KI, lohnt sich das?

bei

 / 23. May. 2018

“Internet, lohnt sich das?” Leicht argwöhnisch ziert diese Überschrift das Titelblatt eines Magazins aus den 90er Jahren. Zu finden ist es an der Wand der Räumlichkeiten des CDTMs, einer der erfolgreichsten Münchner Brutstätten für innovative Geschäftsideen, wo es die Gründer von morgen daran erinnern soll nicht jede Expertenmeinung auf die Goldwaage zu legen.

Genau wie damals zu den Anfangszeiten des Internets kämpfen auch heute viele Unternehmen damit, den neuesten Stern am Buzzword-Himmel für sich greifbar zu machen – diesmal den der Künstlichen Intelligenz (KI). Doch obwohl es vielen schwer fällt den richtigen Use-Case oder die beste Anwendung der KI bei sich festzumachen, werden trotzdem nahezu keine Stimmen laut, die die Zukunftsfähigkeit der Technologie grundsätzlich in Frage stellen. Im Gegenteil: oft landet die menschliche Vorstellungskraft bei dem Thema doch allzu schnell am anderen Extrem der Wirksamkeitsstudie. Statt unbedeutender Nichtrelevanz finden wir Dystopien von über-intelligenten Maschinen vor, die das Joch der menschlichen Erfinder abwerfen und nach der Weltherrschaft greifen. Klar, wer Ray Kurzweil’s Bücher liest oder Elon Musk auf Twitter folgt kommt an der bevorstehenden Singularität (dem Zeitpunkt zu dem intelligente Maschinen sich selbst verbessern können) nicht vorbei. Und wer nur kurz seine Assoziationsmaschine anwirft findet sich ohne große Anstrengung (und je nach Generation) wieder bei HAL 9000, Stanley Kubrick’s meuterndem Bordcomputer, Sonny, dem träumenden Roboter aus Will Smith’s “I, Robot” oder einer der Geschichten der Netflix-Show “Black Mirror”, wo “sentient code” regelmässig die Hauptrolle spielt.

Die Fantasie, mit der wir der Künstlichen Intelligenz heutzutage begegnen, liegt letztlich aber nicht nur an der kreativen Kost, die Hollywood uns regelmäßig serviert, sondern auch an den verblüffend lebensnahen Anwendungsbeispielen, die dem aufmerksamen Beobachter in letzter Zeit in immer kürzer werdenden Abständen vor die Füße fallen.

Ein Beispiel: wer die letzte Google I/O, die Entwicklerkonferenz des Suchgiganten, Revue passieren lässt, dem bleibt vor allem eins in Erinnerung: Google Duplex, eine Künstliche Intelligenz, die ganz ohne menschliche Hilfe bei beliebigen Restaurants anrufen und alleine Termine vereinbaren kann – menschliches Ähm und Sprechpausen inklusive. Vom berüchtigten “uncanny valley” keine Spur.

Und auch wenn der Einwand des KI-Experten berechtigt ist, dass die nötigen KI-Modelle auf höchst spezialisierten Datensätzen für genau diese Anwendung trainiert worden sind und wir von KI-Systemen, die bedenkenlos beliebige Telefonunterhaltungen simulieren können, noch weit entfernt sind, sollte sich doch spätestens jetzt jeder Unternehmer, Mittelständler oder Großkonzern fragen: “KI, lohnt sich das?“

Daten sind das neue Öl

Während Andrew Ng, einer der Pioniere des maschinellen Lernens, gerne den Spruch “AI is the new electricity” anführt, muss jede Überlegung zu dieser Fragestellung doch erst mit dem sprichwörtlichen neuen Öl beginnen: den Daten. Hat ein Unternehmen ausreichend Daten, dann lohnt sich meistens auch die KI.

Dazu ein kurzer Ausflug in die deutsche KI-Startup-Szene nach Köln und nach Berlin, zu DeepL und EyeEm. DeepL bietet Übersetzungsdienste an, EyeEm agiert als Content-Plattform die Fotografen mit Corporates verbindet. Beide haben im letzten Jahr Schlagzeilen damit gemacht, dass sie als kleines Startup die Forschungslabore von Google, Facebook, Microsoft und co. in einer ihrer Kerndisziplinen schlagen konnten: DeepL in “Machine Translation” und EyeEm in “Image Recognition”. Wie kann das sein? Haben sie bessere KI-Talente als Facebook zu sich lotsen können? Schwer vorstellbar. Haben
sie mehr Rechenleistung als Google im Büro stehen? Wohl kaum. Beide ziehen nämlich ihren Vorteil daraus, auf deutlich bessere Datensätze als die GAFAM-Riesen zurückgreifen zu können. DeepL ist ein Spin-Off von Linguee, dem altbekannten Online-Wörterbuch, das über Jahre einen riesigen Datensatz hochqualitativer Übersetzungen aufbauen konnte. EyeEm hat das Glück, dass sie auf ein einzigartiges Netzwerk von Fotografen zurückgreifen können, die alle hoch motiviert sind und sicherstellen, dass ihre Fotos mit dem richtigen Schlagwort versehen werden und somit bei relevanten Suchen an der richtigen Stelle auftauchen.

Das Build-or-Buy Dilemma

Nun hat nicht jeder das Vergnügen, auf seinen Servern die weltweit besten Datensätze für eine bestimmte Anwendung zur Verfügung zu haben. Wenn man aber strategisch darüber nachdenken will, was künstliche Intelligenz für sein Unternehmen bedeutet oder auch nur die für sich richtige Anwendung identifizieren will, beginnt und endet der Gedankenprozess doch mit der Frage, welche Daten man bei sich angesammelt hat. Einen Denkanstoß zur KI-Strategie geben Philipp Gerbert und Sebastian Steinhäuser vom BCG Henderson Institut in einer differenzierten Analyse des “Build-or-Buy Dilemmas”. Sobald man den passenden Use-Case gefunden hat steht man vor der Entscheidung: Soll man die nötigen KI-Dienstleistungen oder Produkte von außer Haus dazukaufen oder versuchen, die AI-Expertise und Algorithmen intern aufzubauen? Im Kern finden sich auch hier die Antworten in Ihren Daten. Hat man Zugang zu einem Datensatz, der sich durch Quantität oder Qualität von Datensätzen bei ähnlichen Wettbewerbern absetzt, heißt es diesen strategischen Vorteil zu nutzen. Marschrichtung: selber bauen. Fehlt dieser “differentiated data access” sollte man lieber darüber nachdenken, gezielt KI-Services von externen Anbietern einzukaufen.

“KI, lohnt sich das?” Wenn Sie noch keine Antwort haben ist es unerlässlich, sich diese Frage zu stellen. Wer weiß wie lange es noch dauert bis man auch das Titelblatt zum Thema KI an der Wand im CDTM antreffen kann.

Der Autor: Timon Ruban ist Geschäftsführer von Luminovo.ai, einem Münchner Startup für angewandte Künstliche Intelligenz. Das Rüstzeug für die KI lernte er zunächst an der ETH Zürich und dann an der Stanford University sowie bei Google. Zudem ist er mit Luminovo.ai Gründungsmitglied des deutschen KI-Verbands.

Vorheriger ArtikelMachine Learning und die Versicherung der Zukunft
Nächster ArtikelSo wird Machine Learning in Unternehmen eingesetzt