Artificial Intelligence verständlich gemacht

Machine Learning beschreibt Algorithmen, die aus Daten Muster erkennen, ohne explizit programmiert zu werden. Ein Beispiel: Ein Schweizer Onlinehändler trainiert ein Modell mit drei Jahren Verkaufsdaten. Das Modell lernt saisonale Schwankungen, Wettbewerbseffekte und regionale Vorlieben. Nach vier Wochen Training liefert es Absatzprognosen, die genauer sind als die bisherigen Excel-Schätzungen des Einkaufsteams.

Typische Einsatzfelder: Nachfrageprognose, Betrugserkennung, Kundenklassifikation, vorausschauende Wartung.

NLP befasst sich mit der maschinellen Verarbeitung menschlicher Sprache. Chatbots, automatische Zusammenfassungen, Sentimentanalysen und Übersetzungssysteme basieren darauf. Für Schweizer Unternehmen ist NLP besonders relevant, weil viele Firmen mehrsprachig arbeiten: Deutsch, Französisch, Italienisch, Englisch. Ein gutes NLP-System erkennt nicht nur Sprache, sondern auch Kontext, Tonfall und Absicht.

Wir setzen NLP-Modelle ein, die speziell auf Schweizer Geschäftssprache feinabgestimmt sind. Das bedeutet: Helvetismen, branchenspezifische Fachbegriffe und die typische Mischung aus Hochdeutsch und Mundart in E-Mails werden korrekt verarbeitet.

Computer Vision ermöglicht Maschinen, Bilder und Videos zu interpretieren. Qualitätskontrolle in der Produktion ist der häufigste Anwendungsfall, den wir bei Schweizer KMU umsetzen. Eine Kamera erfasst jedes Teil auf dem Förderband, ein Modell erkennt Kratzer, Farbabweichungen oder Formfehler in Echtzeit. Die Ausschussrate sinkt, die Reklamationskosten ebenfalls.

Generative KI erzeugt neue Inhalte: Texte, Bilder, Code, Musik. GPT-basierte Systeme sind das bekannteste Beispiel. Für Unternehmen liegt der Nutzen weniger in der Content-Erstellung als in der Automatisierung repetitiver Textarbeit: Vertragsanalysen, Angebotsvorlagen, interne Dokumentation. Ein gut konfiguriertes System spart einem Fünf-Personen-Team rund acht Stunden pro Woche.

Wichtig: Generative KI halluziniert. Sie erfindet Fakten, die plausibel klingen. Deshalb braucht jeder Einsatz eine menschliche Prüfschleife. Wir helfen Ihnen, diese Schleife so schlank wie möglich zu gestalten.

Beim Reinforcement Learning lernt ein Agent durch Versuch und Irrtum. Er erhält Belohnungen für gute Entscheidungen und Strafen für schlechte. In der Industrie wird das Verfahren für Robotersteuerung, Energieoptimierung und dynamische Preisgestaltung eingesetzt. Die Trainingszeit ist oft lang, die Ergebnisse dafür robust. Für die meisten KMU ist Reinforcement Learning erst dann sinnvoll, wenn die Grundlagen (saubere Daten, klare Zielgrössen) bereits stehen.

Kein KI-Projekt funktioniert ohne saubere Daten. Datenqualität umfasst Vollständigkeit, Konsistenz, Aktualität und Korrektheit. Wir erleben regelmässig, dass Unternehmen Millionen Datenpunkte besitzen, aber 30 % davon fehlerhaft oder doppelt erfasst sind. Bevor ein Modell trainiert wird, investieren wir deshalb zwei bis vier Wochen in Datenbereinigung und -strukturierung. Das ist nicht glamourös, aber entscheidend.