Wie werden Kundenanliegen über diverse digitale Kanäle am besten identifiziert und unterstützend durchgeführt? Die Herausforderung liegt darin, dass Kundenanliegen (Zielprozess) zu bestimmen und den Kunden anschliessend reibungslos durch den Prozess zu führen. In einen POC berücksichtigen wir verschiedene Formen der digitalen Kommunikation wie z.B. Telefon, Kontextsuche, Chat und Sprachassistenten (Google Home & Alexa)  mit Unterstützung durch KI den Kunden besser durch die Prozesse leiten kann.

Die Bilderkennung ist ein Anwendungsgebiet des maschinellen Sehens (Computer Vision), welches erst in den letzten Jahren mit der rasanten Entwicklung leistungsstarker Architektur von Neuronalen Netzen (Deep Learning) und Infrastruktur / Hardware, also Grafikprozessoren (GPUs) praktikabel realisierbar wurde. Bei Verfügbarkeit einer grossen Anzahl von Einzelbildern pro Objekt (beispielsweise verschiedene Autotypen) können diese hinreichend gut unterschieden (klassifiziert) werden. Problematisch ist aber der Fall, in dem wenige Bilder (oft nur ein einziges) pro Objekt vorhanden sind, aber eine Vielzahl verschiedener Klassen unterschieden werden sollen. Dieses Szenario findet man häufig bei Produktbildern in einem Katalog. Soll nun dem Anwender einer Webshop-App eine Produktbilderkennung mit Hilfe der Smartphone-Kamera ermöglicht werden müssen raffiniertere Technologien zum Einsatz kommen wie das sogenannte “One-Shot Learning” (Computer erkennt Objekt wieder, das nur einmal zuvor “gesehen” wurde) mit Siamesischen Neuronalen Netzen. Dieses Verfahren steckt leider noch in der Anfangsphase der Forschung und Entwicklung. Ein Mensch lernt unaufhörlich und sammelt bei geöffneten Augen eine enorme Menge an Bilddaten. Damit ist sein Neuronales Netz (das Gehirn) gut vortrainiert, um ein One-Shot Learning zumindest in einigen Fällen zu meistern. Der Computer hinkt in dieser Fähigkeit mangels Datenmenge und unzureichender Vortrainierung stark hinterher. Eine Alternative ist die Umwandlung des Problems in eine Klassifikation von Produktkategorien mit anschliessendem Ähnlichkeitsranking. BMT entwickelt dazu ein System zur Bildsortierung unter Nutzung maschinellen Lernens. Zunächst leistet dieses eine Vorsortierung mit Image-Clustering (Häufung von Bildern mit ähnlichem Inhalt nach Feature-Extraktion durch ein vortrainiertes Neuronales Netz). Anschliessend wird mit minimalem Eingreifen des Nutzers in einem Active Learning Prozess nach Benennung der Kategorien die Klassifikation verbessert. Das System schlägt dabei jeweils unsichere Kandidaten vor (Uncertainty Sampling), deren korrektes Labeling durch den Menschen, die Genauigkeit am meisten erhöht. Schliesslich kann ein Neuronales Netz zur Klassifikation trainiert und in der Cloud deployed werden, um der Webshop-App für die Produktbilderkennung zur Verfügung zu stehen.

Die Gesichtserkennung bietet nicht nur eine Möglichkeit der Authentifizierung (Identifikation und Verifikation) natürlicher Personen als biometrisches Verfahren, sondern auch der statistischen Erfassung von Personenmerkmalen zur Kombination mit weiteren Daten. So können beispielsweise Geschlecht und Alter vom Computer ermittelt bzw. geschätzt oder kontaktlose Zutrittskontrollen realisiert werden. BMT entwickelt und betreibt ein System, das mit Gesichtslokalisierung (face detection) und Gesichtserkennung (face recognition) Gesichter in einem Live-Videostream markieren und unter Anzeige von Zusatzinformationen benennen kann. Neue Personen können durch Abfilmen des Gesichts in wenigen Sekunden einfach per Webportal oder Smartphone-App hinzugefügt bzw. autorisiert werden. Dazu wird der Film in einzelne Gesichtsbilder zerlegt, mit denen dann mit maschinellem Lernen ein Gesichts-Klassifikations Modell trainiert werden kann. Die Gesichtsmerkmale (Features) werden zuvor mit einem vortrainierten Neuronalen Netz extrahiert. BMT berät sie gerne zu Anwendungsmöglichkeiten in Ihrem Unternehmen.

Im E-Commerce spielen digitale Produktkataloge eine entscheidende Rolle. Allerdings sind diese fast immer eine Zusammenstellung von Daten einer Vielzahl verschiedener Lieferanten. Das bedeutet, dass die Formate oft uneinheitlich sind und zusammengeführt werden müssen. Dazu müssen die verschiedenen Quellstrukturen auf eine Zielstruktur abgebildet werden (Mapping). Diese Arbeit wird heutzutage noch überwiegend manuell durchgeführt. Künstliche Intelligenz mit Hilfe maschinellen Lernens eignet sich sehr gut zur Automatisierung von Szenarien mit repetitiven Prozessen. BMT hat sich dazu entschlossen, in dieses herausfordernde Innovationsvorhaben zu investieren. In einem ersten Schritt wird die Abbildung formalisiert, um ein lernfähiges System (Active Learning) aufbauen zu können. Eine Mapping-Recommender Benutzeroberfläche (UI) liefert dann zunehmend bessere Vorschläge für Zuordnungen (Mappings), um den Vorgang zu beschleunigen. Ein weiteres Anwendungsgebiet der Katalog-KI ist die automatisierte Extraktion von strukturierten Produktmerkmalen (Features) aus unstrukturierten Beschreibungstexten. Die Datenqualität von Katalogen und damit der wirtschaftliche Wert hängt oft entscheidend von der Verfügbarkeit von Produkteigenschaften ab. Oft fehlen diese, sind unvollständig oder uneinheitlich. Mit Hilfe von Computerlinguistik (Natural Language Processing) können Kandidaten zur Anreicherung (Feature-Augmentierung) identifiziert werden. Anschliessend kann wiederum in einem Active Learning System eine Qualitätskontrolle durchgeführt werden. Das Verfahren skaliert enorm, da einzelne Merkmale in den meisten Fällen nur einmal generell bestätigt oder verworfen werden müssen, um dann produkt- oder sogar katalogübergreifend gültig zu sein. Ein dritter Usecase von Katalog-KI, den BMT realisiert sind inhaltsbasierte Produktempfehlungen auf Grund von Ähnlichkeit von Merkmalen, Beschreibungstext oder Produktbilder. Zukünftig geplant sind weitere intelligente Anwendungen, die mit Hilfe maschinellen Lernens unter grosser Zeitersparnis den wirtschaftlichen Wert von Katalogdaten erhöhen.

Datenvolumen explodieren aus unterschiedlichsten und ganz individuellen Gründen. Speicherung von Sensorendaten, Konsolidierung von Systemen und Langzeitdatenaufbewahrung sind hier nur einige wenige Beispiele. Was jedoch alle gemeinsam haben, ist die Herausforderung der Verarbeitung. Mit Cloud Bigtable, BigQuery und Cloud Dataflow bietet die Google Cloud Platform (GCP) umfassende und performante Technologien zur Verarbeitung von BigData. Am konkreten Beispiel wurde eine Lösung zur Katalogintegration geschaffen, die es ermöglicht, anbieterübergreifend Produkte und Preise zu vergleichen. Ausserdem werden historische Daten vorgehalten und berücksichtigt, so dass sich ein Produkt- und Anbieterbezogene Preisentwicklung nachvollziehen lässt.

Neuronale Netze und intelligente Maschinen gehören zu den aktuell und immer stärker werdenden Mega-Trends. Wie man bereits bestehende und offene Lösungen nutzen kann, um sie zu adaptieren und auf spezifische Anforderungen anzuwenden, wurde im Innovationsprojekt "Machine Learning - Google Vision API" untersucht. Dabei werden Objekte mit Hilfe der Google Vision API erkannt und mit einer zuvor definierten Datenbasis abgeglichen. Anwendungsfälle für den Einsatz dieser Technologie sind genauso vielseitig wie spannend. Denkbar wären unter anderem Ersatzteilbestellungen, die per Foto ausgelöst werden. Weder der Techniker noch der Kunde brauchen sich um Produktnummer- oder Bezeichnung zu kümmern, da über die Vision API das korrekte Objekt klassifiziert, zugeordnet und so geordert werden kann.

Egal ob man IoT als andere Bezeichnung für Machine-to-Machine (M2M) interpretiert oder dies als dessen Evolution sieht, dieser Bereich wird seinen Siegeszug weiterhin fortsetzen und bereits in naher Zukunft in den Unternehmen etabliert sein. Nachdem BMT bereits Erfahrungen mit verschiedenen Anbietern gesammelt hatte, ging es in der Studie vor allem darum die Vorteile, Möglichkeiten und Voraussetzungen für die Nutzung der SAP HANA Cloud Platform zu evaluieren und diese Plattform für die Umsetzung eines IoT-Szenarios zu verwenden. Eingesetzt wird dabei unter anderem der IoT und Geräteverwaltungsteil der Plattform, aber auch die Mobility und Predictive Analytics Technololgien finden hier ihre Anwendung.

Logistikprozesse haben sehr häufig Potential zur Verschlankung, Beschleunigung und Verbesserung. In Kooperation mit einem Industrieunternehmen und einem international tätigen Logistikdienstleister wurde ein Proof-of-Concept mit lauffähigem Prototypen umgesetzt. Der Fokus der Lösung liegt auf dem "Hands-free" Arbeiten. Per Augmented Reality Brille wird der Benutzer mit allen für ihn wichtigen und relevanten Informationen versorgt. Dadurch wird der Prozess und die Gesamtdurchlaufzeit verkürzt und die Qualität der Arbeit erhöht. Ergebnis der Arbeit ist eine Machbarkeitsstudie mit lauffähigem Prototyp und aufschlussreichen Erkenntnissen der Technologie.

Die Digitalisierung der Instandhaltung ist ein weiterer Bereich in dem die Möglichkeiten der "digital erweiterten Realität" erforscht und in eine Lösung eingebracht wurden. Der Funktionsumfang geht dabei vom Daten- und Informationsaustausch mit einem Backend-System (Daten zum Auftrag wie Technischer Platz, Equipment, Material, Datum etc.) über die geführte Instandhaltung, die per Remote-Video Session Support angefragt werden kann, bis hin zur Navigation und Planung der Route.