Neulich unterhielt ich mich mit der Inhaberin meiner Lieblingsbäckerei. Wie aus dem Nichts fragte sie mich, wie künstliche Intelligenz (KI) ihr Geschäft ankurbeln könnte. Eigentlich war sie etwas genauer: Wie könnte KI ihr Marketing automatisieren? Ich war überrascht. Ich hätte nie gedacht, dass sie mich so etwas fragen würde.
Es liegt in der Natur unseres Geschäfts bei Aliz, dass wir uns jeden Tag mit KI oder genauer gesagt mit ML (Machine Learning) beschäftigen. Wir sprechen darüber, lernen darüber oder arbeiten damit. Dennoch war es überraschend, dass das kleine Unternehmen, das ich fast jeden Tag besuche, sich für das Thema aus einer anderen Perspektive als der von selbstfahrenden Autos und Robotern interessierte. An diesem Punkt dachte ich mir: Entweder ändert sich jetzt etwas Grundlegendes oder wir haben die Spitze eines Hype-Zyklus erreicht. Als ich die Bäckerei verließ, dachte ich immer wieder darüber nach, warum ich überrascht war.
Ich sage Unternehmen jeden Tag, dass maschinelles Lernen in der Wirtschaft die Art und Weise, wie Unternehmen heute arbeiten, verändern wird, daher sollte mich das eigentlich nicht so sehr überraschen. Was mich wirklich zum Nachdenken gebracht hat, war nicht, dass maschinelles Lernen in der Wirtschaft in dem Gespräch zur Sprache kam. Vielmehr waren ihre Fragen, falschen Vorstellungen und Erwartungen ähnlich wie bei anderen Diskussionen, die wir mit milliardenschweren Unternehmen wie Banken, Telekommunikationsunternehmen und Fluggesellschaften führen.
Als ich nach Hause kam, begann ich zu untersuchen, was KI und ML wirklich sind. Warum verändern sie die Art und Weise, wie wir Geschäfte machen, und sind nicht nur ein Hype? Wie können sie automatisieren und die Investitionsrendite (ROI) steigern? Um sich auf die Zukunft vorzubereiten, ist es wichtig zu verstehen, wo ML in einem Unternehmen - egal wie groß oder klein es ist - eingesetzt werden kann. Unabhängig davon, ob das Ziel Wachstum, bessere Erfahrungen oder Automatisierung ist, können alle Unternehmen von den technologischen Fortschritten der letzten Jahre profitieren.
Ein weit verbreiteter Irrglaube ist, dass KI eine Art Technologie ist. In Wirklichkeit ist es nur ein Schlagwort, keine Lösung. Das Konzept gibt es seit den 1960er Jahren, und es hat sich seitdem nicht wirklich viel verändert. Wir verwenden den Begriff KI, um die fortschrittlichsten verfügbaren Technologielösungen zu bezeichnen.
Es ist nicht das erste Mal, dass sich Investoren, Unternehmen und die Menschen im Allgemeinen für dieses Konzept begeistern. Es gab bereits mehrere Hype-Zyklen, die so weit gingen, dass das Konzept eines "AI-Winters" geboren wurde. Ähnlich wie bei einem nuklearen Winter handelt es sich dabei um eine starke globale klimatische Abkühlung, die nach einem Feuersturm auftritt. Der Feuersturm bezieht sich auf den übermäßig positiven Enthusiasmus darüber, wie die KI die Welt verändert. Die Abkühlung bezieht sich auf die Enttäuschung, die die Menschen erleben, wenn sie erkennen, dass der grundlegende Wandel, den sie erwartet haben, wieder ausgeblieben ist. Aber wie die meisten bitteren Erinnerungen verschwindet die Enttäuschung mit der Zeit und eine neue "revolutionäre Technologie" oder Idee entfacht den Hype und alles beginnt von vorne. Dass die Erwartungen nicht erfüllt werden, ist das Ergebnis einer Mischung aus verschiedenen Faktoren. Das Scheitern der künstlichen Intelligenz ist ähnlich wie das Scheitern von Dingen wie dem Überschallflug, der anfangs die Welt verändern sollte. Wir können es auf einen Hauptgrund eingrenzen. KI ist nie wirklich in die gängigen Geschäftsprozesse eingedrungen. Sie hat den Umsatz meiner Bäckerei, meines Telekommunikationsunternehmens oder meiner Bank nicht gesteigert. Die meisten Anwendungsfälle konzentrierten sich auf futuristische und weit entfernte Anwendungen wie selbstfahrende Autos und Naturwissenschaften.
Die der KI zugrundeliegenden Technologien, wie ML, waren traditionell teuer, arbeitsintensiv und sehr, sehr schwer zu implementieren. Noch vor einigen Jahren war eine angemessene Kundensegmentierung unter Verwendung von Deep-Learning-Algorithmen extrem schwierig und kostspielig. Selbst teilweise erfolgreiche Projekte führten zu einem negativen ROI. In den letzten 40 Jahren ist jeder, der versucht hat, etwas mit ML zu machen, auf die gleichen Hindernisse gestoßen. Zum Beispiel nicht genügend Rechenleistung und die Schwierigkeit der Codierung aufgrund des Fehlens geeigneter Frameworks und der Abstimmung der Hyperparameter. Aus diesem Grund blieben ML und KI Spielzeuge, die ausschließlich von Institutionen, Regierungen und dem Militär genutzt wurden.
Die letzten Jahre haben dramatische Veränderungen mit sich gebracht. Unter der Führung von Google haben die großen Technologieunternehmen begonnen, ihre Technologie und Rechenleistung im Rahmen ihrer Cloud-Dienste zu demokratisieren. Dies hat der Verbreitung von ML im Mainstream-Geschäft einen enormen Schub gegeben. Dieselbe Technologie, die hinter der Vorhersage unserer Suchbegriffe und der Erkennung von Personen und Objekten auf Bildern steckt, ist nun für jedermann verfügbar. Und wenn ich sage "jeder", dann meine ich jeden, von meiner Bäckerei über mein Telekommunikationsunternehmen bis hin zu meiner Bank. Wir alle haben Zugang zu einer unglaublichen Rechenleistung und zu Modellen, die auf der Grundlage von Tausenden von Petabytes an Daten und Investitionen in Höhe von mehreren Milliarden Dollar trainiert wurden. Was in der Vergangenheit manuelle Arbeit war, bei der ein Heer von Datenwissenschaftlern mit Versuch und Irrtum beschäftigt war, ist jetzt eine automatisierte Optimierung. Automatisierte Optimierung in einem relativ leicht zugänglichen Bündel von Rechenleistung, Codier-Frameworks und Cloud-Diensten.
Google Tensorflow ist das erste sehr erfolgreiche ML-Framework, das Algorithmen demokratisiert, die im verteilten Modus auf Teilmengen von Daten parallel laufen können. Dies ist eine wesentliche Voraussetzung für die Skalierung von ML auf die heutigen Datengrößen. Auf der Seite der Datenverarbeitung hat die Hardware mit dem neuen Paradigma des Deep Learning Schritt gehalten. An die Stelle von Merkmalen, die von Menschen aus Rohdaten herausgearbeitet wurden, treten die Rohdaten selbst, die dem Computer zur Verfügung gestellt werden. Die Hürden für den Einstieg in das Deep-Learning-Paradigma sind jetzt niedriger, auch aufgrund von Hyperparameter-Abstimmungsdiensten wie Google Cloud ML Engine, die bei der Suche nach dem bestmöglichen ML-Modell helfen.
Das klingt alles sehr schön, aber in den meisten Fällen gibt es leider immer noch Hindernisse. Entweder gibt es nicht genügend Daten oder die Daten sind nicht richtig organisiert oder gesammelt. Oder sie haben nicht das richtige Format, das die Algorithmen verwenden können. Unabhängig davon, welches Ziel mit der Einführung eines ML-Projekts verfolgt wird, müssen wir uns zunächst ein paar Fragen stellen:
Sie sind nicht leicht zugänglich oder aufgrund von Skalierbarkeitsproblemen nicht relevant. Dieses Diagramm zeigt, dass es ohne eine angemessene Datendisziplin unmöglich ist, aus dem unteren Quadranten auszubrechen. Das Beste, was Sie erreichen können, ist zu verstehen, was in der Vergangenheit passiert ist. Sie werden jedoch nicht in der Lage sein, die Zukunft zu automatisieren oder vorherzusagen. Weitere Informationen über Data Warehousing und seine Bedeutung finden Sie in unserem Artikel: 5 gute Gründe für den Wechsel zu einem Cloud-basierten Data Warehouse.
Der Einsatz von ML beginnt, wenn man in der Lage ist, mehr als nur zu verstehen, was in der Vergangenheit passiert ist. Um dorthin zu gelangen, bedarf es einiger Arbeit. In den meisten Fällen ist es eine Frage des Engagements, die Arbeitsweise des Unternehmens zu ändern. Die Einrichtung der richtigen Datendisziplin ist die Grundlage für ML. Die gute Nachricht ist, dass dies mit Tools wie Bigquery und Dataflow von Google nicht gleich ein Millionenprojekt sein muss. In den nächsten Beiträgen gehe ich auf aktuelle ML-Anwendungen ein und zeige, wie sie den ROI für Unternehmen steigern können.
Der Schwerpunkt liegt dabei auf dem Verständnis und der Segmentierung von Kunden, um eine genauere Zielgruppenansprache zu erreichen, was letztendlich zu besseren Kundenerlebnissen führt. Möchten Sie mehr erfahren? Sehen Sie sich unsere Lösungen an und erfahren Sie mehr über unsere Cloud-basierten Machine-Learning-Projekte.
