SAP Innovationswelt

Vom Hype zum Standard: KI und Machine Learning als Schlüssel zum intelligenten Unternehmen

Was verbirgt sich eigentlich hinter dem großen Begriff „künstliche Intelligenz“?

Die KI, einfach erklärt, ist der Versuch, menschliches Lernen und Denken auf den Computer zu übertragen und ihm damit Intelligenz zu verleihen. Statt für jeden Zweck programmiert zu werden, kann eine KI zum Beispiel eigenständig Antworten finden und selbstständig Probleme lösen.

Wenn wir in der heutigen Welt von KI sprechen, hat das jedoch wenig mit dem zu tun, was wir aus Filmen und Büchern kennen. Im echten Leben begegnen uns KIs nur versteckt – wenn uns auf Amazon neue Produkte empfohlen werden, wenn Personen auf Fotos automatisch erkannt werden oder wir mit „Alexa“ oder „Siri“ auf unserem Handy plaudern.

Warum bietet KI uns so viele Chancen und Möglichkeiten?

Bei einer künstlichen Intelligenz geben Programmierer*innen nicht jeden einzelnen Schritt vor, sondern schreiben einen Algorithmus, der selbstständig in der Lage ist, diese Schritte zu erstellen. Warum ist das wichtig? Weil bestimmte Probleme so komplex sind, dass es unmöglich ist, dafür einen Code von Hand zu schreiben.

Ein Beispiel dafür ist etwa die Bilderkennung, die in sozialen Medien wie Facebook benutzt wird: Kein(e) Programmierer*in auf der Welt kann einen so umfassenden Satz mit Anweisungen schreiben, der - egal in welcher Situation (nachts, am Strand, im Auto) - erkennt, wie eine Person aussieht. In einem regelbasierten System wäre das vollkommen unmöglich, denn dazu müssten die Softwareentwickler*innen alle möglichen Fälle im Vorhinein kennen und mühsam eintippen.

Zwischenfazit: Die KI ist in der Lage, Informationen aus Daten zu ziehen, die ein Mensch niemals erfassen könnte, etwa weil sie zu zahlreich oder die unterliegenden Muster zu komplex sind.

Nächstes Buzzword „Machine Learning“ – um was geht es da konkret und wie hängt das Thema mit KI zusammen?

Machine Learning, im Deutschen „maschinelles Lernen“, ist ein Teilgebiet der künstlichen Intelligenz. Mithilfe des maschinellen Lernens werden IT-Systeme in die Lage versetzt, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen und Lösungen zu entwickeln. Es wird quasi künstliches Wissen aus Erfahrungen generiert.

Damit die Software eigenständig lernen und Lösungen finden kann, ist ein vorheriges Handeln von Menschen notwendig. Beispielsweise müssen die Systeme zunächst mit den für das Lernen relevanten Daten und Algorithmen versorgt werden. Zudem sind Regeln für die Analyse des Datenbestands und das Erkennen der Muster aufzustellen.

Welche Arten und Algorithmen von Machine Learning (ML) gibt es - und wie und wann kommen diese zum Einsatz?

Es gibt verschiedene Arten und Algorithmen von Machine Learning, die entsprechend zu unterschiedlichen Aufgaben herangezogen werden.

Bei Vorschlägen und Empfehlungen (Recommendations) analysiert das System, was der Nutzer oder eine Vergleichsgruppe zuletzt aufgerufen oder verwendet hat. Man kennt dies aus Webshops wie Amazon („Nutzer kauften auch…“). Aber auch das Ausfüllen von Formularen mit wiederkehrenden oder wahrscheinlichen Inhalten wird darunter verstanden.

ML kann aber auch auf Basis von verwendeten Daten Reihenfolgen bilden (Ranking) und damit dem Nutzer eine Entscheidungshilfe geben. Bspw. die 10 größten Lieferanten nach Einkaufsvolumen oder die besten Lieferanten nach Liefertreue. Das System errechnet u.U. automatisch einen Scorewert bei entsprechend hinterlegtem Regelwerk. Das unterstützt den Anwender im Tagesgeschäft.

Ähnlich verhält es sich bei Kategorienbildung (Categorization): Hier unterscheidet man die Algorithmen Clustering und Classification. Der Unterschied zwischen Clustering und Classification besteht in dem Vorhandensein von Labels. Beim Clustering sind keine Labels vorhanden, daher ist es einfacher für die Software, Gruppierungen zu bilden. Bei der Klassifizierung sind Labels vorhanden. Diese werden den Gruppen zugeordnet, was etwas schwieriger ist als beim Clustering.

Das Vorhersagen auf Basis von vorhandenen Daten versteht man unter Predictions. Hier unterscheidet die ML nicht-parametrische, semi-parametrische und parametrische Modelle. Parametrisiert und nicht-parametrisiert bezieht sich auf das Modell (Trainingsergebnis), nicht auf die Algorithmen selbst. Vereinfacht gesagt, liegt parametrischen Modellen eine "feste" Formel zugrunde, während die nicht-parametrischen Modelle etwas variabler diesbezüglich sind. Generell kann man sagen, dass parametrische Funktionen weniger Datenpunkte als nicht-parametrische Lernverfahren benötigen und bei weniger Daten bessere Vorhersage-Ergebnisse liefern. Bei sehr großen Datenmengen werden parametrische Funktionen eher schlechter gegenüber nicht-parametrischen Verfahren und neigen etwas zur “Unteranpassung”.

Die ML Art Recognition beinhaltet Techniken wie das Profiling oder auch Matching. Beim Matching vergleicht ML ein Objekt mit anderen Objekten und macht eine Einschätzung darüber, was die höchste Trefferquote anbelangt (Bsp. Gesichtserkennung auf Fotos, Tonsequenz-Erkennung in Audiodateien). Profiling ist eine ML-Art, die nicht vom Individuum ausgeht, sondern eher eine Gruppe von Individuen in einem Profil zusammenfasst. Damit können Verhaltensweisen von Personen oder Objekten vorhergesagt werden, die einem bestimmten Profil zugehörig sind. Ein Beispiel aus der Praxis sind die neue Generation an Smart Meter-Geräten und die damit beobachtbaren Energieprofile einzelner Nutzer in einem Haushalt.

Sprachbasierte Interaktion des Users mit dem System ist eine weitere Art von Machine Learning (Conversational Artificial Intelligence). Hierzu werden meist neuronale Netze eingesetzt. Für gewöhnlich begegnet uns hier das Schlagwort Natural Language Processing (NLP). Beispiele hierzu gibt es massenweise wie z.B., in Form von Alexa, Echo, Nest, HomePod, Siri & Co. Aber auch Chat Bots, Smart Home Systeme, Fahrassistenzen gehören dazu.

Mittels des Algorithmus "linerare Regression" lassen sich Vorhersagen aus Datenpunkten errechnen (Regression). Bei dieser Rechentechnik kommt ein Trainingsdatensatz ins Spiel, der die Genauigkeit der Vorhersage stetig verbessert. Ein Anwendungsbeispiel ist ein vorhergesagtes Lieferdatum eines speziellen Artikels eines speziellen Lieferanten. Hier analysiert ML die Daten der Vergangenheit und prognostiziert das erwartete Lieferdatum. Damit ist der Anwender in der Lage ad hoc zu reagieren und entweder mit dem Lieferanten zu verhandeln (zu späte Lieferung) oder einen anderen Lieferanten zu finden (zugesichertes Lieferdatum).

Wie nutzt die SAP die intelligente Technik?

Die SAP erklärt insbesondere Machine Learning als ein wesentliches Merkmal und Mehrwert der neusten Generation Unternehmenssoftware S/4HANA. Nicht nur ML, sondern auch Robotic Process Automation (RPA) oder Embedded Analytics oder Predictive Analytics sind bereits im Kern inkludiert und für den Kunden sofort nutzbar (Embedded Machine Learning). Ergänzend zu den direkt im S/4-Stack verbauten Techniken bietet die SAP ihren Kunden noch den Side-by-Side-Ansatz an. Dabei werden bestimmte, daten- und rechenintensive Services des Machine Learnings wie bspw. die Bilderkennung in die Business Technology Platform ausgelagert (Side-by-Side Machine Learning).

Ebenso wie die direkt in die Applikation bzw. konkret Fiori-Apps eingebauten Techniken verhält es sich bei den für ML notwendigen Trainingsdaten und Bibliotheken. Auch diese gibt es im eigentlichen S/4, aber auch außerhalb. Auf die Bibliotheken Automated Predictive Library (APL), Predictive Analysis Library (PAL) und External Machine Learning Library (EML) gehe ich in einem Folgebeitrag noch etwas genauer ein, wenn wir uns Anwendungsfälle in Unternehmen angucken.

Aber daraus lässt sich doch schon mal als Zwischenfazit ableiten: Um gute Vorschläge unterbreiten zu können, müssen KI-Anwendungen lernen. Machine Learning funktioniert umso besser, je mehr Datensätze dafür herangezogen werden. Deshalb werden KI-Technologien gerne in Public-Cloud-Lösungen eingesetzt. Diese sind in der Regel für eine Vielzahl von Mandanten ausgelegt. Auch wenn die Daten der einzelnen Kunden logisch und physisch getrennt sind, hat das System doch die Möglichkeit, alle Datensätze als “Lernmenge” zu verwenden.

KI und Machine Learning in Verbindung mit SAP S/4HANA: In welchem Kontext beschäftigt sich die BTC mit diesen Themen?

Vorrangig konzentrieren sich unsere SAP Experten*innen bei BTC darauf, unsere Kunden auf ihrem Weg in Richtung optimaler S/4HANA Transformation zu beraten und zu unterstützen. Denn der S/4HANA Stack ist zunächst die Grundvoraussetzung für viele Machine Learning Szenarien. Darüber hinaus aktivieren wir bei unseren Kunden ML auf S/4HANA Systemen und beraten, ob die bereits vorhandenen „Bordmittel" ausreichend sind oder doch einen Side-by-Side-Ansatz mittels der SAP Business Technology Platform gefahren werden soll. Aktuell arbeiten wir an verschiedenen Show Cases zu Machine Learning – gegliedert nach Lines of Business, also den Fachbereichen.

In unserer SAP Innovationswerkstatt möchten wir Ihnen daher gerne in loser Reihenfolge ganz pragmatische Anwendungsfälle aus den Fachmodulen vorstellen und Sie dabei an unseren Erfahrungen partizipieren lassen.

An welchen KI und Machine Learning Projekten wird bei BTC konkret gearbeitet?

Aktuell haben wir ein S/4HANA on premises System mit neustem Softwarestack im BTC eigenen SAP Labor installiert. In das System haben wir die von SAP bereitgestellten Best Practice Prozesse eingespielt. Auf diesem System werden nun die ersten Embedded Machine Learning-Szenarien konfiguriert. Parallel dazu prüfen wir die Funktionsfähigkeit des “Side-by-Side"-Ansatzes, indem wir eben dieses on premises S/4HANA System an die SAP Business Technology Platform anbinden.
Die SAP bietet unter dem Stichwort AI Business Services bereits acht Services in einem “Side-by-Side"-Ansatz an. Darunter fallen beispielsweise Business Entity Recognition, Document Infomation Extraction oder Document Classification.
Ein Anwendungsszenario, was wir dabei bereits konkret verfolgen, ist die Verknüpfung von KI und ML mit dem Einkaufsprozess und den dort möglichen Anwendungsfällen. Darüber berichten wir in Kürze im nächsten Kapitel – bleiben Sie dran!
Alexander Brocksieper
Head of SAP Business Development