Aktualisiert: 18.06.2021 Publiziert: 02.02.2021
Künstliche Intelligenz ist auf dem Vormarsch und übernimmt in den verschiedensten Branchen Aufgaben – auch in der Zollwelt. Das bedeutet jedoch nicht, dass du als Zollexperte damit überflüssig bist. KI erleichtert dir vielmehr den Joballtag. Wie genau, erklären wir dir am Beispiel der KI, die wir bei den Grenzlotsen nutzen!
Ein Algorithmus ist eine Handlungsvorgabe zur Lösung eines Problems, in der jeder einzelne Schritt genau vorgegeben ist.
Verschiedene dieser Algorithmen nutzen wir bei den Grenzlotsen zur Tarifierung. Dabei erstellen wir beispielsweise Entscheidungsbäume oder grenzen Produkte einer bestimmten Zolltarifnummer gegen alle anderen Produkte ab. Dadurch werden Zusammenhänge besser sichtbar. Gibt man diesen Algorithmus anschließend als Input in ein Produkt, trifft dieser eine Vorhersage des Vierstellers und berechnet die Wahrscheinlichkeit, dass diese Nummer auch stimmt.
Je Produkt werden immer die fünf besten Vorhersagen angezeigt, um bei einer nicht zutreffenden Vorhersage noch weitere Optionen zu haben. Dies kann bei Produkten der Fall sein, bei denen die Abgrenzung schwierig ist. Bei denen geben am Ende nur kleinste Details den Ausschlag, dass sie zu einer ganz bestimmten Zolltarifnummer gehören.
Doch der technische Fortschritt bietet mittlerweile etwas viel Fortschrittlicheres als starre Algorithmen: Künstliche Intelligenz! Um die Vorteile der künstlichen Intelligenz bei den Grenzlotsen zu nutzen und unseren Kunden somit einen enormen Mehrwert zu bieten, versuchen wir nun, diese in die Tarifierung und in die Zollwelt zu bringen.
Durch die fortlaufende technische Entwicklung gehören künstliche Intelligenz und Machine Learning immer mehr zu unserem Alltag. Doch was kannst du dir eigentlich genau darunter vorstellen und wie nutzt man beides?
Kurz gefasst lässt sich künstliche Intelligenz (KI) als Nachahmung der menschlichen Intelligenz durch Computersysteme definieren. Hierbei sind der künstlichen Intelligenz allerdings noch viele Grenzen gesetzt. Machine Learning dagegen bezeichnet das eigenständige Lernen eines Computersystems.
Stell dir das Convolutional Neural Network (CNN) als riesiges Netzwerk vor, in dem mehrere Schichten miteinander verknüpft sind.
Zum Erzeugen eines CNNs werden zwei verschiedene Arten von Daten benötigt, die sich inhaltlich jedoch kaum unterscheiden: Testdaten und Trainingsdaten. Der einzige Unterschied besteht darin, dass das CNN die Trainingsdaten kennt und mit ihnen trainiert wird. Die Testdaten sind dem CNN zunächst unbekannt und werden erst zur Validierung genutzt.
Zu Beginn haben wir die Trainingsdaten mit dem Produktnamen und der jeweiligen Zolltarifnummer vorliegen. Anhand des Produktnamens versucht das CNN, die ersten vier Stellen der Zolltarifnummer des Produkts herauszugegeben. Danach vergleicht das CNN das vorhergesagte Ergebnis mit dem richtigen Viersteller. Ist das vorhergesagte Ergebnis richtig, merkt sich das CNN die Einstellungen innerhalb des Netzwerks und behält diese bei. Ist das Ergebnis falsch, justiert das CNN die Gewichte intern neu. Dies kann als Lernprozess angesehen werden. Da das richtige Ergebnis dem CNN zu Beginn bekannt ist und dadurch überwacht wird, dass richtig vorhergesagt wird, wird diese Art des Machine Learnings auch überwachtes Lernen (Supervised Learning) genannt. Ziel dabei ist es, dass das CNN die Zusammenhänge zwischen dem Produktnamen und der Zolltarifnummer erkennt und sich dadurch selbstständig verbessert.
Mit Hilfe der Testdaten validieren wir anschließend, wie gut das CNN mit Daten arbeitet, die den Trainingsdaten zwar ähnlich sind, denen jedoch nicht entsprechen.
Je höher die Genauigkeit (Accuracy) bei den Trainingsdaten und den Testdaten gleichzeitig ist, desto besser. Liegt nämlich nur bei den Trainingsdaten eine hohe Genauigkeit vor, bedeutet dies, dass das CNN diese Daten auswendig gelernt hat, sein Wissen aber nicht auf andere Daten transferieren kann. Das wird auch Overfitting genannt – Überanpassung.
Je mehr verschiedenen Daten wir zum Training des CNN verwenden, desto mehr richtige Zolltarifnummern kann es vorhersagen. Willst du das CNN auch einsetzen, musst du dir jedoch bewusst sein: Völlig fremde Daten kann es nicht korrekt vorhersagen.
Das CNN ist nur in den Bereichen gut, in denen es auch trainiert hat. Wer bisher nur Nahrungsmittel tarifiert hat und nun Produkte aus dem Fahrzeugbau in das CNN eingibt, darf keine sinnvollen Ergebnisse erwarten. Dafür muss das CNN erst mit einem entsprechenden Datensatz trainiert werden. Je besser diese Datenbasis gepflegt ist, desto bessere Ergebnisse kann das CNN erzielen. Das ist wie beim Marathontraining, aus dem Stand läuft man auch nicht so schnell 42 KM, sondern muss erst mal trainieren.
Unser Ziel ist es, dass das CNN auch achtstellige Zolltarifnummern oder sogar die vollständige Zolltarifnummer ausgeben kann. Das Problem hierbei ist aber, dass es sehr viele Zolltarifnummern im Harmonisierten System gibt und die Unterscheidung eben nicht durch einfache Begriffe vorgenommen wird. Häufig sind kleine Details ausschlaggebend die für die ein oder andere Zolltarifnummer sprechen. So wird es für das CNN immer schwieriger, korrekte Zolltarifnummern zu liefern.
Genau deshalb ist es so wichtig, dass das CNN auch wirklich von Zollexperten genutzt wird. Denn für den Umgang mit Zolltarifnummern ist eine gewisse Erfahrung und Feingefühl nötig. Nur wer das mitbringt, kann validieren, ob vorhergesagte Zolltarifnummern korrekt sind und die entsprechenden Anmerkungen und Erläuterungen dazu geben und damit das System weiter lernen lassen.
Somit soll die künstliche Intelligenz den Zollexperten nicht ersetzen, sondern mit ihm zusammenarbeiten und die Arbeit durch Vorschläge von Vierstellern vereinfachen und effizienter gestalten. Ein Zollexperte weiß dadurch schneller, in welche Richtung er tarifieren muss und kommt deutlich einfacher durch den Arbeitsalltag.
