INHALTSVERZEICHNIS
- Datamining und künstliche Intelligenz
- Die Grundlagen verstehen: Datamining, die Basis der Technologie-Überwachung
- Wenn Datamining an seine Grenzen stößt: der gezielte Beitrag der Präzisions-KI
- TKM-Software: eine für das Monitoring-Datamining konzipierte Plattform
- Von der Rohanfrage zur strukturierten Information: Datamining in Aktion auf der TKM Platform
- Ein kombinierter Einsatz von Datamining und KI verändert die Lage konkret
Datamining und künstliche Intelligenz
Die Herausforderung der Technologie-Überwachung besteht heute weniger darin, Informationen zu suchen, als vielmehr darin, die verfügbaren Daten und Informationen zu sortieren und zu organisieren.
Patente, wissenschaftliche Veröffentlichungen, Forschungsprojekte, institutionelle Berichte, Webquellen und Branchennachrichten häufen sich an und verbreiten sich in einem Tempo, das die menschlichen Analysekapazitäten bei weitem übersteigt.
Illustration aus der Kosmetikbranche
Im Bereich der Kosmetik werden weltweit fast 2.000 neue Patente pro Monat veröffentlicht, was auf eine ständige Innovation und ein intensives Wettrennen um Neuheiten hinweist.
Noch spektakulärer ist die informationelle Explosion im Bereich der künstlichen Intelligenz: Zu diesem Thema erscheinen monatlich mehr als 50.000 wissenschaftliche Artikel.
Diese Informationsüberflutung, oder „Infobesität", erschwert die Auswahl, Analyse und Priorisierung relevanter Inhalte. F&E- und Innovationsteams sehen sich einem fast ununterbrochenen Informationsfluss ausgesetzt.
In diesem Kontext besteht die Herausforderung nicht mehr einfach im Zugang zu Informationen, sondern in Ihrer Fähigkeit, sie zu sortieren, zu strukturieren und zu analysieren. Wie lassen sich diese massiven, heterogenen Datenströme nutzen, ohne seine Tage mit manueller Sortierung zu verbringen? Wie lassen sich sowohl Informationsrauschen als auch blinde Flecken vermeiden?
Entgegen dem, was der Hype vermuten lässt, hat die generative KI die klassischen Monitoring-Ansätze nicht über den Haufen geworfen, und das wird sie aus mindestens drei Gründen auch in absehbarer Zeit nicht tun:
- Die klassischen Methoden liefern in klar definierten Kontexten und mit strukturierten Daten sehr gute Ergebnisse. Um ähnliche Leistungen zu erzielen, würde eine generative KI sehr große Modelle oder sehr kostspielige Neu-Trainings benötigen.
- Die Ergebnisse generativer KI sind im Gegensatz zu klassischen Modellen, die eine echte Erklärbarkeit ermöglichen, nur sehr schwer interpretierbar.
- Klassische Modelle sind weniger anfällig für Schwankungen und ihre Ergebnisse zuverlässiger, im Gegensatz zu generativer KI, deren Robustheit problematisch sein kann (zum Beispiel aufgrund von Halluzinationen).
Die generative KI bringt also durchaus nützliche und interessante methodische Werkzeuge mit sich. Aber aus Effizienzgründen einerseits, aber auch aufgrund ihrer hohen Umweltkosten (ein Thema, für das sich TKM voll einsetzt) erfolgen dieser Beitrag und diese Ergänzung durchaus komplementär zu den traditionellen Ansätzen und nicht als deren Ersatz.
Die von TKM entwickelte Lösung beruht auf einem rigorosen Vorgehen, das sich um einen ausgewogenen Mix dreht und einerseits den Einsatz von KI, wenn sie wirklich nützlich ist, und andererseits das auf die technologische Literatur angewandte Datamining miteinander verbindet.
Sie resultiert aus mehr als 20 Jahren anerkannter Expertise, kombiniert mit einer echten Fähigkeit zur Innovation und zur Integration aufkommender Technologien – nicht wegen ihrer Neuheit, sondern wegen ihres Nutzens.
Durch den Einsatz strukturierter Suchstrategien, Expertensystemen und – wo nötig – ergänzender Bausteine künstlicher Intelligenz verwandelt die Monitoring- und Analysesoftware von TKM umfangreiche Rohdaten in verwertbare Informationen für F&E-, Patent- und Innovationsteams.
Die Grundlagen verstehen: Datamining, die Basis der Technologie-Überwachung
Datamining, das Rückgrat des Monitorings im großen Maßstab
Seit 25 Jahren hat sich Datamining als Grundlage des großflächigen Monitorings etabliert, und das ist kein Zufall.
Das Datamining umfasst die Gesamtheit der Techniken, die es ermöglichen, große Datenmengen zu erkunden, zu bereinigen und zu strukturieren, um nützliche Informationen daraus zu gewinnen. Im Fall des Monitorings handelt es sich dabei um Trends, thematische Gruppierungen, Emergenzen oder schwache Signale.
In unserer seit über 20 Jahren praktizierten Technologie-Überwachung zeigt sich immer wieder eine Erkenntnis: Nur ein Bruchteil der gesammelten Informationen weist ein echtes strategisches Interesse auf. Die Erfahrung zeigt, dass 10 bis 15 % der gesammelten Dokumente tatsächlich für die Analyse und die Entscheidungsfindung relevant sind.
Die Aufgabe des Datamining besteht genau darin, diese Lücke zwischen Fülle und Nutzen zu überbrücken. Es ermöglicht:
- das Informationsrauschen zu reduzieren, ohne die Vollständigkeit zu opfern,
- Duplikate zu eliminieren,
- schwache Signale zu erkennen,
- Daten nach relevanten Kriterien zu strukturieren und zu organisieren,
- ein für die (menschliche und werkzeuggestützte) Analyse nutzbares Korpus vorzubereiten
Ohne diese vorgeschaltete Arbeit wird das Monitoring schnell unbeherrschbar, unabhängig von der Leistungsfähigkeit der eingesetzten Werkzeuge. Robots und andere Crawler überschwemmen Sie rasch mit unüberschaubaren Informationsmengen und bringen Ihre F&E-Teams von einer gleichwohl lebenswichtigen Aufgabe ihres Berufs ab: ständig über den Stand der Technik, den Wettbewerb und die Nutzungsfreiheit informiert zu bleiben!
→ Auch lesenswert – Einen Dokumentenbestand aufbauen: nützliche Daten für die eigene Technologie- oder Wettbewerbsbeobachtung sammeln
Expertensysteme: das vom Fachbereich gesteuerte Monitoring
Die Informationsbedürfnisse, die Art der verarbeiteten Daten und die Zielsetzung eines F&E-Teams, einer Patentabteilung oder eines auf Innovation und Open Innovation ausgerichteten Teams sind nicht dieselben.
Die für diese jeweiligen Bedürfnisse nützlichen Verarbeitungen sind nicht immer dieselben, und die Workflows sind manchmal sehr unterschiedlich.
Die Datenstrukturierung für ein Luft- und Raumfahrtunternehmen hat wahrscheinlich keinen Zusammenhang mit der, die für einen großen Pharmakonzern oder ein KMU der Feinmechanik nützlich ist.
Im Gegensatz zu magischen Werkzeugen und dem von jedem seriösen Analysten verabscheuten „Blackbox-Effekt” stellen die Expertensysteme die erste Stufe der operativen Umsetzung des Monitorings auf der TKM-Plattform dar. Sie beruhen auf aus dem Datamining stammenden Grundlagen, also auf expliziten, von jeder Nutzerin und jedem Nutzer parametrierbaren Regeln: Boolesche Suchanfragen, Näherungsoperatoren, Fachfilter, Thesauri und Klassifizierungskriterien, Bereinigung und Normalisierung usw…
Dieser Ansatz ist besonders wirksam, wenn die Relevanzkriterien klar und leicht identifizierbar sind: angepeilte Technologien, Dokumenttypen, zu überwachende Akteure, geografische Zonen, Anwendungsbereiche.
Die Expertensysteme ermöglichen dann zu geringeren Kosten1 :
- eine fachliche Anforderung in eine formalisierte Suchstrategie umzuwandeln,
- die vollständige Kontrolle über die Monitoring-Bereiche zu behalten,
- die Sortierung, Klassifizierung und Verbreitung von Informationen zu automatisieren.
Sie bieten einen ausgezeichneten Kompromiss zwischen Leistung, Transparenz und Kostenkontrolle und bleiben dabei im Laufe der Zeit leicht anpassbar.
Wenn Datamining an seine Grenzen stößt: der gezielte Beitrag der Präzisions-KI
Nicht alle Datenverarbeitungsvorgänge lassen sich einfach allein durch explizite Regeln bewältigen. Wird die Festlegung dieser Regeln zu komplex, dann stößt das Datamining an seine Grenzen.
Nehmen wir ein Beispiel!
Ihre Tätigkeit, Ihre Branche oder Ihre eigene Strategie beruht auf der Einhaltung von Umweltkriterien bei der Entwicklung und Herstellung Ihrer Produkte.
Es ist daher legitim, dass Ihr Monitoring vorrangig jede Innovation, jedes Produkt oder jedes Patent eines Dritten (eines Wettbewerbers oder eines Start-ups) hervorhebt und Ihren F&E-Teams zur Kenntnis bringt, die diesen „umweltfreundlichen” Kriterien entsprechen würde.
Aber wie lassen sich all diese Kriterien vollständig und erschöpfend definieren und in ein Regelsystem innerhalb Ihres Monitoring-Werkzeugs übersetzen? Das könnte kompliziert, wenn nicht sogar völlig unmöglich sein.
Es gibt tausend und eine Möglichkeit, diesen Begriff der Umweltverantwortung zu qualifizieren: biologisch abbaubar, ohne Chemie, energiesparender, ohne seltene Erden, bessere CO2-Bilanz usw.
Genau hier kann die von TKM angebotene präzise und personalisierte KI eine entscheidende Rolle spielen, mit Präzisionsgraden, die von Datamining und/oder generischer KI nicht erreicht werden. Die Modelle werden dann anhand historischer, entsprechend dem jeweils benötigten Anwendungsfall annotierter Daten trainiert.
Bei TKM sind wir fest davon überzeugt, dass die KI in diesen komplexen Fällen eine echte ergänzende Alternative zu den Expertensystemen aus dem Datamining darstellt. Sie ersetzt sie nicht, sie erweitert sie.
Wir sind aber ebenso überzeugt, dass generische KI allein (ChatGPT an der Spitze) und das magische Versprechen eines Modells, das in drei Klicks und vier Likes befriedigende Ergebnisse liefert, nicht funktionieren!
Deshalb beruht die von TKM konzipierte und angebotene Präzisions-KI auf Verarbeitungen, die sowohl auf generischen Modellen künstlicher Intelligenz (Klassifizierung, Clustering, Entitätserkennung) als auch auf großen Sprachmodellen (LLM) basieren, die aber auch und vor allem einen vorgeschalteten Schritt der Personalisierung integrieren. Erst dann kann man von Präzisions-KI (oder personalisierter KI) im Monitoring sprechen.
Unsere KI wird anhand konkreter, von den Nutzerinnen und Nutzern bereitgestellter Anwendungsfälle trainiert, um die Expertensysteme zu ergänzen, wenn diese an ihre Grenzen stoßen.
TKM-Software: eine für das Monitoring-Datamining konzipierte Plattform
Ein „Data Lake” für die 360°-Erkundung
Im Kern der TKM Platform befindet sich ein DataLake, der mit einer beispiellosen Vielfalt an Quellen gespeist wird:
- weltweite Patente,
- wissenschaftliche Veröffentlichungen,
- Forschungs- und Gemeinschaftsprojekte,
- klinische Studien,
- Webquellen und Branchennachrichten,
- weltweite Datenbank innovativer Start-ups und KMU,
- weltweite Datenbank akademischer Akteure und großer Konzerne.
Die Nutzerinnen und Nutzer können ihr Monitoring präzise ausrichten nach Thema, Quelle, Autor, Organisation oder Zeitraum. Spezialisierte Crawler ermöglichen es außerdem, bestimmte Institutionen oder Datenströme zu verfolgen, wie Förderstellen, Universitäten oder Forschungszentren.
Dieser Datenreichtum ist entscheidend, um effiziente Monitoring-Strategien einzusetzen und schwache Signale frühzeitig zu erkennen. Und das dank einer geschickten Kombination aus Expertensystemen und maßvollem Einsatz von KI.
Menschliche Begleitung zur Strukturierung des Vorgehens
Die Effizienz des Monitorings beruht auf der Leistungsfähigkeit der Werkzeuge, aber noch mehr auf der Methode. Deshalb begleitet TKM Organisationen bereits von der vorgeschalteten Phase an: Klärung der Herausforderungen, Formalisierung eines Monitoring-Plans, Definition der Suchstrategien.
Ziel ist es, eine strategische Fragestellung in ein operatives Instrument zu übersetzen.
Je nach Bedarf können die Monitoring-Teams eigenständig arbeiten oder (punktuell oder dauerhaft) begleitet werden, um Regeln, Bereiche und Verarbeitungen anzupassen und zu erweitern.
→ Auch lesenswert – TKM: eine doppelte Expertise, um KI in den Dienst des gewerblichen Rechtsschutzes zu stellen
Technologie-Monitoring im Zeitalter der KI neu denken
Von der Rohanfrage zur strukturierten Information: Datamining in Aktion auf der TKM Platform
Schritt 1: eine präzise und erschöpfende Suchstrategie formulieren
Alles beginnt mit der Formulierung des Bedarfs.
Auf der TKM Platform wird der Nutzer schrittweise von einer Formulierung in natürlicher Sprache zu einer strukturierten Suchstrategie geführt: Priorisierung der Schlüsselwörter, logische Operatoren, Filterkriterien. Dieser Schritt ist entscheidend, um zwei klassische Fallen zu vermeiden: eine zu breite Erfassung, die übermäßiges Rauschen erzeugt, oder eine zu enge Recherche, die blinde Flecken erzeugt.
Schritt 2: die gesammelten Daten bereinigen, anreichern und strukturieren
Sobald die Daten gesammelt sind, kommen Datamining und KI ins Spiel.
Die Algorithmen für Filterung, Klassifizierung und Tagging ermöglichen es, das Volumen irrelevanter Dokumente zu reduzieren und die Inhalte nach mit dem Kunden definierten Kriterien zu strukturieren. Gegebenenfalls ergänzen trainierte Modelle diesen Schritt dort, wo das Datamining an seine Grenzen stößt.
Schritt 3: die Information für Analyse und Wissenssicherung organisieren
Die relevanten Informationen werden anschließend organisiert in thematischen Ordnern, die automatisch oder manuell gepflegt werden. Die Klassifizierungskriterien sind vollständig anpassbar: Thema, Quelle, Datum, Akteurstyp usw.
Diese Strukturierung erleichtert die Analyse, die gezielte Verbreitung und die langfristige Sicherung des Wissens. Im Fall einer Wettbewerbsbeobachtung könnte eines der Organisationskriterien der Daten so die Liste der Wettbewerber sein, geordnet nach Akteurstyp oder geografischer Zone.
Ein kombinierter Einsatz von Datamining und KI verändert die Lage konkret
Zum Wesentlichen vordringen, ohne den Gesamtüberblick zu verlieren
Das Datamining ermöglicht es, innerhalb großer Volumina schnell Inhalte mit hohem Mehrwert herauszufiltern. Fortgeschrittene Verarbeitungen ermöglichen es außerdem, Zusammenfassungen und Synthesen zu erstellen oder in natürlicher Sprache gestellte Fragen auf der Ebene eines strukturierten Korpus zu beantworten.
Implizite Konzepte und schwache Signale erkennen
Wenn die expliziten Regeln nicht mehr ausreichen, ergänzt die KI das Datamining durch die Erkennung von nicht explizit formulierten Konzepten. Diese Fähigkeit ist besonders nützlich, um schwache Signale oder aufkommende Entwicklungen an der Schnittstelle mehrerer Bereiche zu erkennen.
Ein langfristig strukturiertes Monitoring
Die Monitoring-Projekte werden mit einer von den Monitoring-Teams festgelegten Häufigkeit aktualisiert. Die Empfänger des Monitorings verfügen ständig über eine strukturierte, aktuelle und sofort einsetzbare Information. Diese Nutzung ist nachhaltig, denn die Sicherung des Wissens und der Interaktionen der Teams mit den Datenkorpora stellt einen echten immateriellen Vermögenswert innerhalb des Unternehmens dar.
Konkretes Beispiel: der Einsatz von Datamining für ein kollaboratives Monitoring
Ein Industrieakteur der Lebensmittelbranche möchte international, in monatlichem Rhythmus, die wissenschaftliche und technologische Literatur (hauptsächlich Patente, wissenschaftliche Artikel und Start-up-Nachrichten) zum Thema Fermentation überwachen.
Der Datenstrom umfasst etwa 800 neue Dokumente pro Monat, die sortiert werden müssen.
Trotz einer sorgfältig mit den TKM-Teams ausgearbeiteten Suchstrategie bleibt das Volumen uninteressanter Dokumente hoch (unsere berühmte 10-%-Regel) und erfordert eine vorherige Sortierung, bevor eine automatische Klassifizierung (insbesondere nach Hefeart und Anwendungsbereich) eingerichtet werden kann.
Bei 2 Minuten pro Dokument entspricht das theoretisch 3 Arbeitstagen allein für die Bereinigung des eingehenden Datenstroms! Und das jeden Monat…
Das sind fast anderthalb Monate Arbeit pro Jahr für eine mühsame Tätigkeit ohne strategischen Mehrwert.
Und das für ein einziges Monitoring-Thema, während dieses Unternehmen mindestens ein halbes Dutzend weitere überwachen muss…! Das ist nicht machbar.
In diesem konkreten Fall sind glücklicherweise die Kriterien, nach denen interessante Informationen unterschieden werden können (die Fachregeln), recht einfach, ebenso wie die Regeln zur Klassifizierung der Nachrichten im internen Wissens- und Kollaborationssystem.
Mit nur wenigen Tagen Vorbereitungsarbeit konnte ein auf diesen Regeln basierendes System eingerichtet werden, dessen Präzision vom Industrieunternehmen als zufriedenstellend eingeschätzt wurde.
Die so implementierte, ausschließlich auf Datamining basierende Lösung erbringt eine vollkommen betriebsfähige Leistung bei minimalen2 Einführungskosten. Die Produktions- (Verarbeitungs-)zeiten für die Sortier-, Bereinigungs-, Anreicherungs- und Klassifizierungsvorgänge liegen bei jeder neuen Information in der Größenordnung von wenigen Sekunden. Und ein Alarmsystem ermöglicht es anschließend je nach Bedarf, die F&E-Teams über die für sie vorrangig interessanten Nachrichten zu informieren.
Es kann jedoch vorkommen, dass ein ausschließlich auf Fachregeln basierendes System keine zufriedenstellende Präzision erreicht.
Genau in solchen Situationen sollte der Einsatz von Machine Learning und das Training einer Präzisions-KI in Betracht gezogen werden, um letztlich denselben Dienst (eine automatische und sofortige Verarbeitung) zu erbringen und die F&E- oder PI-Teams des Unternehmens nützlich zu versorgen.
Fazit
Eine effiziente Technologie-Überwachung beruht vor allem auf einem klugen, strukturierten Einsatz der richtigen Datamining-Werkzeuge, gesteuert vom Fachbereich und gestützt durch menschliche Expertise im Monitoring.
Ohne dieses Rückgrat können weder KI noch menschliche Expertise zuverlässige und verwertbare Analysen liefern.
Durch die Kombination von Datamining, Expertensystemen und gezielten Beiträgen der künstlichen Intelligenz bietet TKM einen pragmatischen und nachhaltigen Ansatz für die Technologie-Überwachung, der sich an den realen Herausforderungen innovativer Organisationen orientiert.
Benötigen Ihre Teams ein übersichtlicheres, besser strukturiertes und wirklich nutzbares Monitoring? Kontaktieren Sie das TKM-Team um zu erfahren, wie Sie Datamining und personalisierte KI in den Dienst Ihrer Innovationsentscheidungen stellen können.
2. Sowohl wirtschaftlich als auch ökologisch.