Furchteinflößend intelligent? Ganz so schrecklich wie Hollywood und Science-Fiction KI-Technologien beschreiben, ist es dann doch nicht. Künstliche Intelligenz (KI) automatisiert das Lernen lediglich durch geschickt ausgewählte Wiederholungs-Operatoren. Dabei ist das Ziel, mit Hilfe von KI computergesteuerte Aufgaben zuverlässig und ohne Ermüdung auszuführen. Ein weiterer Punkt, der zeigt, dass KI nicht furchteinflößend ist, ist die Tatsache, dass wir immer noch menschliche Intelligenz für die Einrichtung und Ermittlung der richtigen Fragestellung benötigen. KI-Systeme können nur für eine klare Aufgabe trainiert werden. Eine Poker-KI kann beispielsweise niemals Schach oder Solitär spielen.
KI lässt sich bisher nur mit Hilfe menschlicher Intelligenz umsetzen
Wie wichtig sind Daten in Bezug auf KI?
Diese Punkte stellen jedoch keine Hindernisse für eine effektive Anwendung von KI dar. In der Medizin erzielen KI-Verfahren aus den Bereichen Deep Learning, Bildklassifikation und Objekterkennung bei der Krebsdiagnose in MRI-Bildern bereits heute dieselbe Genauigkeit wie ein gut ausgebildeter Radiologe. KI-Algorithmen können sogar Krankheitswellen vorhersagen: So hat beispielsweise der Algorithmus einer kanadischen Firma neun Tage vor der WTO davor gewarnt, dass in Wuhan eine Epidemie ausbrechen wird. Chatbots sind ebenfalls ein effektives KI-Verfahren. Diese Programme simulieren online eine Konversation mit einem Menschen. Auch selbstfahrende Autos stellen eine KI-Anwendung dar.
Dabei spielt die Datenmenge eine größere Rolle als je zuvor. Eine fehlerfreie Datenqualität ist entscheidend, um aus Big Data strukturierte Smart Data zu machen. Sind die Werte nicht normiert, inkorrekt oder veraltet, schränkt dies die Leistungsfähigkeit des Systems stark ein. Im schlimmsten Fall kann das zu falschen Schlussfolgerungen führen. Beispielsweise kann durch inkorrekte Angaben der Krebs bei einem Patienten unerkannt bleiben.
In Branchen mit hohem Wettbewerb gewinnen die Unternehmen mit den besten Daten – selbst wenn die Konkurrenz ähnliche Verfahren verwendet. Dies liegt daran, dass KI auf Grundlage der Daten lernt. Ihre Ergebnisse spiegeln deren Genauigkeit direkt wider.
Einsatzbereiche von KI
Eine schwerwiegende Herausforderung stellen die unterschiedlichen Einschätzungen zu ML in der eigenen Firma zwischen dem Management, IT-Abteilungen und Fachbereichen dar. Über die Hälfte der Geschäftsführer ist der Meinung, dass in ihren Unternehmen bereits eine Reihe an KI-Anwendungen im Einsatz seien. Allerdings teilen nur knapp 20% der IT-Fachleute diese Meinung. Ausreichender Informationsaustausch? Fehlanzeige.
Doch welche Systeme stellen Unternehmen vor diese Kommunikationsprobleme? Die Top vier der eingesetzten KI-Applikationen:
- maschinelles Lernen und Beweisen (55%),
- Bilderkennung (49%),
- wissensbasierte Systeme (46%),
- Sprach- und Textverstehen (30%).
Großunternehmen konzentrieren sich meist auf Gesichtserkennung, optische Zeichnungen und Planungssysteme bei der Verwendung von KI-Systemen. Mittelständische Unternehmen verwenden KI fast ausschließlich für verhaltensbasierte Prognosen und zur Identifizierung von Zielgruppen. Bei kleinen Unternehmen liegt das Hauptaugenmerk im Bereich ML auf Big Data & Analytics und Hyper Targeting. Somit zeigt sich, dass kleine und mittelständische Unternehmen KI vor allem zur Optimierung der Kundenorientierung und des Kundenservices verwenden.
Diese Anwendungen sind ohne externe Hilfe meist nicht möglich, da häufig ein Mangel an Know-How und entsprechenden Fachpersonal herrscht. Kleine Firmen sind eher bereit, für spezielle ML-Anwendungen Wissen einzukaufen. 39% der kleinen Firmen arbeiten etwa mit vier bis fünf externen Dienstleister zusammen. Große und mittelständische Unternehmen beschränken sich in den meisten Fällen auf zwei bis drei externe Dienstleister.
2019 war der Preis das wichtigste Auswahlkriterium für KI-Technologien von externen Dienstleistern. Dies hat sich 2020 geändert, da Entscheider höheren Wert auf eine einfache Bedienung und eine nachvollziehbare Arbeitsweise legen. Der Trend spiegelt die bisherige negative Erfahrung wider.
Wie entwickelt sich Deutschland in Bezug auf KI?
In einer aktuellen Studie von PwC sehen 70% der Befragten die Fachverantwortlichen für Informationstechnik in der Verantwortung, dass die Daten keine Fehler aufweisen. 57% sehen die Unternehmensleitung in der Pflicht, diese zu verhindern. 22% der Befragten übertragen den Softwarezulieferern diese Aufgabe und 20% benennen die Datenanalysten. Nach Meinung der Befragten sollen zu 72% Fachverantwortliche im IT-Bereich Schäden, die im Zusammenhang mit KI entstehen, verhindern. Hier tragen das Management eine deutlich kleinere (33%) und Datenanalysten eine etwas höhere Verantwortung (27%).
2019 gaben IKT-Unternehmen volle 0,56% ihres Umsatzes für die Entwicklung, Einführung und Pflege von KI-Verfahren aus. In unternehmensnahe Dienstleistungen (0,29%) und im Maschinenbau/Elektrotechnik (0,17%) wurden ebenfalls relativ hohe Anteile ihres Gesamtumsatzes bereitgestellt. Im Vergleich dazu liegt der gesamtwirtschaftliche Anteil nur bei 0,09%.
Bereits vor 2010 hat jedes Fünfte der KI einsetzenden Unternehmen Künstliche Intelligenz erstmals verwendet. Weitere 20% haben in der ersten Hälfte der 2010er Jahre KI zum ersten Mal eingesetzt. Nach 2015 hat sich der Einsatz von KI deutlich beschleunigt. Ein Drittel der Unternehmen, die 2019 KI nutzen, haben diese erst zwischen 2016 und 2017 eingeführt. Die restlichen 27% der KI verwendenden Unternehmen sind in der Jahren 2018 und 2019 hinzugekommen.
Deutsche Unternehmen haben sich in den Bereichen Machine Learning (ML) und Künstliche Intelligenz im Vergleich zum Vorjahr weiterentwickelt. Laut einer Studie von IDG verwenden 2020 bereits drei Viertel der befragten Unternehmen KI oder führen diese gerade ein. Dies sind 20% mehr Unternehmen als im Vorjahr. Ein Großteil (70%) stellt positive Effekte der KI spätestens ein halbes Jahr nach der Einführung fest.
Welches Potential steckt in KI?
Und sie bewegt sich doch. Das beschreibt die aktuelle Bewegung von Unternehmen in Richtung Künstlicher Intelligenz und Machine Learning gut. Allerdings würde vielen Unternehmen etwas mehr Bewegungsdrang nicht schaden, da sie sehr zögerlich in die Welt der KI einsteigen.
Auf Künstliche Intelligenz, Machine Learning und Deep Learning zu verzichten, ist keine Option. Die Fülle von Anwendungen aus deutschen Unternehmen und Forschungsinstituten, wie die Frauenhofer-, der Max-Planck- oder der Helmholz-Gemeinschaften, macht dies deutlich. Typische Beispiele hierfür sind die automatische Überprüfung von Kugelgewindegetriebe in Werkzeugmaschinen oder das Abwehren von Cyber-Attacken. Somit sind KI, ML und Deep Learning nicht mehr aus modernen Konzepten wegzudenken.
Die Silicon Valley-Giganten haben zwar großeacht und viel Geld, aber hierzulande ist die Mehrzahl der Maschinenbauer deutlich besser ausgebildet. Auch heute gehen noch immer über 50% der weltweiten Patente im Bereich autonomes Fahren auf Unternehmen mit Sitz im Großraum München zurück. Die Bundeswehr Universität in Neubiberg spielt hier eine entscheidende Rolle.
Annäherung von Mensch und Technik
Für Unternehmen führt daher kein Weg an einer intensiven Auseinandersetzung mit diesen Technologien vorbei. Reibungsverluste durch überzogene Erwartungen, zögerliche Vorgehensweisen und Kommunikationsprobleme sollten deshalb so schnell wie möglich unterbunden werden. Ansonsten wäre ein „Und sie bewegt sich doch nicht“ bald unliebsame Realität.
Wie können Unternehmen ihren Bewegungsdrang also positiv beeinflussen?
Der Weg zum Erfolg
Unternehmen streben nach schnellem Erfolg. Allerdings betrachten sie ML-Technologien häufig noch nicht, um damit ihre Produkt- und Servicepaletten zu erweitern. Solch eine Komponente ist beispielsweise die automatische Speicherung der Waschgewohnheiten. Hierbei werden häufig verwendete Programme von der Waschmaschine automatisch bei jedem Waschgang vorgeschlagen. Unternehmen ohne Weitblick verpassen so unnötig viele Chancen für sich und ihre Kunden.
Deutschland ist im internationalen Vergleich auf Augenhöhe, was die Umsetzung von Künstlicher Intelligenz betrifft. Dennoch herrscht in einigen Handlungsfeldern noch Optimierungsbedarf:
- Übergreifende Strategien umsetzen: Die Zeit von Pilotprojekten ist vorbei. Unternehmen sollten dazu übergehen, übergreifende KI-Strategien zu entwerfen und unternehmensweit umzusetzen.
- Externe Kompetenzen gezielt einsetzen: Deutschland setzt schon heute auf externe KI-Partner, was zu einer schnelleren Implementierung und niedrigeren Kosten führt. Angesichts des Fachkräftemangels ist dies auch für kleinere Unternehmen machbar und sinnvoll.
- Wettbewerb und Fachkräfte aufnehmen: Qualifikationen wie Data Science, KI-Research und KI-Projektmanagement sind aktuell besonders gefragt und langfristig unverzichtbar. Wenn ein Unternehmen in diesem Wettbewerb bestehen möchte, sind interne KI-Skills vonnöten.
- Risikomanagement verbessern: Deutsche Unternehmen sollten interne Strukturen, Fähigkeiten und Prozesse verbessern, um KI-Risiken zu minimieren und sich mit der Installation von Richtlinien, Kontrollregimen und Risikoverantwortlichen breiter aufstellen.
KI-Systeme werden stets nur für eine Tätigkeit trainiert. Da die Rechenleistung von Computern kontinuierlich wächst, haben bereits in drei Jahrzehnten Computer von der Größe eines Smartphones die Rechenleistung des menschlichen Gehirns erreicht. Dies bedeutet, dass KI-Anwendungen immer reibungsloser und schneller ablaufen. Aber selbst dann bleibt menschliche Intelligenz immer noch notwendig, um Künstliche Intelligenz, Deep Learning und Machine Learning einzurichten.
(Quelle: Deloitte)