Das Zeitalter der Künstlichen Intelligenz birgt viele Versprechen. Für viele von uns aber auch berechtigte Ängste. Wir bei MORESOPHY sind überzeugt, dass Künstliche Intelligenz nur dann sinnvoll und im Sinne des Menschen eingesetzt werden kann, wenn Menschen das Wirken der Künstlichen Intelligenz verstehen. Und zwar nicht nur absolute Fachexperten oder Data-Scientists: sondern die Menschen, die wichtige Entscheidungen verantworten und sich auf Intelligenz in Ihrem Umfeld – egal ob Menschen oder Maschinen – verlassen müssen.

In diesem Blog berichten wir über unsere Erfahrungen im Umgang mit Künstlicher Intelligenz. Ganz besonders mit der Stufe von Intelligenz, die uns Menschen wesentlich von anderen Lebewesen unterscheidet: der menschlichen Sprache. Nur wenn Computer Sprache verstehen wie wir Menschen es tun: situativ - im Kontext – und beständig erlernt aus Erfahrung, können wir ernsthaft davon sprechen, dass Computer Daten so verstehen wie wir Menschen.

Unsere neuesten Beiträge

Sehen, wohin es geht: Warum Visualisierungen für das agile Datenmanagement wichtig sind

Können Sie sich noch vorstellen ohne Hilfsmittel durch die Stadt zu navigieren? Was machen Menschen, denen das scheinbar mühelos gelingt anders? Der Schlüssel liegt in einem ungefähren inneren Stadtplan, den erfolgreiche Navigatoren nutzen. In diesem beachten sie vor allem auch Himmelsrichtungen und können so ihren Startpunkt und ihr Ziel auf ihrer inneren Karte in ein Verhältnis setzen.
Menschen, die sich dagegen beim Orientieren schwer tun, versuchen oft nur eine Folge von Abbiegevorgängen und bestimmten Straßennamen auswendig zu lernen. Vergessen sie einen Abbiegevorgang oder ist eine Straße gesperrt, fällt ihre Strategie zusammen wie ein Kartenhaus.
Ähnlich verhält es sich bei effizienter und erfolgreicher agiler Datenanalyse und im Datenmanagement: Echte Information lebt von ihrem Kontext und ihrer Transparenz.

Weiterlesen

Wie smart kann ein Suchschlitz sein? (Teil 3: User-Dialog moderieren)

In unserem abschließenden Artikel zur Reihe “Intelligenter Suchschlitz” widmen wir uns dem Teil, der für jeden Anwender als allererstes sichtbar und erlebbar ist: der Auto-Suggest (oder auch Autocomplete genannt). Also dem Feature, das wir alle von Google kennen und schätzen gelernt haben. In Dutzenden von Implementierungen haben wir bei moresophy immer wieder festgestellt, dass diese Funktion für die Akzeptanz einer Suchanwendung erfolgskritisch ist. Nicht nur weil User mittlerweile dank Google so sehr darauf konditioniert sind, dass sie es einfach erwarten, sinnvolle Vorschläge zu erhalten, sondern weil es ein höchst-effektives Tool ist. Ein intelligenter Vorschlagsmechanismus führt nicht nur schneller zum Erfolg, sondern er kann sogar einen Dialog mit dem User gestalten.

Weiterlesen

Wie smart kann ein Suchschlitz sein? (Teil 2: Mehrdeutigkeiten auflösen)

Ein häufiges Problem bei der Auswertung von Suchfeldern besteht darin, dass Nutzer bei ihrer Suche oft keine präzisen Begriffe verwenden, sondern in einem oder mehreren Wörtern nur so ungefähr ausdrücken, was sie eigentlich meinen. Nachdem Teil 1 dieser Artikelreihe den Umgang mit verschiedenen Schreibweisen zum Thema hatte, geht es heute in Teil 2 darum, wie eine Software wie die CONTEXTSUITE auch komplexere Szenarien abdeckt: Wie können auch mehrdeutige Begriffe zuverlässig aufgelöst werden? Wann verbessern Synonyme ein Suchergebnis? Sind auch Abweichungen von der grammatikalischen Grundform erlaubt?

Weiterlesen

Wie smart kann ein Suchschlitz sein? (Teil 1: Schreibweisen abdecken)

Suche ist allgegenwärtig und User sind durch das Sucherlebnis bei Google verwöhnt. Sie erwarten daher, dass auch andere Suchen entsprechend gut sind. Doch das ist einfacher gesagt als getan. Bereits im Erstkontakt – dem Verhalten des Suchschlitzes – spürt ein Nutzer, ob die Suchmaschine ihn versteht oder nicht. In unserer kleinen Artikelreihe stellen wir vor wie ein intelligenter Suchschlitz zur Nutzerzufriedenheit beiträgt – und was dafür im Hintergrund auf technischer Ebene erfolgen muss. In diesem ersten Teil beschreiben wir die Herausforderungen auf Ebene der unterschiedlichen Schreibweisen.

Weiterlesen

Überwachtes Lernen anschaulich erklärt

Im Allgemeinen unterscheidet man im Machine Learning zwischen vier verschiedenen Typen von Modellen: Dem überwachten Lernen (supervised Learning), dem unüberwachten Lernen (unsupervised Learning), dem teilüberwachten Lernen und dem Reinforcement Learning. Dieser Artikel soll Einsteigern oder Nicht-Technikern das überwachte Lernen anschaulich näherbringen.

Weiterlesen
Wird geladen