Sponsored Post

Digitalisierung

Let’s talk about Künstliche Intelligenz

Von Dr. Andreas Becks, Head of Business Analytics, SAS DACH · 2018

Künstliche Intelligenz (KI), Machine Learning und Cognitive Computing zählen auch 2018 zu den heißesten Themen. Um die vollen Potenziale der Technologien auszuschöpfen, besteht aber noch erheblicher Handlungsbedarf

Wer Künstliche Intelligenz hört, denkt unbewusst (oder bewusst) an Algorithmen. Denn sie stecken hinter KI. Früher dachte man, ein komplexes Spiel wie „Go“ könne nicht per Computer beziehungsweise menschliche Programmierer abgebildet werden. Falsch gedacht: Denn nachdem das System die Regel verstanden hatte, lernte es zu spielen – besser als der beste Mensch.
Dieses Wissen lässt sich natürlich auch für Business-Aufgaben nutzen. Analog zum „Go“-Beispiel werden Systeme entwickelt, die die Geschäftsregeln lernen und sie dann verbessern.
Sobald Unternehmen IT- und HR-mäßig die notwendigen Ressourcen geschaffen haben, steht einer Nutzung des Potenzials von KI und Technologien wie Machine Learning nichts mehr im Wege.

Ist das aber wirklich so einfach? Oder sieht es auf dem Boden der Unternehmenstatsachen anders aus?

Die Verursacher

Für den Hype um die genannten Technologien gibt es gute Gründe: Zum einen werden Apps und Software generell, aber auch Maschinen und Fahrzeuge immer smarter. Menschen sprechen mit virtuellen Assistenten. Autos fahren bald autonom. Und jetzt hat auch noch ein Rechner den weltbesten Spieler beim komplexen Brettspiel „Go“ übertrumpft.

Zum anderen spielen die Aspekte Datenmenge und Rechenleistung dem breitflächigen Einsatz der hinter KI steckenden Technologie in die Hände. Maschinelles Lernen erzeugt Wissen aus Erfahrung – und zwar in Form von Daten. Es erkennt darin Gesetzmäßigkeiten und Muster und wendet diese Erkenntnisse auf neue, bislang unbekannte Daten an, um Vorhersagen zu machen.
Hierdurch lassen sich sehr komplexe Zusammenhänge berechnen.

Wir haben zwar wenig Zeit, aber viele Daten

Machine Learning braucht also möglichst viele Daten und Beispiele. Und Daten liegen bekanntlich heute im Überfluss vor. Unternehmen haben jede Menge Daten von Maschinensensoren, Produktionssystemen oder Kundentransaktionen – bisher oft ungenutzt, aber immerhin vorhanden. Maschinelles Lernen ist zudem sehr rechenintensiv, was bisher viel Zeitaufwand und hohe Kosten verursachte. Dieses Problem verschwindet zusehends: Durch kostengünstigen Speicherplatz und ein hohes Maß an Parallelisierung von Rechenvorgängen lässt sich inzwischen Machine Learning problemlos auf große Datenmengen anwenden.

Dennoch gibt es Handlungsbedarf, wie eine aktuelle Studie* zeigt, die der Softwarehersteller SAS auf seiner  europäischen Konferenz Analytics Experience in Amsterdam vorgestellt hat.
The Enterprise AI Promise: Path to Value belegt: Die meisten europäischen Unternehmen stehen bei der Umsetzung von KI-Themen in die Praxis noch am Anfang. Optimismus herrscht zwar bezüglich des Potenzials der Technologie – viele Umfrageteilnehmer zeigten sich jedoch alles andere als überzeugt, dass ihr Unternehmen über die nötigen Mittel verfügt, um dieses zu erschließen.

Denkt doch mal um

Für die Befragten stellt allerdings nicht die Technologie die größte Hürde dar: Einschlägige Software ist heute genauso verfügbar wie wirtschaftlich zu betreibende Hardware. Vielmehr sind es der Mangel an Data-Science-Know-how, organisatorische Gründe und fehlende soziale Akzeptanz, die Kopfzerbrechen bereiten.

Fast jeder zweite der Umfrageteilnehmer (49 Prozent) hegt Zweifel an der Zuverlässigkeit der Ergebnisse, die KI liefert. Viele Manager halten die Technologie also noch immer für eine  „Blackbox“, der sie misstrauen. Hier ist eindeutig ein Umdenken notwendig, das im Management vorgelebt werden muss. Hemmnisse sind zudem die Einbindung der mit KI gewonnenen Erkenntnisse in bestehende Geschäftsentscheidungsprozesse (27 Prozent), Datenintegration und ein Mangel an Data Scientists (jeweils 26 Prozent). Nur 20 Prozent der befragten Unternehmen gaben an, mit ihren Data-Science-Teams gut für KI aufgestellt zu sein, während 19 Prozent noch gar keine solchen Teams haben. Und nicht zuletzt verfügt erst etwa jedes vierte Unternehmen über eine geeignete Infrastruktur für KI (24 Prozent).

Doch es gibt auch Positives in Sachen KI zu berichten – und zwar, was die von den Umfrageteilnehmern erwarteten Möglichkeiten für ihr Business angeht.
Einer der Hauptgründe für die KI-Implementierung im Unternehmen ist das erhoffte Wachstumspotenzial (in Form von neuen Produkten/Marktsegmenten oder Umsatzsteigerung). Immerhin 16 Prozent erwarten, dass sie mit KI wettbewerbsfähiger sind, und direkt dahinter folgen 15 Prozent, die ihre Kosten mit KI senken möchten.

Zudem wurden die Teilnehmer zu den potenziellen Auswirkungen von KI auf die Gesellschaft befragt – sowohl im Hinblick auf die Arbeit als auch auf das Privatleben.
Knapp ein Viertel (23 Prozent) sieht in KI die Möglichkeit, Effizienz, Produktivität und allgemein Geschäftsprozesse zu verbessern. Fast ebenso viele (22 Prozent) gehen davon aus, dass der Einsatz entsprechender Technologie den Kundenbeziehungen zugutekommt. 19 Prozent erwarten Veränderungen auf dem Arbeitsmarkt. Einen Einfluss auf den Healthcare-/Life-Science-Sektor prognostizieren 18 Prozent, gefolgt von Manufacturing (16 Prozent) und Finance (15 Prozent). Lediglich 11 Prozent meinen, dass spezielle Regulierungen notwendig sind oder ethische Probleme entstehen.

Schnellstarter

Als „natural areas“, in denen sich KI schnell positiv bemerkbar machen könnte, sehen die Umfrageteilnehmer mehrheitlich selbstfahrende/vernetzte Autos (26 Prozent) sowie smarte/virtuelle Assistenten wie Siri,
Alexa oder Cortana (24 Prozent). Zusätzlich ist die Automatisierung von wiederholbaren Aufgaben mit 20 Prozent ein wichtiger Bereich,
ebenso wie Chat- oder Speech-Bots mit 19 Prozent.

Stark diskutiert wurden auch ethische Fragen – also ob Roboter und KI-Systeme statt für die Zwecke von einzelnen Unternehmen nicht dazu eingesetzt werden müssten, um der Menschheit Verbesserungen zu bringen. An der Spitze der Bedenken stehen Fragen nach der beruflichen Zukunft: Für 55 Prozent der Befragten liegt die größte Herausforderung in Sachen KI in der Veränderung der Arbeitswelt, also dem potenziellen Jobverlust und neuen Berufsbildern.
Über ethische Fragen und rechtliche Verantwortung machen sich 41 Prozent Gedanken. Soziale Probleme beziehungsweise einen Kulturwandel sehen 32 Prozent kommen. Und nicht zuletzt spielt natürlich auch das Thema Personendaten eine Rolle: Mehr als ein Viertel sieht im Zusammenhang mit Datenschutz und Datensicherheit und der kommenden EU-Datenschutzgrundverordnung (DSGVO) Herausforderungen.

Die Technologie „menschlich“ machen

Zwiespältig gestaltet sich die Schätzung, in welchem Zeitrahmen die Veränderungen durch KI ablaufen werden. 11 Prozent fanden es schwierig, diesbezüglich eine Angabe zu machen und 15 Prozent sind darauf vorbereitet, dass es noch Jahrzehnte dauern kann.
Die relative Mehrheit (39 Prozent) geht jedoch von einer exponentiell ansteigenden Adaption in weniger als fünf Jahren aus, bis KI Teil des Alltags geworden ist.

Machine Learning, KI und damit zusammenhängende Themen sind jedoch mitnichten Neuland. Cognitive Computing verbindet KI-Methoden, datenbank-basierte Technologien und
Mensch-Maschine-Schnittstellen miteinander. Letztlich geht es darum, dem Anwender ein möglichst natürliches Anwendungserlebnis mit einem Softwaresystem zu ermöglichen.
Dafür müssen analytische Lösungen „menschlicher“ gemacht werden.

Ein wichtiger Treiber dafür ist Visualisierung, wie sie SAS mit seiner Lösung SAS Visual Analytics bereitstellt. Damit haben auch Fachanwender ohne statistische Ausbildung Zugang zu Advanced Analytics. Ein nächster Schritt ist, dass Analytics in natürlicher Sprache aufgerufen werden kann und dem Nutzer – situativ und abhängig von dessen Kenntnisstand – entsprechende Erkenntnisse liefert. Dr. Jim Goodnight hat mit seiner Alexa-Demo auf dem SAS Global Forum ein erstes Beispiel dazu gezeigt.

Business und Technologie zusammenbringen

Das heißt im Klartext: Machine Learning steht nicht mehr nur Data Scientists zur Verfügung.
Auch Fachanwender haben die Möglichkeit, intuitiv und schnell mit maschinellem Lernen ihre Daten besser zu verstehen. Und die Geschäftsrealität belegt das.
Maschinelles Lernen als KI-Technologie wird unter anderem in der prädiktiven Wartung,
Fraud Detection oder Customer Intelligence eingesetzt. Durch große Datenmengen und Rechenpower lassen sich mit diesen Methoden bessere Vorhersagen treffen und präzisere Analysen durchführen. Dazu kommen aber neue Anwendungen beispielsweise im Bereich IoT und bei der Objekterkennung. Ob prädiktive Wartung, das Einkaufserlebnis im Supermarkt der Zukunft, Bildanalyse zur Verbesserung der Produktionsqualität, Schadensprävention in der Versicherung durch Telematik oder Wearables: Das sind die neuen Anwendungen, von denen faktisch alle Branchen reden.

Paradise Found

Wie Machine Learning in der Praxis funktioniert, hat SAS mit dem Projekt Paradise Found gezeigt.
Mithilfe von Big Data Analytics und Machine Learning ermittelte der Softwarehersteller aus rund 150.000 Locations weltweit und anhand von 69 Kriterien den „besten Ort der Welt“. Ohne vorgefertigte Fragestellung oder Hypothese wurden mehr als fünf Millionen Datenpunkte aus 1.124 Datenquellen analysiert, und zwar strukturierte ebenso wie unstrukturierte Daten,. Am Ende hieß der Sieger: West Perth.
Sein ganz persönliches „Paradies“ kann man jetzt mit dem Paradies-Konfigurator selbst bestimmen.

*Für die Studie wurden zuständige Manager von 100 Unternehmen aus den Branchen Banken, Versicherungen, produzierende Industrie und Handel sowie Vertreter der öffentlichen Verwaltung in ganz Europa befragt.