AI for leaders

AI for leaders

KI für Leader

Keiner Technologie wird heutzutage so viel Potenzial zugesprochen wie der künstlichen Intelligenz (KI). Schon vor Jahren haben Topmanagment-Beratungen die Auswirkungen von KI auf die Weltwirtschaft untersucht.

In the aggregate, and netting out competition effects and transition costs, AI could potentially deliver additional economic output of around $13 trillion by 2030 [...]
For example, BCG estimates that AI could help the top ten banks generate an additional $150 billion to $220 billion in annual operating earnings.
AI could contribute up to $15.7 trillion to the global economy in 2030 [...]

Es nicht verwunderlich, dass solche Aussagen Aufmerksamkeit erregen. Warum sprechen Studien der künstlichen Intelligenz einen voraussichtlichen wirtschaftlichen Beitrag in Höhe von mehreren Billionen zu? Welche Anwendungsfälle existieren? Wie kann der Trend in den Unternehmensalltag integriert werden? 

Deswegen ist es für Führungskräfte wichtiger denn je eine grundlegende Expertise in diesem Bereich aufzubauen – genau zu verstehen was für Potenziale, aber auch was für Limitierungen existieren. Dieser Blogartikel hat das Ziel, ein gewisses Maß an Verständnis zu vermitteln, auf dessen Basis erste Entscheidungen getroffen werden können.

Künstliche Intelligenz oder maschinelles Lernen?

Künstliche Intelligenz ist ein häufig genutzten Schlagwort. Oft ist es der Aktualität wegen auf einer PowerPoint-Präsentation zu finden oder in einem Strategiepapier erwähnt. Doch Fakt ist, wir wissen weder wie künstliche Intelligenz aussieht, noch aus welchen Grundbausteinen diese besteht.

Trotzdem wird oft von heute existierenden Möglichkeiten der KI gesprochen. Grund dafür ist, dass künstlichen Intelligenz oft als Synonym für das maschinelle Lernen genutzt wird. Dabei ist maschinelles Lernen nur einer von potenziell vielen Grundbausteinen der KI (vgl. Abbildung 1).

Diese Mehrdeutigkeit ist nicht weiter schlimm. Jedem sollte aber bewusst sein, dass, wenn in der heutigen Zeit von künstlicher Intelligenz gesprochen wird, in den meisten Fällen das maschinelle Lernen gemeint ist. Dies gilt übrigens auch für die oben aufgezeigten Veröffentlichungen und Studien von McKinsey, BCG & Co.

Abbildung 1: Potenzielle Grundbausteine der KI. Quelle: www.data-science-blog.com

Künstliche Intelligenz ist ein häufig genutzten Schlagwort. Oft ist es der Aktualität wegen auf einer PowerPoint-Präsentation zu finden oder in einem Strategiepapier erwähnt. Doch Fakt ist, wir wissen weder wie künstliche Intelligenz aussieht, noch aus welchen Grundbausteinen diese besteht.

Trotzdem wird oft von heute existierenden Möglichkeiten der KI gesprochen. Grund dafür ist, dass die künstlichen Intelligenz oft als Synonym für das maschinelle Lernen genutzt wird. Dabei ist maschinelles Lernen nur einer von potenziell vielen Grundbausteinen der KI (vgl. Abbildung 1).

Abbildung 1: Potenzielle Grundbausteine der KI. Quelle: www.data-science-blog.com

Diese Mehrdeutigkeit ist nicht weiter schlimm. Jedem sollte aber bewusst sein, dass, wenn in der heutigen Zeit von künstlicher Intelligenz gesprochen wird, in den meisten Fällen das maschinelle Lernen gemeint ist. Dies gilt übrigens auch für die oben aufgezeigten Veröffentlichungen und Studien von McKinsey, BCG & Co.

Das maschinelle Lernen

Abbildung 2: Vergleich von regelbasierten Systemen und dem maschinellen Lernen.

Dem maschinellen Lernen stehen traditionellere regelbasierte Methodiken gegenüber. War in der Vergangenheit eine datenbasierte Aufgabe zu lösen, wurden in einem ersten Schritt Regeln aufgestellt. Regeln, die im Voraus mit viel Verständnis erschlossen wurden und von denen man sich ein gutes Ergebnis erhofft hat.

Ist die Schwierigkeit der Aufgabe überschaubar, ist dieser Ansatz in keinster Weise verkehrt und kann zu guten Resultaten führen. Jedoch besitzen die meisten in der Realität vorkommenden Anwendungsfälle eine so hohe Komplexität, dass regelbasierte Syteme schnell an ihre Grenzen stoßen. Bekannte Beispiele sind das Lösen von logischen Spielen wie Schach oder Go, Bilderkennung und die Analyse von Texten (NLP).

Für solch komplizierte Anwendungsfälle wurde das maschinelle Lernen entwickelt. 

Die grundlegende Idee ist, nicht mehr die Regeln im Voraus mühsam aufstellen zu müssen, sondern die Regeln anhand von Beispielen automatisch zu erlernen.

Die gewählten Beispiele spiegeln dabei die erwarteten Ergebnisse wieder. Dieser Prozess wird auch oft als Training bezeichnet. In einem zweiten Schritt können die automatisch erlernten Regeln für das Lösen der Aufgabe auf Basis unbekannter Daten verwendet werden.

Nehmen wir zur Verbildlichung ein prädestiniertes Beispiel: Der Unterscheidung von Katzen- und Hundebildern. Mit traditionellen Methoden müssten zuerst alle nötigen Regeln aufgestellt werden. Katzen sind vielleicht oft kleiner, besitzen anderes Fell, keine ausgeprägte Schnauze, die Ohren sind spitzer, die Augen runder… Doch sind diese Regeln ausreichend? Wie viel runder sind die Augen und wie viel spitzer sind die Ohren wirklich? Was ist, wenn unter Umständen nur bestimmte Kombinationen der Regeln eindeutige Entscheidungen zulassen?

Mithilfe von maschinellen Lernen wird diese Regelfindung hinfällig. Stattdessen werden für den Trainingsprozess Bilder von Hunden und Katzen als Beispiele verwendet und dadurch die hochkomplexe Diskriminierung zwischen Beiden automatisch erlernt.

Auch wenn die Unterscheidung zwischen Katzen und Hunden eher wie ein unrealistischer Anwendungsfall wirkt, kann die gleiche Logik auf beliebige andere Prozesse übertragen werden. Von der Vorhersage von Preisen im Aktienmarkt, basierend auf den Kursschwankungen der letzten Tage, bis hin zur Klassifikation von Bestelltexten zur korrekten Zuordnung von Warengruppen.    

Neuronale Netzwerke

Für das Lernen der Regeln wurden verschiedene Ansätze entwickelt. Einer dieser Ansätze sind Neuronale Netzwerke.

Ein Neuronales Netz ist, einfach ausgedrückt, eine Funktion mit vielen Parametern, welche in der Form von Verknüpfungen zwischen Neuronen bestehen.

Während des Trainings passen sich die Parameter so an, dass die für das Training gegebenen Beispiele bestmöglich beschrieben werden. Die Verbindungen in dem Netz werden also in einer Art und Weise gewichtet, dass sich die Regeln ergeben, die sonst manuell hätten aufgestellt werden müssen.

Nachvollziehen kann man die Regeln aber leider nur sehr schwer, da die Komplexität der Anwendungsfälle und die Anzahl der Verbindungen in einem Netzwerk meist sehr hoch ist. Deswegen werden Neuronale Netzwerke auch oft als Black Box bezeichnet, in die man nicht hineinschauen kann.

neuronales_netz
Abbildung 3: Darstellung eines künstlichen neuronalen Netzes. Quelle: www.machine-learning-blog.de

Während des Trainings passen sich die Parameter so an, dass die für das Training gegebenen Beispiele bestmöglich beschrieben werden. Die Verbindungen in dem Netz werden also in einer Art und Weise gewichtet, dass sich die Regeln ergeben, die sonst manuell hätten aufgestellt werden müssen.

neuronales_netz
Abbildung 3: Darstellung eines künstlichen neuronalen Netzes. Quelle: www.machine-learning-blog.de

Nachvollziehen kann man die Regeln aber leider nur sehr schwer, da die Komplexität der Anwendungsfälle und die Anzahl der Verbindungen in einem Netzwerk meist sehr hoch ist. Deswegen werden Neuronale Netzwerke auch oft als eine Black Box bezeichnet in die man nicht hineinschauen kann.

Anwendungsfelder

Die Anwendungsfelder für maschinelles Lernen sind riesig. Die grundlegende Voraussetzung ist lediglich eine brauchbare und aussagekräftige Datenbasis, auf welcher z.B. Neuronale Netzwerke trainieren können.

Neben den schon oben erwähnten bekannten Bereichen, wie der Bilderkennung und der Analyse von Texten, gibt es eine Vielzahl weiterer Anwendungsfelder, die insbesondere für Unternehmen spannend sind.

Dazu gehört ganz besonders die Automatisierung von Geschäftsprozessen. Daten werden von Unternehmen schon seit einiger Zeit gesammelt, aber oft noch nicht effizient genutzt. Genau diese Datenstrukturen kann man sich mithilfe des maschinellen Lernens zu eigen machen, um Prozesse beispielsweise durch automatisierte Klassifikationen zu unterstützen.

Aber auch abseits von Prozessen kann maschinelles Lernen Mehrwert generieren. Ein oft unterschätzter Anwendungsfall stellt die Bereinigung von initialen Daten dar, welche sonst nur mit enormen manuellem Aufwand möglichen wäre.

Limitierung des maschinellen Lernens

Neben großen Potenzialen gibt es, wie bei jeder anderen Technologie auch, Limitierungen. Für eine detailliertes Verständnis aller Limitierungen ist nicht nur technisches Know-how, sondern auch Erfahrung nötig. Dennoch gibt es bestimmte Punkte, die zur Orientierung dienen können. 

Als guter Startpunkt kann ein Post von Allie K. Miller dienen, die in einer sehr klaren und einfachen Art und Weise viele von diesen Punkten adressiert.

Klicken Sie auf den unteren Button, um den Inhalt von www.linkedin.com zu laden.

Inhalt laden

Was ist zu tun?

Die KI ist einer der Schwergewichte unter den heutigen Technologien. Das Potenzial scheint noch keine Grenzen zu kennen. Die Möglichkeiten sind extrem vielfältig. Besonders Letzteres macht es schwer, genaue Anwendungsfelder im eigenen Unternehmen zu identifizieren.

Daher ist es für Unternehmen besonders wichtig, schnell eigene Erfahrungen zu sammeln und nicht den Anschluss zu verlieren.

Ein früher Einstieg in die künstliche Intelligenz kann nach Meinung von kiresult noch eine Vorreiterrolle bewirken und ein Unternehmen langfristig von der Konkurrenz abheben lassen.