Besitzen Sie diesen Inhalt bereits,
melden Sie sich an.
oder schalten Sie Ihr Produkt zur digitalen Nutzung frei.
Künstliche Intelligenz – Orientierung und Anwendungsfelder im Controlling
Konkrete Anwendung in Planung, Forecast und strategischer Ausrichtung
Künstliche Intelligenz (KI) hält zunehmend Einzug in das Controlling und eröffnet zahlreiche Möglichkeiten, Prozesse zu optimieren und zielführende Entscheidungsfindung zu verbessern. In diesem Beitrag werden die Grundlagen von KI beleuchtet, ihre Bedeutung und der aktuelle Entwicklungsstand. Zudem wird auf konkrete Anwendungsfelder von KI im Controlling, wie der Planung, dem Forecast und der strategischen Ausrichtung, sowie der Rolle von Controllern, dem Management und von Führungskräften eingegangen. Abschließend werden die Integration und Nutzung in einer Softwarelösung aufgezeigt.
.
I. Grundlagen der Künstlichen Intelligenz
1. Wesen und Bedeutung der Künstlichen Intelligenz
[i]Begriffsursprung: Dartmouth College, New Hampshire, 1956Der Begriff „Künstliche Intelligenz“ (KI) hat seinen Ursprung in einem am Dartmouth College in New Hampshire im Jahr 1956 durchgeführten Forschungsprojekt. Untersucht wurde, inwiefern die Intelligenz des menschlichen Gehirns so beschrieben werden kann, dass eine computergestützte Simulation ermöglicht werden würde. Daraus entwickelte sich ein moderner Teilbereich der Informatik, der sich hauptsächlich mit der Automatisierung von Computerprogrammen, intelligentem Verhalten und maschinellem Lernen beschäftigt. KI ahmt die kognitiven Fähigkeiten des Menschen nach, indem sie automatisiert Informationen aus Eingabedaten erkennt und sortiert. [i]KI löst Aufgaben auf Basis von Algorithmen, weshalb sie Unmengen an Trainingsdaten benötigtSie löst – auch komplexe – Aufgaben mithilfe eines erlernten Algorithmus; die Ergebnisse basieren somit immer auf bestimmten Wahrscheinlichkeiten. Um effektiv zu lernen und genauere Vorhersagen zu treffen, benötigen KI-Modelle demzufolge große Mengen an Trainingsdaten. Deshalb sind Big-Data-Konzepte sehr wichtig, denn sie wirken an der Erfassung, Speicherung und Verwaltung dieser Trainingsdaten mit. S. 925
Zur Differenzierung sollen hier auch Robotic Process Automation (RPA) und Optical Character Recognition (OCR) erwähnt werden. Bei RPA handelt es sich um eine Technologie zur Automatisierung standardisierter Geschäftsprozesse wie beispielsweise der Rechnungseingangsverarbeitung. Sie übernimmt einfachere Aufgaben und wickelt standardisierte Prozesse ab. Im Gegensatz zu KI handelt es sich dabei nicht um ein lernfähiges System. OCR ist eine Teilmenge von KI zur Erkennung optischer Zeichen. Mit ihrer Hilfe kann Text, d. h. Buchstaben, Wörter und Zahlen, in Bilddateien automatisch erkannt und in bearbeitbare und durchsuchbare Texte umgewandelt werden. Sie findet beispielsweise Anwendung bei eingescannten oder fotografierten Rechnungen.
[i]Neurale Netze als wesentliche BasisWesentliche Basis für KI bilden die sogenannten neuronalen Netze, die zwar künstlicher Natur, aber von der Struktur des menschlichen Gehirns inspiriert sind. Sie können einerseits komplexe Muster sowie Zusammenhänge in Daten erkennen und andererseits u. a. Bilderkennung, Sprachverarbeitung und Entscheidungsfindung automatisieren.
[i]Maschinelles Lernen ermöglicht automatisches Lernen und Selbst-Verbessern eines Systems Ein zentraler Bereich ist dabei das maschinelle Lernen (Machine Learning – ML), das es ermöglicht, große Datenmengen mithilfe hoher Rechenleistungen zu analysieren und zu verarbeiten. Ein Algorithmus wendet zur Lösung von Aufgaben oder zum Erkennen von Datenstrukturen wiederholt Durchläufe eines Problems an. Auf diese Weise kann der Computer bzw. das System automatisch mit Machine Learning lernen und sich verbessern, ohne dass es einer speziellen Programmierung bedarf. Ziel ist das bessere Lösen vorhandener Probleme und das Herausfiltern relevanter Informationen aus einer zunehmenden Menge von Daten. [i]Spezielle Form des Machine Learning ist Deep Learning Eine spezielle Form des Machine Learning ist das Deep Learning (DL). Hierbei kommen tiefe neuronale Netzwerke aus vielen Neuronenschichten zum Einsatz. Beim Deep Learning lernt KI durch schichtweise hierarchische Repräsentationen, ausgehend von der Erkennung von Daten. Anwendung findet dies beispielsweise in der Bilderkennung und Sprachverarbeitung.
Des Weiteren bilden Large Language Models (LLM) eine Form von KI. Diese „großen“ Sprachmodelle sind darauf trainiert, natürliche Sprache zum einen zu verstehen und zum anderen zu generieren. Folglich können mit ihnen menschenähnliche Texte verfasst, Übersetzungen erstellt und Zusammenfassungen geschrieben werden.
[i]Mithilfe von KI können zahlreiche Prozesse und Aufgaben in Unternehmen unterstützt, vereinfacht und effizienter gestaltet werdenKI wird sich zu der strategisch wichtigsten Technologie des 21. Jahrhunderts entfalten. Unterstützt wird dies durch die exponenziell steigende und kostengünstige Rechenleistung, die zunehmend erweiterte und digitale Verfügbarkeit von Daten und verbesserte Algorithmen. Auch in Unternehmen leistet die Technologie wertvolle Unterstützung, wie beispielsweise durch Produktivitätssteigerung mithilfe der Automatisierung von Prozessen und der Verbesserung von Entscheidungsfindungen auf Datenbasis. Dies betrifft auch Controller, die sich künftig weniger mit dem Erstellen von Berichten oder Forecasts, der Kommentierung von Reportings oder der Auswertung sowie Analyse großer Datenmengen befassen müssen. Insgesamt können durch KI bei vielen Aufgaben qualitativ hochwertige und schnelle Ergebnisse geliefert werden. S. 926Grundvoraussetzung für jedweden Einsatz von KI ist die richtige und gewissenhafte Pflege der Stammdaten, auf welchen die Technologie aufbaut.