KI in Deutschland

Wenn Datenarmut digitale Nachzügler erzeugt

KI stärkt das Bruttosozialprodukt, aber auf dem Weg dahin sind zwei Faktoren wichtig: viele Trainingsdaten und schnelle Einführung der Anwendungen.

Symbolbild Künstliche Intelligenz

Der Datenreichtum hält sich aufgrund der hiesigen Gesetze in Grenzen.

Von Anwendungen der Künstlichen Intelligenz erhoffen sich viele ein enormes Wirtschaftswachstum. Die Unternehmensberatung McKinsey schätzt, dass die Technologie bis 2030 das Wachstum des Bruttoinlandsprodukts um jährlich 1,3 Prozentpunkte steigern könnte. „Deutschland verfügt über genügend Kapazitäten, um Innovation in großem Maßstab realisieren und die Vermarktung von KI-Lösungen beschleunigen zu können“, betont Peter Breuer, Senior-Partner von McKinsey. Doch auf dem Weg dahin sind noch einige Hürden zu bewältigen. So gilt Deutschland als eher datenarmes Land, da die starken Datenschutzgesetze eine umfassende Auswertung von Kundendaten verhindern.

Mehr Daten = bessere Produkte = mehr Benutzer = mehr Daten

Dies kann zum Problem werden, wenn ein Zirkeleffekt entsteht, der große und datenreiche Unternehmen noch weiter stärkt. Mehr Daten bedeutet ein genauer arbeitendes KI-Modell und in der Folge ein besseres Produkt. Das wiederum bedeutet mehr Benutzer und dadurch noch mehr Daten. Meist werden als größte Datenbesitzer Google, Apple, Facebook und Amazon ausgemacht – oder China. Der dahinterstehende Gedanke: Diese Player im großen KI-Spiel sind allen anderen längst meilenweit überlegen.

Doch ganz so einfach ist es nicht, wie Ben Evans von Kleiner Perkins in einem Blogbeitrag betont. Moderne KI basiert auf Verfahren für das maschinelle Lernen. Hierfür sind große Datenmengen erforderlich, die aber domänenspezifisch sind. Für jeden Anwendungsbereich sind unterschiedliche Trainingsdaten erforderlich. Predictive Maintenance bei Gasturbinen erfordert auch Daten von diesen Maschinen. Die Betrugserkennung bei Kreditkarten dagegen benötigt zwingend Daten der entsprechenden Transaktionen.

Ben Evans betont: „Machine Learning ist eine generalisierbare Technologie.“ Sie kann in ganz unterschiedlichen Anwendungsfällen verwendet werden. Aber die damit entwickelten Anwendungen sind nicht generalisierbar, jede Anwendung kann nur eine Sache bewirken. „So wie eine Waschmaschine nur waschen, aber nicht Geschirr spülen kann, kann ein KI-Übersetzungssystem keine Katzen erkennen.“ Auch KI-Anwendungen sind domänenspezifisch. Dies ist eine deutliche Einschränkung, an deren Beseitigung sicher noch längere Zeit geforscht werden wird.

Daraus lässt sich allerdings nicht ableiten, dass die größten Unternehmen in jeder Branche zu Datenmonopolisten werden und sich gegenüber der Konkurrenz abschotten können. So gut wie jedes Industrieunternehmen besitzt einzigartige Daten, die niemand anderer besitzt. Daraus lässt sich ein wichtiger Schluss ziehen: Unternehmen müssen ihre Daten selbst auswerten. Der Einsatz von Verfahren für maschinelles Lernen ist das Werkzeug dafür.

KI erfordert bei der Implementation viel Zeit

Nun ist dieses Tool noch recht jung und es ist verführerisch, zunächst einmal einfach abzuwarten. Dahinter steht der Gedanke der Risikovermeidung. Wer zu früh auf neue Technologien setzt, handelt sich Probleme ein. Dazu gehören Schwierigkeiten bei der Implementation mangels Erfahrung, aber auch das Verschwinden von Services und Produkten vom Markt, sodass sich das Unternehmen in einer Sackgasse befindet. Dies ist ein altbekanntes Problem in der IT, die Zahl der ausgestorbenen Anwendungen ist riesig.

Die übliche Strategie für den Umgang damit lautet: Schneller Zweiter werden. Die Unternehmen warten zunächst ab, bis die Technologie einen gewissen Reifegrad erreicht hat und setzen sie erst dann ein. Dies ist beispielsweise dem Cloud Computing so gegangen, dass seinen Siegeszug vor gut zehn Jahren recht langsam begann. Vor allem etablierte Unternehmen aus traditionellen Branchen haben lange gezögert, bis sie Cloudservices nutzten. Sie haben dabei zahlreiche Kinderkrankheiten vermieden.

Das könnte im Falle von KI ein großer Fehler sein, meinen Vikram Mahidhar und Thomas H. Davenport. „Entwicklung und vollständige Implementierung von KI-Systemen kann sehr lange dauern und es gibt – wenn überhaupt – nur wenige Abkürzungen.“ Dies liegt ebenfalls an den für maschinelles Lernen notwendigen großen Datenmengen. Diese Daten müssen zusammengestellt, bereinigt und in den meisten Fällen für die Lernverfahren noch aufbereitet werden. Vor allem KI-Anwendungen, die mit natürlicher Sprache umgehen, müssen sehr aufwendig auf ihre Aufgaben vorbereitet werden.

Hinzu kommt nach Ansicht der Autoren erstens ein erheblicher Aufwand für die Integration von KI-Verfahren in Geschäftsprozesse, bei denen auch diese verändert werden müssen. Zweitens sind KI-Systeme normalerweise nicht autonom, sondern ergänzen die Leistungen menschlicher Mitarbeiter. „KI-Systeme erfordern neue Rollen und Skills von den Menschen und es wird Zeit kosten, die Mitarbeiter umzuschulen.“ Alle Unternehmen, die sich bereits jetzt mit künstlicher Intelligenz und maschinellen Lernen beschäftigen, erhalten dadurch einen Knowhow- und zugleich einen Zeitvorteil. Anders ausgedrückt: Early Adopter könnten einen uneinholbaren Vorsprung besitzen.

Bildquelle: Thinkstock

©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