Künstliche Intelligenz: Von den Herausforderungen vor dem Einsatz
(Bild: Shutterstock)
KI gilt als Wunderelixier. Sie konkret in Unternehmen zu nutzen, ist jedoch schwieriger, als es auf den ersten Blick scheint.
Die Kunst der Parfümherstellung hat sich seit 1880 kaum verändert. Seit dieser Zeit kombinieren erfahrene Parfümeure synthetische Inhaltsstoffe zu immer neuen, verführerischen Düften. Achim Daub, Leiter der Abteilung Scent & Care bei Symrise, einem der weltweit größten Dufthersteller, hat mit dieser Tradition nun jedoch gebrochen.
Daub wollte wissen, was passieren würde, wenn Symrise künstliche Intelligenz einsetzt. Würde eine Software Düfte vorschlagen, an die ein Mensch sich gar nicht erst herangetraut hätte? Er beauftragte IBM mit der Entwicklung eines Computersystems, das über riesige Mengen an Informationen verfügt – Formeln bestehender Duftstoffe, Verbraucherdaten, regulatorische Informationen und so weiter – sodass es in der Lage sein sollte, für spezifische Märkte maßgeschneiderte Düfte vorzuschlagen. Das System heißt Philyra – benannt nach der griechischen Göttin des Duftes. Anders als der Name suggeriert, kann es jedoch nichts riechen. Stattdessen soll es Symrise einen entscheidenden Vorsprung bei der Entwicklung neuer Produkte verschaffen.
Gerade kamen die ersten zwei Parfümkreationen der KI auf den Markt, entwickelt für junge Kunden in Brasilien. Daub ist mit den bisherigen Fortschritten zufrieden. Es hat jedoch fast zwei Jahre gedauert hat, bis es so weit war – und es waren erhebliche Investitionen erforderlich, die sich erst nach einer ganzen Weile amortisiert haben werden.
KI benötigte zunächst Schulung durch Experten
Philyras erste Vorschläge waren schrecklich. Sie empfahl immer wieder Shampoo-Rezepte. Die Erklärung: Die Software legte ein zu großes Gewicht auf Verkaufszahlen, und die liegen für Shampoo sehr viel höher als für Parfüm. Das System auf Kurs zu bringen, erforderte eine intensive Schulung durch die Parfümeure von Symrise. Darüber hinaus kämpft das Unternehmen immer noch mit kostspieligen IT-Upgrades. "Es ist eine steile Lernkurve", sagt Daub. "Wir sind noch lange nicht so weit, dass die KI vollständig in unserem Unternehmenssystem etabliert ist." Die Gefahr, dass Software schon bald menschliche Parfümeure ersetzt, ist also nicht sehr groß.
[1]Das Parfümgeschäft ist nicht die einzige Branche, die maschinelles Lernen einsetzt, ohne schnelle Erfolge zu sehen. Anwender in vielen Branchen klagen, wie schwierig es sei, die Technologie tatsächlich praktisch einzusetzen, wie kostspielig es sein kann und wie bescheiden der anfängliche Gewinn oft ist – ganz im Gegensatz zu den vielen Medienberichten darüber, wie die KI scheinbar unaufhaltsam die Welt erobert.
Wer die neuesten Fortschritte in der KI-Forschung verfolgt, kann ob des rasanten Aufstiegs der Technologie schon einen leichten Höhenrausch verspüren. Um die noch immer eng begrenzten Spezialfähigkeiten maschinellen Lernens zu erweitern, versuchen Forscher beispielsweise Maschinen das "Transferlernen" beizubringen – also aus der Lösung einer Aufgabe für die Lösung anderer Aufgaben zu lernen. Andere Arbeitsgruppen orientieren sich am biologischen Gehirn, um künstlichen neuronalen Netzen eine Art Langzeitgedächtnis zu verpassen, bringen ihnen bei, ihre Schlussfolgerungen zu erklären, oder kombinieren maschinelles Lernen mit Spieltheorie, um Wilderer auszutricksen. Selbst kreative Tätigkeiten wie Malen oder Komponieren sind maschinellen Systemen nicht mehr fremd, sodass sogar nüchterne Juristen sich mittlerweile über den Fortbestand des Urheberrechts Gedanken machen.
Einige Hürden
Es ist jedoch eine ganz andere Sache, KI für grundsätzliche Verbesserungen in Unternehmen einzusetzen, die nicht von Natur aus digital sind. Der Datenwissenschaftler Peter Skomoroch hat das sehr gut auf den Punkt gebracht, als er im vergangenen September twitterte: "Als Faustregel können Sie erwarten, dass der Übergang Ihres Unternehmens zum maschinellen Lernen etwa hundertmal schwieriger sein wird als der Übergang zur mobilen Kommunikation."
Das klingt vielleicht übertrieben, aber Skomoroch weiß nur allzu gut, wovon er spricht. Seine Firma SkipFlag vertreibt eine Software, die interne Unternehmenskommunikation in eine Wissensdatenbank für Mitarbeiter verwandeln kann. Ihm zufolge existiert eine Menge Ernüchterung, denn "KI und maschinelles Lernen werden oft als magischer Feenstaub angesehen".
Eine Frage der Kompatibilität
Das bedeutet nicht, dass KI überbewertet wird. KI ermöglicht sowohl völlig neue Produkte als auch neue Geschäftsmodelle, und sie kann Menschen von lästigen Routinearbeiten befreien. Aber Algorithmen sind eben nur ein kleiner Teil dessen, was bei der Neuorganisation von Geschäften wirklich zählt. Viel wichtiger sind organisatorische Änderungen.
Eines der größten Hindernisse besteht oft darin, dass Aufzeichnungen und Dokumentationen mit vielen unterschiedlichen Systemen erstellt werden, die meist nicht miteinander kompatibel sind. Ein Problem, auf das auch Richard Zane stieß, Chief Innovation Officer bei UC Health. Das Unternehmen betreibt ein Netzwerk von Kliniken in Colorado, Wyoming und Nebraska und hat erst kürzlich einen Livi getauften Chatbot eingeführt, der Sprachtechnologie von einem Start-up namens Avaamo nutzt. Livi soll Patienten auf der Website helfen, ihre Rezepte zu erneuern, Termine zu buchen oder andere wichtige Informationen zu finden.
Sprechstundenhilfe Livi
Mittlerweile haben die Mitarbeiter von UC Health tatsächlich mehr Zeit, um Patienten mit komplizierten Problemen zu helfen, während Livi Routinefragen bearbeitet. Die Einführung von Livi dauerte allerdings rund anderthalb Jahre, was vor allem auf Schwierigkeiten bei der Verknüpfung der Software mit anderen Verwaltungssystemen wie Patientenakten oder Abrechnungsdaten für Versicherungen zurückzuführen ist.
Ähnliche Probleme gibt es auch in anderen Branchen. Einige große Einzelhändler etwa speichern ihre Daten zu eigenen Einkäufen und Verkäufen in separaten Systemen, die nicht miteinander verbunden sind. Wenn Unternehmen solche Probleme nicht angehen, hat auch die beste selbstlernende Software keine Chance, denn ihr steht immer nur ein Teil der relevanten Daten zu Verfügung. Das erklärt, warum die bisher gebräuchlichsten Anwendungen der KI in Bereichen existieren, die relativ isoliert sind, aber dennoch über reichlich Daten verfügen – etwa die Betrugserkennung bei Banken oder die IT-Sicherheit.
Und selbst wenn ein Unternehmen Daten aus verschiedenen Quellen in sein KI-System einbezieht, bedarf es immer noch vieler Kontrollen, um sicherzustellen, dass die Informationen korrekt und aussagekräftig sind. Laut Genpact, einem IT-Dienstleister, der Firmen bei der Einführung von KI-Projekten unterstützt, haben oft nur zehn Prozent eines solchen Projekts wirklich mit KI zu tun. "Neunzig Prozent der Arbeit bestehen aus Datenextraktion, Bereinigung, Normalisierung und ähnlichem Rumgeärgere", sagt Sanjay Srivastava, Chief Digital Officer von Genpact. Bei Google, Netflix, Amazon oder Facebook mag das alles mühelos und leicht aussehen. Aber diese Unternehmen wurden aufgebaut, um digitale Daten zu erfassen und zu nutzen. Und sie haben keinerlei Schwierigkeiten, an Doktoranden und Gastwissenschaftler aus Mathematik, Informatik und Datenwissenschaften heranzukommen. "Das ist anders als bei den meisten anderen Unternehmen", sagt Skomoroch.
KI, um Ölfelder auszuwerten
In kleineren Firmen müssen sich die Mitarbeiter oft in viele verschiedene technische Bereiche einarbeiten, sagt Anna Drummond, die als Datenwissenschaftlerin bei Sanchez Oil & Gas beschäftigt ist. Das Unternehmen mit Sitz in Houston hat erst kürzlich begonnen, Produktionsdaten aus Öl- und Gasbohrungen in Echtzeit zu sammeln und zu analysieren. Natürlich hat Sanchez die dafür nötige Software nicht selbst entwickelt, sondern eingekauft. Aber Drummond und ihre Kollegen mussten sicherstellen, dass die Daten von den Ölfeldern auch tatsächlich im richtigen Format vorliegen und die Auswertungen in sinnvoller grafischer Form auf die Bildschirme der Ölförderer übermittelt werden. Menschen, die mit all diesen Dingen vertraut sind, seien "nicht leicht zu finden", sagt sie. "Es ist im Grunde genommen wie die Suche nach Einhörnern."
Vertrauen in die Software schaffen
Eine Erfahrung, die auch der Anlagenbauer Fluor machen musste. Das international tätige Unternehmen arbeitete rund vier Jahre mit IBM zusammen, um ein KI-System zu entwickeln, das seine großen Bauprojekte überwachen sollte. Das System verarbeitet sowohl numerische als auch natürlichsprachliche Daten und warnt die Projektleiter vor Problemen, die später zu Verzögerungen oder Kostenüberschreitungen führen können.
Die Datenwissenschaftler von IBM und Fluor brauchten nicht lange, um die Algorithmen für das System zu entwerfen, sagt Leslie Lindgren, Fluors Vice President für Information Management. Was viel mehr Zeit in Anspruch nahm, war die Implementierung der Technologie unter enger Beteiligung der Fluor-Mitarbeiter, die das System nutzen würden. Damit sie dem Urteil der Software vertrauen konnten, mussten sie lernen, wie das System funktioniert – und sie mussten die Ergebnisse sorgfältig überprüfen. Um ein solches System zu entwickeln, "müssen Sie Ihre besten Leute mitbringen", sagt Lindgren. "Das bedeutet, dass man sie von anderen Projekten abziehen muss."
KI-Durchdringung Stück für Stück
All diese Beispiele zeigen, dass sich neue Technologien in der Regel nicht einfach einkaufen und benutzen lassen wie eine neue Maschine. Sie sickern vielmehr langsam in die Wirtschaft ein und durchdringen sie Stück für Stück. Der US-Ökonom Zvi Griliches war der Erste, der diesen Prozess in den 1950er-Jahren genauer untersucht hat – am Beispiel von Mais.
Dass Mais sich verhältnismäßig leicht auf bestimmte Eigenschaften hin züchten lässt, ist schon sehr lange bekannt. Der Nachteil ist allerdings, dass solche Züchtungen meist weniger robust sind und weniger Ertrag liefern. Kreuzt man jedoch zwei reinerbige Linien, erhält man Mais mit den gewünschten Eigenschaften, der stärker, ertragreicher und vitaler ist als der Mais der Elternlinien. Allerdings gilt das nicht für seine Nachkommen. Daher müssen Farmer, die Hybridmais verwenden, jedes Jahr neues Saatgut kaufen.
Griliches untersuchte, wie viele Farmer in verschiedenen Teilen des Landes auf Hybridsorten umstiegen. Was ihn vor allem interessierte, war das Prinzip dahinter – etwas, das wir heute eine Innovationsplattform nennen würden. Hybridmais war für ihn kein fertiges Produkt, sondern "die Erfindung einer Methode zur Züchtung von besserem Mais für spezifische Standorte", schrieb Griliches 1957 in seinem klassischen Aufsatz "Hybrid Corn and the Economics of Innovation".
Maschinelles Lernen wie Mais
In Iowa wurden Hybride bereits in den späten 1920er- und frühen 1930er-Jahren eingeführt. Bis 1940 machten sie fast den gesamten im Land angebauten Mais aus. Texas und Alabama hinkten der Entwicklung indes hinterher. Anfang der 1950er-Jahre bedeckten Hybride dort erst etwa die Hälfte der Maisanbauflächen. Weil die beiden Staaten nicht im reicheren und produktiveren Maisgürtel des Mittleren Westens lagen, war für sie der Umstieg auf das teurere Hybridsaatgut riskanter.
Ganz ähnlich heute: Maschinelles Lernen unterstützt die Geschäftstätigkeit von Unternehmen wie Facebook, Google und Amazon optimal und hilft ihnen, extrem reich zu werden. Außerhalb dieses KI-Gürtels geht der Wandel aus rationalen wirtschaftlichen Gründen viel langsamer voran. Die Verbreitung von Technologien hängt eben weniger von den intrinsischen Qualitäten der Innovationen ab als von der ökonomischen Situation der Nutzer. Die Schlüsselfrage der Anwender lautet nicht: "Was kann die Technologie?", sondern: "Wie viel werden wir davon haben, in sie zu investieren?"
(Bild: Symrise)
Bei Symrise hat das Parfüm-KI-Projekt einen "Sweet Spot" getroffen, glaubt Achim Daub. Es war ein relativ kleines Experiment, aber es handelte sich um eine echte Auftragsarbeit für einen Kunden und war keine reine Laborsimulation. Das erforderte eine Menge Vertrauen in die Technologie. "Wir alle stehen unter hohem Druck", so Daub. Eigentlich habe niemand Zeit, etwas von Grund auf Neues zu entwickeln. Dennoch ist Symrise das Wagnis eingegangen. "Ich bin überzeugt", begründet Daub den Schritt, "dass KI in den meisten Branchen eine große Rolle spielen wird. Das komplett zu ignorieren, ist keine Option."
(wst [6])
URL dieses Artikels:
https://www.heise.de/-4453539
Links in diesem Artikel:
[1] https://www.heise.de/
[2] https://www.heise.de/hintergrund/Kuenstliche-Intelligenz-Von-den-Herausforderungen-vor-dem-Einsatz-4453539.html
[3] https://www.heise.de/hintergrund/KI-in-freier-Wildbahn-4463333.html
[4] https://www.heise.de/hintergrund/Kuenstliche-Intelligenz-Entwickler-hoffen-auf-Wunderwaffe-Transferlernen-4463335.html
[5] https://www.heise.de/hintergrund/Kuenstliche-Intelligenz-Malende-dichtende-und-komponierende-Algorithmen-4468014.html
[6] mailto:wst@technology-review.de
Copyright © 2019 Heise Medien