Große Unsicherheit herrscht darüber, wie die Automatisierung vieler Geschäftsprozesse sowie der Einsatz künstlicher Intelligenz (KI) und maschinellen Lernens (ML) unseren Arbeitsalltag beeinflussen werden. Dennoch setzt sich nicht nur bei vielen Unternehmen, sondern auch bei zahlreichen Arbeitnehmern eine Erkenntnis durch: Diese Entwicklung wird sich nicht aufhalten, sondern bestenfalls steuern lassen. Gut geschulte Data Scientists werden deshalb künftig ein wesentlicher Erfolgsfaktor sein.

Noch bevor der Informatiker John McCarthy 1956 den Begriff „künstliche Intelligenz“ prägte, waren die Menschen fasziniert von der Idee „denkender Maschinen“ und „elektronischer Gehirne“. Intelligente Roboter – sowohl gute als auch böse – sind längst fester Bestandteil der Science-Fiction-Kultur, und KI stellt eine geradezu unerschöpfliche Quelle für Legenden und Mythen dar. „Das mythologische Dickicht, das sich um die KI gebildet hat, ist für Anwender in der Realität eher verwirrend“, erklärt Josh Patterson, Experte für Datenforschung, Big-Data-Applikationen und angewandtes maschinelles Lernen. KI sei nicht lebendig und habe auch kein eigenes Bewusstsein, so Patterson: „Heutzutage verstehen wir unter KI hauptsächlich angewandtes maschinelles Lernen.“ Wer maschinelles Lernen als ‚allgemeine künstliche Intelligenz‘ definiert, erweise der Informatik einen schlechten Dienst: Heutiges maschinelles Lernen entspreche in keiner Weise dem Bild eines allwissenden, eigenständig denkenden Systems.

KI wird populär

„Die letzten Jahre waren geprägt durch eine außerordentliche Zunahme der Rechnerleistung, verbunden mit sinkenden Kosten und der Möglichkeit, große Datenmengen zu verarbeiten”, erläutert Daryl Kang, Data Scientist bei Forbes und Absolvent des Data Science Institute der Columbia Universität. „Darauf basierend vollzog die Datenwissenschaft in der KI-Forschung einen Paradigmenwechsel, der das einst logikbasierte Anwendungsfeld durch die Simulation von Lernen mittels statistischer Modelle ersetzte – wir nennen das maschinelles Lernen.“ Laut Ellen Friedman, Principal Technologist bei MapR, ist KI „ein griffiger Terminus und eventuell als Untergebiet von maschinellem Lernen anzusehen (andere Fachleute definieren ML als Teilgebiet der KI, d.Red.). Beide Termini und die durch sie repräsentierten Prozesse existieren schon sehr lange.“

Der Aufschwung rund um das Thema KI und ML hat nach Meinung der Experten mehrere Gründe: ein wesentlich größerer Umfang und eine breitere Vielfalt an Daten zur Generierung von maschinellen Entscheidungen; bessere, praxisgerechtere Technik und Architekturen zur Erzeugung von Daten und Modellen; bessere Algorithmen sowie in einigen Fällen vorintegrierte, an Kundenbedürfnisse anpassbare Modelle, die erheblich bessere Ergebnisse erzielen – vor allem bei klassisch schwierigen Problemen wie dem maschinellem Sehen, Spracherkennung und Übersetzungen; sowie eine wesentlich breitere Akzeptanz des Mehrwerts und der Umsetzbarkeit von KI und ML. Die Kombination dieser Entwicklungen hat letztendlich zu einer Demokratisierung von KI geführt, sodass Anwendungen auf KI/ML-Basis häufiger zum Einsatz kommen als früher.

Beispiele für KI-Anwendungen

In Zeiten fortschreitender Digitalisierung steigt auch die Menge der Daten, die dabei anfallen, sehr stark an. Diese Daten entstehen in den unterschiedlichsten Unternehmensbereichen und in verschiedenen Formaten. Häufig sind sie undefiniert und unstrukturiert, in dieser Form somit zunächst einmal nutzlos. Um sie erfolgreich verwenden zu können, sind die Unternehmen darauf angewiesen, Datenströme sinnvoll zu erfassen, unter entsprechenden Fragestellungen zu analysieren und dann in zielführende und vor allem möglichst effektiv umsetzbare Handlungsempfehlungen zu übersetzen. Unternehmen benötigen diese entschlüsselten Daten zum Bei-spiel, um im Wettbewerb mitzuhalten oder zu expandieren, ihre Effizienz oder Sicherheit zu verbessern, das Supply-Chain-Management (SCM) zu optimieren oder den Umsatz zu steigern. Der Einsatz von KI ist hier längst keine Zukunftsmusik mehr. In Bereichen wie Gesundheitswesen, Bildung, Transportwesen, öffentliche Sicherheit, Retail, Marketing, Telekommunikation, Entertainment, Fertigung, Konstruktion, Energie, Arzneimittel, SCM und vorbeugender Wartung („Predictive Maintenance“) findet KI bereits mit Erfolg Verwendung.

Die Fähigkeit von KI, verborgene Muster in großen Datenmengen zu erkennen, macht sie für unterschiedlichste Einsatzgebiete interessant – von der wissenschaftlichen Forschung bis zum angewandten Marketing. Forscher versprechen sich von KI eine neue Generation maßgeschneiderter Medikamente und medizinischer Therapien. Marketingfachleuten bietet KI ungeahnte neue Möglichkeiten für Verkauf, Cross-Selling und Up-Selling. Bei der Verwendung von KI in Bezug auf Datensätze im Einzelhandel lässt sich zum Beispiel präzise ermitteln, welche Produktkombinationen Konsumenten in einem Supermarkt oder Einrichtungsgeschäft kaufen. Dank KI-generierter Erkenntnisse können Händler ihre Produkte genau dann und dort anbieten, wo die Käufer sie mit der größten Wahrscheinlichkeit kaufen werden. Zudem ermöglicht KI den effektiven Einsatz von Rabattaktionen oder die Organisation spezieller Verkaufsevents – auf der Basis faktenbasierter Analysen statt vager Einschätzungen der Einkaufgewohnheiten.

KI hat somit das Potenzial, viele Aspekte unseres Lebens grundlegend zu verändern. Trotzdem sind wir auf unser menschliches Urteilsvermögen angewiesen, um aus den Einsichten, die KI offenlegt, die richtigen Schlüsse ziehen. KI ist zwar in der Lage, für das menschliche Auge nicht erkennbare Datenmuster zu finden, doch nicht jedes entdeckte Muster ist auch inhärent wert-voll. „Die vielleicht einfachste Definition von KI ist die Bezeichnung als ein maschinengestützter Entscheidungsprozess“, resümiert Ellen Friedman. „KI ist keine Magie. Sie erfordert geeignete Daten guter Qualität, ein Verständnis dieser Daten, die richtige Fragestellung oder Analysegrundlage, korrekte Algorithmen, umfassende Logistik für das Daten- und Modell-Management sowie eine Vorstellung davon, wie sich die Ergebnisse einer KI-Anwendung praktisch umsetzen lassen.“

Demnach kann KI/ML einen wichtigen Beitrag zur Datenanalyse liefern, die Ideenfindung anregen und Routineaufgaben beschleunigen oder automatisieren. Je besser ein Unternehmen seine Mitarbeiter darin ausbildet, die Möglichkeiten von KI/ML zu nutzen, desto mehr Gewinn kann es aus der entsprechenden Technik ziehen. Wichtig ist jedoch, dass die Unternehmen ihre Mitarbeiter darüber aufklären, wie entsprechende Anwendungen ihre Arbeit vereinfachen und ihnen Türen zu neuen Arbeitswelten öffnen. Eine dieser neuen Arbeitswelten gestalten die sogenannten Data Scientists oder Datenwissenschaftler. Sie sollen den Unternehmen die neu sprudelnden Datenquellen erschließen, sie entschlüsseln und daraus gewonnene Ergebnisse zur Verfügung stellen.

KI braucht qualifizierte Mitarbeiter

Um ML-Systeme in Unternehmen zu entwickeln und zu integrieren, werden unter anderem auch Datenanalysten, Datenaufbereiter (sogenannte Data Wranglers), Datenwissenschaftler und Ingenieure benötigt. Den Data Scientists kommt wohl die entscheidende Rolle zu, diesen Prozess zu begleiten und zu steuern. Hierfür bedarf es exzellenter technischer Fähigkeiten sowie hoher Führungs- und Kommunikationskompetenz. Data Scientists verfügen auch über das Wissen, um ML und andere revolutionäre Techniken erfolgreich zu implementieren und KI-basierte Lösungen oder -Dienstleistungen in einem Unternehmen einzuführen. Diese Experten sind überaus gefragt und können wesentlich zum Erfolg oder Misserfolg einer Organisation beitragen. Laut einer IDG-Studie gehört der Bereich Data Analytics zu den Unternehmensfeldern, in denen CIOs das meiste Geld investieren, gefolgt von Cloud Computing. Deshalb haben Unternehmen ein sehr hohes Interesse, Data Scientists für sich zu gewinnen und zu fördern, um sie an sich zu binden. Zu diesem Zweck suchen Unternehmen nach strukturierten Lernoptionen, um ihre IT-Mitarbeiter weiterzuentwickeln und von Datenanalysten auf Einstiegsniveau zu Datenexperten und Data Scientists auszubilden.

Die Nutzung relevanter Daten, um Geschäftsentscheidungen zu unterstützen und Ergebnisse zu messen, ist also einer der Schlüssel, um eine Unternehmensstrategie zu erstellen, die Abläufe zu verwalten und das Unternehmen effektiv zu steuern. Hier kommt es vor allem auf die Qualität und Aussagekraft der Daten und weniger auf deren Quantität an. Der Zugang zu relevanten Daten erfordert es von Organisationen, IT-Lösungen auf der Basis von ML- und Deep-Learning-Algorithmen aufzubauen, zu entwickeln und zu ergänzen. Damit sind sie in der Lage, Erkenntnisse aus vergangenen Ereignissen und Entscheidungen zu ziehen und fundierte Voraussagen für die Zukunft zu treffen. Man könnte sagen, dass Unternehmen so aus Fehlern lernen und ihre Strategie verbessern können. Um dies zu erreichen, müssen Datenwissenschaftler in der Lage sein, Ideen zu übersetzen, mit anderen zusammenzuarbeiten, Teams zu leiten und mit Führungskräften zu kommunizieren. Zudem sollten sie die Branche, ihr eigenes Unternehmen und dessen Ziele oder Schwächen sehr gut kennen, um die richtigen Fragen zu stellen und diese dann auf der Basis relevanter Daten fundiert beantworten zu können.

Fortbildung sichert Fortschritt

Auch angesichts der Fortschritte durch KI/ML oder Automatisierung kommt es letztlich immer noch auch auf möglichst gut ausgebildete und motivierte Mitarbeiter an. Diese machen es erst möglich, die innovativen IT-Lösungen zu nutzen, und bringen somit ihre Unternehmen sowie die technische Entwicklung entscheidend voran.

Andreas Rothkamp ist Vice President der DACH-Region bei Skillsoft, www.skillsoft.com.