Machine Learning


Maschinen sind weder eine Bedrohung für den Menschen noch der ultimative Heilsbringer. Im Zeitalter der digitalen Revolution teilen sich Mensch und Maschine vielmehr die Arbeit und bilden zusammen das Siegerteam der Zukunft: Maschinen erledigen Aufgaben, in denen sie dem Menschen überlegen sind und öffnen ihm so Freiräume für Fähigkeiten wie Kreativität, Innovation und Emotionalität, die im Wettbewerb überlebenswichtig werden. Ein Plädoyer für das Machine Learning.

Von Marten Lucas

Das Siegerteam der Zukunft: menschliche und maschinelle Intelligenz


Alles ist im Fluss. In einem Punkt wird sich die vierte industrielle Revolution, die Digitalisierung, nicht von den vorangegangenen unterscheiden: der Verlagerung von Aufgaben – weg vom Menschen und hin zu Maschinen bzw. Systemen.

Für jede Epoche der Umwälzung war die Zunahme an Automatisierung bisher charakteristisch. Sie prägte den Wandel von der Agrar- zur Industriegesellschafft, offenbarte sich in der Konsumgesellschaft mit Massenproduktion und Fließbandarbeit und war auch kennzeichnend für die dritte industrielle Revolution Anfang der 70er Jahre, als Maschinen digital wurden.

Für die Menschen war das ein Vorteil, weil sie von schwierigen oder monotonen Tätigkeiten entlastet wurden und Produktivität sowie Wohlstand stiegen.

Oder ein Nachteil, wenn die Arbeit und damit die Teilhabe am Wohlstand wegfielen. Ähnlich ist die Situation bei der digitalen Transformation, die in die Massenproduktion nach individuellen Kundenwünschen münden soll. Sie befeuert die Diskussion um das Verschwinden von Arbeit oder Berufen regelmäßig aufs Neue. Etliche Studien weisen auf zahlreiche Möglichkeiten der Automatisierung in Unternehmen hin.

Angekommen im Zeitalter der Digitalisierung:
Automatisierung veränderte in jeder Phase der Industrialisierung die Arbeit des Menschen.

 

Was automatisiert werden kann, wird automatisiert


Schon die Maschinenstürmer des frühen 19. Jahrhunderts konnten jedoch die Automatisierung ihrer Arbeit nicht verhindern, als sie durch Zerstörung von Produktionsmitteln versuchten, den Wert ihrer Arbeitskraft zu erhöhen. So wird es auch bei der vierten industriellen Revolution sein. Denn die Digitalisierung hat in unseren Alltag Einzug gehalten und dominiert ihn bereits in Teilen.

Mehr als die Hälfte der deutschen Onliner hat beispielsweise laut einer Studie des Bundesverbands Digitale Wirtschaft aus dem Jahr 2017 bereits einen digitalen Sprachassistenten benutzt und damit Kontakt zu künstlicher Intelligenz gehabt. Unsere Wege im Internet werden im Hintergrund schon seit längerem durch Algorithmen gelenkt – was in der Regel als Erleichterung gesehen wird.

Alle Anzeichen deuten mithin auch auf eine Arbeitswelt hin, in der lernende Maschinen als eine Spielart der künstlichen Intelligenz komplexe Aufgaben übernehmen werden, die sie schneller und präziser lösen können als jeder Mensch (siehe Infos unter dem Video).

Zum Beispiel in der Lagerverwaltung von Drogeriemärkten, wo Maschinen anhand großer Datenmengen über Wetterlagen, Kaufverhalten, Lagerbestand etc. verlässliche Informationen über den Bedarf an Saisonartikeln liefern.

Der amerikanische Einzelhandelskonzern Walmart nutzt schon jetzt Wetterdaten, um den Verkauf in seinen Filialen zu steuern. Auch Wirtschaftsprüfer könnten ihre Beratungsleistung effizienter und kreativer ausrichten, wenn Maschinen die lästige Prüfung von Belegen zuverlässig und schnell übernähmen.

Machine Learning hat seine Stärken – das zeigen die Beispiele – unter anderem bei der Vorhersage von Verhalten bzw. Ereignissen und hilft, Geschäftsprozesse zu optimieren. Auch das Marketing kann profitieren, beispielsweise durch intelligente Empfehlungssysteme, die den Vorlieben des Kunden entsprechende Vorschläge machen.

Der Mensch lenkt, die Maschine arbeitet


Wenn Effizienz, Leistungsvermögen und Genauigkeit Argumente für den Einsatz von maschinellem Lernen in Unternehmen sind: Wo bleibt dann der Mensch? Was kann er tun, was die Maschine nicht zu leisten imstande ist? Dem Menschen bleibt es mit seiner Intelligenz vorbehalten, die Welt, in der wir künftig leben wollen, intellektuell und ästhetisch erlebbar zu machen. Denn dafür braucht es etwas, was Maschinen abgeht: Originalität, Empathie und Begeisterung.

Ein neues Level der Wertschöpfung wird sich nur durch den Gebrauch dieser ureigenen menschlichen Eigenschaften erreichen lassen. Im Gewinnerteam aus natürlicher und maschinell gelernter Intelligenz obliegt es dem Menschen zu entwickeln, was Kunden an Produkten, Dienstleistungen und Services künftig erwartet. Wahrhaftige menschliche Interaktion wird deshalb eine neue Qualität und Wertigkeit erlangen.

Um diese neue Qualität an Interaktion zu leben, müssen unternehmensintern Vorbereitungen getroffen werden. Denn der digitale Wandel ist eine Gestaltungsaufgabe.

Diese verlangt ein klares Leitbild davon, wie Teams aus menschlicher und maschinell gelernter Intelligenz aussehen sollen. Entwickeln Sie Unternehmenswerte für diese Konstellation. Prüfen Sie anschließend, in welchen Bereichen die Installation von Teams Sinn ergibt und entwickeln Sie Strategien für die Umsetzung.

Es werden sich Möglichkeiten in den unterschiedlichsten Bereichen auftun. Nicht alle Optionen lassen sich ad hoc umsetzen. Starten Sie mit einem überschaubaren Projekt und auf Basis der daraus gewonnenen Erkenntnisse mit dem nächsten. Aber beginnen Sie jetzt. Denn eines ist sicher: Bevor künstliche Intelligenz menschliche Arbeit verdrängt, verlieren Unternehmen den Anschluss, die keine intelligenten Systeme nutzen.

 

 

 

 

 

 

 

 

 

Feedback erwünscht
Selbstlernende Maschinen besitzen die Fähigkeit komplexe Aufgaben zu übernehmen. Sie können z.B. Fehlermuster in der industriellen Fertigung erkennen oder Schäden prognostizieren. Die Technologie des Machine Learnings kommt u.a. auch in Dialogsystemen oder Chatbots zum Einsatz. Anders als Algorithmen, die strikt regelbasiert arbeiten und Prozesse abbilden, agiert Machine Learning mit Wahrscheinlichkeiten, die aus strukturierten Trainingsdaten abgeleitet wurden. Aus diesem Grund sind selbstlernende Maschinen in der Lage, auch komplexe Aufgaben zu lösen, deren Regeln nur schwer oder nicht beschrieben werden können. Ihr Wissen erwerben selbstlernende Maschinen durch Daten, die sie mittels mathematischer und statistischer Modelle verarbeiten. Je mehr Daten, desto größer ist das Wissen. Wie der Mensch benötigt auch Machine Learning Feedback über das eigene Handeln, um Fehler künftig zu vermeiden.

 

Einfache Machine-Learning-Systeme sind noch nicht sehr verbreitet, aber im Kommen. Ein Rückblick auf die letzten Jahre zeigt, mit welcher Geschwindigkeit die technische Entwicklung voranschreitet. Die rasante Verbesserung der Motorik des mobilen Roboters von Bosten Dynamics innerhalb von fünf Jahren ist ein Indiz dafür, wie schnell sich die Zeiten ändern können. Es spricht angesichts der freien Verfügbarkeit von Entwicklungstools wie Google Tensorflow viel für eine exponentielle Zunahme des Machine Learnings.

 

 

 

Machine Learning versus Algorithmus
Der Unterschied zwischen Algorithmen und maschinellem Lernen zeigt sich an folgendem Beispiel: Ein Algorithmus, der einen Kreis erkennen soll, müsste so geschrieben werden, dass die Kreisgeometrie als Regel (z.B. Pixelanordnungen) definiert ist. Machine Learning benötigt dagegen eine große Anzahl von Bildern mit markierten Kreisen. Anhand dieser Daten erlernt das System die Formen eines Kreises und erkennt Kreismuster in anderen Bildern wieder. Je variantenreicher die Trainingsdaten waren, desto besser kann das lernende System auch Kreise entdecken, die der Algorithmus nicht erkannt hätte. Zum Beispiel, weil bei der Programmierung verdeckte Objekte nicht berücksichtigt wurden. Übersieht ein selbstlernendes System einen Kreis und erhält ein entsprechendes Feedback, wird es diesen Fehler künftig vermeiden, ohne dass Entwickler die Programmstruktur anpassen müssten.