30. Januar 2020

AI ist gekommen um zu bleiben

Blog 1_Titelbild

Seit der Geburtsstunde des Computers hat der Mensch Programme entwickelt und perfektioniert. Fast immer mit dem Ziel effizienter zu werden und die Lebensqualität zu erhöhen. Die Informatik hat sich seither in viele Spezialgebiete aufgeteilt und jüngst ist ein neues Gebiet hinzugekommen: Die Künstliche Intelligenz oder kurz AI für das englische «artificial intelligence».

Heutige AI-Algorithmen übertreffen den Menschen in puncto Genauigkeit und Geschwindigkeit bei der Erledigung von Aufgaben, bei welcher Entscheidungen aufgrund von Wissen und Erfahrung getroffen werden müssen. Im Gegensatz zu herkömmlichen Programmen, bei welchen komplizierte Regelwerke fest einprogrammiert werden mussten, sind AI-Algorithmen durch maschinelles Lernen in der Lage, Regeln abzuleiten und diese automatisch in Programme umzuwandeln. Um beispielsweise einen Spam-Filter für E-Mails zu entwickeln, müssten Millionen von E-Mails manuell analysiert und daraus Regeln abgeleitet werden. Beim maschinellen Lernen kann man diese Analyse der Maschine überlassen, welche mittels statistischer Methoden E-Mails als Spam erkennt.

In diversen Produkten arbeitet AI heute bereits mit, um das Kundenerlebnis zu verbessern oder Prozesse effizienter zu gestalten. Allein in einem Smartphone kümmert sie sich um die Kategorisierung von Fotos, bestmögliche Akku-Nutzung, das 
Erkennen vom Besitzer über die Kamera sowie die Interaktion mit diesem über digitale Assistenten. In effekthascherischer Manier zeigen die Tech-Firmen, wozu AI fähig ist und entwerfen 
Algorithmen, welche die komplexesten Spiele besser beherrschen als die weltbesten Spieler.

Trotzdem haben vor allem KMUs Mühe, AI produktiv einzusetzen. Das liegt hauptsächlich an zwei Dingen: Erstens fehlt es an Ideen für konkrete Anwendungsfälle mit absehbaren ROI und zweitens sind die Daten verteilt, heterogen und nicht direkt zugreifbar. Oder die Daten fehlen gar komplett, da historische Daten nicht gesammelt oder ausreichend digitalisiert wurden. 

Daten und maschinelles Lernen
Beginnen wir deshalb beim Datenthema und damit, wie AI aus Daten lernt. Genau genommen «lernt» eine künstliche Intelligenz gar nicht, es ist jedoch eine gute Analogie. In Wirklichkeit wird beim maschinellen Lernen versucht, in den Daten eine mathematische Funktion zu finden, die so allgemein funktioniert, dass damit auch für neue und vorher unbekannte Eingaben die richtigen Lösungen 
gefunden werden. Das funktioniert aber nur, solange die Eingabe 
nicht zu stark von denjenigen Daten abweicht, mit welchen die Maschine gelernt hat. Das bedeutet, dass heutige AI keine menschliche Intelligenz besitzt, sondern lediglich eine Inselbegabung.

Es gibt drei Arten, wie eine Maschine «lernt»:
1.) Als erstes wäre da das überwachte Lernen (engl. Supervised 
Learning). Dies ist bis heute die weitaus am meisten angewendete Me­thode. Dabei lernt eine Maschine wie ein Kind, dem man zwei Bilder zeigt und sagt: «Das ist ein Hund, das ist eine Katze». Man gibt also genau vor, was es lernen soll. Jedoch braucht die Maschine im Vergleich zum Menschen ein Vielfaches an Bildern.
2.) Die zweite Methode ist das unüberwachte Lernen (engl. Unsupervised Learning). Dabei lernt die Maschine wie ein Kind, welches selbständig den folgenden Zusammenhang erkannt hat: Dieses fliegende Lebewesen ist klein, summt und ist gelb-schwarz. Also gehört es wahrscheinlich zu den stechenden Insekten. Das Kind lernt also selbständig, Gruppen anhand von Merkmalen zu bilden und kann ein Objekt einer dieser Gruppen zuordnen. Die Maschine braucht jedoch eine Liste von unzähligen Insekten und den dazugehörigen Merkmalen, um diese Gruppen zu bilden.

3.) Dass das Kind die Wespe folglich nicht anfassen sollte, weil es gelernt hat, dass dies negative Konsequenzen hat, ist die dritte Lernmethode: das bestärkende Lernen (engl. Reinforcement Learning). Dabei lernt die Maschine wie ein Kind, das seine Umgebung erkundet und durch positive und negative Rückmeldung herausfindet, wie es am besten zu seinem Ziel kommt. Nur dass die Maschine viele, viele Male gestochen werden müsste, um zu lernen, dass man eine Wespe besser nicht anfassen sollte. So lernen Maschinen übrigens auch, Spiele zu spielen und Weltmeister darin vernichtend zu schlagen.

Das Aufbereiten der Daten, welche sich für das Training eignen, nimmt aktuell viel Zeit in Anspruch. In naher Zukunft wird sich der Fokus daher zu unüberwachtem Lernen verlagern, denn man muss und wird zwangsläufig mit rohen Daten Erfolge erzielen. Dennoch gibt es etliche Problemstellungen, die sich bereits mit heutigen Methoden lösen lassen.

«Vor allem KMUs 
haben Mühe, AI 
produktiv einzusetzen.»

Der konkrete Anwendungsfall und der Mehrwert
AI-Projekte unterscheiden sich von Softwareprojekten. Der Unterschied liegt vor allem in der «Erwartung». Der grösste und unmittelbare Mehrwert von AI-Projekten liegt im besseren Verständnis der eigenen Daten und des eigenen Business. Mit diesem Verständnis kann man neue Wege ableiten, um das Kundenerlebnis zu verbessern und das eigene Business zu optimieren. Dabei geht man experimentell und iterativ vor, so dass der benötigte Zeitaufwand und das Resultat zu Beginn schwer abschätzbar sind. Der Weg zum operativen Einsatz von AI führt über schnelle Prototypen und die Verbindung von Technischem mit Domain-Know-how.

Dieses datengetriebene und iterative Vorgehen benötigt 
Spezialisten, die neue spezifische Fertigkeiten mitbringen:
«Storage & Data Ingestion» Data Engineers kümmern sich darum, dass Daten aus verschiedenen Quellen vereint und verarbeitet werden können.
«Data Science» Datenwissenschaftler kümmern sich um die Analyse der Daten und wissen, welche Methoden für welche Probleme geignet sind. Zudem bauen und trainieren sie die 
AI-Modelle.

«Machine Learning Engineering» Machine Learning Engineers kümmern sich um die Automatisierung der Abläufe, sie erstellen Daten-Pipelines und definieren Service-Architekturen für die AI-Modelle. «Deployment & Serving» Cloud- und DevOps-Engineers kümmern sich darum, die Modelle in den produktiven Betrieb zu überführen und zu überwachen.

Aufgrund der hohen Anforderungen und starken Spezialisierung scheuen Unternehmen oft die Kosten, um solche Teams aufzubauen. Häufig wird mit einer holistischen Sicht auf die Daten begonnen. Stichwort: Data-Lakes. Das Thema Datensammlung ist aus Date-Warehouse- und BI-Projekten bereits vertraut. Dieser Ansatz ist sicher richtig, um Daten im gesamten Unternehmen zugänglich zu machen. Um aber maschinelles Lernen erfolgreich darauf anzuwenden, braucht es mehr. Ergänzen kann man das interne Wissen sehr gut auch mit externen Experten.

Bei ti&m haben wir auch mit einem anderen, der Innovationsförderung entsprungenem Ansatz, ebenfalls sehr gute Erfahrungen gemacht: nutzerzentriertes Denken mit Design-Thinking. Dazu haben wir ein spezifisches Programm entwickelt, bei welchem der Prozess umgedreht wird und wir beim Use-Case starten, statt bei den Daten. Nach nur drei Tagen «AI-Kickstart» wissen Sie, wie Sie AI konkret nutzen können, um Kundeninteraktion neu zu denken und das eigene Business zu optimieren.


Pascal Wyss
Pascal Wyss

Pascal Wyss hat seine Karriere als Software-Entwickler in
der Finanzindustrie begonnen. Nach 8 Jahren wechselte er
zum Consultant für Digitalisierung und half Unternehmen, ihre
Services und Produkte auf die Bedürfnisse der digitalen Kunden
auszurichten. Seit 2019 leitet er das AI Competence Center bei ti&m.

Karsten Burger
Karsten Burger

Seit 2014 ist Karsten Burger Head Innovation Hosting bei ti&m. Seine IT-Karriere widmet er hauptsächlichen den Themen Infrastruktur, Betrieb und Cloud.