Digitale Transformation 12.12.2017, 10:21 Uhr

Machine Learning auf dem Vormarsch: Wie Unternehmen davon profitieren können

Exklusiv: Amazons CTO Werner Vogels beleuchtet in seiner Kolumne die Facetten der digitalen Transformation. Heute erklärt er, was mit künstlicher Intelligenz und maschinellem Lernen schon möglich ist und wo es noch Potenzial gibt.
Werner Vogels ist CTO bei Amazon.com 
(Quelle: Amazon)
Wann eine Technologie ihren Durchbruch erfahren hat, weiss man oft erst im Nachhinein. Bei der Künstlichen Intelligenz (KI) und dem Maschinellen Lernen (ML) ist es anders. ML ist der Teil der KI, der Regeln beschreibt und Muster in grossen Datenmengen erkennt, um auf der Basis künftige Daten zu prognostizieren. Beide Begriffe sind allgegenwärtig und nehmen in den Buzzword-Rankings Spitzenplätze ein.
Ich persönlich denke, dass es nie eine bessere Zeit gab, um intelligente Anwendungen zu entwickeln und sie zu nutzen, als heute – und das steht klar im Zusammenhang mit dem Durchbruch von KI und ML. Warum? Weil drei Dinge zusammenkommen:
Erstens: Überall auf der Welt erfassen Nutzer heute die Daten digital, sei es beispielsweise in der physischen Welt über Sensoren oder GPS, oder online über Click-Verläufe. Damit verfügen wir über eine kritische Masse an Daten. Zweitens sind in der Cloud genügend bezahlbare Rechenkapazitäten vorhanden, so dass Unternehmen und Organisationen jeder Grösse intelligente Anwendungen nutzen können. Und drittens hat eine «algorithmische Revolution» stattgefunden. Wir sind in der Lage, Billionen von Algorithmen gleichzeitig zu trainieren und den Prozess des ML massgeblich zu beschleunigen. Auf diese Weise können wir mehr Forschung betreiben und eine «kritische Masse» an Wissen aufbauen, das nötig ist, um ein exponentielles Wachstum bei der Entwicklung neuer Algorithmen und Architekturen anzustossen.
Wir sind heute beim Thema KI relativ weit – allerdings kam der Fortschritt leise. In den vergangenen 50 Jahren waren KI und ML Felder, die nur einem exklusiven Kreis an Forschern und Wissenschaftlern zugänglich waren. Das ändert sich gerade. Heute sind KI und ML als Pakete von Diensten, Frameworks und Werkzeugen für alle möglichen Unternehmen und Organisationen verfügbar, auch für diejenigen, die keine speziellen Forschungsteams in diesem Feld haben. Die Unternehmensberatung McKinsey erwartet, dass der globale Markt für KI-basierte Services, Software und Hardware jährlich um 15 bis 25 Prozent wächst und im Jahr 2025 ein Volumen von rund 130 Milliarden US-Dollar erreicht.
Eine Reihe von Startups nutzen KI-Algorithmen für alles Mögliche – um Tumore in medizinischen Aufnahmen zu suchen, Menschen beim Erlernen von Fremdsprachen zu helfen, oder die Schadensbearbeitung bei Versicherungen zu automatisieren. Gleichzeitig entstehen auch ganz neue Kategorien von Anwendungen, bei denen eine natürliche Konversation zwischen Mensch und Maschine in den Vordergrund rückt.

Fortschritt durch Maschinelles Lernen

Ist der Hype um KI und ML überhaupt gerechtfertigt? Unbedingt, denn sie bieten Wirtschaft und Gesellschaft faszinierende Möglichkeiten. Dank Digitalisierung und Hochleistungsrechnern können wir die menschliche Intelligenz in einigen Bereichen wie dem «Sehvermögen» von Computern nachahmen und sogar übertreffen. Wir schaffen inzwischen vielfältigste Algorithmen für eine Vielzahl von Anwendungsgebieten und machen aus diesen Einzelteilen Dienste, so dass ML für jedermann verfügbar ist. Verpackt in Anwendungen und Geschäftsmodelle hilft ML dabei, unser Leben angenehmer oder sicherer zu machen. Beispiel autonomes Fahren: 90 Prozent der Autounfälle in den USA gehen heute auf «menschliches Versagen» zurück. Man geht davon aus, dass sich die Zahl der Unfälle langfristig reduziert, wenn Fahrzeuge autonom fahren. In der Luftfahrt ist das längst Realität.

Digitale Revolution

Die MIT-Vordenker Erik Brynjolfsson und Andrew McAfee sagen voraus, dass der gesamtwirtschaftliche Effekt des sogenannten zweiten Maschinenzeitalters («second machine age») vergleichbar sein wird mit dem, was einst die Dampfmaschine bewirkte, als sie die menschliche Muskelkraft ersetzte («first machine age»).
Viele fühlen sich unwohl bei dem Gedanken, dass es eine künstliche Intelligenz neben der menschlichen gibt. Das ist verständlich. Parallel zur technologischen Entwicklung müssen wir deshalb darüber diskutieren, wie Mensch und KI künftig nebeneinander bestehen können, welche moralischen und ethischen Aspekte die Entwicklung nach sich zieht, wie wir sicherstellen, dass wir die KI im Griff behalten, und welche gesetzlichen Rahmenbedingungen wir brauchen, um die Entwicklung zu steuern. Diese Fragen zu beantworten, wird ebenso wichtig sein, wie die Anstrengung, technologische Herausforderungen zu lösen. Hier helfen weder Dogmen noch Ideologien. Es braucht stattdessen eine sachliche Debatte auf breiter Ebene, die das gesellschaftliche Wohl als Ganzes im Blick hat.

Maschinelles Lernen bei Amazon

In den vergangenen 20 Jahren haben Tausende von Software-Ingenieuren bei Amazon am Thema «Maschinelles Lernen» gearbeitet. Wir wagen zu behaupten, dass wir das Unternehmen sind, das KI und ML am längsten als Business Technologie einsetzt. Wir wissen, dass innovative Technologien immer dann Fahrt aufnehmen, wenn Eintrittsbarrieren für Marktteilnehmer sinken.
Das ist aktuell der Fall bei KI und ML. Wer früher KI für sich nutzen wollte, musste ganz vorne anfangen: Algorithmen entwickeln und diese mit enormen Mengen von Daten füttern – selbst wenn er später eine Anwendung benötigt, die auf einen ganz bestimmten Kontext begrenzt ist. Man spricht hier von sogenannter «schwacher» KI. Viele der Kundenschnittstellen, die uns heute vertraut sind, wie Empfehlungen, Ähnlichkeiten, oder Autofill-Funktionen bei Suchmaschinen, basieren bereits auf Maschinellem Lernen. Inzwischen können wir auch Lager- und Lieferzeiten prognostizieren, voraussagen, wo Kunden Probleme haben könnten und daraus automatisiert ableiten, wie sie zu lösen sind. Wir entdecken Produktfälschungen, sortieren automatisch unzulässige Produktbewertungen aus und schützen unsere Kunden vor Betrug. Und das ist nur die Spitze des Eisbergs. Bei Amazon stehen uns Milliarden von Daten zu Bestellvorgängen der Vergangenheit zur Verfügung. Diese können wir einsetzen, um weitere KI/ML-basierte Modelle mit vielen verschiedenen Funktionalitäten zu entwickeln. Zum Beispiel Programmierschnittstellen, die Entwickler zur Analyse von Bildern, dem Umwandeln von Text in Sprache oder zur Erstellung von Chatbots nutzen können. Aber letztendlich werden auch alle fündig, die selbst Modelle definieren, trainieren und skalieren wollen. So gibt es vorkonfigurierte und aufeinander abgestimmte Bibliotheken und Deep Learning Frameworks, die es jedem ermöglichen, sehr schnell damit loszulegen.
Unternehmen wie Netflix, Nvidia, oder Pinterest nutzen unsere Fähigkeiten für ML und Deep Learning. In einer Art Ökosystem bilden sich mehr und mehr Schichten, an denen Unternehmen und Organisationen ihr Geschäft andocken können – je nachdem wie tief sie selbst in die Materie eintauchen wollen und können. Entscheidend sind die Offenheit der Schichten und die verlässliche Verfügbarkeit der Infrastruktur. Früher waren KI-Technologien so teuer, dass es sich kaum lohnte, sie einzusetzen. Heute sind KI und ML-Technologien von der Stange verfügbar; man kann sie nach individuellem Bedarf abrufen. Sie bilden die Grundlage für neue Geschäftsmodelle. Selbst Anwender, die keine KI-Spezialisten sind, können die Bausteine sehr einfach und kostengünstig in eigene Services einbauen. Gerade kleine und mittelgrosse Unternehmen mit Innovationskraft können profitieren. Sie müssen keine komplexen ML-Algorithmen und Technologien erlernen und können ohne hohe Kosten experimentieren.

Wer Nachfrage prognostizieren kann, plant effizienter

Eines der am weitesten fortgeschrittenen Anwendungsgebiete ist der E-Commerce. KI-gestützte Auswahlmechanismen helfen Unternehmen, die Entscheidung ihrer Kunden von Komplexität zu befreien. Am Ende geht es um Kundenzufriedenheit. Wenn es nur drei Sorten von Zahnpasta gibt, kann der Kunde leicht eine auswählen und fühlt sich gut dabei. Wenn über 50 angeboten werden, wird die Auswahl kompliziert. Man muss sich entscheiden, ist sich aber nicht sicher, ob die Entscheidung die richtige ist. Je mehr Möglichkeiten, desto schwieriger wird es für den Kunden. Unsere bekanntesten Algorithmen stammen aus diesem Bereich: Das Filtern von Produktvorschlägen basierend auf bisherigen Käufen von Produkten mit ähnlichen Attributen oder auf dem Verhalten von anderen Kunden, die sich für ähnliche Dinge interessierten.
Seit 2004 ist der niederländische Informatiker bei Amazon.com tätig 
(Quelle: Amazon)
Zur Zufriedenheit des Kunden trägt natürlich auch gleichbleibende Qualität bei. Intelligente Unterstützung macht hier Anbietern und Kunden das Leben leichter. Für Amazon Fresh haben wir beispielsweise Algorithmen entwickelt, die lernen, wie frische Lebensmittel aussehen müssen, wie lange dieser Zustand anhält, und wann Lebensmittel nicht mehr verkauft werden sollten. Fluglinien oder Transportdienstleister auf der Schiene könnten diese ebenfalls für Qualitätskontrolle nutzen, indem sie über Bilddaten der Fracht einen Algorithmus laufen lassen, der verdorbene oder beschädigte Ware erkennt und automatisch aussondert.
Im B2B- wie im B2C-Geschäft ist es entscheidend, dass Waren schnell verfügbar sind. Deswegen haben wir bei Amazon Algorithmen entwickelt, die die tägliche Warennachfrage vorhersagen können. Besonders komplex ist das bei Modeartikeln, die es immer in vielen verschiedenen Grössen und Ausführungen gibt und die nur sehr begrenzt nachbestellt werden können. In unser System fliessen z.B. Informationen über Nachfrage der Vergangenheit, aber auch Schwankungen, die bei Saisonware auftreten, der Effekt von Sonderangeboten und die Sensibilität der Kunden bei Preisschwankungen. Heute können wir genau voraussagen, welche Stückzahl von einem Shirt in bestimmter Grösse und Farbe an einem bestimmten Tag verkauft wird. Wir haben diese Aufgabenstellung durchgespielt, und die Technologie auch anderen Firmen als Web Service zur Verfügung gestellt. So profitiert zum Beispiel MyTaxi von unserem ML-basierten Service, um zu planen, welche Kunden zu welchem Zeitpunkt und an welchem Ort ein Fahrzeug benötigen.

Neue Arbeitsteilung

KI kann jedoch mehr als nur Voraussagen treffen. Im Bereich Fulfillment, der für zahlreiche Branchen relevant ist, arbeiten wir an Ideen, wie wir einen weiteren Schritt weg von der tayloristischen Arbeitsgestaltung gehen können. Wer KI in Robotern einsetzt, kann den Menschen von körperlich anspruchsvollen und oft aufreibenden Routinetätigkeiten befreien. Denn «Maschinen» sind sehr gut bei Aufgaben, die für den Menschen kompliziert sind, und übertreffen uns manchmal dabei sogar – etwa für eine Menge von Bestellungen die bestmögliche Route in einem Lager auszurechnen. Mit vermeintlich einfachen Aufgaben ist er dagegen überfordert, zum Beispiel eine Kiste zu erkennen, die nicht im dafür vorgesehenen Regal gelandet ist.
Wie bringen wir das Beste beider Protagonisten zusammen? Indem wir intelligente Roboter von Menschen lernen lassen, die richtigen Waren zu identifizieren, mehrere Aufträge anzunehmen und sich autonom auf der effizientesten Route durch das Lager zu navigieren. Auf diese Weise nehmen den Menschen den ermüdendsten Teil der Aufgabe ab und setzen die Ressourcen stattdessen bei der Interaktion mit dem Kunden ein.

Mehr Platz für Optimismus

Unser Kunde SCDM nutzt diese Grundidee, Ressourcen für «menschliche» Stärken freizusetzen – allerdings in einem völlig anderen Kontext. SCDM ist ein Serviceanbieter, der Banken und Versicherungen bei der Digitalisierung unterstützt: Über KI ermöglicht SCDM seinen Kunden, Dokumente verschiedenster Formate (PDF, Excel oder Fotos) zu klassifizieren, etwa einen Report über die Performance eines Investmentprodukts mit Hunderten von Seiten. Der Algorithmus von SCDM scannt dafür Hunderttausende von Dokumenten gleichzeitig und erkennt, welches Dokument für eine bestimmte Anfrage relevant ist und wo relevante Daten für eine spezifische Aufbereitung, zu finden sind und extrahiert sie aus dem Dokument. Im Ergebnis gibt es beim Analysieren der Zahlen weniger Verzerrungseffekte und Fehler und mehr Zeit für die die menschliche Interaktion mit wichtigen Stakeholdern wie Investoren, Analysten und anderen Kunden.

Maschinelles Lernen in Bildung, Medizin und Entwicklungshilfe

Neben ihrem Potenzial für Dinge wie Effizienz und Produktivität lässt sich ML und KI auch in der Bildung einsetzen. Duolingo, ein Anbieter kostenloser Sprachkurs-Apps, nutzt Text-zu-Sprache Algorithmen, um die Aussprache der Lernenden zu beurteilen und zu korrigieren. In der Medizin unterstützt KI den Arzt bei der Analyse von Röntgen-CT oder MRT-Bildern. Auch die Weltbank nutzt KI, um Infrastrukturprogramme, Entwicklungshilfe und andere Massnahmen künftig zielgerichteter einzusetzen.
Trotz all dieser Entwicklungen stehen viele in Wissenschaft, Wirtschaft und Politik dem Fortschritt von ML und KI kritisch gegenüber. Es gab Warnungen vor einer Superintelligenz, die unsere Zivilisation gefährdet – und diese haben ihre Öffentlichkeitswirkung nicht verfehlt. Doch sollte weder Hysterie noch Euphorie in der öffentlichen Debatte die Oberhand gewinnen. Was wir stattdessen brauchen, ist eine pragmatisch-optimistische Sicht auf die sich abzeichnenden Möglichkeiten.
KI ermöglicht es, in unserer Arbeit von Aufgaben loszuwerden, die unserer Gesundheit schaden oder in denen Maschinen uns überlegen sind. Nicht mit dem Ziel, uns selbst abzuschaffen. Sondern um persönlichen und wirtschaftlichen Freiraum zu gewinnen – für zwischenmenschliche Beziehungen, unsere Kreativität und alles, was eben wir Menschen besser können als Maschinen. Danach sollten wir streben, ansonsten vergeben wir am Ende die wirtschaftlichen und gesellschaftlichen Potenziale, die sich uns eröffnet hätten.
Zur Person
Werner Vogels ist seit 2004 bei Amazon.com tätig und treibt momentan in der Rolle des CTO kundenorientierte Technologievisionen voran.


Das könnte Sie auch interessieren