Skip to main content

Cognitive Computing

Was ist Cognitive Computing?

Das Cognitive Computing beschreibt als Oberbegriff eine Reihe von Methoden und Techniken der Künstlichen Intelligenz (KI oder AI), die für Computer und IT-Systeme nutzbar gemacht werden. Ziel ist die Simulation menschlicher kognitiver Hirnprozesse. Computer sollen durch Erfahrung und Lernfähigkeit selbst Lösungen und Strategien entwickeln können. Cognitive Computing stellt einen wachsenden Markt dar und ist insbesondere in der Entwicklung von Lösungen 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 große Rolle. Diese Techniken unterstützen das Cognitive Computing bei der Simulation menschlicher Wahrnehmungs- und Lernprozesse. Von herkömmlichen Computersystemen unterscheiden sich kognitive Systeme unter anderem dadurch, nicht auf konkrete Problemlösungen programmiert zu sein. An Stelle dessen steht das eigenständige Lernen und Sammeln von Erfahrungen im Vordergrund. Damit die selbstlernenden kognitiven Systeme in Echtzeit miteinander agieren können, ist eine leistungsfähige technische Ausstattung erforderlich. Große Datenmengen müssen 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 für Cognitive Computing

Die zu verarbeitenden Daten liegen zunächst 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. Selbstständig erarbeitete Lösungsvorgänge sollen zudem automatisiert werden, damit sie künftig unter geringerem Aufwand vonstatten gehen.

Eine der wichtigsten Komponenten des Cognitive Computings ist das Machine Learning. Die Algorithmen maschinellen Lernens analysieren die zur Verfügung stehenden Daten fortwährend 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 gehört die Gewährleistung der Fähigkeit zum selbstständigen Lernen. Zudem sind die Lösungsansätze der kognitiven Systeme von diesen selbst stets zu hinterfragen und zu optimieren. Da es das Ziel ist, die technischen Systeme dem menschlichen Gehirn so ähnlich wie möglich zu gestalten, ist die Zielsetzung anspruchsvoll. Zum einen ist eine interaktive Kommunikation zum menschlichen Umfeld erforderlich. Zum anderen müssen die Systeme anpassungsfähig und flexibel auf widersprüchliche oder sich ändernde Informationen reagieren. Aus diesen Gründen ist eine Datenverarbeitung in Echtzeit erforderlich. Kontextbezogenheit ist im Zusammenhang mit der Analyse der Informationen von hoher Bedeutung. Zu den wesentlichen kontextuellen Attributen gehören Ort, Zeit und Personen. Diese Faktoren beeinflussen Bedeutung und Stellenwert von Informationen und Daten.

Kognitive Systeme sollten über möglichst viele menschliche Eingabemethoden verfügen, um die Vielzahl unterschiedlicher Informationen aufzunehmen. Dazu zählt neben Text- und Spracheingabe auch die gestenbezogene Eingabeoption.

Cognitive Computing im Zusammenhang mit Big Data

Wichtigster Input für kognitive Systeme sind große Daten- und Informationsmengen unterschiedlicher Art. Verschiedene Formate sind in Echtzeit zu speichern, zu analysieren und zu verarbeiten.

Herkömmliche Datenbanksysteme, beispielsweise SQL-basierte Anwendungen, arbeiten relational. Sie eignen sich daher weniger für 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-Ansätzen lassen sich auch große Datenmengen näherungsweise in Echtzeit verarbeiten.

Anwendungsmöglichkeiten und Beispiele für Cognitive Computing

Die Anwendungsgebiete des Cognitive Computing sind vielseitig und branchenübergreifend. Im Online-Marketing und E-Commerce spielen kognitive Systeme eine wichtige Rolle im Zusammenhang mit Produktempfehlungen. Diese sind nur bei genauer Kenntnis von Bedürfnisstruktur 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 vollständigere Nutzerprofile, auf deren Basis Produktempfehlungen erstellt werden können. 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 Rückschlüsse über Krankheitsphänomene 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 trägt Cognitive Computing dazu bei, Erkrankungen richtig zu erkennen und die Diagnose-Fehlerquote zu senken. Diese Leistung setzt voraus, dass die Systeme mit einer großen 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 Vorzüge des Einsatzes kognitiver Systeme

Von zunehmender Bedeutung sind kognitive Systeme insbesondere für solche Branchen und Unternehmen, die in direktem Kontakt zum Endkunden stehen. Der primäre Vorzug kognitiver Systeme besteht in der Erweiterung der menschlichen Leistung und des menschlichen Urteilsvermögen. Der Mensch soll nicht ersetzt sondern bereichert werden. Im Zuge dessen lassen sich viele Prozesse beschleunigen. Kognitive Systeme, die auf menschliche Sprache trainiert wurden, können 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 künstlicher Intelligenz arbeiten, gehören Sprachcomputer und Sprachassistenten. So helfen diese etwa bei Inanspruchnahme telefonischer Hotlines dabei, die Bedürfnisse der Anrufer zu erkennen und auf dieser Basis eigene Lösungen zu entwerfen. Im Finanzwesen kommt künstliche Intelligenz beispielsweise im Tele-Banking zum Einsatz. Industrie und Internet der Dinge (IoT) sind weitere Anwendungsgebiete, die sich kognitive Systeme in zunehmendem Ausmaß 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.

Sie haben noch Fragen?

Kontaktieren Sie uns

Kostenloser SEO-Check der OSG

Cognitive Computing
Beitrag bewerten