Semantic Search / Semantic Analysis

Verstehen Sie Texte wie kein anderer

Generieren Sie aus jeder Art Text den Wissensvorsprung für den entscheidenden Wettbewerbsvorteil.

Künstliche Intelligenz (KI) analysiert Texte und erkennt darin Sinnzusammenhänge. Daraus lassen sich wertvolle Erkenntnisse und Empfehlungen ableiten, die Menschen erst nach unverhältnismäßig viel Zeit oder auch nie erarbeiten könnten. Die KI ergründet dabei nicht nur die semantische Bedeutung, sondern auch Häufigkeiten und Cluster. So finden Sie beispielsweise eine wiederkehrende Fehlerquelle in der Produktion oder können Kundenmails automatisiert an bestimmte Abteilungen schicken, ohne dass deren Name oder Fachgebiet explizit genannt werden muss. KI erkennt die Sinnzusammenhänge aus dem Kontext.

Auf Anhieb verstehen

Möchten Sie auch in Zukunft hunderte Seiten Logfiles durchforsten, um das fehlerhafte Zahnrad in Ihrer Produktionskette zu finden? Oder lesen Sie besonders gerne die Gelben Seiten auf der Suche nach dem richtigen Spezialisten? Müssen Sie glücklicherweise nicht. Denn durch semantische Analyse von Texten erledigt künstliche Intelligenz Teile davon deutlich schneller als wir Menschen.

Das Wort “semantisch” bedeutet, dass KI die wahre Bedeutung – den wortwörtlichen Sinn – von Texten verstehen kann. Wenn Sie diesen Text hier lesen, können Sie über die Suchfunktion Ihres Browsers nach bestimmten Worten darin suchen. KI agiert sehr ähnlich, mit der praktischen Erweiterung, dass das gesuchte Wort selbst nicht im Text vorkommen muss, damit KI weiß, worum es geht.

Welche Informationen auch in Texten stecken mögen, künstliche Intelligenz erkennt diese vor allem in der großen Masse effizienter, als wir Menschen. Sie liest sogar zwischen den Zeilen, davor und dahinter. Aber von welcher Sorte Text sprechen wir?

Wo semantische Analyse einsetzen?

Das Gebiet Semantic Search/Semantic Analysis umfasst ein breites Spektrum an Einsatzmöglichkeiten. Der Mensch kann derartige Prozesse auf verschiedenste Weise in Gang setzen. Der Klassiker ist die uns allen bekannte Suchanfrage an eine Software.

Bislang haben wir dazu in Suchmaschinen einzelne Begriffe oder Sätze getippt und unendlich viele Ergebnisse bekommen, die allesamt nicht zu 100 Prozent gepasst haben. Mit semantischer Analyse lässt sich die Suchanfrage jedoch viel präziser aufschlüsseln. Vor allem, wenn wir im Gegensatz zu Internetsuchmaschinen, längere Texte eingeben können. Ein Schlüssel dazu sind auch smarte digitale Assistenten bzw. Conversational AI, also eine tatsächliche Unterhaltung mit künstlich intelligenten Systemen.

Verwenden wir beispielsweise Synonyme, erkennt künstliche Intelligenz mit dem passenden Sprachmodell im Hintergrund aus dem Kontext, was wir wirklich meinen. Es wäre also egal, ob wir “Mehlspeise”, “Süßspeise” oder “Nachspeise” im Kontext einer Hochzeit sagen. Die künstliche Intelligenz würde darauf schließen, dass es sich, ohne dass diese Worte verwendet wurden, um “Kuchen” oder “Torten” handeln muss und nicht um Weihnachtskekse. Infolge empfiehlt sie uns den idealen Konditor.

Dieses sehr einfache Beispiel lässt sich mit dem entsprechenden Training des zugrunde liegenden AI Skills beliebig in seiner Komplexität skalieren. Je nach Informationsgehalt der Anfrage und der Datenbasis werden beliebig viele Parameter von der künstlichen Intelligenz berücksichtigt. Laktosefrei, ohne Nüsse, Preis, Lieferzeit – alles eine Frage der Frage.

Spart Zeit und Kosten durch Mustererkennung

Neben dem Alltag existieren selbstverständlich auch Anwendungen in komplexeren Umgebungen, wie der Industrie. Wartung und Qualitätssicherung sind zwei Bereiche, die beispielsweise stark von künstlicher Intelligenz profitieren können. Ergründen wir das wieder anhand eines Beispiels.

Stellen Sie sich vor, eine Maschine produziert einen Fehler. Sie tut das in unregelmäßigen Abständen, aber unverhältnismäßig oft. Vermutlich wären Sie als QA-Verantwortlicher geneigt, die Maschine einfach auszutauschen.

Doch auch bei der neuen Maschine treten Fehler auf. Übrigens ebenso bei anderen Maschinen des gleichen Typs, allerdings deutlich seltener. Mit der Zeit stellt die künstliche Intelligenz dann fest, dass die ausgegebenen Fehler mit dem verwendeten Material zu tun haben. Sie hat in den generierten Fehlerberichten durch semantische Analyse ein Muster erkannt und kann nun anhand dieses Clusters wiederum feststellen, ob das Problem an der Maschine selbst oder dem Rohstoff liegt.

Zwei unterschiedliche Hersteller haben denselben Rohstoff abwechselnd geliefert. Dank tiefergehender Vergleiche ermittelt unsere KI schließlich, dass nicht die Maschine selbst den Fehler verursacht, sondern vermehrt dann ein Problem auftritt, wenn der Rohstoff von Lieferant X verarbeitet wird. Während menschliche Mitarbeiter immer noch mit Lupe und Schraubenzieher an den mechanischen Komponenten tüfteln würden, hat die künstliche Intelligenz den Fall bereits gelöst und den wahren Grund für die Probleme gefunden.

Mensch und Maschine Hand in Hand

Natürlich werfen wir nicht einfach künstliche Intelligenz in eine Fabrikshalle und warten auf Wunder. Stattdessen arbeiten Mensch und KI zusammen. Mit unterschiedlichen Lernmethoden trainieren wir die smarte Software, immer präzisere Ergebnisse zu liefern. Sogenanntes “Supervised Learning” sieht vor, dass der menschliche Experte immer wieder Feedback zu den Ergebnissen an die KI zurückgibt. So kann unser virtueller Sherlock Holmes immer besser einschätzen, ob er auf der richtigen Spur ist.

Beide Seiten ergänzen sich durch die jeweiligen Stärken gegenseitig zum bestmöglichen Ergebnis. Wie das im konkreten Fall funktioniert, haben wir bereits in erfolgreichen Use Cases dargestellt.

Persönliche Beratung
per Videokonferenz

Wenn Sie mehr über das AI Operating System und seine vielen Vorteile für Ihr Unternehmen erfahren wollen, vereinbaren wir gerne einen Termin mit Ihnen.