vege - stock.adobe.com
Wie intelligentes Wissensmanagement funktioniert
Die Digitalisierung schreitet voran. Unternehmer erkennen dabei das Potenzial datengetriebener Geschäftsmodelle. Wie intelligentes Wissensmanagement funktioniert.
Die Digitalisierung schreitet rasch voran, wie der Digitalisierungsindex 2020/2021 für den deutschen Mittelstand zeigt. So hat die Ungewissheit des vergangenen Jahres zahlreiche Unternehmen dazu veranlasst, kurzfristig kritische Geschäftsmodelle und -prozesse zu digitalisieren. Das große Potenzial datengetriebener Geschäftsmodelle – und damit auf künstlicher Intelligenz basierter Datenanalysen – bleibt dabei nicht unbemerkt.
Die dazu erforderlichen Technologien halten bereits Einzug in den Mittelstand. Sogenannte Insight Engines vereinen Technologien klassischer Enterprise-Search-Lösungen mit künstlicher Intelligenz sowie fortschrittlichen Methoden der Spracherkennung, um Unternehmensdaten aus den unterschiedlichsten Quellsystemen intelligent zu verknüpfen, zu analysieren und aufzubereiten.
Ein großer Vorteil von Insight Engines liegt darin, dass eine Neuorganisation der vorhandenen Daten nicht notwendig ist. Sie bleiben in den bestehenden Anwendungen, denn die Anbindung erfolgt über Konnektoren. Kommt es zu einer Abfrage, durchsucht die Insight Engine den erstellten Index – also sämtliche vorab angebundenen Datenquellen – und extrahiert genau jene Information, die der Anwender für die Erledigung einer spezifischen Aufgabe benötigt. Das kann die Adresse eines Kunden sein, die technische Beschreibung eines Bauteils oder die Verkaufszahlen eines Produkts in einer bestimmten Region.
Anfragen verstehen, Ergebnisse personalisieren
Um bei einer Suchabfrage strukturierte und unstrukturierte Daten extrahierten zu können, muss die Insight Engine die Inhalte und Metadaten sowohl der Dokumente als auch der Abfragen semantisch verarbeiten. Dies erfolgt im Regelfall über eine Pipeline, die über unterschiedliche Stufen, verschiedene Prozesse, Plug-Ins und Erweiterungspunkte verfügt.
Zum Einsatz kommen dabei unter anderem Methoden der natürlichen Sprachverarbeitung, vor allem Natural Language Understanding (NLU) und Natural Language Processing (NLP). Vereinfacht gesagt sorgen diese für das Verstehen und Verarbeiten der Suchanfragen in natürlicher Sprache.
Während es bei NLP darum geht, Erkenntnisse aus Daten zu gewinnen und Inhalte in sinnvolle Informationen umzuwandeln, ermittelt die Insight Engine mit NLU den Bedarf des Anwenders. NLU geht also über das Verstehen von Wörtern hinaus und beschäftigt sich mit der Interpretation der konkreten Bedeutung einer Frage oder einer Aussage im Detail. Anwender sind damit in der Lage, trotz der üblichen menschlichen Fehler (zum Beispiel Tippfehler), konkrete Antworten auf Fragen wie „Was wissen wir über einen Kunden?“ oder „Wie kann ich meine Bestellung stornieren?“ zu erhalten.
Wesentlich ist in diesem Zusammenhang die Personalisierung der Informationen. Hier kommt das sogenannte Behavioural Model for Information Retrieval System Design ins Spiel. Mit komplexen Methoden des Machine und Deep Learning lässt sich die Intention hinter den Suchabfragen ermitteln, interpretieren und eine entsprechende Suche anstoßen. Faktoren wie zum Beispiel die Rolle oder Position des Anwenders, das spezifische Suchverhalten ebenso wie vergangene Interaktionen mit Informationen werden dabei berücksichtigt.
Auf diese Weise ist es ebenso möglich, nutzerspezifische Relevanzmodelle abzuleiten. Durch die Analyse, wie oft, wann und in welchem Kontext jemand bestimmte Informationen aufruft oder bearbeitet, lernen Insight Engines, die Informationen und ihre Relevanz zu klassifizieren und Suchergebnisse noch punktgenauer nutzer- und kontextspezifisch zu personalisieren.
Neben den jeweiligen Bedürfnissen, Positionen und dem Verhalten berücksichtigen Insight Engines auch die individuellen Zugriffsrechte der Nutzer. Bei jeder einzelnen Abfrage überprüft das System die bestehenden Autorisierungen und gleicht sie mit jenen bei den Datenquellen hinterlegten Berechtigungen ab.
„Insight Engines werden zunehmend zum Mainstream, wenn es um die Digitalisierung sowie die intelligente Informationsaufbereitung und -bereitstellung geht.“
Daniel Fallmann, Mindbreeze
Einige branchenführende Lösungen bieten darüber hinaus die Möglichkeit einer einfachen Feinabstimmung, um die Ergebnisse manuell und damit noch genauer an die einzelnen Teams und Positionen anzupassen. Über ein selbsterklärendes Interface haben Anwender die Möglichkeit, schnell und unkompliziert individuelle Anpassungen an den verschiedenen Anforderungsprofilen vorzunehmen und Suchergebnisse zu priorisieren.
Für die Anwender entsteht dadurch eine völlig personalisierte 360-Grad-Sicht (Holistic View) auf die Suchabfrage, angereichert mit wertvollen, kontextrelevanten Zusatzinformationen – kompakt sowie strukturiert aufbereitet in übersichtlichen Dashboards.
Insight Engines werden zunehmend zum Mainstream, wenn es um die Digitalisierung sowie die intelligente Informationsaufbereitung und -bereitstellung geht. Sie sorgen für eine umfassende Vernetzung der einzelnen Anwendungen, Abteilungen, Ebenen und Business Units. Relevante Informationen stehen damit zum richtigen Zeitpunkt und im korrekten Kontext zur Verfügung. Dies erleichtert die tägliche Arbeit und reduziert den Rechercheaufwand – ein Gewinn für jedes Unternehmen.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
