Raus aus den Kinderschuhen

Künstliche Intelligenz im Mittelstand

Noch stößt man im Mittelstand nur vereinzelt auf Projekte mit Künstlicher Intelligenz. Dies könnte sich jedoch in Bälde ändern, wobei dabei nach wie vor der Mensch das Maß aller Dinge sein sollte und nicht etwa selbstlernende Algorithmen.

  • „Unter dem Sammelbegriff KI steht den Anwendern heutzutage ein ganzer Zoo von Techniken zur Verfügung“, berichtet Klaus Reichenberger, Geschäftsführer bei der Intelligent Views GmbH.

    „Unter dem Sammelbegriff KI steht den Anwendern heutzutage ein ganzer Zoo von Techniken zur Verfügung“, berichtet Klaus Reichenberger, Geschäftsführer bei der Intelligent Views GmbH.

  • „KI-Vorhaben sind im Kern vom Design bis zur Integration und zum Betrieb reine Software-Entwicklungsprojekte – dementsprechend sind sie zu behandeln, zu planen und zu bewerten“,  erklärt Klaas Bollhoefer von The unbelievable Machine Company.

    „KI-Vorhaben sind im Kern vom Design bis zur Integration und zum Betrieb reine Software-Entwicklungsprojekte – dementsprechend sind sie zu behandeln, zu planen und zu bewerten“, erklärt Klaas Bollhoefer von The unbelievable Machine Company.

  • „Algorithmische Entscheidungen brauchen Kontrolle“, fordert Katharina Anna Zweig von der TU Kaiserslautern.

    „Algorithmische Entscheidungen brauchen Kontrolle“, fordert Katharina Anna Zweig von der TU Kaiserslautern.

Ein derzeit von Analysten, IT-Anbietern und Medien gleichermaßen heiß diskutiertes Thema ist Künstliche Intelligenz (KI) und ihre Unterarten Deep Learning oder Machine Learning (siehe Kasten). „Unter dem Sammelbegriff ‚Künstliche Intelligenz’ steht den Anwendern heutzutage ein ganzer Zoo von Techniken mit sehr unterschiedlichen Fähigkeiten zur Verfügung“, erklärt Klaus Reichenberger, Geschäftsführer bei der Intelligent Views GmbH. Hierbei könne man grob zwischen autonomen und gesteuerten Techniken unterscheiden. Erstere sind sehr schwer kontrollierbar, letztere eignen sich eher für den Einstieg. „Ein mittelständisches Unternehmen muss aber gar nicht bei der Technik anfangen. Stattdessen sollte es sich genau überlegen, in welchen Geschäftsprozessen es KI-Anteile einführen möchte und wie diese mit den Menschen zusammenarbeiten sollen – daraus ergeben sich die Techniken dann von selbst“, rät Reichenberger. Empfehlenswert sei seiner Meinung nach ein Vorgehen in kleinen Schritten, um schnell erste Erfolge zu verbuchen.

Ein für Mittelständler in der Praxis durchaus gangbarer Weg. Dann verlöre Künstliche Intelligenz auch den ihr oftmals anhaftenden rein universitären Charakter. Denn der Einsatz von KI-Technologien, der derzeit neben vielen Wissenschaftlern auch Mathematiker bei großen Finanzhäusern und Versicherungen umtreibt, ist per se an keine Unternehmensgröße gebunden. „Alle Bereiche, in denen Mittelständler Vorhersagen treffen müssen, seien es Lagerbestände, künftige Preisgestaltungen oder Wartungsschätzungen, können von der Nutzung Künstlicher Intelligenz profitieren“, betont Dominik Claßen, Director of Sales Engineering bei dem Open-Source-Anbieter Pentaho.

Konkret ließen sich laut Klaas Bollhoefer, Chief Evangelist bei The unbelievable Machine Company, in nahezu jeder Abteilung, jeder Branche und damit für praktisch jedes mittelständische Unternehmen sinnvolle, geschäftsrelevante KI-Einsatzgebiete identifizieren. Im nächsten Schritt könnten dadurch neue Potentiale erschlossen, bestehende Prozesse und Systeme automatisiert und de facto gänzlich neue Geschäftsmodelle erdacht werden. „Die Haupteinsatzgebiete finden sich derzeit sicherlich im Marketing, im Customer Relationship Management (CRM), in der Warenwirtschaft und Logistik, in der Fertigung und Produktion – Stichwort: Industrie 4.0 – oder in Bereichen, die schon heute (teil-)digitalisiert sind, etwa bei E-Business & Co.“, beschreibt Bollhoefer weitere Einsatzszenarien.

Darüber hinaus sind insbesondere Machine-Learning-Verfahren dazu geeignet, um in bestehenden Daten Muster oder Trends zu erkennen und Vorhersagen zu treffen. „Beispiele aus dem Mode-Einzelhandel hierzu sind Prognosen über den Artikelabsatz, die Kundenfrequenz oder operative Prognosen, um den Nachschub entsprechend zu steuern“, ergänzt Dr. Michael Goller, CTO bei der Detego GmbH.

Bezahlbare Projekte

Haben sich die Verantwortlichen für ein KI-Projekt entschieden, gelingt der Einstieg je nach Ausgangslage – z.B. hinsichtlich der Problemstellung oder der Art und Struktur der Daten – auf unterschiedliche Weise: „Gibt es bereits strukturierte Daten mit genau definierten Zielen, können die meisten Machine-Learning-Algorithmen mit entsprechender Expertise und der Verwendung der vorhandenen Software-Tools innerhalb kurzer Zeit angewandt werden“, betont Michael Goller.

Dabei müssten Mittelständler für eine KI-Einführung noch nicht einmal tief in die Tasche greifen. Wie eingangs geschildert, empfiehlt Klaus Reichenberger aufgrund der unübersichtlichen Vielfalt an KI-Verfahren, die Anwendungsfälle zunächst im kleinen Rahmen und hier am besten als sogenannte Sandbox-Lösung auszuprobieren. Auf diese Weise würde man den Einstieg ins Thema bereits mit einem mittleren fünfstelligen Betrag schaffen und erste Ergebnisse innerhalb weniger Monate erzielen. Demgegenüber legt Dominik Claßen die Messlatte etwas höher an. Er berichtet von ihm bekannten KI-Projekten, die im unteren sechsstelligen Bereich lagen.

Hat man die Finanzierung von KI-Projekten geklärt, sollte man daran denken, dass – wie IT-Projekte schlechthin – auch KI-Vorhaben nicht immer rund laufen und vor unerwarteten Schwierigkeiten oder Verzögerungen nicht gefeit sind. Laut den befragten Branchenexperten ist es dabei mit am Wichtigsten, sich mit dem „Datenmanagement“ auseinanderzusetzen. Denn die richtigen Daten bilden die Basis für jede erfolgreiche KI-Lösung.

Doch woher die Daten nehmen, wenn nicht stehlen? In der Regel besitzen Mittelständler bereits viele Systeme, die sich für intelligente Datenanalysen anzapfen lassen. Geht es um strukturierte Daten spielen zunächst die eingesetzten relationalen Datenbanken (z.B. MySQL, Oracle, SQL Server) und Data-Warehouse-Lösungen eine wichtige Rolle. Firmenintern versprechen überdies auch CRM-, Content-Management- oder E-Commerce-Systeme großes Potential.

Für unstrukturierte, sprich schemalose Daten sollten hingegen No-SQL-Datenbanken wie beispielsweise MongoDB oder Cassandra verwendet werden, betont Michael Goller. „Geht es um produktionstaugliche Systeme sind ab einer gewissen Datenmenge zusätzlich entsprechende In-Memory-Datenbanken und Caching-Layer unabdingbar“, so Goller weiter. „Daneben können auch externe Daten für sich allein genommen oder in Kombination mit internen Daten Neues ermöglichen“, betont Klaas Bollhoefer und verweist auf gängige „Füllhörner“ wie Social-Media-Plattformen und Open Data. Dabei lehrt die Erfahrung von Klaas Bollhoefer, dass die größten Chancen zum einen in der Kombination mehrerer Datenquellen und deren intelligenter Verarbeitung liegen. Und zum anderen, dass Daten zumeist einen „versteckten“ Wert besitzen, der sich erst nach und nach durch die Formulierung neuer Fragen, Ideen und Aufgaben erschließt.

Ein Datenschutz-Albtraum

Über die Frage nach den geeigneten Datenquellen hinaus sollte man im Projektverlauf darauf achten, eine inkonsistente Datenbasis und damit verbundene Datensilos zu vermeiden. Dazu ist laut Michael Goller eine penible Dokumentation der Datenstruktur, der Verarbeitungskette und der Schnittstellen unumgänglich. Eine derartige Dokumentation sollte von der Definition von Datentypen bis hin zur konsistenten Verwendung eines sogenannten Business-Vokabulars alles umfassen.

Neben dem Datenmanagement gilt es, kritische Themen wie Datenschutz und -sicherheit in den Mittelpunkt zu rücken. Leider ist dies in der Praxis oftmals nicht der Fall, wie Klaus Reichenberger berichtet: „Datenschutz ist ein sehr vernachlässigter Aspekt, viele KI- und Big-Data-Projekte sind gar der reinste Datenschutz-Albtraum.“ Vor dem Hintergrund der Bußgelder, die nach der neuen europäischen Datenschutzverordnung ab 2018 verhängt werden können (20 Mio. Euro oder vier Prozent des Jahresumsatzes), sollten Unternehmen diesen Umstand jedoch auf keinen Fall länger ignorieren.

Um hinsichtlich des Datenschutzes auf der sicheren Seite zu sein, rät Michael Goller dazu, speziell bei Kundendaten auf eine Anonymisierung der persönlichen Daten und die Verschlüsselung bei deren Übertragung zu achten. Im nächsten Schritt müsse bei der Anonymisierung beachtet werden, dass durch verschiedene Algorithmen keine Rückschlüsse auf einzelne Personen gemacht werden können. „Schließlich gilt auch hier, wie für alle sensiblen Daten, dass diese durch entsprechende Infrastruktur und die Anwendung aktueller Sicherheitsverfahren geschützt werden müssen“, so Goller.

Welche Rolle spielt der Mensch?

Werden künftig im Mittelstand und in Konzernen immer mehr KI-Projekte aufgesetzt, stellt sich die Frage, inwieweit man in Zeiten selbstlernender Algorithmen den Menschen überhaupt noch braucht. In regelmäßigen Abständen betonen die betroffenen Software-Anbieter, dass Künstliche Intelligenz menschliche Fähigkeiten allein ergänzt und keinesfalls ersetzt. „Die Anwendung von Künstlicher Intelligenz sollte mehr als Unterstützung und nicht als Ersatz der menschlichen Arbeitskraft angesehen werden“, unterstreicht Michael Goller, und nennt ein Beispiel aus dem Modehandel: Die Unterstützung der Mitarbeiter im Verkaufsgespräch durch intelligente Algorithmen für Produktauswahl könne durchaus eine gewinnbringende Ergänzung sein. „Gerade in Bereichen in denen Kreativität, Verantwortung und die persönliche Interaktion gefragt sind, ist der Mensch jedoch unersetzlich“, fügt Goller hinzu.

„Ich bin ebenfalls davon überzeugt, dass Menschen und Maschinen in Zukunft mehr und mehr kollaborieren werden“, ergänzt Klaas Bollhoefer in diesem Zusammenhang. Denn auf der einen Seite spielt Künstliche Intelligenz immer dann ihre Stärken aus, wenn es um wiederkehrende Aufgaben bei der Analyse, Verarbeitung und Entscheidungsfindung auf Basis von Daten geht. „Mag sein, dass damit der eine oder andere Arbeitsbereich für den Menschen obsolet wird“, räumt Bollhoefer ein. Auf der anderen Seite jedoch fehlt Künstlicher Intelligenz derzeit die Möglichkeit, von einem konkreten Einsatzgebiet zu abstrahieren, Gelerntes auf andere Bereiche zu übertragen – sogenanntes Transfer Learning –, ihre Entscheidungen zu reflektieren oder gar „irrationale“ Entscheidungen zu fällen. „Nicht nur bei letzterem ist der Mensch noch lange unersetzbar“, glaubt Klaas Bollhoefer daher.

Eine Einschätzung, die Dominik Claßen von Pentaho ebenfalls unterstreicht. „Wenn man es genau nimmt, ist der Begriff Künstliche Intelligenz irreführend. Denn damit Algorithmen lernen können, müssen sie zuerst in gewissem Grade von Menschen angeleitet und trainiert werden. Eine übergeordnete, allgemeine Künstliche Intelligenz gibt es (noch) nicht. Wir können den Algorithmus trainieren und es gibt eingebaute Selbstverbesserung, aber der Mensch erledigt den Großteil der Problemdefinition und des Feature Engineerings“, berichtet Claßen weiter.

Algorithmen besser kontrollieren

Vor diesem Hintergrund scheint es ratsam, Künstlicher Intelligenz nicht blindlings zu vertrauen, da selbstlernende Algorithmen immer nur so gut sind wie der Datenbestand, mit denen sie trainiert wurden. „Tritt ein Fall ein, der nicht ausreichend in der Datenbasis abgebildet ist, so ist nach wie vor relativ unvorhersehbar, welches Ergebnis der Algorithmus liefert. Folglich sollte man in kritischen Bereichen immer den Menschen als letzte Instanz zur Überprüfung heranziehen“, rät Michael Goller zur Vorsicht.

Dies hat man auch an der Technischen Universität (TU) Kaiserslautern erkannt. Hier beschäftigen sich Informatik-Professorin Dr. Katharina Anna Zweig und ihr Team im „Algorithm Accountability Lab“ kritisch mit dem Umgang solcher Rechenverfahren und untersuchen u.a. Methoden, um die Algorithmen zu kontrollieren. Der Hintergrund: Algorithmen treffen Vorhersagen und berechnen menschliches Verhalten, wobei oft unklar ist, welche Daten zugrunde liegen. „Immer mehr Entscheidungen werden heute von solchen Rechenverfahren getroffen. In manchen Fällen kann das sinnvoll sein, da sie etwa diskriminierungsfrei entscheiden“, sagt Katharina Anna Zweig, die in Kaiserlautern den Lehrstuhl für Graphentheorie und Analyse komplexer Netzwerke innehat und seit langem zu Algorithmen forscht.

Was ist, wenn Rechenverfahren die Rückfälligkeitswahrscheinlichkeit von jugendlichen Kriminellen vorhersagen? Ist die Wahrscheinlichkeit hoch, dass der Jugendliche wieder rückfällig wird, verhängt der Richter vielleicht eine Gefängnis- anstelle einer Bewährungsstrafe. Sollten hier möglichst wenige fälschlicherweise ins Gefängnis oder lieber möglichst wenige fälschlicherweise auf Bewährung freigelassen werden? Mit solchen Fragen beschäftigt sich die Informatikerin und untersucht dafür Algorithmen, die über wichtige Lebenssituationen von Menschen entscheiden. „Algorithmische Entscheidungen brauchen Kontrolle“, so die Professorin weiter. „Wir benötigen daher ein System, das sie demokratisch legitimiert überprüft.“

Vor diesem Hintergrund hat Zweig im vergangenen Jahr gemeinsam mit der Philosophin Lorena Jaume-Palasí sowie den Journalisten Lorenz Matzat und Matthias Spielkamp die Plattform „AlgorithmWatch“ gegründet, um die Öffentlichkeit besser aufzuklären. Ihr schwebt eine Art Algorithmen-TÜV vor, wie er vom österreichischen Rechtswissenschaftler Viktor Mayer-Schönberger vorgeschlagen wurde. „Ein Team von Experten, ähnlich wie Wirtschaftsprüfer, könnte die Codes prüfen und für gut oder aber schlecht befinden“, sagt die Wissenschaftlerin. Vertrauenswürdige Rechenverfahren erhielten schließlich ein Siegel und der Kunde würde sehen, dass er nichts zu befürchten habe.

Wildgewordene Chatbots

In welche Richtung sich die Künstliche Intelligenz in den nächsten Jahren entwickeln wird, ist noch ungewiss. Derzeit jedoch bedient man sich häufig der Metapher, dass Künstliche Intelligenz noch in den Kinderschuhen steckt. Das bedeutet, die aktuelle Generation von KI-Systemen stehe auf derselben Entwicklungsstufe wie der von kleinen Kindern. Und damit sei laut Klaas Bollhoefer alles gesagt, denn: „Würden wir einem Kleinkind die Kontrolle über unser Auto geben? Über unsere Fabriken? Unser Gesundheitssystem?“ Wohl eher nicht.

In diesem Zusammenhang verweist Klaus Reichenberger auf einige Pannen der Vergangenheit bei Machine-Learning-Algorithmen: von übereifrigen Kreditkartentransaktionsprüfungen bis zu wildgewordenen Chatbots. „Meine Lieblingsanekdote stammt jedoch aus der Frühzeit der KI, als das amerikanische Militär versuchte, einem Computer beizubringen, getarnte Panzer im Wald zu erkennen: Die Forscher trainierten einen Algorithmus und in den Tests funktionierte dieser großartig, in der Praxis versagte er völlig. Es stellte sich schließlich heraus, dass die Trainingsbilder mit Panzern alle am selben Tag bei bedecktem Himmel aufgenommen worden waren, die Bilder ohne Panzer bei Sonnenschein. Der Computer hatte also lediglich gelernt sonnige Tage von bewölkten zu unterscheiden.“ Aus diesem Beispiel schließt Reichenberger, dass man sich nicht von selbstlernenden Verfahren abhängig machen darf. „Vielmehr müssen die Entscheidungen von Maschinen erklärt werden können. Transparenz ist äußerst wichtig – auch für den Nutzer“, so Reichenberger abschließend.

Bildquelle Schmuckbild: Thinkstock / iStock

 

 

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok