FAQ Cognitive Computing

Was Sie über Cognitive Computing wissen müssen



Mandy Goram leitet den Bereich Business Intelligence eines mittelständischen pharmazeutischen Unternehmens. Ihr Schwerpunkt liegt in der strategischen und operativen Weiterentwicklung der unternehmensweiten DWH-, BI- und Analytics-Systeme.
Wir zeigen, was sich hinter dem Begriff Cognitive Computing verbirgt und wie Unternehmen von selbstlernenden IT-Systemen profitieren können.
Aufgaben wie Marktanalysen, Risikobewertungen und Szenario-Analysen können von kognitiven Systemen selbstständig, ohne menschliches Eingreifen, erledigt werden.
Aufgaben wie Marktanalysen, Risikobewertungen und Szenario-Analysen können von kognitiven Systemen selbstständig, ohne menschliches Eingreifen, erledigt werden.
Foto: Omelchenko - shutterstock.com

Cognitive Computing bezeichnet Computermodelle, die menschliche Denkprozesse imitieren, um Aufgaben zu lösen die bisher nur der Mensch durch seine kognitiven Fähigkeiten bearbeiten konnte. Das Cognitive Computing kommt der allgemeinen Vorstellung über künstliche Intelligenz und autonomen, menschenähnlichen und selbstlernenden Computern und Maschinen sehr nahe. Es beschreibt intelligente IT-Systeme, die auf Basis natürlicher Sprachverarbeitung mit dem Menschen in einer natürlichen Weise kommunizieren und interagieren können.

Kognitive Systeme verwenden Verfahren aus dem Bereich der künstlichen Intelligenz, um das menschliche Denken zu simulieren, selbstständig zu lernen und Aktionen zu adaptieren. Die Fähigkeit des Lernens und Entwickelns erhalten kognitive Systeme durch eine Kombination aus Verfahren der Knowledge Discovery, dem Information Retrieval, der Information Extraction, dem maschinellen Lernen und dem Natural Language Processing. Die Fähigkeit der Systeme ist mit den Aufgabenbereichen verknüpft, für die sie entwickelt wurden. Sie können anspruchsvolle menschliche Tätigkeiten unterstützen und übernehmen. Dabei kann eine Effizienz erreicht werden, die den Menschen weit übertrifft.

Cognitive Computing - Definition

Der Begriff Cognitive Computing ist nicht einheitlich definiert. In wissenschaftlichen Beiträgen wird es als ein praktisches Anwendungsgebiet der Cognitive Informatics angesehen, das Schnittmengen zu den Neurowissenschaften, der Linguistik, der Informatik, der Philosophie und Psychologie sowie den Kommunikationswissenschaften aufweist. Die Umsetzung erfolgt mit Verfahren der Knowledge Discovery, des Text Mining, des Natural Language Processing und des maschinellen Lernens.

Dem Cognitive Computing kommen dabei die speziellen Eigenschaften der Adaption, der Interaktion, der Reflexion und des Kontextverstehens zu, was sie gegenüber herkömmlichen Computerprogrammen unterscheidet. Für die Verarbeitung, das Lernen und die Aufgabenbewältigung werden riesige Datenmengen benötigt.

Adaptions- und Lernfähigkeiten sind Schlüsselkomponenten des Cognitive Computing

Adaption ist die Fähigkeit sich der Umwelt und dem direkten Umfeld anzupassen. Kognitive Systeme sind in der Lage Informationen aus ihrem Umfeld dynamisch wahrzunehmen, zu verstehen und daraus Notwendigkeiten zur Erreichen der Ziele abzuleiten.

Interaktion ist die Fähigkeit mit Menschen und anderen Computersystemen sowie Maschinen in einen Informationsaustausch zu treten, um Aufgaben zu erledigen oder die Menschen bei ihren Aufgaben zu unterstützen.

Die kontinuierliche, iterative Anpassung und Reflektion des kognitiven Modells dienen der Wahrnehmung von Änderungen im Umfeld des kognitiven Systems. Die Fähigkeiten der Aufgabenerledigung werden dadurch selbständig weiterentwickelt. Ein kognitives Modell benötigt zuverlässige und valide Daten, um die eigenen Annahmen zu überprüfen und regelmäßig zu validieren.

Die bedeutendste Fähigkeit kognitiver Systeme ist das Verstehen, Identifizieren und Extrahieren von Kontextelementen, um Informationen und Handlungen einem Kontext zuordnen zu können. Zu den Kontextelementen gehören Bedeutung, Syntax, Zeit, Ort, Domäne, Regularien, Benutzerprofile, Prozesse, Aufgaben und Ziele. Um Kontextelemente erkennen und verstehen zu können, verwenden kognitive Systeme strukturierte und unstrukturierte Daten aus verschiedenen Informationsquellen. Dadurch lernt das System Bezüge von Kontextelementen herzustellen.

Cognitive Computing vs. Artificial Intelligence

Die Begriffe Cognitive Computing und Artifical Intelligence, zu Deutsch künstliche Intelligenz, beschreiben zwei verschiedene Anwendungsbereiche. Kognitive Systeme im Sinne des Cognitive Computing lernen und agieren selbstständig durch Informationen und Folgen von Aktionen aus ihrem Umfeld. Ein kognitives System lernt kontinuierlich dazu, um den eigenen Aktionsbereich zu verbessern und neue Aktionen zu erlernen.

Die Fähigkeiten des Systems entwickeln sich stetig fort, vergleichbar mit dem menschlichen Lernprozess. Cognitive Computing kommt der verbreiteten Vorstellung künstlicher Intelligenz über autonom agierende, lernende und dem menschlichen Denken nachempfundener Systeme nahe. Im Cognitive Computing steht die selbststände und automatisierte Problemlösung im Vordergrund, bei künstlicher Intelligenz ist es die Lösung selbst.

Künstliche Intelligenz beschreibt Computersysteme, die auf Basis von Algorithmen und Modellen die bestmögliche Lösung zu einem Problem ermittelt und stellen einen Teilbereich des Cognitive Computing dar. KI-Systeme sind sehr spezialisiert und erfüllen einen bestimmten Zweck, wie beispielsweise Fahrassistenzsystems und Empfehlungssysteme (Recommender Systems) in Onlineshops oder für Geldanlagen. Künstliche Intelligenz nutzt Verfahren des maschinellen Lernens, des Data Mining, des Information Retrieval, der Information Extraction und der Natural Language Processing (NLP) zur Ermittlung, Aufbereitung und Integration von strukturierten und unstrukturierten Daten in das interne Modell.

Maschinelles Lernen - Ein Baustein zum kognitiven System

Maschinelles Lernen bezeichnet Lernprozesse, die es Computersystemen ermöglichen mit ihrem Umfeld zu interagieren, Aktionen zu adaptieren und diese kontinuierlich zu verbessern. Die dabei zum Einsatz kommenden statistischen Verfahren berechnen auf Basis von Beispieldaten Prognosen über die Zugehörigkeit oder die Ausprägung eines unbekannten Objektes wie einem Dokument sowie von Audio-, Video- oder Bilddaten. Diese werden einem bereits bekannten Muster zugeordnet oder ein noch unbekanntes Muster erkannt und definiert.

Die Lernverfahren kommen in intelligenten Agentensystemen zum Einsatz. Bei Agenten handelt es sich um ausführende Einheiten, die in lernenden Computersystemen eingebettet sind und Aufgaben oder Aktionen ausführen. Das Lernen trägt dazu bei, das Aufgabenspektrum und die Ergebnisse der Agenten zu verbessern. Die Agenten bilden einen Zusammenschluss zu einem selbstständig agierenden System, das Informationen mit seiner Umwelt austauscht.

Der Lernprozess wird mit einer Lerneinheit im System gesteuert, welche die Aktionen der Agenten bewertet. Zudem stellt diese die verfügbaren Lernverfahren, die konkreten Algorithmen, bereit.

Das maschinelle Lernen wird in drei Lernmethoden unterschieden, dem überwachten Lernen (supervised Learning), dem unüberwachten Lernen (unsupervised Learning) und dem Lernen aus Belohnung/Bestrafung (reinforcement Learning). Der Aufbau der Lernverfahren verläuft in den drei Phasen Training (Lernen aus Beispieldaten), Test (Überprüfung des Models in der Entwicklung) und Evaluation (Prüfung und Anpassung der Parameter). In der Trainingsphase wird ein statistisches Modell aufgebaut, das die Beziehungen zwischen den Daten beschreibt.

Cognitive Computing verarbeitet verschiedenartige Informationen durch die Kombination maschineller Lernverfahren, Sprach- und Bilderkennung.
Cognitive Computing verarbeitet verschiedenartige Informationen durch die Kombination maschineller Lernverfahren, Sprach- und Bilderkennung.
Foto: Macrovector - shutterstock.com

Kognitive Systeme verwenden Deep-Learning-Technologien, um Daten über einen mehrschichtigen Prozess zu verarbeiten. Deep Learning ist ein Teilbereich des maschinellen Lernens, der sich um den Aufbau von künstlichen neuronalen Netzen dreht. Diese sind dem menschlichen Denken nachempfunden und dienen dazu, Konzepte zu erfassen und verarbeiten zu können.

Sprachfähigkeiten kognitiver Systeme

Für die Verarbeitung und Aufbereitung von Ergebnissen in natürlicher Sprache, verwenden kognitive Systeme das Natural Language Processing, nachfolgend NLP genannt. NLP ist ein Verfahren zur maschinellen Verarbeitung von Sprache und stellt ein Spezialgebiet der Informatik, der Computerlinguistik, dar. NLP wird für die Entwicklung von Anwendungen und Systemen zur sprachbasierten Interaktion zwischen Mensch und Computer eingesetzt.

Mit Natural Language Processing simulieren Computer eine natürliche Kommunikation mit dem Menschen.
Mit Natural Language Processing simulieren Computer eine natürliche Kommunikation mit dem Menschen.
Foto: iQoncept - shutterstock.com

Es verwendet statistische Verfahren des maschinellen Lernens (supervised und unsupervised), um auf Basis großer Dokumentenkorpora sprachliche Regeln und Muster zu erkennen. Angrenzende und überschneidende Bereiche von NLP sind das Information Retrieval (Suche nach relevanten Dokumenten), die Information Extraction (Verarbeitung von Dokumenten) sowie die Sprachverarbeitung.

NLP wird in digitalen Sprachassistenten und Chatbots eingesetzt, die auch im Bereich des Cognitive Computing zum Einsatz kommen. Während Chatsbots die textuellen Eingaben des Nutzers entgegennehmen, analysieren und textuelle Ergebnisse präsentieren, verarbeiten digitale Sprachassistenten auch gesprochene Sprache. Hierfür wandelt der Sprachassistent mittels Speech-to-Text-Verfahren die Sprache in Text um und transformiert die Ergebnisse für den Nutzer mittels Text-to-Speech-Verfahren wieder in gesprochene Sprache zurück.

NLP wird zudem für die maschinelle Übersetzung (Sprachübersetzung), in Question Answering Systemen (Fragenbeantwortung durch Spracheeingaben und -ausgaben), bei der Textzusammenfassung (Kernaussagen eines Dokuments wiedergeben) und der Textkategorisierung (Zuordnung eines Dokuments zu einer Kategorie oder Klasse) genutzt.

NLP verwendet lexikalische Analysen, zu der das Part-of-Speech Tagging (POS Tagging), das Stemmen oder Lemmatisieren gehören. Durch das POS Tagging werden einzelne Wörter ihrer lexikalischen Klasse (z. B. Verben, Nomen, Adjektive) zugeordnet. Anschließend erfolgen die syntaktische (Analyse der Satzstruktur) und semantische Analyse. Die semantische Verarbeitung interpretiert den Text. Zu den bekanntesten Analysen gehört die Named Entity Recognition (NER). Diese sucht nach Eigennamen von Personen, Orten, Ereignissen, Zeit- und Maßangaben im Text und annotiert diese für die automatische, maschinelle Verarbeitung.

Die Zuverlässigkeit und Qualität der Textverarbeitung hängt von den Ausgangsdokumenten ab. Werden grammatikalische und syntaktische Regeln der Sprache nicht eingehalten, wird die Analyse erschwert oder unmöglich.

Aufbau der Datenbasis mittels Knowledge Discovery und Text Mining

Für den Aufbau kognitiver Systeme sind umfangreiche Informationen und kontextuelles Wissen notwendig. Hierfür werden Daten aus vielen verschiedenen Quellen ermittelt und verarbeitet. Dabei muss ein kognitives System mit strukturierten und unstrukturierten Daten in verschiedenen Formaten zurechtkommen und in die eigene Datenbasis integrieren.

Der Gesamtprozess umfasst die Definition und Ermittlung relevanter Daten, die Auswahl der Daten, die Bereinigung und Integration in das System und schließt mit der Analyse und Dateninterpretation ab. Der Schritt der Analyse wird als Data Mining bezeichnet und beschreibt die Gewinnung von Erkenntnissen aus den zuvor akquirierten Daten durch Klassifikation, Clustern, Regression- oder Assoziationsanalysen. Dabei kommen spezifische Algorithmen und trainierte Modelle zum Einsatz, die Muster einer spezifischen fachlichen Domäne ermitteln können.

Im Zusammenhang mit kognitiven Systemen steht die natürlich-sprachliche Datenverarbeitung und Datenwiedergabe an den Nutzenden. Dabei kommen die spezialisierten Verfahren des Text Mining und des Web Mining zum Einsatz. Der typische Aufbau von Text-Mining-Systemen umfasst die Schritte des Information Retrieval, der Information Extraction und das Data Mining. Information Retrieval ist eine spezialisierte Form der automatisierten, computergestützten Ermittlung von Dokumenten und Informationen sowie die Informationsausgabe. Information Extraction sucht nach Fakten im Dokument, die zu vordefinierten Entitäten und Beziehungen gehören und reichert diese durch eine Named-Entity-Recognition-Einheit mit Metadaten an.

Kommunikationsschnittstellen zwischen Maschine und Mensch

Chatbots

Chatbots stellen mittlerweile eine beliebte Schnittstelle zur Mensch-Computer-Kommunikation dar. Sie dienen dazu, Konversation zu emulieren und den Eindruck eines menschlichen Gesprächspartners zu vermitteln. Chatbots werden nach regelbasierten und intelligenten Systemen unterschieden. Regelbasierte Chatbots besitzen eine vordefinierte Anzahl an Regeln, um auf Eingaben des Nutzers reagieren zu können.

Die Fähigkeiten regelbasierter Chatbots sind auf die vordefinierten Themenbereiche, wie einen technischen Kundenservice für Betriebssysteme, beschränkt. Einer der bekanntesten Chatbots ist A.L.I.C.E. (Artificial Linguistic Internet Computer Entity) aus dem Jahre 1995, der eine natürlich-sprachliche Konversation mit einem Computer ermöglichte.

Intelligente Chatbots verwenden aufwändige maschinelle Lernverfahren, um auf die Eingaben des Nutzers eingehen und lernen zu können. Dabei erweitern diese Systeme ihre Datenbasis kontinuierlich mit neuen domänenspezifischen Daten und Informationen von Nutzenden, um auf diesen in einer Konversation eingehen zu können.

Intelligente Agenten

Intelligente Agenten sind den intelligenten Chatbots sehr ähnlich. Sie können auf komplexe Situation und Zustände des Einsatzumfeldes reagieren, Aktionen ableiten und verbessern sowie neue Aktionen erlernen. Es gibt keine vordefinierten Lösungen oder Regeln zur Durchführung von Aktionen. Der Agent muss lernen, eine Lösung zu finden. Ein Agent lernt durch Feedback-Schleifen und die damit verbundene Bewertung der Aktion. Hierfür kommen Verfahren des Deep Learning zum Einsatz.

Intelligente Agenten erledigen meist sehr spezielle Aufgaben (wie Dokumentensuche, Datenextraktion, Datenanalyse) und sind ihrem Einsatzbereich angepasst. Durch Multi-Agenten-Systeme, wie sie auch im Cognitive Computing vorkommen, wird versucht die verschiedenen spezialisierten Agenten zu vernetzen und dadurch komplexe Aufgaben zu erledigen.

Die unabhängig voneinander agierenden und miteinander kommunizierenden virtuellen Agenten beruhen auf kognitiven Verfahren, um sich eigenständig an ihre Aufgabenbewältigung anpassen zu können. Die Ergebnisse werden über verschiedene Schnittstellen an den Nutzer oder andere intelligente Agenten und Systeme übermittelt.

Cognitive Computing im Einsatz

Digitale Assistenten in Expertensystemen

Digitale intelligente Assistenten besitzen eine Sprachverarbeitung um Nutzer bei der Aufgabenerledigung zu unterstützen oder selbstständig Aufgaben durchzuführen. Sie dienen als Schnittstelle in der maschinellen Prozess- und Entscheidungsunterstützung, können je nach Anwendungsbereich die Aufgaben auch selbstständig ausführen. In der Medizin kann der digitale Assistent bei der Diagnostik in Echtzeit unterstützen, indem auf Basis von Symptomen mögliche Krankheiten oder Krankheitsbilder unmittelbar aus umfangreichen Medizindatenbanken recherchiert werden. Die Entscheidung über die Behandlung trifft zuletzt der Arzt, der digitale Assistent unterstützt mit Informationen.

Digitale Assistenten in der Medizin liefern Daten zu Krankheiten und Therapien aus medizinischen Datenbanken in Echtzeit.
Digitale Assistenten in der Medizin liefern Daten zu Krankheiten und Therapien aus medizinischen Datenbanken in Echtzeit.
Foto: Elnur - shutterstock.com

Kognitive Fähigkeiten in der Robotik

Die Robotik beschäftigt sich mit der Konstruktion von intelligenten, autonomen Systemen, die ihre Umwelt selbstständig wahrnehmen und darin wie Menschen agieren können. Hierfür benötigen Roboter verschiedene Sensoren zur Sprach- und Bildwahrnehmung. Durch kognitive Verfahren werden diese Informationen durch die Roboter ausgewertet und führen zu einer Aktion. In der Sprachverarbeiten kann das die Mitteilung der Aufgabe "Hole einen Toner aus dem Lager" sein woraufhin sich dieser zum Lagerplatz begibt und den Toner zu seinem Auftraggeber zurückbringt.

Dabei muss der Roboter Hindernisse wie Treppen, Geräte oder sich bewegende Menschen und Tiere erkennen und ihnen ausweichen. Dies ist nur durch die permanente bildliche Überwachung und Auswertung des Umfelds möglich. Der Roboter muss lernen neue Gegenstände oder Situationen zu erkennen und einschätzen zu können, was durch kognitive Lernverfahren möglich ist.

Roboter und Maschinen müssen Hindernisse erkennen und ihnen ausweichen.
Roboter und Maschinen müssen Hindernisse erkennen und ihnen ausweichen.
Foto: Zapp2Photo - shutterstock.com

Empfehlungen im E-Commerce und bei Beratungsleistungen

Der Einsatz von Empfehlungssystemen (Recommender Systems) im Bereich von Onlineshops ist seit Jahren etabliert. Durch das Lernen von Nutzer- und Kaufverhalten werden die Algorithmen stetig verbessert. Um Informationen zu Nutzenden und deren Umfeld zu erschließen und besser beurteilen zu können, kommen zunehmend auch kognitive Systeme zum Einsatz. Dadurch kann eine individuelle Ansprache und ein passendes Angebot erstellt werden. Im Bereich der maschinellen Beratung zu Finanz- und Versicherungsprodukten werden die menschlichen Beratungsleistungen simuliert, was den Einsatz kognitiver Verfahren bedingt.

Prozess- und Entscheidungsunterstützung in Unternehmen

Neben den bereits genannten Anwendungsbereichen können Unternehmen durch die Integration kognitiver Systeme prozessorientierte Arbeitsbereiche unterstützen. Diese sammeln Daten aus dem Arbeitsbereich in Form von Sensordaten oder Daten zu internen und externen Einflussfaktoren, um diese zu bewerten und den Mitarbeiter auf Probleme oder Besonderheiten hinzuweisen.

Hierbei können Mitarbeiter mit umfangreichen Informationen in einzelnen Prozessschritten wie der Einsatzplanung von Mitarbeiter in Industrie-Unternehmen oder bei der Wartung großer Industrie-Anlagen und Maschinen unterstützt werden. Dabei ist es unter Verwendung von prädiktiven Analysemodellen in kognitiven Systemen auch möglich Prognosen zu Ausfallzeiten und Verschleißen in Anlagen (Predictive Maintenance) zu erstellen und rechtzeitige Wartungszeiträume einzuplanen.

Aufgaben wie Marktanalysen, Risikobewertungen und Szenario-Analysen können von kognitiven Systemen selbstständig, ohne menschliches Eingreifen, erledigt werden. Diese können dabei ein Vielfaches an Informationen im Vergleich zu einem Menschen verarbeiten und aufbereiten.

Zur Startseite