Maschinelles Lernen: Von der Theorie zur Realität

Der Mangel an speziell ausgebildeten Fachkräften behindert weiterhin die sich in der Ferne anbahnende KI-Revolution. Aus diesem Grund sollten intelligente Unternehmen genauso viel in einen kulturellen Wandel investieren wie in die Einführung neuer Technologien – Google macht vor, wie es geht. [...]

Wir werden geradezu überschwemmt von immer ausgefeilteren Theorien im Bereich des maschinellen Lernens. Schade ist nur, dass nur wenige Leute wissen, wie man sie auch richtig benutzt.

Wie jüngste Daten einer Forschungsumfrage von 451 Research aufzeigen, behindert der Mangel an ausgebildeten Fachkräften die KI-Revolution auch weiterhin. Tatsächlich waren wohl vor allem Menschen – nicht aber die Technik selbst – Ursache für die langsamere Aufnahme von jeglicher Form der technischen Revolution. Aus diesem Grund investieren intelligente Unternehmen heutzutage genauso viel in kulturelle Veränderungen wie in die Integrierung neuer Technologien.

Maschinelles Lernen: Hype und Hoffnung zugleich

Nicht, dass es sich irgendjemand nehmen ließe, einen Gewinn aus dem Phänomen des maschinellen Lernens zu ziehen, selbst, wenn er gar nicht die ausreichenden Fähigkeiten besitzt, es anzuwenden. Sehen Sie sich nur einmal die sich häufenden Erwähnungen von KI und maschinellem Lernen bei öffentlichen Einrichtungen an. Alle Führungskräfte wollen so tun, als würde ihr Unternehmen viel mit maschinellem Lernen anfangen. Ja, die Erwähnungen von KI sind im letzten Quartal einmal kurz eingebrochen, doch der langfristige Trend geht definitiv nach oben rechts – und das ohne entsprechende Investitionen, die dafür sorgen würden, dass sich die heiße Luft in satte Dividenden verwandelt.

The Number of Company Earnings Call Mentioning „A.I.“ or „Big Data“ Dipped in Q3. (This is the first QoQ Decline for A.I. Mentions) pic.twitter.com/OhJ937pZ6e

— Michael McDonough (@M_McDonough) 2. Oktober 2018

Als 451 Research nach den größten Hindernissen zur Umsetzung maschinellen Lernens fragte, antworteten 36 Prozent der Befragten, dass sich nicht genügend ausgebildete Fachkräfte zur Verfügung hätten, während weitere 32 Prozent angaben, dass sie es sich entweder nicht leisten können oder nicht wirklich wissen, was sie mit den Daten machen sollen. So zeigt es der Paragraph in Abbildung 1.

Im Folgenden hinderte die inexistente Verwendung von maschinellem Lernen 49 Prozent der Befragten nicht daran zu behaupten, dass ihr Unternehmen hauptsächlich „Wettbewerbsvorteile“ aus derselben ziehe, wie Abbildung 2 zeigt.

Die Ergebnisse sind nicht viel anders als die von früheren Umfragen zu Big Data, als Unternehmen in einem Atemzug große Vorteile durch Big Data zu verzeichnen angaben, im nächsten allerdings zugaben, dass sie keine Ahnung hatten, was sie da überhaupt taten.

Niemand will heute noch ein Noob im Bereich maschinellen Lernens oder Big Data sein, doch es ist gar nicht so einfach, alles richtig zu machen, was einem die Pressemitteilungen der Hersteller nahelegen. In der Studie von 451 Research finden sich zwar knapp 50 Prozent aller befragten Unternehmen, die im nächsten Jahr Algorithmen zum maschinellen Lernen einsetzen werden oder wollen, doch es käme überraschend, wenn von diesen 50 Prozent jedes Unternehmen ausreichend viel Erfahrung in der Integrierung und Nutzung von maschinellem Lernen vorweisen könnte. Viele von ihnen hören noch immer auf ihr Gefühl und hoffen, dass es sich früher oder später auszahlt.

Kein Wunder also, dass die Analyse von McKinsey & Co. darauf hindeutet, dass es weitere zehn Jahre dauern wird, bis maschinelles Lernen / KI tatsächlich in den allgemeinen Gebrauch aufgenommen werden wird. Veränderung braucht nun mal eben Zeit.

Our simulation shows that it will take about 10 years to reach the same absorption levels of #AI as for #digital technologies — in line with the absorption rate of past general-purpose technologies. https://t.co/AjAzUhW8td pic.twitter.com/FRgZrYocJe

— McKinsey Global Inst (@McKinsey_MGI) 2. Oktober 2018

Gewinn aus maschinellem Lernen ziehen: Eine Sache der Kultur

Für Unternehmen, die mit maschinellem Lernen große Gewinne erzielen wollen, ist es vermutlich die richtige Strategie, nicht herumzusitzen und darauf zu warten, dass sich die Welt von selbst verändert. Im Bereich der Cloud vertreibt Pivotal eine Software, mit der Unternehmen ihre Cloud-Dienste weiter ausbauen können, sowie professionelle Dienste, die den notwendigen kulturellen Wandel ermöglichen, um diese Cloud-Dienste nutzen zu können. IBM, HPE, SAP, Oracle usw. haben auf ihren jeweiligen Märkten schon längst dasselbe getan, als sie ähnliche Technologieumschichtungen angenommen oder vorangetrieben. Diese Unternehmen haben klar erkannt, dass der Verkauf von Technologie nur die halbe Miete ist: Wenn es niemanden gibt, der diese Software auch benutzen kann, wird es früher oder später Tränen geben.

Im Bereich des maschinellen Lernens ist Google das Unternehmen, das am meisten dafür tut, einen kulturellen Wandel zu ermöglichen, tut dies allerdings auf eine andere Weise als Pivotal.

Google betreibt keine „Dojos„, in denen Meister des maschinellen Lernens Aspiranten im Pivotal-Stil unterrichtet. Stattdessen verfügt Google über Open-Source-Schlüsseltechnologien wie TensorFlow, mit denen Aspiranten lernen können, mit maschinellem Lernen umzugehen. „TensorFlow“ wird als „Open-Source-Framework für maschinelles Lernen für alle“ bezeichnet und ebnet den Weg für eine Generation von KI-Praktizierenden, die mit maschinellem Lernen und KI „auf Google-Art“ aufwachsen. Dies führt wiederum dazu, dass viele dieser Praktizierenden davon überzeugt sind, ihre Workloads zum maschinellen Lernen von der Google-Cloud aus zu verwenden, wo sie auf optimierte Weise laufen.

Und selbst wenn das nicht der Fall ist, trägt die Open-Source-Bibliothek TensorFlow dazu bei, die Messlatte für Erfolg im Bereich des maschinellen Lernens zu senken, indem der Zugang zu leistungsstarker Technologie für maschinelles Lernen kostenlos zur Verfügung gestellt wird.

Mit Open-Source-Bibliotheken wie TensorFlow wird das maschinelle Lernen für Entwickler mit nur einem einzigen Download von „wichtig-aber-komplex“ zu „wichtig-und-leicht-zugänglich“. Es ist eine geniale Strategie, weil es die Notwendigkeit widerspiegelt, die Menschen, die diese Technologie nutzen sollen, zu verändern, bevor die Technologie wiederum Einfluss auf unsere Welt nehmen kann.

*Matt Asay ist Langzeit-Redakteur bei InfoWorld.com