«Wettbewerbsfähig im Zeitalter der künstlichen Intelligenz»

Christof Zogg hat in seinem Impulsreferat vom 15. September 2022 über Artifical Intelligence gesprochen, darüber warum sich das Business, die Webagenturen und -dienstleister zwingend mit dem Thema auseinandersetzen sollten und auch erklärt, wie sich Machine Learning und Deep Learning voneinander unterscheiden. (Christof Zogg, Head of Business Transformation @Swisscom & Jury Chairman Best of Swiss Web & Apps)

Alem Filli gab einen spannenden Einblick in ein Anwendungsbeispiel aus der Immobilenbranche. Was braucht es um ein Machine-Learning-Modell aufzubauen? Und warum man den Anwendungszweck von Machine Learning verstehen muss, bevor man es in die Realität umsetzen kann. (Alem Filli, Head of Product @ Property Captain )

Wettbewerbsfähig im Zeitalter der künstlichen Intelligenz

Die künstliche Intelligenz ist Fluch und Segen zugleich. Fluch, weil man die immense Datenmenge überblicken und managen muss. Und Segen, weil uns die richtige Handhabe zu Milliardären machen kann.

Riskieren wir einen Blick in das neue Zeitalter und fassen wir die wichtigsten Begriffe einmal hierarchisch zusammen: Artificial Intelligence (AI) steht überdachend als Sammelbegriff. Sie umfasst sämtliche Techniken, die es Computern ermöglichen, menschliche Intelligenz zu imitieren. Machine Learning (AIML) ist ein Teilbereich dem wiederum das Deep Learning untergeordnet ist.

Die Technologie hinter diesem neuronalen Netz lässt sich anhand einer E-Gitarre vereinfacht darstellen. Die E-Gitarre sendet ein Tonsignal an einen Verstärker. Mithilfe der Drehreglern lässt sich das Signal satt oder warm, leise oder laut bearbeiten. Dieser Prozess wird so oft wiederholt, bis der Lautsprecher den besten Klang erzeugt. Machine Learning würde bedeuten, dass der Mensch die Regler bedient. Beim Deep Learning übernimmt die Maschine das Regulieren.

Renaissance Technology

AI gehört längst nicht mehr nur den Data Scientists sondern ebenso in die Hände der Business Leute. Ein Grund, warum sich jeder Unternehmer, jede Managerin mit Daten auseinandersetzen muss, ist die Geschwindigkeit, in der sich der Fortschritt manifestiert.

Das Thema ist nicht neu: Die ältere Generation hat live miterlebt, wie Deep Blue 1996 als erster Rechner den amtierenden Schachweltmeister Garri Kasparov in einer Partie mit Zeitkontrollen besiegt hat. Der Computer war in der Lage, 200 Millionen Züge pro Sekunde vorauszuberechnen. Heute beeindruckt, wie mithilfe grosser Rechenleistung und mit nur zwei, drei Klicks Deep-Fake-Bilder oder Deep-Fake-Videos erstellt werden können.

Überall begegnen uns AI-Modelle in Form von Services wie Gesichtserkennung, Röntgenanalysen, Sprachassistenten oder Übersetzungsdienste. Das alles sind nützliche Dienstleistungen, die wir gerne rege nutzen. Sie steigern wohl die Produktivität – erschliessen aber keine neuen Geschäftsfelder.

Im Grossen denken

Denken wir für einen kurzen Moment über die Moonshot-Projekte von Google hinaus und zielen hoch zu den Sternen, dort, wo die künstliche Intelligenz die menschliche übertrifft – Endstation technologische Singularität. Der technische Fortschritt wäre unaufhaltbar und die künstliche Intelligenz derart beschleunigt, dass die Zukunft der Menschheit nicht mehr vorhersehbar wäre. Die erste Superintelligenz wäre zugleich die letzte Erfindung. Von da an würden Maschinen alle weiteren Erfindungen entwickeln. Abgesehen von einem Nuklearkrieg, der seit dem russischen Einmarsch in die Ukraine wahrscheinlicher geworden ist, wäre eine solche «Machtübernahme» für viele das menschenbedrohlichste Szenario.

Die Machtübernahme liegt (noch) in weiter Ferne. Dennoch: AIML ist weit mehr als Prozessabläufe automatisieren und optimieren. Wir sollten Maschinen und AI nutzen, um höhere Gewinne zu erwirtschaften. Unser Anspruch muss sein, mit Machine Learning Fragen zu beantworten, deren Antworten uns einen klaren Wettbewerbsvorteil bringen.

Das erfolgreichste Beispiel in die richtige Richtung, liefert der amerikanische Mathematiker und Hedgefonds-Manager Jim Simons. Mit seinem Flaggschiff-Hedgefonds «Medallion Fund» ist er zu einem der reichsten Fondsmanager der Welt avanciert. Wie hat er das geschafft? Simmons hat mit mathematischen Methoden Algorithmen entwickelt, welche die Aktienkurse voraussagen. Anfänglich standen lediglich Eröffnungs- und Endkurse zur Verfügung – viel zu wenig Daten für aussagekräftige Prognosen. So wurde von jedem Titel alle fünf Minuten der aktuelle Kurs aufgenommen und junge Mathematiker darauf angesetzt, diese Daten zu verwerten. Zusammen mit der entsprechenden IT sind Maschinenalgorithmen entstanden, die den S&P-Index um ein vielfaches übertroffen haben.

Heute gibt es zahlreiche Firmen, wie beispielsweise der Technologiegigant Facebook, die ohne ML nicht funktionieren. Aber nicht immer entwickeln sich AI-Modelle so erfolgreich. Mitunter ist der Umgang mit Daten auch gefährlich. Zum Beispiel in der Medizin, wo AIML zur Erkennung von Tumorzellen genutzt wird. Überlegungs- und Modellfehler können in der Prognose drastische Folgen haben – oder in der Handhabe ethische Regeln verletzen. Dies gilt es bei aller Euphorie zu bedenken.

Wenn Maschinen Denken lernen

Machine Learning liefert zahlreiche Methoden, bei denen ein Algorithmus selbstständig Strategien erlernt. Beim «Reinforcement Learning», werden Algorithmen so angelernt, dass sie selbstständig Entscheidungen treffen können. Das Computerprogramm erhält zu unterschiedlichen Zeitpunkten Belohnungen, die einen Einfluss auf seine Strategien haben. Das Ziel ist es, Belohnungen innerhalb einer Simulationsumgebung zu maximieren. Das Programm erhält vorab keinerlei Informationen, welche Aktion die vielversprechendste ist, sondern beruht auf dem Ausprobieren vieler möglicher Fälle.

Eine weitere Methode ist das Imitation Learning. Hier werden Algorithmen durch Vormachen und Nachahmen programmiert. Man lässt zum Beispiel einen Algorithmus 100 Stunden Videos von erfolgreichen Autofahrten schauen und setzt die selbstfahrenden Autos anschliessend auf die Strasse. In diesem Bereich wird noch viel möglich sein – ein klarer Auftrag ans Business, sich zu überlegen, in welchen Fragen ein Wettbewerbsvorteil zu holen ist.

Von der Idee in die Produktion

Wer sich der Herausforderung stellen will und nun glaubt, es braucht einzig Daten und ein entsprechendes AI-Modell um aussagekräftige Antworten zu bekommen, wird der Sache nicht gerecht. Denn es reicht nicht, AI-Modelle auf Daten anzuwenden. Wir müssen verstehen warum und für wen wir die Daten erheben. Die neue Datenschutzverordnung, die im September 2023 in Kraft treten wird, birgt zudem hohe Anforderungen an die Datenbeschaffung/Datenverarbeitung. Auch ethische Fragen werden vermehrt im Zentrum stehen.

Der vier-Schritte-Plan:

1. Das eigene Business und die eigene Rolle hinterfragen
2. Fragen identifizieren, die einen Wettbewerbsvorteil bringen
3. Daten aufbereiten, um die Fragen zu klären
4. Ein AI-Modell modellieren/kaufen
5. Monitoring: Wie gut ist das Modell? Und wie verhält es sich in der Produktion?

AI bedeutet nicht, dass menschliche Intelligenz in Zukunft nicht mehr gefragt sein wird. Aber sie ruft in Erinnerung, dass auch die effizienteste Technologie nicht zum Ziel führt, wenn dahinter nicht ein klarer Mehrwert steht.