Trotz KI nicht aufhören, selbst zu denken
Die Digitalisierung hat die Art und Weise unseres Zusammenarbeitens verändert und Geschäftsprozesse und -modelle revolutioniert. Die Digitalisierung ist Alltag geworden. Und künstliche Intelligenz (KI) ist die neue Mode. Das Zauberwort heißt: Daten. Spätestens seit dem 25. Mai 2018 (kleiner Tipp: Einführung DSGVO) haben wir alle verstanden, wie wertvoll Daten sind.
Mit ihnen wird tagtäglich unser Verhalten als Konsument analysiert: Kaum surfe ich durchs Internet nach der Tasche, die sich meine Frau so sehnlichst wünscht – schon ploppt auf all meinen Online-Kanälen Werbung für neue Frauentaschen auf. Nur eines von vielen uns wohlbekannten Beispielen für Datenverwertung.
KI geht viel weiter: Potente Algorithmen verbergen sich hinter modernster Software und ziehen Korrelationen zwischen den brennenden Regenwäldern in Brasilien und einem potenziellen Terrorangriff in Afghanistan. KI-Algorithmen erkennen Muster und ziehen daraus Schlüsse, etwa in Form von konkreten Handlungen oder Empfehlungen.
Das heißt: Das, was eine der wichtigsten Teildisziplinen von KI – Machine Learning (ML) – auszeichnet, ist nicht nur das Erkennen von Mustern, sondern deren Fähigkeit, sich selbst Verhaltensweisen anzutrainieren. Ihre Funktionsweise geht deutlich über herkömmliche boolesche Operatoren hinaus: ML ist echtes Lernen auf Basis von Datensätzen.
Die Voraussetzungen sind heute so ideal wie nie zuvor. Verantwortlich dafür sind drei Umstände, allen voran Big Data. Betrachten wir die letzten drei Jahre, wurden mehr Daten generiert als in der gesamten Geschichte des Internets. Für das Jahr 2020 geht man von 44 Zettabytes Daten aus – das sind 1021 = 10 000 000 000 000 000 000 000 Byte.
Das braucht natürlich eine Menge Rechenleistung. Mit dem mooreschen Gesetz im Hinterkopf wissen wir, dass die Rechenleistung seit Beginn der KI-Thematik im Jahr 1956 rasant zugenommen hat. Mein derzeitiger Taschenrechner hat mehr Rechenleistung als mein erster C64.
Das letzte Thema betrifft Algorithmen. Entwicklungsumgebungen wie Jupyter-Notebook in Kombination mit Open-Source-Bibliotheken sind leicht zugänglich für jeden und stellen keine unüberwindbare Hürde mehr dar.
Heute gibt es mehrere Ansätze für verschiedene Aspekte des Datenmanagements und des KI-Lebenszyklus. Die Zusammenstellung und das Fitting für den eigenen Bedarf können jedoch ein herausforderndes Erlebnis darstellen.
Aus diesem Grund haben wir das Digital Innovation Lab ins Leben gerufen, das uns alle Voraussetzungen bietet, die es braucht, um Trends zu erkennen, zu testen und zu nutzen. Darin beleuchten, hinterfragen und testen wir Trendtechnologien bis aufs Äußerste.
Denn es geht darum, mit den neuen Möglichkeiten den Status quo infrage zu stellen und zu eruieren, wie wir und unsere Kunden zielorientiert und standardisiert arbeiten können. Wir sind SAP-Berater und werden es auch bleiben. Daher haben wir sämtliche Szenarien in SAP Data Intelligence 3, das erst seit März 2020 für die Allgemeinheit zur Verfügung steht, bereits getestet.
Wir brauchen die richtigen Daten, die richtige Quantität und die richtige Qualität an Daten, um zu den richtigen Ergebnissen zu gelangen – wie auch immer diese aussehen mögen. Diese kennen wir im Vorfeld nicht – unsere Kunden sind oft überrascht von ihren eigenen Datenergebnissen. Den Use Case und die Vision haben wir im Vorfeld festgelegt und behalten ein offenes Mindset für das, was kommt.
Am Ende kann ich behaupten: Der ganze Prozess der Datenexploration und des Feature Engineering braucht viel Hirn. Obwohl bezüglich künstlicher Intelligenz oftmals das Gegenteil behauptet wird, ist man hier als Anwender wirklich gezwungen, selbst zu denken und sich nicht nur auf die KI zu verlassen.
Das bedeutet, dass, auch wenn die Algorithmen vorgegeben sind, für die Fachanwender gilt, über die resultierenden Insights nachzudenken und Handlungen abzuleiten. Künstliche Intelligenz schafft nicht das Denken ab, es hebt das Denken auf ein neues Level.
