Leseprobe
Inhaltsverzeichnis
Inhaltsverzeichnis
Abkürzungsverzeichnis
Abbildungsverzeichnis
1. Einleitung
2. Definition
3. Basisinformationen der Künstlichen Intelligenz
3.1 Geschichte & Forschungsstand
3.2 Ausprägungen und Abgrenzung der Künstlichen Intelligenz
3.2.1 Maschinelle Lernen
3.2.2 Deep Learning
4. Künstliche Intelligenz im Controlling
4.1. Digitalisierung und Big Data
4.2 Anwendungsbereiche
4.3 Robotic Process Automation
4.4 Reporting
4.5 Planung & Forecast
4.6 Produktivität und Effizienz
5. Fazit
Literaturverzeichnis
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Abbildungsverzeichnis
Abbildung 1: Künstliche Neuronale Netze (KNN, vereinfachte Darstellung) (Kirste & Schürholz, 2019, S. 30) 5
Abbildung 2Beispiel für typischen Reporting Prozess mit und ohne RPA, Langmann Christian, Langmann, Christian: Digitalisierung im Controlling, München, Gabler Verlag, 2019 S. 19 10
1. Einleitung
Diese Arbeit beschäftigt sich mit dem Thema künstliche Intelligenz (KI) im Controlling. Gerade im Zeitalter der Digitalisierung, mit immer mehr Informationen durch soziale Netzwerke wie Facebook, Instagram und anderen Plattformen, den heutzutage immer größeren Rechnerleistungen und der fortschreitenden Technologie, wird das Thema Big Data und somit auch die KI immer wichtiger. Denn durch die große Menge an Informationen, lernt und entwickelt sich die KI weiter. Diese Daten können heutzutage besser als jemals zuvor aufgenommen und verarbeitet werden.
Durch den Einsatz von KI erhofft man sich eine Erleichterung der Arbeit, Steigerung der Effektivität, Objektivität und Kostensenkungen. Für die angehenden Controller hat dieses Thema daher eine besonders hohe Relevanz, da sich diese in Zukunft mit einer hohen Wahrscheinlichkeit, mit dem Thema künstliche Intelligenz beschäftigen müssen. Es ist noch nicht vorhersehbar, welche und wie viele der vorhandenen Technologien sich durchsetzen werden. Jedoch sollten die angehenden Controller, aber auch die bereits etablierten Controller, die Entwicklung der Digitalisierung und der künstlichen Intelligenz beobachten, um auf eventuelle Veränderungen in Ihrer Arbeit vorbereitet zu sein. Es gibt bereits heutzutage erste Aufgabenbereiche im Controlling, die mit Hilfe der künstlichen Intelligenz unterstützt werden.
Bereits Ende des Jahres 2018 wurde von der großen Koalition eine Strategie entwickelt, mit welcher der Bund bis zum Jahr 2025 mit drei Milliarden Euro, die Förderung der KI unterstützen möchte.1
Das Ziel dieser Hausarbeit wird es sein, anhand einiger Praxisbeispiele, die vorhandenen Entwicklungen genauer zu betrachten, zu erläutern und zu erörtern, wie sich das Controlling dementsprechend verändern könnte. Zuerst wird jedoch ein Überblick über die KI im Allgemeinen dargestellt. Darin geht es um die Entstehung der KI und wie Sie sich im Laufe der Zeit, durch den technologischen Fortschritt entwickelt hat.
2. Definition
Für den Begriff KI gibt es bisher keine allgemeine Definition. Diverse Forscher haben Ihre eigene Definition zu diesem Themengebiet. KI ist traditionell ein Teilgebiet der Informatik, welche sich mit der Automatisierung von intelligentem Verhalten befasst. Zum genaueren Verständnis wurde eine gängige Erläuterung für den Leser ausgesucht:
„Künstliche Intelligenz (KI) umfasst eine Vielzahl an Methoden, mit denen menschliche Intelligenz nachgebildet werden soll. Damit werden Computer in die Lage versetzt, einerseits Sachverhalte wahrzunehmen und zu verstehen, wie beispielsweise die Erkennung von Gegenständen in Bildern. Andererseits können sie aus Rückmeldungen lernen und damit ihre Fähigkeiten zur Wahrnehmung und zum Verständnis von Zusammenhängen verbessern."2
3. Basisinformationen der Künstlichen Intelligenz
3.1 Geschichte & Forschungsstand
Bereits Anfang der 1950er Jahre begann die ersten Forschungen in Richtung der KI. Alan Turing, ein britischer Mathematiker entwickelt den Turing-Test, welcher erkennen soll, ob ein Computer die Fähigkeit zum Intelligenten Denken besitzt. Wenn der Proband (Mensch) nicht erkennen konnte, ob er mit einem Computer oder einem anderen Menschen kommuniziert, ist man davon ausgegangen, dass Computer die Fähigkeit zum intelligenten Denken besitzen. Die Kommunikation fand über eine Tastatur und einem Bildschirm statt.
Im Jahr 1956 wurde KI (engl. artificial intelligence (AI)) erstmals als eigenständige Forschungsdisziplin anerkannt. In diesem Jahr trafen sich Forscher verschiedener Forschungsrichtungen u.a. Mathematiker, Linguisten, Psychologen, Computerwissenschaftler und Philosophen, bei der sogenannten Dartmouth- Konferenz und untersuchten Themengebiete der neuronalen Netze.3
Im Jahr 1958 entstand mit List Processing (LISP) einer der wichtigsten Programmiersprachen für KI. Diese Programmiersprache, findet auch noch heute, Ihre Anwendung bei der Programmierung von KI.
In den darauffolgenden Jahren wurden diverse Expertensysteme entwickelt. Bei Expertensystemen handelt es sich um KI-Programme „(...), die Wissen über ein spezielles Gebiet speichern und ansammeln, aus dem Wissen automatisch Schlussfolgerungen ziehen, um zu konkreten Problemen des Gebietes Lösungen anzubieten. Im Unterschied zum menschlichen Experten ist das Wissen eines Expertensystems aber auf eine spezialisierte Informationsbasis beschränkt ohne allgemeines und strukturelles Wissen über die Welt."4 Expertensysteme sind eine Form des maschinellen Lernens, welches im Abschnitt 3.2.1 genauer erläutert wird.
Trotz diversen Investitionen einiger Konzerne, können erst wieder Ende des 20. Jahrhunderts erwähnenswerte Erfolge im Bereich der KI erzielt werden. 1997 schlägt eine KI (Deep Blue von IBM) den damalig amtierenden Schachweltmeister Garri Kasparow.
Ab den Jahr 2010 wurde KI dann auch an die breite Masse vermarktet. Zu dieser Zeit erschienen neue Technologien auf den Markt, wie bspw. Apples Siri im Jahr 2011 oder Watson von IBM. IBM hat Watson in einer amerikanischen Quizshow das erste Mal in der Weltöffentlichkeit vorgestellt. Bei dieser Quizshow gewann KI bei Fragen rund um das allgemeine Wissen gegenüber der menschlichen Intelligenz. 2016 schlägt AlphaGo von Google den Europameister und internationalen Champion in dem japanischen Brettspiel Go. Im folgenden Jahr schlägt AlphaGo Zero, der Nachfolger von AlphaGo, seinen Vorgänger mit 100 zu 0. AlphaGo Zero benötigte nur 3,9 Millionen statt 30 Millionen Trainingsspiele. Diese Ergebnisse zeigen wie hoch das Potential von KI ist.5
3.2 Ausprägungen und Abgrenzung der Künstlichen Intelligenz
Generell wird zwischen schwacher und starker KI unterschieden. Schwache KI soll den Menschen bei der Lösung einzelner Problemstellungen unterstützen. Die letztendliche Entscheidung trifft der Mensch. Bei der starken KI erwartet man, dass diese vergleichbare Fähigkeiten, wie die eines Menschen besitzt und somit nicht nur unterstützt, sondern selbstständig Entscheidungen trifft. Heutzutage ist noch keine starke KI bekannt, es existiert somit lediglich die Form der schwachen KI.6
Die KI wird generell in drei Stufen unterteilt. Hierzu zählt die KI im Allgemeinen, das maschinelle Lernen und das Deep Learning. Das Deep Learning ist eine Vertiefung des maschinellen Lernens. Der Begriff der KI im Allgemeinen wurde bereits erläutert. In den folgenden Abschnitten wird nun das Maschinelle Lernen und das Deep Learning erklärt.
3.2.1 Maschinelle Lernen
Das maschinelle Lernen basiert auf verfügbaren Daten, aus welchen die KI lernt und aus diesem Daten Zusammenhänge ableitet, um anschließend Vorhersagen oder Entscheidungen zu treffen. Aus den bereits gewonnen Daten erstellt sich der Algorithmus ein Muster, welches die KI auf andere Daten übertragen kann und sich dadurch verbessert, d.h. auf der Grundlage von Erfahrungswerten, kann die KI seinen Algorithmus optimieren und anpassen. Daten könnten Texte, Bilder Sensordaten aber auch Unternehmenskennzahlen sein. 7 Um das maschinelle Lernen vereinfacht darzustellen, kann von einer WENN-DANN Beziehung gesprochen werden. Folgendes Beispiel könnte dabei gelten: Das KI-Programm soll aus einer Vielzahl von Bildern, die Bilder erkennen, welche ein Gesicht zeigen. Der Algorithmus muss also erkennen können, WENN: Augen, Nase, Mund, DANN = Gesicht. Bei falschen Erkenntnissen muss heutzutage noch manuell der Fehler gesucht und korrigiert werden (vom Menschen), damit die KI aus dieser Korrektur lernt und in Zukunft diesen Fehler nicht erneut ausführt.8 Um den Bezug auf das Controlling herzustellen, kann bspw. die Prognose über das Zahlungsverhalten von einem Kunden, durch maschinelles Lernen ermittelt werden. „Aus einer Vielzahl möglicher Einflussfaktoren (z. B. historisches Zahlungsverhalten, Postleitzahl, Nutzung von Social-Media-Netzwerken) auf das Zahlungsverhalten von Kunden erlernt der Algorithmus mit fortschreitender Datenverarbeitung, welche Einflussfaktoren mit welcher Gewichtung die Prognose eines Zahlungsausfalls am Genauesten vorhersagen können."9
3.2.2 Deep Learning
Neben dem maschinellen Lernen bildet das sogenannte Deep Learning den letzten Teilbereich der KI. Das Deep Learning ist eine Vertiefung des maschinellen Lernens. Es kann mehr Daten verarbeiten. Das Deep Learning beruht auf künstlichen neuronalen Netzen. Hierbei wird durch einen Algorithmus probiert die Funktionsweise von menschlichen neuronalen Netzen nachzubilden.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1Künstliche Neuronale Netze (KNN, vereinfachte Darstellung) (Kirste & Schürholz, 2019, S. 30).
Zu Beginn befindet sich die Eingabeschicht bzw. die Eingabeneuronen, über diese werden die Informationen von außerhalb bezogen. In der Zwischenschicht werden diese Informationen verarbeitet und gelangen anschließend in die Ausgangsschicht, wo die Informationen wiedergegeben werden. D.h. ähnlich wie bei biologischen neuronalen Netzen, durchlaufen die Informationen mehrere Neuronen und auch eine Rückkopplung kann stattfinden, wodurch diverse Verbindungsketten entstehen. Ähnlich wie bei biologischen neuronalen Netzen, durchlaufen die Eingabewerte das Netz und die Ausgabewerte werden klassifiziert. Biologische Neuronen besitzen die Fähigkeit zu erkennen, mit welcher Gewichtung/Stärke und an welche Neuronen Informationen zu übertragen sind. Bei künstlichen neuronalen Netzen werden nach jeden Verarbeitungsschritt der einzelnen Neuronen die Werte an eine neue Ebene weitergeleitet. Jedes Neuron der darauffolgenden Ebene kriegt also Werte mehrerer vorheriger Neuronen geliefert. Es wird also wie beim biologischen Prozess, eine Verarbeitung der Werte nach ihrer Gewichtung/Stärke berücksichtig.
Das Beispiel der Gesichtserkennung aus Abschnitt 3.2.1 wird auch hier zu Verdeutlichung genutzt. Durch die Verbindungsketten und größeren Informationen kann der Algorithmus beim Deep Learning zusätzlich Gefühle wie z.B. Freude, Wut oder Trauer in dem jeweiligen Gesicht erkennen. Auch zwischen dem Geschlecht oder der Augenfarbe kann unterschieden werden.8
[...]
1 (vgl. Heide, Dana, 2018)
2 (Horvath, Péter et al.:, 2019, S. 35)
3 (vgl. Mainzer, Klaus, 2019, S. 11)
4 (Ebenda, S. 12)
5 (vgl. Kirste, M. & Schürholz, M., 2019, S. 23-30)
6 (vgl. Helge F. R., Nuhn; Mike, Schulze ; https://bit.ly/31QbPx9, 2019)
7 (vgl. Durmus, Murat , 2019)
8 (vgl. Kirste, M. & Schürholz, M., a.a.O. S. 23-30)