Zwischen Regelwerk und Selbstlernen

Field Service Management:

Zwischen Regelwerk und Selbstlernen

Bild: SAP SE

Nach einer Studie von Gartner soll bis 2022 der Geschäftswert von KI auf 2,85 Billionen Euro steigen. Der Löwenanteil davon wird voraussichtlich auf den Bereich der Kundenerfahrung entfallen, für das schon ausgereifte Tools am Markt existieren. Dieser Überblick zeigt, wie es heute um KI im Field Service Management steht und wohin die Reise geht.

Regelbasierte Systeme bilden einen der einfachsten Typen im KI-Segment. Allerdings weist ihre Charakteristik eine Reihe von Nachteilen auf. Beispielsweise stehen Programmierer vor der Notwendigkeit, aufwendige Regeln und Schwellenwerte zu definieren. Als besonders schwierig erweist es sich, wenn sich Daten innerhalb kürzester Zeit ändern. Der Grund: Diese Art von Systemen kann lediglich solche Fehler finden, die bereits bekannt sind – sie sind nicht dafür ausgelegt, unbekannte Anomalien aufzudecken. Grundsätzlich liefern regelbasierte Systeme, die auch als Expertensysteme bezeichnet werden, eine ausreichende Operationsbasis für die Verwaltung und Analyse selbst bei größeren Datensätzen. Das gilt jedoch nicht für komplexe Daten wie Bilder oder Videos. Hier gilt es dafür zu sorgen, dass die Datenpunkte auf eine Menge verringert werden, die sich effektiv verarbeiten lässt – mit dem Nebeneffekt, dass dann allerdings nicht mehr der ganze Bestand abgebildet wird.

Basis für selbstständiges Handeln

Sobald die Komplexität jener Abläufe in Produktion und Field Service zunimmt, in denen regelbasierte Ansätze zum Einsatz kommen, geraten diese aufgrund ihres Funktionsprinzips schnell an ihre Grenzen. Einen Gegenentwurf bilden KI-Ansätze, die auf maschinellem Lernen basieren. Hierbei wird ein System anhand großer Datenmengen trainiert: es erzeugt selbst die Regeln und ein Modell zum Klassifizieren der Trainingsdaten. Die Interpretation der zu bewertenden Daten erfolgt in Echtzeit. Eine weitere Besonderheit ist, dass diese Form von künstlicher Intelligenz in der Lage ist, Aktionen selbstständig auszulösen. Anhand ‚gesunder‘ Datenströme lernt sie Prozesse kennen und erkennt dann auch Anomalien, die gar keine definierten Schwellenwerte verletzen.

Voicebots und Chatbots

Beispiele für konkrete Anwendungsfälle, in denen beide KI-Ansätze – der regelbasierte und der lernende – beim Field Service Management zum Einsatz kommen, sind Voicebots und Chatbots. In einem regelbasierten System werden im Vorfeld Fragen und entsprechende Antwortmöglichkeiten definiert. Bei sämtlichen Fragen, die hierbei nicht berücksichtigt wurden, kann der Chatbot nicht behilflich sein. Regelbasierte Voicebots und Chatbots sind also für begrenzte Anwendungsbereiche nutzbar, solange sich die erforderlichen Daten nicht regelmäßig ändern. Einen flexibleren Einsatzbereich weisen KI-basierte Lösungen auf, die in der Lage sind, selbstständig zu lernen. Sie werden mit Datensätzen trainiert, erkennen Gesetzmäßigkeiten und leiten daraus weitere Antworten ab. Außerdem führt jede neue Spracheingabe dazu, dass diese weitertrainiert wird. Je nach Einsatzbereich sorgen Chatbots, denen eine regelbasierte oder eine lernende KI zugrunde liegt, für Entlastung im Service-Sektor. Sie erteilen einfache Auskünfte über Chatfenster und stellen Anwendern bei Bedarf technische Datenblätter oder Gebrauchsanweisungen bereit.

Seiten: 1 2Auf einer Seite lesen

Anzeige

Anzeige

Das könnte Sie auch Interessieren

Bild: Abat AG
Bild: Abat AG
Forschungskooperation verlängert

Forschungskooperation verlängert

Bild: Abat AG Voneinander und miteinander lernen, gemeinsam an innovativen Ideen für den Markt innerhalb von Forschungskooperationen tätig sein - seit mehreren Jahren schon besteht eine enge Zusammenarbeit zwischen der Bremer Abat AG und der Uni Oldenburg (Abteilung...

Image: Xilinx Inc.
Image: Xilinx Inc.
Adaptive AI Vision

Adaptive AI Vision

Image: Xilinx Inc. Die Kria SOMs ermöglichen den schnellen Einsatz durch Bereitstellung einer End-to-End Lösung auf Board-Ebene mit vorkonfiguriertem Software Stack. Das Kria K26 SOM basiert auf der Zynq UltraScale+ MPSoC Architektur, die einen Quad-Core Arm Cortex...