Revolutioniert Machine Learning das Datenmanagement?

Künstliche Intelligenz, kurz KI, ist dieser Tage ohne jeden Zweifel das heißeste Thema in der IT. Der weltweit größte Hedgefonds Bridgewater Associates arbeitet an einer Software, mit der sich das Tagesgeschäft automatisieren lässt, einschließlich Einstellungen und Kündigungen sowie strategischer Entscheidungen.

Babylon, ein britisches Unternehmen aus dem Gesundheitssektor, hat 60 Millionen US-Dollar für die Entwicklung eines KI-Doktors aufgenommen, der ohne menschliche Hilfe Diagnosen stellen und die Wahrscheinlichkeit zukünftiger gesundheitlicher Probleme abschätzen kann.

Analysten zufolge nutzen 44 Prozent der Organisationen bereits KI oder planen den Einsatz in den nächsten zwei Jahren, weitere 38 Prozent denken darüber nach.

KI seit 60 Jahren

Das Ganze kommt nicht überraschend oder plötzlich: An KI geforscht wird schon seit mehr als 60 Jahren, allerdings kommt der Einsatz selbst für sehr kleine Organisationen erst in jüngster Zeit in Betracht.

Die Gründe dafür haben vor allem damit zu tun, dass KI und Machine Learning erst mit mehr Daten und Rechenpower endlich in der Lage sind, sinnvolle Ergebnisse zu liefern. Wir haben einen Punkt erreicht, an dem es technisch möglich und auch bezahlbar ist, buchstäblich alles zu speichern.

Um aber die Muster, Algorithmen und Modelle zu finden, die sich hinter den Daten verbergen, wird eine weitere Komponente benötigt, die jetzt zur Verfügung steht: die Leistung zu ihrer Verarbeitung.

Anstatt in physikalische Hardware vor Ort zu investieren, können Organisationen nach außen treten und Tausende von Servern mit ausgereifter und spezialisierter Hardware nutzen. Und zwar so lange oder kurz, wie sie benötigt werden, mit freundlicher Unterstützung der Anbieter von Cloud-Infrastruktur.

Anspruchsvolle Analysen und Modelle können jetzt in vernünftigen Zeitfenstern entwickelt und die Lernergebnisse in Echtzeit ausgeführt werden. Das Zeitalter von Machine Learning und KI ist da.

Daraus ergeben sich zwei Schlussfolgerungen für Unternehmen: Erledige damit Aufgaben, zu denen Menschen einfach nicht imstande sind, oder reichere die aktuelle Arbeit von Menschen damit an. JP Morgan Chase etwa spart im Jahr 360.000 Arbeitsstunden und beseitigt Fehler durch automatisiertes Lesen und Interpretieren von Kreditverträgen.

First Mover und Gewinner

Das Inova Translational Medicine Institute kann durch Machine-Learning-Algorithmen seinen Patienten individuelle Behandlungspläne erstellen. Die Algorithmen nutzen Terabytes an klinischen und Genominformationen, um genetische Faktoren für Krankheiten zu identifizieren.

Menschliche Arbeit anzureichern oder neue Bereiche anzustoßen findet in allen Branchen Anwendung. Dennoch gibt es klare „First Mover“ und Gewinner: Banken, Handel und das Gesundheitswesen.

Diese Branchen haben schon immer relevante Daten gesammelt. Sie gehörten auch zu den Ersten, die Open-Source-Big-Data-Plattformen eingesetzt haben, um die Daten managen zu können.

Jetzt können sie aus dieser alten Gewohnheit Kapital schlagen und von der Entwicklung und Verbreitung von Open-Source-Projekten wie Apache Spark profitieren, die Machine Learning ermöglichen und direkt in ihre bestehenden Plattformen passen.

KI ist kein Privileg weniger Unternehmen mit Nischenanwendungen mehr. Mit einem integrierten Technologie-Stack, der die Massen an Daten und Rechenpower zusammenbringt, kommen immer mehr ausgereifte Anwendungsfälle, die den Nutzen des Ansatzes unterstreichen. Ein solcher Stack macht Machine Learning und KI möglich.

Es bedarf nur noch einer Vision und eines Anwendungsfalls.