Künstliche Intelligenz: Wie sich KI auf das Geschäft auswirkt

In der Schule der Maschinen

Von Axel Oppermann

„Hey, Google, Siri, Alexa! Wer von euch macht heute den Kaffee?“ Assistenten wie Amazons Alexa, Apples Siri oder Google Home vermitteln zahlreichen Benutzern das Gefühl, tatsächlich ein Gespräch zu führen. In Wirklichkeit handelt es sich allerdings um die Simulation einer persönlichen Unterhaltung mit dem Ziel, dem Anwender Arbeit abzunehmen, ihn zu unterstützen und ihm den Alltag zu erleichtern. Ähnlich wie die Sprachassistenten halten auch andere Spielarten künstlicher Intelligenz (KI) in immer mehr Lebensbereiche Einzug. Grundlage sind teils vor Dekaden erdachte Ansätze, die seit geraumer Zeit die Grenze zur Alltagsreife überschritten haben. KI ist gekommen, um zu bleiben. Egal, ob der Einzelne das will oder nicht. Das Thema wird von Politik, Gesellschaft und auch von vielen Unternehmen aber immer noch unterschätzt.

Was man wissen muss

Allgemein betrachtet umfasst KI fortgeschrittene Algorithmen, die einer mathematischen Funktion folgen. Algorithmen sind die Grundlage künstlicher Intelligenz. Diese ist in der Lage, bestimmte Prozesse ähnlich wie der Mensch zu handhaben. Beispiele hierfür sind visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung oder das Übersetzen von Texten. Aber auch Kontroll- und Inspektionssysteme an einer Produktionslinie oder eben Programme wie Siri und Alexa sind KI-Geräte. Im Gegensatz zum Menschen können diese Systeme nur lernen, wie bestimmte Aufgaben zu erledigen sind. Sie sind quasi Fachidioten. Echte Intelligenz liegt ihnen also nicht zugrunde, weshalb sie auch als „schwache“ KI bezeichnet werden.

Grob gesagt lässt sich Artificial Intelligence (AI) in zwei übergeordnete, größere Segmente unterteilen: Narrow bzw. Weak AI und Strong AI. Je nach Auslegung kommt noch eine dritte Einstufung hinzu: künstliche Superintelligenz. Narrow AI ist das, was heute auf Computern und Smartphones längst üblich ist: quasi intelligente Systeme, die trainiert und angelernt, also für die eigentliche Ausführung nicht explizit programmiert werden, um definierte Aufgaben zu erledigen. Strong AI kann von der Leistungsfähigkeit her mit menschlichen Fähigkeiten verglichen werden. Sie wird nicht auf ein definiertes Aufgabengebiet limitiert. Problemlösung, abstraktes Denken oder Ideenfindung wären hiermit möglich. Doch das steht noch im Konjunktiv. Außer in Filmen gibt es das nämlich momentan noch nicht.

Derzeit lässt sich Folgendes festhalten: AI erfordert Machine Learning (ML). Maschinelles Lernen setzt auf Training. Muster und Gesetzmäßigkeiten werden erkannt, daraus entsteht eine Handlung. Maschinelles Lernen erfordert Analytik. Analytik erfordert die richtige Daten- und Informationsarchitektur (IA). Kurz gesagt: Es wird keinen Erfolg mit AI ohne die passende IA geben. Eine effektive Datenstrategie – eine Datenarchitektur – muss im Ansatz einzigartig sein, und das fängt beim Datenmanagement an. Daten sind das Rohmaterial für jede Entscheidung.

Deep Learning geht einen Schritt weiter als Machine Learning. Während das maschinelle Lernen statistische Techniken nutzt, die es Maschinen ermöglichen, sich bei Aufgaben weiter zu verbessern, setzt sich das Deep Learning aus hierarchischen Schichten von Algorithmen zusammen, die darauf ausgelegt sind, sich selbst zu trainieren und Aufgaben zu erledigen. Somit kann ML besonders dann genutzt werden, wenn es um hohe Qualität geht.

Was folgt daraus?

Künstliche Intelligenz ist vielfältig. Zurzeit handelt es sich dabei meist um angewandtes menschliches Wissen. Unternehmen müssen Strategien und grundlegende Datenstrukturen entwickeln, um Erkenntnisse zu gewinnen, damit das gewonnene Wissen organisiert werden kann. Momentan befinden wir uns an einem wichtigen Wendepunkt: in einem Zeitfenster, nach dem Unternehmen, die KI nur langsam erkunden und einsetzen, es immer schwerer haben werden, zu denen aufzuschließen, die die KI-Technologie bereits in ihre Business- und Marketing-Pläne übernommen und implementiert haben; also gegenüber denen, die testen, experimentieren und Erfahrungen sammeln.

Verantwortliche in Unternehmen sollten sich mit dem Thema umfassend beschäftigen. Eine KI-Roadmap, ein Plan zur KI-Transformation ist notwendig. Dieser enthält eine kontinuierliche Bewertung des Nutzens bzw. der Rentabilität und des ROI. Er ist fokussiert auf kurzfristige Erfolge bei gleichzeitigem Verfolgen längerfristiger Ziele.

Wie geht’s weiter?

Die Rahmenparameter für das, was passieren wird: In den kommenden 12 bis 18 Monaten werden zunächst zunehmend Rule-based-Entscheidungsunterstützungen in Unternehmen, in Software und Systeme eingeführt. Also irgendetwas basierend auf Boole’schen Variablen. Klar: Gibt es schon; jedoch werden Durchdringung und Relevanz zunehmen. Im nächsten Schritt erfolgt eine stetig steigende Automatisierung auf Basis statistischer Werte respektive Analysen, also auf Grundlage statistischer Argumentation und Vorschläge. Diese basieren auf einfachen Regressionen, d. h. auf dem, was heute unter Predictive Maintenance verstanden wird, nur eben auch in Marketing, Vertrieb, HR etc. Es folgen automatisierte Klassifikationsaufgaben basierend auf beliebigen Daten; so etwas wie Machine Learning. Diese drei Stufen bzw. Ebenen der Automatisierung werden ergänzt bzw. abgelöst von autonomen Systemen, die eine dynamische Gestaltung von „Neuem“ ermöglichen, d. h. mehr oder weniger Artificial Intelligence. Zunächst Weak AI, dann immer stärkere Systeme. Die Entwicklung ist getrieben von Hardware, Software und Logik.

Der Markt boomt

Die wirtschaftlichen Erfolgsaussichten entwickeln sich extrem! Die weltweiten Ausgaben für Systeme der kognitiven und künstlichen Intelligenz werden nach Analysen der Berater von IDC bis 2021 voraussichtlich 57,6 Milliarden US-Dollar erreichen. Marktauguren sehen für die nächsten drei Jahre eine durchschnittliche jährliche Wachstumsrate (CAGR) von 50,1 %. Die Analysten von Gartner gehen davon aus, dass AI-Technologien bis 2020 in fast jedem neuen Softwareprodukt enthalten sein werden.

Unternehmen wie IBM, Microsoft oder Nvidia, aber auch Amazon, Facebook oder Google investieren massiv. Unternehmen, deren Geschäftsmodell auf KI beruht, werden mit Venture-Kapital geradezu überschüttet. Etablierte Unternehmen, die ihr Geschäftsmodell in Richtung Automatisierung und darüber hinaus entwickeln, sind die (un-)heimlichen Stars an den Börsen. Grundsätzlich lassen sich drei große Strömungen erkennen. Erstens: Entwicklung von Hardware, insbesondere Chips. Zweitens: Algorithmen. Drittens: Geschäftsmodelle.

In den vergangenen Jahren hat sich Nvidia von einem etablierten Hersteller von Grafikprozessoren zu einem Unternehmen entwickelt, das an der Spitze der KI-Evolution steht. Nvidia setzt auf einen GPU-basierten Ansatz für Deep Learning. Das nutzen auch zahlreiche andere Unternehmen, einschließlich aller großen Cloud-Service-Provider etwa für den Einsatz in ihren Rechenzentren und Automobilhersteller für ihre fahrerlosen Fahrzeuginitiativen.

Auch Apple und Amazon investieren stark in die Chip-Entwicklung mit dem Ziel, KI zur Edge zu bringen. Google, respektive die Konzernmutter Alphabet, hat eigene AI-Chips entwickelt. Sie werden bereits für interne Zwecke genutzt und zukünftig auch Kunden über die Google-Cloud zur Verfügung gestellt. Google hat eine Menge Geld in das Thema gesteckt, auch und insbesondere, um sein Kerngeschäft zu stärken – den Verkauf von Werbung. AI wird genutzt, um die Relevanz der Anzeigen zu verbessern, die dem Nutzer ausgespielt werden. Ähnlich läuft es bei YouTube: Hier wird die künstliche Intelligenz eingesetzt, um Musik- und Videoselektionen anzubieten, die auf den früheren Hör- und Sehgewohnheiten der Nutzer basieren. Aber auch der AI-gesteuerte Smart Assistant von Google ist essenziell. Zunächst hatte Google damit begonnen, Benutzer von Android-basierten Smartphones zu unterstützen. Mittlerweile ist der Smart Speaker des Unternehmens, Google Home, voll in das Geschäftsmodell integriert.

Wie Google verwendet auch Amazon KI für interne Zwecke, um seine Produkte und Dienstleistungen zu verbessern. Im Geschäftsbereich E-Commerce, der den größten Teil des Umsatzes ausmacht, nutzt Amazon maschinelles Lernen für Anwendungen, die vom Erstellen von Rankings für die Produktsuche bis hin zum Erstellen von Produktempfehlungen auf Basis der bisherigen Kauf- und Sehgewohnheiten der Kunden reichen. Nicht zuletzt ist KI auch die Grundlage für Amazons gegenwärtig starke Position im Rennen um das Smart Home. Alexa hat dazu beigetragen, Amazons Echo die führende Position bei den Smart-Home-Speakers zu sichern. Daneben werden KI-Anwendungen auch für Amazon-Web-Services-Kunden (AWS) bereitgestellt. Da Amazon momentan für seine Gewinne vollständig auf AWS angewiesen ist, erscheint es nicht verwunderlich, dass immer mehr KI-Anwendungen genutzt werden, um das lukrative Cloud-Geschäft zu stärken.

KI im Kundenservice

Die OBI Group, ein Anbieter in der Bau- und Heimwerkermarktbranche, nutzt ebenfalls KI. Das Feedback der Kunden wird automatisiert mit Data-Mining-Algorithmen aufgearbeitet und für hochwertigere Rückschlüsse genutzt. Trumpf Lasertechnik, ein Technologieanbieter industrieller Laser, nutzt Datenmodelle für die vorausschauende Instandhaltung der Lasermaschinen. Grundlage hierfür ist die Analyse historischer Daten, ein Monitoring der Maschinen- und Predictive-Maintenance-Ansätze. Dadurch ließ sich nicht nur die Instandhaltungsstrategie verbessern, vielmehr konnten neue Mehrwertdienste auf Basis von Daten und Algorithmen angeboten werden.

Æon, Japans umsatzstärkster Einzelhändler, schickt sich an, gemeinsam mit einem von Alibaba unterstützten Technologieunternehmen Modelle für Ladenlokale zu entwickeln, die mittels KI betrieben werden. Im Kern handelt es sich um kioskähnliche Convenience Stores. Der Zugang erfolgt via Handabdruck, genauer gesagt über einen Scan der Handflächenvenen. Im Laden erkennen Sensoren in Kombination mit Algorithmen den Kunden und seine Einkäufe. Die Inter Versicherungsgruppe setzt mit EVA, der „empathischen Versicherungsassistentin“, auf eine gemeinsam mit IBM entwickelte Chatbot-Lösung. Grundlage ist unter anderem die kognitive Watson-Technologie von IBM.

Klug genug für KI

Es gäbe noch eine Menge mehr Beispiele für KI-Anwendungen: Bremsassistenten, Servicebots, Kalender-Apps, Inspektoren in Industrieanlagen, Bildinterpretation in der Radiologie. Bots werden das Personalmanagement übernehmen, Algorithmen entscheiden über Kreditvergabe und Anlagestrategie. Das Thema ist viral. So hat es Predictive Policing, also die Vorhersage von Straftaten auf Basis historischer Falldaten, bereits ins deutsche Fernsehen geschafft – ob im ARD-Tatort oder beim ZDF-Wilsberg. KI ist eigentlich überall und dennoch nirgendwo. In vielen Unternehmen wird die Thematik sträflich unterschätzt. Zukunftsangst geht mit kruden Fantasien einher, vielerorts herrscht ein desolater Kenntnisstand über Möglichkeiten und Risiken. Doch die Planungen müssen jetzt starten. Erfahrungen müssen jetzt gemacht werden.

Nützliche Links

• Berufsbild AI Engineer
• Einsatzgebiete für KI
• IT-Infrastruktur für KI-Anwendungen
• Künstliche Intelligenz contra Vorratsdatenspeicherung
• Maschinenethik