Aus dem Unterricht Artificial Intelligence 2019 berichtet Marco Ruh
Artificial Intelligence 2019 (AI) ist die neue Technologien der Gegenwart, welche neue Geschäftsmodelle ermöglicht. Problematisch für viele Unternehmen ist, dass die Geschäftsleitung teilweise wenig Verständnis und Know-How im Data-Management und IT-Bereich mitbringt, und somit neue Möglichkeiten weder erkennt noch Entwicklungen vorantreibt. Klar ist, dass es den Weg zurück schon nicht mehr gibt: denn Software regiert schon längst unseren Alltag. Dies zeigt allein schon das Ranking der weltweit wertvollsten Firmen. Befand sich im Jahre 2001 Microsoft als einziges Techunternehmen unter den Top 5, überherrschten 2019 Microsoft, Amazon, Apple, Alphabet und Facebook die ersten fünf Plätze.
Was ist Artificial Intelligence (AI)?
Artificial Intelligence (AI) ist gleichzeitig Zukunft und bereits lange Bestandteil unseres Alltags in Smart Phones, Navigationssystemen und den Empfehlungen in Online Shops.
AI ist der umfassende Begriff, gefolgt von Machine Learning und seit einiger Zeit Deep Learning, das durch die Fähigkeit Katzenbilder im Internet zu erkennen bekannt wurde und die Entwicklung von künstlicher Intelligenz und Machine Learning vorantreibt.
Steigende Rechenkapazitäten und preisgünstig verfügbare Massendatenspeicher ermöglichen die breite Nutzung von AI. Grosse Datenmengen, Big Data werden von künstlicher Intelligenz genutzt, z.B. um bei Facebook Personen auf Bildern zu erkennen.
Das funktioniert über Machine Learning (ML). Dieses Verfahren nutzt einen Algorithmus, um Daten zu analysieren und durch die Daten zu lernen, um dadurch eine Aussage oder Vorhersage zu treffen. Das Machine lernt über die Anwendung des Algorithmus und die grossen Datenmengen selbst und passt den Algorithmus eigenständig an, um immer genauere oder bessere Aus- oder Vorhersagen zu treffen.
Eine Stufe weiter geht das Deep Learning mit künstlichen neuronalen Netzwerken, die sich an den Abläufen im menschlichen Gehirn orientieren. Denkprozesse finden dort über mehrere, nachgelagerte Ebenen und immer neue Vernetzungen auf einer Ebene statt.
Wie baut man ein Maschine Learning Model? – 4,5 Schritte zu AI
Prepare Data:
AI basiert auf Daten – ohne Daten keine Analyse.
Extract Features:
In der immensen Datenmenge gilt es Muster zu erkennen und zu benennen/labeln. Durch menschliches Zutun wird der Start-Algorithmus festgelegt, etwa indem Begriffe und Zusammenhänge definiert werden: das ist ein Tisch, das ist eine Flasche, eine Flasche dient zur Aufnahme von Flüssigkeiten, usw.
Train Model:
Im nächsten Schritt geht es um die Anwendung der Modelle. Ein Algorithmus ist im Grunde eine Regieanweisung. Ein Beispiel ist die Frage: Wie komme ich aus diesem Zimmer hinaus? Oder die Anweisung: Führe mich aus diesem Zimmer hinaus. Ein Algorithmus könnte in diesem Fall lauten: Laufe geradeaus, bei Hindernissen links abbiegen. Die Komplexität von Algorithmen lässt sich dabei beliebig erweitern: Beispiele dafür wären Deep Learning Modelle wie Siri und Google Maps. Wie beim Auto ist es dabei sinnvoll, je nach Bedarf das passende Modell zu wählen. Fahre ich kurz in die Stadt nehme ich den kleinen wendigen Smart, fahre ich nach Italien in die Sommerferien bevorzuge ich den Audi A4.
Evaluate Model:
Wie verhalten sich das Modell und der Algorithmus im Verlauf der Zeit, bleiben sie verlässlich? Um das Modell zu evaluieren werden weitere Datenelemente eingelesen. In unserem Beispiel Wie komme ich aus diesem Zimmer hinaus? war man in drei bis vier Schritten aus dem Schulzimmer. Fügt man z.B. das Datenelement ein, Hier ist ein Tisch, …
Rinse & Repeat:
Kritisch ist der letzte Schritt des Rinse & Repeat, d.h. die Modelle müssen stetig trainiert, korrigiert, betrieben und unterhalten werden. Geschieht das nicht verselbständigt sich das Model und die Betrachtung ist alleine Modell getrieben bzw. Model Driven. Das kann auch nachteilig oder gar schädlich für das anwendende Unternehmen sein. Unter anderem wegen der hohen Aufwendungen für die fortwährende Modellpflege und der Risiken wenden bislang nur wenige Schweizer Unternehmen Machine Learning an.
Was bedeutet Artificial Intelligence 2019 (AI) für Unternehmen
Daten werden Vieles verändern. Es sind bereits viele neue Daten getriebenen Geschäftsmodelle entstanden und es wurden zahlreiche Geschäftsprozesse automatisiert. Vom Supply Chain bis zur Customer Interaction, das Potential ist sehr gross. Hier eine Auswahl von Anwendungsfeldern:
- Supply Chain Monitoring – Assisted Communication
- Execution Automation – Risk Monitoring
- Predictive Analytics – Opportunity Sourcing
- Compliance Automation – Market Insights
- Backoffice Automation – Customer Profiling
- Better Support – Customer Interaction
Der ausschlaggebende Faktor für den langfristigen Unternehmenserfolg ist die Ausschöpfung des vollen Potentials der digitalen Wertschöpfungskette. Die Wahl eines geeigneten Geschäfts- und Betriebsmodells ist entscheidend, um den erfolgreichen Weg in die Zukunft zu ebenen. Dabei wird der Einsatz von AI zu einer weitreichenden Transformation führen, die nicht nur Auswirkung auf einzelne Unternehmen, sondern den gesamten Markt haben.
Fazit
Das technischer Wandel Veränderungen mit sich bringt ist nichts Neues. Die Unmenge an neuen Daten hat zahlreiche neue Geschäftsmodelle und veränderte Geschäftsprozesse mit sich gebracht und wird dadurch auch in Zukunft einen grossen Einfluss auf Unternehmen haben.
Die Digitalisierung und insbesondere AI stehen noch ganz am Anfang und das Potenzial ist sehr gross. Unabdingbar für die Zukunft von Unternehmen ist, dass sich die Verantwortlichen beim Entwickeln neuer Geschäftsmodelle mit dieser Materie auseinanderzusetzen. Dabei kann durchaus die Devise gelten: Weniger ist mehr. Besser mit kleinen, überschaubaren Schritten beginnen als den Anschluss gänzlich zu verpassen.
Quellen:
HWZ The Power of Big Data. Abgerufen von https://www.hwzdigital.ch/the-power-of-big-data/ am 26.11.2019
PWC Big Data Bedeutung Nutzen Mehrwert, Abgerufen von: https://www.pwc.de/de/prozessoptimierung/assets/pwc-big-data-bedeutung-nutzen-mehrwert.pdf am 26.11.2019
