Unsere beiden Experten haben sich über drei Fragen unterhalten und Erfahrungen aus ihren Projekten ausgetauscht. Die Zusammenfassung davon finden Sie nachfolgend:

AI wurde schon mindestens dreimal gehyped. Jetzt sind wir im Jahr 2021. Ist der dritte Hype nun vorbei? Was ist diesmal anders?

Die Ausgangslage ist jetzt anders:

• Unendlich viele Daten werden gesammelt und stehen (bestenfalls) zur Verfügung
• Das Speichern von Daten ist extrem günstig
• Rechen-Power steht in viel höherem Ausmass zur Verfügung: GPUs, Parallel Computing, neuronale Netzwerke, Deep Learning, etc.
• AI zieht in unseren Alltag ein: Auto-Korrektur, Spracherkennung, Übersetzungssoftware, Produktempfehlungen

Wo liegt der AI Sweet Spot für grosse und mittlere Schweizer Unternehmen? Was wären Use Cases im Versicherungs-, Finanz- und öffentlichen Sektor?

Ein gutes Beispiel ist die E-Mail-Klassifizierung und -Triagierung. Einkommende E-Mails werden automatisch in vordefinierte Kategorien unterteilt und direkt der richtigen Person zugewiesen. Der Vorteil ist, dass die Prozessierung massiv beschleunigt wird, Mitarbeitende entlastet werden und sich so auf komplexere Tasks fokussieren können. Solche Beispiele gibt es unzählige entlang der ganzen Wertschöpfungskette eines Unternehmens.

Mögliche Use Cases:

• Versicherungssektor: Automatische Detektion und Ermittlung der Schadenshöhe
• Finanzsektor: Robo Adviser um Portfolio automatische nach gewissen Präferenzen zu bewirtschaften
• Öffentlicher Sektor: Betrugsermittlung bei COVID-Krediten (Anomalie Detektion)

Gibt es verschiedene Schuhgrössen, um mit AI zu starten? Muss ich gleich eine ganze Analytics Workbench inklusive Operationalisierung aufbauen oder kann ich das heute off-the-shelf beziehen?

Es gibt sehr viele verschiedene Wege, um von den neuen technologischen Möglichkeiten zu profitieren. Einige davon sind:

• Eingebaut in bestehenden, bekannten Produkten
• Vorgefertigte Services verwenden und integrieren
• Bestehende Modelle verwenden und für die eigene Branche oder eigenen Herausforderungen adaptieren
• Eigene Modelle trainieren
• Make vs. Buy