24. April 2019

Investieren Sie bereits in KI-Projekte? Eine Motivation.

Der Bereich der Künstlichen Intelligenz hat sich in den letzten zehn Jahren enorm weiterentwickelt. Studien belegen, dass es Führungskräften jedoch häufig am Verständnis der Grundkonzepte des maschinellen Lernens fehlt. Was bedeutet Künstliche Intelligenz denn wirklich, worin besteht der Unterschied zum maschinellen Lernen und wie kann eine Unternehmung von all dem profitieren?

Gehören Sie zu den Führungskräften, die in den nächsten ein bis drei Jahren in ein KI-Projekt investieren werden? Oder verschieben Sie diese Entscheidung um drei bis fünf Jahre? Gemäss einer neuen Umfrage* bejahten 93% der Führungskräfte aus wachstumsstarken Unternehmen, in der kürzeren Frist in KI-Lösungen zu investieren. Bei den wachstumsarmen Firmen verschieben 64% der ManagerInnen diese Entscheidung. Gerade in einer investitionsarmen Konkurrenzlandschaft betont man gerne, dass die Konkurrenten auch tatenlos seien und die Dringlichkeit nimmt ab. Das ist besonders beim Thema KI gefährlich, denn diese Technologie skaliert enorm. Hat ein Konkurrent – etwa ein neues Startup, von dem Sie noch nie gehört haben, oder auch Amazon – sich plötzlich einen erheblichen Marktanteil geschnappt, ist es schwierig bis unmöglich, diesen wieder zurückzugewinnen. (Zugegebenermassen trifft das besonders im Dienstleistungsbereich und etwas weniger ausgeprägt in der Industrie zu). Deswegen geraten Sie bei diesem Thema lieber nicht ins Hintertreffen; und wenn doch, muss dies eine informierte und nicht einfach eine Bequemlichkeitsentscheidung sein.

Executive School Studiengang:
Open Programmes

KI (Künstliche Intelligenz)- Projekte erfolgreich managen

Vom Datenrohstoff zur wertschöpfenden automatisierten Musterkennung

Zudem haben wir beobachtet, dass auf den Führungsetagen beim Thema Künstliche Intelligenz gerne mit Schlagwörtern um sich geworfen wird. Ein etwas tiefergehendes Verständnis der verschiedenen Algorithmen und erforderlichen Daten findet man ausserhalb der Spezialistenwelt eher selten. Es herrscht oft die Einstellung vor, dass das Schlagwortniveau reichen würde; für die «Details» hat man ja schliesslich die teuren Spezialisten im Haus. Wir sind jedoch überzeugt, dass diese Vorstellung ein entscheidendes Hindernis bei der erfolgreichen Umsetzung von KI-basierten Lösungen ist. Sie als ManagerInnen müssen selber mehr von KI verstehen. Damit ist nicht gemeint, dass Sie programmieren können müssen, aber Sie sollten die wichtigen Konzepte in den Grundzügen erfassen und das geht auch, ohne ein Zahlenjongleur zu sein.

Was ist eine Künstliche Intelligenz (KI) überhaupt? Was bedeutet maschinelles Lernen (ML)?

Algorithmen des maschinellen Lernens machen Prognosen für eine Zielgrösse auf individueller Ebene, sei es für einen Kunden oder ein «Ding» wie einer Maschine. Diese Zielgrösse ist in der Regel etwas, was für den geschäftlichen Erfolg oder für das effiziente Funktionieren eines Prozesses entscheidend ist. Nehmen wir als Beispiel eine Bank, die vorhersagen möchte, ob jemand kreditwürdig ist oder nicht. In ihren Datenbanken haben Sie Informationen über Kunden, die Kredite problemlos beglichen, aber auch solche, deren Kredite abgeschrieben werden mussten. Alle säumigen Kreditnehmer bekommen nun die Kennzeichnung 1 und alle anderen eine 0. Diese Variable ist nun die Zielvariable, die wir auch gerne einfach Y-Variable nennen. Daten zu anderen Grössen, etwa Wohnort, Geschlecht, Alter, Ausbildung, Einkommen nennen wir ganz einfach X-Variablen. Sie interessieren uns, weil sie die Ziel- oder Y-Variable beeinflussen. Ein Algorithmus lernt aus den Daten, welche Kombinationen von X-Ausprägungen mit welchen Rückzahlungsergebnissen (Y) verbunden sind. Er berechnet daraus eine Rückzahlungswahrscheinlichkeit. Da der Algorithmus selbständig diese Muster aus den Daten lernt, handelt es sich um sogenanntes maschinelles Lernen.

Mustererkennung
Ein Beispiel für Maschinelles Lernen (Klicken Sie auf das Bild)

Ein anderes Anwendungsbeispiel wäre, zu prognostizieren, ob eine Maschine ausfällt und/oder gewartet werden muss. In diesem Fall sind die X-Variablen Temperatur, Laufzeit, Produktart etc. und der Algorithmus kann damit vorhersagen, wann die Maschine eine Reparatur braucht bevor sie wirklich stehenbleibt. Weitere Beispiele für X- und Y-Variablen sind:

  • Pixel von Bildern als X- und der emotionelle Zustand einer abgebildeten Person als Zielvariable; oder
  • Digitale Audiosignale als X- und Identifizierung eines Kundenwunsches am Telefon als Zielvariable.

Wie schon angesprochen, sind Algorithmen des maschinellen Lernens und von KI selbstlernend. Algorithmen werden «trainiert», bevor sie in den Einsatz kommen und während dieser Trainingsphase findet das Lernen statt. Ganz am Anfang beginnt ein Algorithmus «dumm», er ist hundertprozentig ahnungslos. Dadurch macht er erst mal sehr viele Fehler. Während der Trainingsphase dienen die Fehler als Feedback: Der Algorithmus passt sein Verhalten in Abhängigkeit der Fehler an, die er macht. In dieser Weise entdeckt der Algorithmus Muster in den Daten und speichert dieses kristallisiert in einer statistischen Formel ab. Diese Formel kodifiziert das «Wissen», welches der Algorithmus gelernt hat und hier liegt der Mehrwert, welchen der Algorithmus leistet. Verschiedene Algorithmen sind unterschiedlich gut im Erkennen von unterschiedlichen Arten von Mustern.

Sicher haben Sie sich schon gefragt, was eigentlich der Unterschied zwischen maschinellem Lernen und KI ist. Darüber können sich die Experte lange unterhalten, und Sie werden von verschiedenen Experten unterschiedliche Ansichten hören, die alle auf guten Argumenten basieren. Unumstritten ist aber, dass maschinelles Lernen einen Unterbereich von KI darstellt. Insbesondere ist das maschinelle Lernen jener Unterbereich, welcher in den letzten zehn Jahren ausserordentliche Erfolge aufweisen kann. Ob automatisierte Bilderkennung, autonomes Fahren, oder einfach die Rückzahlungswahrscheinlichkeit eines Kredites: hier handelt es sich stets um Anwendungen des maschinellen Lernens.

Ein Algorithmus lernt natürlich aus Daten. Deswegen werden Daten gerne als Rohstoff, als das neue Öl unserer Wirtschaft, bezeichnet. Dies suggeriert die Vorstellung, dass in den Firmen wertvolle Daten in die Systeme fliessen, die man bloss anzuzapfen braucht, um damit eine hohe Wertschöpfung zu erreichen. Leider ist diese Vorstellung in der Praxis oft unzutreffend. Ein besseres Bild ist die Landwirtschaft. Stellen Sie sich vor, Sie wollen ein bestimmtes landwirtschaftliches Produkt anbauen. Die Entscheidung, welches Produkt dies sein soll und welches Saatgut Sie sich beschaffen sollten, hängt natürlich davon ab, wie dieses Produkt weiterverwendet werden soll. Ebenso ist es selbstverständlich, dass Sie den Boden pflügen und düngen müssen. Wenn Sie dies ignorieren, haben Sie einen schlechten Ertrag und viel Unkraut. Genauso ist es auch mit den Daten in Ihren Systemen. Diese haben nicht automatisch ein hohes Wertschöpfungspotential. Sie müssen sich erst überlegen, welche Daten Sie für KI überhaupt brauchen, und sie müssen die Systeme durch das Anlegen von geeigneten Datenbanksystemen «kultivieren».

Daten kultivieren

In der Fortsetzung erfahren Sie, warum Sie als MangerIn etwas von KI verstehen sollten, denn es gibt einige Entscheidungen, die Sie einfach nicht Ihren DatenspezialistInnen überlassen sollten.

Möchten Sie die Inhalte des Blogs lieber in Form eines Videos erfahren? Dann empfehlen wir Ihnen unser Webinar.

picture from unsplash

Newsletter Signup

Please wait...

Thank you for signing up!

Über die Autorin / den Autor
Prof. Dr. Johannes Binswanger Johannes Binswanger hat den Lehrstuhl für Business Economics and Public Policy inne – mit einem Schwerpunkt in der Executive-Weiterbildung. Der Lehrstuhl wird dankenswerterweise grosszügig von Dr. Josef Ackermann gefördert, dem ein grosses Anliegen ist, Teilnehmende in der Führungskräfte-Weiterbildung mit wichtigen Themen der Volkswirtschaftslehre vertraut zu machen. Sie sollen lernen, in grossen Zusammenhängen zu denken und ein tiefgehendes intuitives Verständnis für volkswirtschaftliche Prozesse und die darin involvierten Institutionen (wie z.B. Zentralbanken) zu entwickeln. Dies unterstützt die Führungskräfte, in der Praxis bessere Entscheidungen zu treffen.