Cognitive Computing

Cognitive Computing

Copyright © Shutterstock / enzozo

Was ist Cognitive Computing?

Das Cognitive Computing beschreibt als Oberbegriff eine Reihe von Methoden und Techniken der K√ľnstlichen Intelligenz (KI oder AI), die f√ľr Computer und IT-Systeme nutzbar gemacht werden. Ziel ist die Simulation menschlicher kognitiver Hirnprozesse. Computer sollen durch Erfahrung und Lernf√§higkeit selbst L√∂sungen und Strategien entwickeln k√∂nnen. Cognitive Computing stellt einen wachsenden Markt dar und ist insbesondere in der Entwicklung von L√∂sungen in den Business Analytics von Bedeutung.

Ansätze und Überblick

Eine allgemein anerkannte Definition des Cognitive Computings liegt nicht vor, doch es gibt mehrere definitorische Ansätze mit gemeinsamen Nennern. So kann das Cognitive Computing verstanden werden als Technologie, die durch Verständnis und Verarbeitung menschlicher Sprache und Denkprozesse eigenständig Fragen beantworten und Probleme lösen kann. Das Cognitive Computing ist Aufgabe so genannter kognitiver Systeme. Diese können auf Basis verschiedener kognitiver Hinweise Hypothesen aufstellen und potentielle Antworten formulieren. Kognitive Systeme benötigen zu diesem Zweck großen Input in Form großer Content- und Datenmengen. Durch das Datenmaterial kann ein kognitives System weiterentwickelt und trainiert werden. Zudem ist das Cognitive Computing in der Lage, aus Fehlschlägen zu lernen (Trial and Error). Kognitive Computersysteme verarbeiten in Echtzeit große Datenmengen.

Im Zusammenhang mit kognitiven Systemen spielen Technologien der KI, des Deep Learning sowie das Data Mining¬†eine gro√üe Rolle. Diese Techniken unterst√ľtzen das Cognitive Computing bei der Simulation menschlicher Wahrnehmungs- und Lernprozesse. Von herk√∂mmlichen Computersystemen unterscheiden sich kognitive Systeme unter anderem dadurch, nicht auf konkrete Probleml√∂sungen programmiert zu sein. An Stelle dessen steht das eigenst√§ndige Lernen und Sammeln von Erfahrungen im Vordergrund. Damit die selbstlernenden kognitiven Systeme in Echtzeit miteinander agieren k√∂nnen, ist eine leistungsf√§hige technische Ausstattung erforderlich. Gro√üe Datenmengen m√ľssen in hoher Geschwindigkeit analysiert und verarbeitet werden.

Aktivieren Sie JavaScript um das Video zu sehen.
Video-Link: https://www.youtube.com/watch?v=YgYSv2KSyWg&t=530s

Technische Herausforderungen f√ľr Cognitive Computing

Die zu verarbeitenden Daten liegen zun√§chst meist unstrukturiert vor. Hinzu kommt, dass es sich um viele verschiedene Formate handeln kann. Aus diesem Grund ist das Cognitive Computing auf smarte Datenbanksysteme angewiesen. Diese entstammen dem Umfeld der Big Data. Selbstst√§ndig erarbeitete L√∂sungsvorg√§nge sollen zudem automatisiert werden, damit sie k√ľnftig unter geringerem Aufwand vonstatten gehen.

Eine der wichtigsten Komponenten des Cognitive Computings ist das Machine Learning. Die Algorithmen maschinellen Lernens analysieren die zur Verf√ľgung stehenden Daten fortw√§hrend nach Mustern. Auf dieser Basis werden die Analysemethoden stetig angepasst und verfeinert.

Bei den meisten Systemen des Cognitive Computing sind Spracherkennungs-Methoden von hoher Relevanz. Diese dienen der kommunikativen Schnittstelle zwischen Mensch und Maschine.

Tipp

Sie können Ihre eigene Website durch einen Data Highlighter suchmaschinenfreundlich strukturieren. Durch Googles sich selbst verbesserndem Algorithmus RankBrain haben Sie dann die Chance auf eine bessere Sichtbarkeit, da er Ihre Daten besser interpretieren kann. Auch Sprachassistenten können dann leichter auf Ihre Daten zugreifen.

Probleme beim Machine Learning

Zu den wichtigsten technischen Herausforderungen geh√∂rt die Gew√§hrleistung der F√§higkeit zum selbstst√§ndigen Lernen. Zudem sind die L√∂sungsans√§tze der kognitiven Systeme von diesen selbst stets zu hinterfragen und zu optimieren. Da es das Ziel ist, die technischen Systeme dem menschlichen Gehirn so √§hnlich wie m√∂glich zu gestalten, ist die Zielsetzung anspruchsvoll. Zum einen ist eine interaktive Kommunikation zum menschlichen Umfeld erforderlich. Zum anderen m√ľssen die Systeme anpassungsf√§hig und flexibel auf widerspr√ľchliche oder sich √§ndernde Informationen reagieren. Aus diesen Gr√ľnden ist eine Datenverarbeitung in Echtzeit erforderlich. Kontextbezogenheit ist im Zusammenhang mit der Analyse der Informationen von hoher Bedeutung. Zu den wesentlichen kontextuellen Attributen geh√∂ren Ort, Zeit und Personen. Diese Faktoren beeinflussen Bedeutung und Stellenwert von Informationen und Daten.

Kognitive Systeme sollten √ľber m√∂glichst viele menschliche Eingabemethoden verf√ľgen, um die Vielzahl unterschiedlicher Informationen aufzunehmen. Dazu z√§hlt neben Text- und Spracheingabe auch die gestenbezogene Eingabeoption.

Cognitive Computing im Zusammenhang mit Big Data

Wichtigster Input f√ľr kognitive Systeme sind gro√üe Daten- und Informationsmengen unterschiedlicher Art. Verschiedene Formate sind in Echtzeit zu speichern, zu analysieren und zu verarbeiten.

Herk√∂mmliche Datenbanksysteme, beispielsweise SQL-basierte Anwendungen, arbeiten relational. Sie eignen sich daher weniger f√ľr die Verarbeitung unstrukturierter Daten. Da das Cognitive Computing mit vorwiegend unstrukturierten Big Data arbeitet, sind entsprechend darauf ausgerichtete Datenbanksysteme erforderlich. Mit Systemen mit No-SQL-Ans√§tzen lassen sich auch gro√üe Datenmengen n√§herungsweise in Echtzeit verarbeiten.

Anwendungsm√∂glichkeiten und Beispiele f√ľr Cognitive Computing

Die Anwendungsgebiete des Cognitive Computing sind vielseitig und branchen√ľbergreifend. Im Online-Marketing und E-Commerce spielen kognitive Systeme eine wichtige Rolle im Zusammenhang mit Produktempfehlungen. Diese sind nur bei genauer Kenntnis von Bed√ľrfnisstruktur und Kaufverhalten¬†der Kunden und potentiellen Kunden sinnvoll. Kognitive Systeme tragen dazu bei, auf das Denken und Handeln der Endkunden einzugehen. Bisheriges Kaufverhalten, angesehene Produkte und weitere Informationen dienen als Analysegrundlage. Infolgedessen entstehen immer vollst√§ndigere Nutzerprofile, auf deren Basis Produktempfehlungen erstellt werden k√∂nnen. Auch Gesichtserkennung und Kundenbeziehungsmanagement (CRM) profitieren von kognitiven Systemen.

Medizin und Robotik sind weitere Anwendungsbereiche, die zunehmend auf Cognitive Computing angewiesen sind. Speziell bei der Auswertung medizinischer Bilder und daraus abgeleiteter R√ľckschl√ľsse √ľber Krankheitsph√§nomene sind solche Systeme hilfreich. In der Radiologie werden beispielsweise Systeme eingesetzt, die bei der Auswertung und Analyse von Befunden aus der MRT helfen. Durch diesen Einsatz tr√§gt Cognitive Computing dazu bei, Erkrankungen richtig zu erkennen und die Diagnose-Fehlerquote zu senken. Diese Leistung setzt voraus, dass die Systeme mit einer gro√üen Zahl radiologischer Befunde trainiert werden.

Ein weiterer Einsatzzweck kognitiver Systeme ist die so genannte Predictive Maintenance oder voraussehende Wartung. Auch in der Darstellung virtueller Realitäten ist kognitive Leistung gefragt. Ein konkretes Anwendungsbeispiel kognitiver Systeme findet sich in dem von IBM entwickelten Computersystem Watson.

Chancen und Vorz√ľge des Einsatzes kognitiver Systeme

Von zunehmender Bedeutung sind kognitive Systeme insbesondere f√ľr solche Branchen und Unternehmen, die in direktem Kontakt zum Endkunden stehen. Der prim√§re Vorzug kognitiver Systeme besteht in der Erweiterung der menschlichen Leistung und des menschlichen Urteilsverm√∂gen. Der Mensch soll nicht ersetzt sondern bereichert werden. Im Zuge dessen lassen sich viele Prozesse beschleunigen. Kognitive Systeme, die auf menschliche Sprache trainiert wurden, k√∂nnen etwa wesentlich mehr Information in einer Zeiteinheit aufnehmen als eine menschliche Arbeitskraft.

Durch kognitive Systeme steigt zudem die Qualität von Prognosen und daraus abgeleiteten Handlungsempfehlungen, da die Systeme eine Vielzahl von Daten in ihre Analysen und Hypothesen miteinbeziehen.

Zu den bereits jetzt weit entwickelten kognitiven Systemen, die mit k√ľnstlicher Intelligenz arbeiten, geh√∂ren Sprachcomputer und Sprachassistenten. So helfen diese etwa bei Inanspruchnahme telefonischer Hotlines dabei, die Bed√ľrfnisse der Anrufer zu erkennen und auf dieser Basis eigene L√∂sungen zu entwerfen. Im Finanzwesen kommt k√ľnstliche Intelligenz beispielsweise im Tele-Banking zum Einsatz. Industrie und Internet der Dinge (IoT) sind weitere Anwendungsgebiete, die sich kognitive Systeme in zunehmendem Ausma√ü zunutze machen.

Betreiber von Suchmaschinen setzten kognitive Methoden ein, um Suchergebnislisten (SERPs) zu optimieren. Auch aufwändige und mehrstufige Suchanfragen können auf diese Weise unter Darstellung passgenauer und relevanter Ergebnisse abgearbeitet werden.

Tipp

Wenn Sie noch Fragen bez√ľglich eines Online Marketing Themas haben, dann k√∂nnen Sie gerne unseren Glossar besuchen und sich √ľber das Thema informieren, wo Sie noch speziell Fragen haben.


Sie haben noch Fragen?

Kontaktieren Sie uns

Kostenloser SEO-Check der OSG


Weitere Inhalte