Big Data und KI aus Perspektive eines Chief Technology Officers

Ein Interview mit Stephen Iddings, Chief Technology Officer, LexisNexis

Portrait von Stephen Iddings, Chief Technology Officer von LexisNexis Nexis Solutions

Als Vice President und Chief Technology Officer von LexisNexis® Nexis® Solutions hat sich Stephen Iddings eingehend mit der Entwicklung der KI-Strategie von LexisNexis beschäftigt. In unserem Interview erläutert er, wie die Firma künstliche Intelligenz und maschinelles Lernen nutzt, um Kunden innovative Lösungen zu bieten und sie so zu betrieblichen Effizienzsteigerungen zu führen. Er betont, dass der Nutzen von KI stark von der Qualität der eingespeisten Daten abhängt. Und von den Fragestellungen, die sie beantworten soll.

Wie setzt LexisNexis künstliche Intelligenz ein?

Iddings: Ich würde den Einsatz von KI auf drei Bereiche herunterbrechen:

  1. Kundenbezogene Innovationen: Unsere Kunden kommen durch unsere Produkte täglich mit KI in Berührung.
  2. Betriebliche Effizienzsteigerungen: Wir nutzen KI, um unsere Abläufe effizienter zu gestalten, in Produktionsprozessen oder in unseren Geschäftsprozessen.
  3. Erkunden von neuem Terrain: Dies betrifft Projekte, die sich noch nicht in der Umsetzungsphase befinden, sondern in Labors oder Innovationsabteilungen stattfinden, und von denen wir uns einen Vorsprung für die Zukunft versprechen.

Können Sie uns für jeden dieser Bereiche ein Beispiel nennen?

Iddings: Bei kundenbezogenen Innovationen hilft KI, den Umgang der Kunden mit den Produkten zu verbessern. Wenn ein Benutzer eine Suchanfrage in ein Suchfeld eingibt, antizipiert die künstliche Intelligenz diese Anfrage und vervollständigt sie. Die Suchanfrage wird durch semantische Satzanalyse und Phrasenextraktion analysiert, um die Intention des Benutzers zu verstehen. Nachdem die Suche abgeschlossen ist, wird durch KI die Relevanz der Sucherergebnisse basierend auf früheren Suchanfragen ermittelt, damit die relevantesten Informationen ganz oben angezeigt werden. Hat ein Benutzer nach einem bestimmten Unternehmen gesucht, wird etwa die zum Unternehmen gehörende Unternehmenskarte als erste angezeigt.

Bei betrieblichen Effizienzsteigerungen beginnt robotergesteuerte Prozessautomatisierung (Robotic Process Automation – RPA) eine Rolle zu spielen. einfache Tätigkeiten in unseren Geschäftsprozessen werden immer mehr automatisiert. Außerdem kommt KI im Zusammenhang mit Kundenbindungsmodellen und bei der Ermittlung von Kündigungswahrscheinlichkeit zum Einsatz. Unsere Vertriebsmitarbeiter können das Kündigungsrisiko eines Kunden basierend auf der Nutzung des Produkts und weiteren Faktoren besser einschätzen und so den Kunden individuell beraten.

Natürlich erkunden wir auch stetig neue Optionen.

Ein großer Trend sind Chatbots oder Dialogsysteme, die Computerlinguistik und maschinelles Lernen nutzen, um intelligenter zu werden. Sie werden die Suchanfrage des Benutzers verstehen und sie nach der Art der zu beantwortenden Frage klassifizieren. Sie werden auch wissen, wonach der Benutzer in der Vergangenheit bereits gesucht hat und woran er gerade arbeitet.

Auf welche Geschäftsbereiche haben KI und Big Data die größten Auswirkungen und wie hat sich dadurch Ihre Arbeit im Vergleich zur Zeit vor KI verändert?

Iddings: Durch KI haben sich zahlreiche Einsparungsmöglichkeiten ergeben, indem manuelle Arbeit verlagert oder ersetzt wurde. Im Jahr 2009 haben wir eine Lösung zur Erkennung von Eigennamen und Entitäten entwickelt, die Personen, Orte und Dinge in Texten identifizieren und mit einer Behörde in Verbindung bringen konnte.

Als wir das zum ersten Mal gemacht haben, mussten wir Anwälte noch manuell taggen. In einem Zeitraum von 3 Jahren haben wir das mit 3,5 Millionen Anwälten gemacht und gut eine Million Dollar dafür ausgegeben. Mit der Einführung unserer ersten Big-Data-Lösung zur Eigennamenerkennung haben wir 24 Millionen Anwälte in unseren Inhalten in nur 24 Stunden getaggt. Wir haben einen Vergleich mit manuell getaggten Eigennamen durchgeführt und festgestellt, dass die Qualität gleich und in manchen Fällen sogar besser war.

Dadurch wurde uns erstmals in vollem Umfang bewusst, dass wir KI zur Aufwertung redaktioneller Tätigkeiten verwenden können. Diese Entwicklungen haben dazu geführt, dass unsere Mitarbeiter wichtigere Aufgaben übernehmen konnten. Im redaktionellen Bereich hat RPA intellektuelle Kapazitäten unserer Mitarbeiter freigesetzt, die nun für Tätigkeiten mit einem größeren Nutzen für das Unternehmen eingesetzt werden können.

Welche Rolle spielen Daten bei der effizienten Nutzung von KI-Technologien?

Iddings: Ohne Daten gibt es keine KI – mit ihnen fängt alles an. Man benötigt Trainingsdaten und Inhalte, um die Modelle für maschinelles Lernen zu trainieren. Man benötigt Inhalte, um Bilderkennungsmodelle zu trainieren. Daten und Inhalte sind also die Grundlage für alles.

Wir haben viel Geld ausgegeben, um einen großen Pool an Inhalten und hochwertigen Daten aufzubauen. Wir verfügen über Inhalte aus 40.000 verschiedenen Quellen sowie über lizenzierte, öffentlich zugängliche Webinhalte, die wir normalisieren und in einem strukturierten oder semistrukturierten Format wie XML bereitstellen können. Viele Unternehmen haben ihre eigenen kundenbezogenen Daten. Wenn wir Anreicherungen und Knowledge Graphs auf unsere und ihre Daten übergreifend anwenden, erhalten unsere Kunden wertvolle Kontextinformationen, die sie für Recherchen, Media Intelligence und Due-Diligence-Prüfungen nutzen können.

Was raten Sie Unternehmen, die den Einsatz von KI in Erwägung ziehen?

Iddings: Sie sollten darüber nachdenken, wer ihre Kunden sind und wie empfänglich diese für KI-Anwendungen sind. Bei Due-Diligence-Prüfungen von erfolgreichen Start-ups habe ich festgestellt, dass es nicht darum geht, wie gut sie KI einsetzen. Jeder nutzt mehr oder weniger dieselben Tools und es gibt diesbezüglich keine großen Geheimnisse. Die Besten sind nicht diejenigen, die Fragen am besten beantworten können. Sondern die, die jene Fragen stellen, die es zu beantworten gilt.

Man kann üblicherweise alles mit KI lösen und die Aufgabe eines Datenwissenschaftlers besteht darin, zu Beginn einige wichtige Fragen zu stellen:

  • Welche Frage muss ich beantworten?
  • Welche Inhalte und Funktionen benötige ich, um die Frage zu beantworten?
  • Wie muss das Modell beschaffen sein, um die Frage zu beantworten, zu wiederholen und zu verfeinern?

Was raten Sie Unternehmen, die mehr Daten kaufen und eine Datenintegration durchführen möchten?

Iddings: Durch die Weiterentwicklung von Software gibt es eine ganze Menge an Open-Source-Technologien, die es Unternehmen ermöglichen, auf KI-Codes zuzugreifen und das Wissen von Datenwissenschaftlern anzuzapfen. Ich habe jedoch bemerkt, dass es immer noch eine Hürde darstellt, Zugriff auf Big Data im Rahmen von Trainingsdaten zu erhalten. Start-ups tätigen deshalb beträchtliche Investitionen, um Daten zu kaufen oder Partnerschaften mit großen Unternehmen wie LexisNexis einzugehen. Nexis® Data Integration erlebt deshalb einen solchen Boom, weil unsere Partner damit leichter zu Daten kommen, die einen Mehrwert für ihr Unternehmen darstellen.

Herr Iddings, herzlichen Dank für das Gespräch.

Das Interview führte Chris Schneider.


Zur Person

Chris Schneider ist Associated Head of Sales bei der LexisNexis GmbH. Seit über sechs Jahren ist er im Data & Analytics-Umfeld tätig und verfügt über einen großen Erfahrungsschatz hinsichtlich der Betreuung von Compliance-Projekten in der Finanz- und Bankenbranche. Er war bei zahlreichen Corporate-Projekten involviert.

Diesen Blog-Beitrag teilen:


Blog-Alert abonnieren

Wir informieren Sie automatisch
über neue Blogbeiträge.

Blog durchsuchen

Blog durchsuchen