegebenheiten ein, wenn beispielsweise eine Maschine oder ein Supplier ausfallen. Unternehmen können sich so schneller auf schwer zu kontrollierende Faktoren einstellen als bisher. Das Resultat sind schlanke, robuste Prozesse.

Eine weitere Stärke kognitiver Systeme: Sie verbessern die Customer-Experience. Das geschieht insbesondere durch den Einsatz von Robotern. Das bekannteste Beispiel sind intelligente Chatbots auf den Websites von E-Commerce-Unternehmen. Sie helfen dem Kunden bei Fragen und Problemen weiter.

Aber auch als virtuelle Präsentatoren lassen sich die menschenähnlichen Systeme einsetzen, beispielsweise um erklärungsbedürftige Produkte zu erläutern. Die große Stärke der Technologie besteht darin, dass dem Kunden ausschließlich relevante, kontextbezogene Daten zur Verfügung gestellt werden. Das führt zu mehr Zufriedenheit, als wenn sich der Kunde selbst umständlich die benötigten Daten zusammensuchen muss.

Bei allen Chancen, die Cognitive Computing bietet – es gibt auch einige Herausforderungen, die es in Zukunft zu lösen gilt.

Kognitive Systeme haben Zugriff auf gewaltige Datenmengen, die häufig auch sensible Kundeninformationen einschließen. Das Internet of Things verstärkt dieses Problem: Durch Alltagsgeräte, die mit Sensoren fortlaufend Daten erheben, kommt zu einer regelrechten Datenflut. Dies geht mit Sicherheitsrisiken einher, weil exorbitant mehr Informationen bewacht werden müssen.

Insofern stellt sich die Frage, wie sich Unternehmen am besten vor externen Angriffen schützen können. Optionen sind zum Beispiel bessere Verschlüsselungsverfahren, die Erkennung ungewöhnlicher Aktivitäten durch Big-Data-Analytics oder das Legen falscher Fährten, Stichwort Honeypot. Auch die Zusammenarbeit mit einem Managed-Security-Services-Provider stellt eine gute Option dar.

Viele Unternehmen scheuen sich aktuell noch davor, Cognitive Computing einzusetzen: Die Anwendungsfälle sind zum Teil unklar und die Komplexität der Technologie überfordert. Deshalb wird die Implementierung immer wieder aufgeschoben.

Hier gilt es eine Langzeit-Vision zu entwickeln: Es ist unbestritten, dass Cognitive Computing viele Industrien in den nächsten Jahren revolutionieren wird. Unternehmen, die sich hier früher positionieren, erhalten einen entscheidenden Marktvorteil. In der Praxis gelingt das am besten, indem alle Stakeholder – Mitarbeitende, Führungsebene, Kunden, Zulieferer – sich zusammensetzen und Möglichkeiten der Implementierung diskutieren. Machen Sie sich frei von Erwartungshaltungen; es geht nur darum, den Stein ins Rollen zu bringen.

Change-Management ist immer ein großes Thema, wenn es um die Einführung einer neuen Technologie im Unternehmen geht. Für Cognitive Computing gilt das in besonderem Maße: Das System ist dafür ausgelegt, die menschliche Denkweise möglichst genau nachzuahmen und selbstständig neue Wissensgebiete zu erlernen. Das löst bei vielen Mitarbeitenden die Befürchtung aus, dass Cognitive Computing ihnen den Arbeitsplatz streitig machen könnte.

Tatsächlich wird Cognitive Computing aber meist so eingesetzt, dass es dem Menschen zuarbeitet, nicht ihn ersetzt. Mensch und Maschine gehen hier eine Synthese ein. Wird dieser Aspekt ausreichend kommuniziert und durch proaktives Change-Management begleitet, hat Cognitive Computing aber gute Chancen, auch von Ihren Mitarbeitenden angenommen zu werden.

Aktuell haben viele Cognitive-Computing-Lösungen noch das Problem, dass sie zu allgemein konzipiert sind. Sie verfügen zwar über erstaunliche Fähigkeiten, sind aber nicht für spezifische Industrien trainiert worden. Unternehmen müssen sich also zuerst viel Zeit nehmen, um dieses Training durchzuführen. Hierfür muss meist ein komplettes Team abgestellt werden.

Große Unternehmen können diesen Aufwand leisten, kleinen und mittleren Unternehmen fehlen dagegen häufig die Ressourcen. Es steht jedoch zu erwarten, dass in Zukunft mehr und mehr “vortrainierte” Lösungen auf den Markt kommen, die auch für KMUs erschwinglich sein werden.

Hier einige Tipps, um Ihnen die Einführung von Cognitive Computing zu erleichtern.

Ein solides Datenmanagement bildet die Grundlage für Cognitive Computing. Schließlich sind Daten der Rohstoff, um den Algorithmus erfolgreich trainieren zu können. Befassen Sie sich deshalb mit unterschiedlichen Organisationsformen wie Data Lakes und Data Warehouses.

Um riesige Mengen Daten zu analysieren, benötigen Sie eine leistungsfähige IT-Infrastruktur. Ein klassisches On-Premises-System stößt hierbei schnell an seine Grenzen. Besser geeignet sind skalierbare Cloud-Lösungen für Unternehmen, die unkompliziert über einen Managed-Services-Provider bezogen werden können.

Testen Sie Cognitive Computing zunächst an einem isolierten Anwendungsfall. So machen Sie sich nicht von der neuen Technologie abhängig, falls es am Anfang technische Schwierigkeiten gibt. Das Pilotprojekt dient Ihnen als risikofreie Lernumgebung.

Cognitive Computing ist ein komplexes Projekt, das nicht mal so nebenbei umgesetzt werden kann. Stellen Sie deshalb ein Team von Mitarbeitenden ab, welches die Einführung und die fortlaufende Betreuung übernimmt. Dabei besteht die Herausforderung nicht nur darin, diese Teammitglieder entsprechend weiter zu qualifizieren, sondern auch, ihnen den Rücken freizuhalten. Hier können externe Service-Provider eine Lösung sein, die Ihrer IT-Abteilung zeitintensive Routineaufgaben abnehmen.

Sie möchten Ihre IT für Cognitive Computing bereit machen? Dann sollten wir uns unterhalten. Wir analysieren Ihren Status quo, stellen skalierbare Cloud-Lösungen bereit und optimieren Ihr Datenmanagement. Außerdem entlasten wir Ihr Team durch zahlreiche modulare IT-Services. So haben Sie den Kopf frei, um Zukunftsprojekte schon heute zu verwirklichen. Kontaktieren Sie uns jetzt, um eine unverbindliche Erstberatung zu vereinbaren!