Bodenproben, Stromerzeuger und IT

Manchmal bin ich überrascht, wie scheinbar völlig verschiedene Bereiche doch eng zusammenhängen. Als ich die ersten Dashboards für meine Daten zur Nutzung unserer Lösungen gebaut hatte, sah ich, dass die Qualität der Daten Verbesserungspotential hat. Teilweise fehlten Daten, oder sie waren veraltet. Und doch konnte ich schon Einsichten und Ergebnisse für unser Produktmanagement präsentieren.

Letzte Woche sprach ich mit einer Freundin, die als chemische Assistentin in einer Behörde Bodenproben analysiert. Auch sie sammelt Daten und stellt Dashboards und Übersichten bereit. Auch bei ihr sind die Daten unvollständig oder fehlerhaft. Auch sie kann aber wertvolle Einsichten generieren.

Dann folgte ein Gespräch mit einem anderen Freund, der bei einem Energieerzeuger Daten zur Stromgenerierung sammelt und für Berichte an die Geschäftsführung aufbereitet. Auch er hat mit der Datenqualität zu kämpfen.

Ich finde es sehr spannend, dass alle diese verschiedenen Fachbereiche am Ende dieselben Herausforderungen haben. Und immer zeigen sich dieselben zwei Strategien:

  1. Zeige das Beste, was du kannst mit den Daten, die du hast.
  2. Arbeite an der Qualität deiner Daten.

Aber versuche nicht den Ozean zu kochen. Du wirst niemals 100% korrekte Daten haben. Sieh zu, dass die Fehler nicht die Botschaft deiner Dashboards verdrehen. Jetzt arbeite ich mit zwei Sichten auf unsere Daten: Eine interne Sicht, die Lücken in der Qualität sichtbar macht, und eine externe Sicht, die unseren Stakeholder hilft, Entscheidungen zu fällen. Dabei müssen wir Hilfen für die Interpretation mitgeben, solange es Lücken in der Qualität der Daten gibt.

Und am wichtigsten: Wir müssen offen sagen, wie die Qualität der Daten ist, wenn wir Dashboards bauen.

Ich werde eine Art „Data Scientist“

Ich arbeite seit kurzem als „Senior Customer Adoption Engineer“. Das ist eine Art „Data Scientist“, ein Datenwissenschaftler, der hilft Informationen zu gewinnen, wie moderne Technologien eingesetzt werden. So können bessere Entscheidungen über zukünftige Softwareentwicklungen getroffen werden. Davon profitieren wiederum unsere Kunden. Ich bin sehr froh über diese neue Aufgabe. Ich halte sie für sehr wichtig. Lasst mich erklären, warum ich das denke.

Daten können Leben retten

Wenn wir über große Datenmengen hören, dann ist das oft begleitet von der Sorge um unsere Privatsphäre. Aber wie so oft gibt es eine andere Seite. Umfangreiche Daten können helfen, lebenswichtige Entscheidungen zu treffen. Das wird besonders sichtbar während der aktuellen Corona-Pandemie. Je mehr Informationen wir über den Stand der Infektionen haben, je genauer und zuverlässiger diese Daten sind, desto bessere Entscheidungen können wir treffen. Entscheidungen, die viele Leben retten können.

Darum arbeiten Wissenschaftler fieberhaft daran, die Test-Kapazitäten auf das Corona-Virus zu erhöhen. Darum hören Politiker und Entscheidungsträger in Deutschland und vielen anderen Ländern auf Wissenschaftler. Die Empfehlungen der Wissenschaftler können aufgrund eine guten Datenbasis ausgesprochen werden.

Daten bei Produktentwicklungen und neuen Technologien

Mein Arbeitgeber VMware liefert neue Technologien, um Anwendungen besser zu erstellen, zu betreiben und zu nutzen. Produktmanager und Geschäftsbereiche müssen Entscheidungen treffen, welche Funktionen gebraucht werden, bzw. welche Verbesserungen wichtig sind oder schnell gebraucht werden. Zum Teil werden die Entscheidungen aus dem Bauch getroffen, aber ganz oft eben auch auf Basis vorliegender Daten.

Da gibt es einmal die Geschäftszahlen wie Umsatz, verkaufte Lizenzen pro Lösung, Pipeline, und andere relativ leicht zu beschaffende Informationen. Aber es gibt auch eine andere Seite: Was machen die Kunden mit den Technologien? Wie werden sie eingesetzt? Welcher Nutzen ist besonders wichtig, welche Schwierigkeiten gibt es? Wir haben sehr viele Kunden, darum nutzen wir die Analyse von Support Anfragen, aber auch anonym gesendete Informationen von unseren Produkten, sofern die Kunden das zulassen. Über diese automatisierten Wege kann man interessante Daten bekommen.

Wirklich wertvoll sind aber die Daten, die das Subjektive Empfinden der Nutzer wiederspiegeln. Wie gut erfüllen die neuen Technologien und Lösungen die Aufgaben, für die sie gedacht sind? Diese Art von Recherche zu verbessern, daran arbeite ich jetzt in meinem neuen Team. Dazu gibt es ein wunderbares Buch, dass ich dir ans Herz lege, wenn du dich für das Gewinnen von Kundeninformationen interessierst: „Lean Customer Development“ von Cindy Alvarez. Der Untertitel ist „Build Products Your Customers Will Buy“, und es ist voll von Einsichten und praktischen Tipps, wie du Kunden ansprichst, sei es via Emails, Telefoninterviews oder vor Ort Interviews. Das Buch ist wertvoll für Start-Ups und auch für etablierte Unternehmen.

Ich arbeite an Wegen, sinnvolle Informationen bereitzustellen, die wertvolle Einsichten generieren. Davon sollten unsere Kunden profitieren, weil sie noch bessere Lösungen bekommen, aber es soll auch die Arbeit unseres Produktmanagements erleichtern. Es soll helfen, die richtigen Entscheidungen zu treffen.

Der Aal und die Disziplin der kleinen Schritte

Hast Du schon mal versucht, einen lebendigen Aal festzuhalten? Es wird dir kaum gelingen. Ich bin in Norddeutschland am Steinhuder Meer aufgewachsen, und dort gibt es Aale. Mit meiner Schulklasse war ich mal auf Besuch in einer Aalräucherei, und wir durften versuchen, einen Aal festzuhalten. Er rutscht dir durch die Finger. Länger als ein paar Sekunden hat es keiner geschafft.

Manchmal kommt es mir vor, dass der Mehrwert einer neuen technischen Lösung wie ein Aal ist. Da hat man Millionen in neue Software oder Dienstleistungen investiert, und am Ende ist man sich nicht sicher, ob dieses Investment einen messbaren Mehrwert für das eigene Unternehmen geliefert hat. Das scheint ein Trend über alle Branchen hinweg zu sein, besonders aber in moderner IT wie Cloud Computing tun sich IT Abteilungen schwer. Hersteller reagieren mit neuen Rollen wie „Customer Success Manager“. Eine Suche auf Xing nach diesem Job Titel ergibt heute 9070 Treffer. Diese Leute helfen Kunden, Mehrwerte einer Lösung zu realisieren.

In einer idealen Welt liefert ein Produkt nach der Installation seinen Mehrwert und alle sind zugfrieden. Aber die Welt ist nicht ideal. Gerade Lösungen, die einen Umbruch bedeuten, die besonders viel Mehrwert liefern sollen, erfordern eine Veränderung im Verhalten der Nutzer. Das fängt im Apple Store an, wo du dir erklären lassen kannst, wie der Umstieg auf Apple Produkte funktioniert. Aber noch viel mehr gilt dies in großen Unternehmen. Da spricht man dann oft von „Operational Transformation“, die Umstellung des IT Betriebs.

Darum bin ich ein großer Fan von kleinen Schritten: „Think big and start small.” Wenn der Mehrwert einer großen Idee nach kurzer Zeit schon in einer ersten Implementation sichtbar ist, dann kann der IT Leiter der Geschäftsführung besser belastbare Vorhersagen über zukünftige Mehrwerte liefern.

Sucht einen konkreten Use Case, der nah am Geschäft liegt. Definiert, wie ihr den Erfolg messen wollt. Denkt besonders daran, wie ihr den Erfolg einer Betriebsumstellung messen wollt. Und wartet nicht zu lange bis zum ersten Meilenstein.

Wenn ein besonderes Vertrauensverhältnis zwischen Kunde und Lieferant besteht, dann werden manchmal auch ganz große Projekte angestoßen, und neue Investitionen werden getätigt, bevor das vorhergehende Projekt einen messbaren Mehrwert geliefert hat. Das kann funktionieren, aber auf lange Sicht ist das ein Risiko für beide Seiten. Denkt an die Disziplin der kleinen Schritte.

Ein KI Spielplatz

Diese Woche war ich zur offiziellen Eröffnungsfeier des ARIC (Artificial Intelligence Center) Hamburg eingeladen. Das ARIC bringt Unternehmen, Start-Ups, Forschung, Banken und Politik zusammen, um KI-basierte Projekte zu initiieren und KI-Lösungen am Markt zu etablieren. Neben guten Gesprächen erlebte ich interessante Vorträge, in denen KI-Projekte vorgestellt wurden.

Ein sehr großes etabliertes Finanzunternehmen nutzt KI auf zwei Arten. Es gibt kurzfristige (in 1 bis 3 Jahre Laufzeit) Projekte, in denen moderne Anwendungen und neue Benutzerschnittstellen entwickelt werden. Langfristig werden in Zusammenarbeit mit dem ARIC ganz neue Geschäftsfelder angegangen, und die alten Prozesse fundamental zu verbessern, z.B. bei der Analyse von rechtlichen Dokumenten.

Ein Kommunikationsunternehmen stellte vor, wie sie KI nutzen, um die Effizienz und Reichweite von Marketingmethoden zu bewerten und zu optimieren. Ein Beratungsunternehmen zeigte, wie mit KI in der Bildanalyse Defekte an Triebwerke von Flugzeugen viel schneller kategorisiert werden können.

Es gibt viele Ideen, wie KI neue Geschäftsfelder treiben kann, und doch wirkte es auf mich ein bisschen wie ein Spielplatz. Das ist nicht negativ gemeint. Es geht um spielerisches Experimentieren. Es wird noch viel mehr probiert werden. Und es kommt darauf an, im kleinen Stil anzufangen und den Mehrwert von KI Lösungen zu beweisen, wie ich schon früher geschrieben hatte.

Je mehr KI-basierte Geschäftsmodelle funktionieren, desto mehr neue Ideen kommen dazu. Ich kann mir vorstellen, dass KI für viele Unternehmen noch sehr viel interessanter werden wird. Und zwar schneller als man denken mag.

Wirklich intelligente Maschinen

Die Definition von künstlicher Intelligenz kann schwammig sein. Manchmal scheint es nur brute force number crunching zu sein. Da wird über immer mehr Rechenleistung ein Verhalten erzeugt, dass Intelligenz zu zeigen scheint. Aber wenn wir hinter die Kulissen von Deep Blue und anderen Supercomputern schauen, die Spiele wie Schach oder Go meistern, dann sind das Sonderfälle, wo Wissen auf einem klar definierten Gebiet optimiert ist.

Die menschliche Intelligenz ist viel kreativer und anpassungsfähiger. Sie ist auf alle Fälle unseres Lebens vorbereitet, viel mehr als jeder Computer.

Und genau da setzt der 15 Jahre alte Klassiker von Jeff Hawkins und Sandra Blakeslee an: „On Intelligence“ ist ein Buch, in dem wir sehr detailliert die Einzelheiten lernen, wie das menschliche Gehirn funktioniert, wie der Neocortex aufgebaut ist, wie wir uns damit Dinge merken, und wie wir Entscheidungen treffen. Und genau diese biologische Vorlage nehmen die Autoren, um Hinweise zu geben, wie man wirklich intelligente Computer bauen kann.

Ein Kollege und Freund hat mir dieses Buch empfohlen, und ich kann diese Empfehlung nur weitergeben. Auch wenn die Vorhersagen von vor 15 Jahren nicht so richtig eingetroffen sind, ist es doch eine erhellende Lektüre.
„Die mächtigsten Dinge sind einfach.“, schreibt Jeff im Prolog. Er hat Recht, man mag nur an das iPhone denken. So wird in diesem Buch eine einfache und geradlinige Theorie der Intelligenz dargestellt. Es ist sehr tief gehend, wenn die einzelnen Zellen und Zellregionen im Gehirn erklärt werden, wie sie zusammenwirken, und wie Informationen gespeichert und abgerufen werden. Ja, du solltest dich beim Lesen konzentrieren, aber ist es auch für Nicht-Neurowissenschaftler verständlich.

Wenn nun eine Maschine dieses Verhalten des menschlichen Gehirns nutzt, dann ist sie wirklich intelligent. Jeff vermutet in diesem Buch, dass in 10 Jahren (das wäre 2015) solche intelligenten Maschinen existieren. Aber im nächsten Satz wird er gleich vorsichtiger, weil es auch länger dauern kann.

Jeff ruft dazu auf, solche Maschinen zu bauen, die den menschlichen Neocortex des Gehirns als Vorbild haben. In dem Buch gibt es einige Beispiele, z.B. wie solche Maschinen kommunizieren und das Wetter der Welt in einer Detailtiefe erfassen, die heute unmöglich scheint. Wollen wir das wirklich? Ich bin mir nicht sicher, ob das eine gute Idee ist. Und ich habe auch noch nichts weiter von solchen Maschinen gehört.

Wie dem auch sei, ich empfehle das Buch „On Intelligence“ jedem, der sich für intelligente Computer interessiert. Du wirst nach der Lektüre mehr Respekt vor deinem Gehirn haben.

Investitionen in AI und die Rolle von VMware

Auf der NORTEC 2020 Fachmesse für Produktion wurde ich zu einer Round Table Diskussion eingeladen, bei der es um die Einführung der KI in der Fertigungsindustrie ging. Große Unternehmen, Universitäten und lokale Wirtschaftsführer untersuchten, wie man mit KI Innovationen vorantreiben und einen Geschäftsplan dafür erstellen kann. Ich wurde gebeten, die Rolle der Virtualisierung für KI/ML-Projekte vorzustellen, und ein Datenwissenschaftler war interessiert (und überrascht) an den Leistungsvorteilen der Virtualisierung, wie sie im VROOM Blog-Artikel How Does Project Pacific Deliver 8% Better Performance Than Bare Metal? beschrieben sind.

Mehrere Vertreter und lokale Führungskräfte aus Privat- und Familienunternehmen diskutierten über ihr Geschäft. Kleine und private Unternehmen treiben die Wirtschaft in Norddeutschland an, hier gibt es nicht einen einzigen DAX-Konzern, aber viele kleine und mittlere Unternehmen. Ich war überrascht zu erfahren, dass diese kleineren Unternehmen ihren Umsatz viel schneller und stärker steigern als die großen öffentlichen Unternehmen. Die Übereinstimmung war, dass langfristige Investitionen die kurzfristigen Investitionen übertreffen. Öffentliche Unternehmen müssen den Shareholder-Value berücksichtigen und vierteljährliche Zahlen vorlegen. Es werden viele Entscheidungen getroffen, um die kurzfristigen Einnahmen zu steigern. Kleinere Unternehmen haben einen Zeithorizont von 10 bis 20 Jahren für ihre Investitionen, was zu einem stabileren und zuverlässigeren Geschäft führt. Sie arbeiten über viele Generationen hinweg.

Dies hat einen interessanten Einfluss auf ihre KI-Strategie. Diese Unternehmen können sich keine großen Investitionen leisten, deshalb haben wir gemeinsame Projekte mit Studenten der örtlichen Universitäten diskutiert. Diese Unternehmer können es nicht riskieren, große Summen zu investieren, weil sie die Risiken kontrollieren müssen. Aber sie sind sehr interessiert an der KI, und es gibt erste Unternehmen, die einen Wert aus der KI ziehen. Aber sie stehen erst am Anfang. Ein weiterer Hemmschuh sind die Bedenken gegen die Nutzung der Public Cloud für KI-Projekte, vor allem in Bezug auf die Einhaltung von Compliance und den Schutz des geistigen Eigentums. Daher werden sie KI/ML-Software auch in ihren lokalen Rechenzentren oder Standorten betreiben wollen. Der Umfang der Investitionen liegt oft nur bei etwa 10.000 bis 15.000 € für Hardware, so dass ich zunächst dachte, dies sei zu uninteressant für Cloud Infrastrukturanbieter wie VMware, die eher größere Projekte unterstützen. Aber ich wurde nach der Virtualisierung von AI/ML-Workloads gefragt, weil fast jeder gute Erfahrungen mit VMware vSphere (oder VMware Workstation) gemacht hat. Außerdem haben Universitäten und Forschungseinrichtungen wie das DESY wiederum ganz andere Größenordnungen abzudecken, was Infrastrukturprojekte mit Virtualisierung interessant machen kann.

Unerwartete Nebenwirkungen

Im Deutschlandfunk Podcast Die Maschine: Kontrolle ist gut, KI ist besser wird ab der 21. Minute eine schaurige fiktive Geschichte erzählt:

Es wurde eine künstliche Intelligenz entwickelt, die weltweit alle Medikamentenlieferungen kontrolliert und ausführt. Weil das so kritisch war, wurde ganz besonders viel wert auf einen speziellen Algorithmus gewählt, der Benachteiligung einzelner Bevölkerungsgruppen unter Garantie ausschließt, der immer 100% politisch korrekt ist.

Als nun die künstliche Intelligenz aktiviert wurde lief es zunächst gut, doch dann häuften sich in den reichen Ländern die Todesfälle von Diabetikern. Überall in den Krankenhäusern der Industriestaaten fehlt es an Insulin. Wie konnte das passieren?

Naja, das System funktionierte genau so, wie es entworfen wurde. Allerdings berücksichtigte die künstliche Intelligenz den Bedarf an Medikamenten weltweit. Für alle Menschen auf der Erde gab es aber nicht genug Medikamente wie Insulin. Unterversorgte Gebiete vor allem in Asien und Afrika bekamen von der künstlichen Intelligenz mehr Medikamente zugeteilt, die reichen Länder weniger. So wurde der Mangel global gleich verteilt.

Es ist ein ähnliches Dilemma wie zwei brennende Häuser, in denen Menschen eingeschlossen sind, du hast aber nur genug Helfer, um einen Brand zu bekämpfen und die Menschen zu retten, nicht beide Brände. Was machst du?

Das sind ethische Fragen, die eine künstliche Intelligenz nicht automatisch beantworten kann. Wenn also künstliche Intelligenz eingesetzt wird, um Leben zu erhalten, dann sollten wir ganz genau hinsehen. Und gut gemeint ist sicher nicht immer gut gemacht, wie die Geschichte von den Medikamenten zeigt.

ML Vorstellungsgespräch

Es gibt viele Varianten zu diesem Witz im Internet. So cool. Hier ist mein Favorit, den ich auf Twitter gefunden habe:

Interviewerin: Was ist Ihre größte Stärke?

Ich: Experte für maschinelles Lernen.

Interviewerin: Was ist 9 + 10?

Ich: 5.

Interviewerin: Nein. 19.

Ich: Es sind 14.

Interviewerin: Falsch. 19.

Ich: Es ist 19.

Interviewerin: Was ist 2 + 2?

Ich: 19.

Interviewerin: Sie passen perfekt in unser Team!

Wie eine kaputte Ehe

Es gibt Fälle, da denke ich IT und Business sind wie eine kaputte Ehe, und meine Arbeit ist die eines Familientherapeuten. Wie komme ich darauf?

Nun, bei einem Treffen von IT Spezialisten hatte ich mal gefragt, wer von den IT Experten hat den Druck, Infrastruktur schneller bereit zu stellen. Niemand hatte sich gemeldet. Alle meinten, ihre Arbeit sei ok.

Eine Woche später hatte ich bei der Machine Learning Conference ein paar Leute gefragt, wo sie Ihre Anwendungen laufen lassen. Sie sagten in der Public Cloud. Als ich fragte, ob sie überlegen, das auch im eigenen Rechenzentrum zu tun, starrten sie mich groß an: „Ich würde meine eigene IT Abteilung nie fragen, ob sie Machine Learning Anwendungen laufen lassen. Die sind viel zu langsam in der Bereitstellung.“

Kein Wunder, dass die IT Mitarbeiter keinen Druck spüren, dass Business fragt erst gar nicht nach schnellerer Bereitstellung, weil sie aufgegeben haben.

Das ist so wie in einer Ehe, wo die Ehepartner aufgegeben haben zu kommunizieren. Wenn man das lösen will, dann ist das harte Arbeit.

Nun gibt es sicher auch IT Abteilungen, die gut mit ihren Kunden in den jeweiligen Geschäftsbereichen zusammenarbeiten. Aber, liebe IT Leute, seid ihr sicher, dass ihr alle Anforderungen der Fachbereiche kennt? Reden sie noch mit Euch, oder haben sie aufgegeben? Es könnte eine gute Idee sein, Annahmen explizit zu validieren. Vielleicht gibt es ja doch noch ungenutztes Verbesserungspotential. Und liebe Fachbereiche, habt ihr Eure IT in letzter Zeit mal gefragt, ob sie nicht doch schneller reagieren können? Vielleicht habt ihr da Potential in der eigenen Firma übersehen?

Wenn IT zu langsam auf Geschäftsanforderungen reagiert, dann hat das in den wenigsten Fällen etwas mit Technik zu tun, da geht es um Prozesse und Teamstrukturen. Und vor allem geht es um Kommunikation. Vielleicht holt ihr euch Hilfe, um die Kommunikation wieder ins Laufen zu bringen.

Zwischen Hype und außergewöhnlichem Nutzen

Letzte Woche war ich auf der ML Conference in Berlin. Die Konferenz war sehr lehrreich für mich. In den Vorträgen ging es einerseits um die Technik hinter dem maschinellen Lernen, Data Science, Sicherheit und Algorithmen. Aber dann wurde auch darüber besprochen, wie ich ein ML Projekt aufsetze, welche Fehler begangen werden können, und warum Containertechnologien wie Docker oder Kubernetes ML Projekte sehr erleichtern. Am spannendsten fand ich aber die Vorträge, in denen es um konkrete Anwendungen von maschinellem Lernen und künstlicher Intelligenz ging. Und natürlich kamen auch die Gespräche mit anderen Teilnehmern nicht zu kurz.

Mein Fazit

Die meisten Unternehmen experimentieren zurzeit mit maschinellem Lernen. Es gibt wenig Ideen, wie diese neuen Technologien heute schon echte Vorteile für das Geschäft bringen. Der Hype in den Medien – sowohl das Positive als auch das Negative betreffend – war weit weg. Gleichzeitig stimmten alle, mit denen ich gesprochen hatte, darin überein, dass in ein paar Jahren jedes Unternehmen maschinelles Lernen einsetzen muss, um am Markt bestehen zu bleiben. Es wird der kleinste gemeinsame Nenner sein.

Dabei wird es sowohl in der Public Cloud als auch im eigenen Rechenzentrum genutzt werden. Das größte Problem im eigenen Rechenzentrum scheinen die langsamen Prozesse zu sein. „Es dauert viel zu lange, bis ich ein System aufgesetzt bekomme. Da bin ich in der Public Cloud viel schneller,“ wurde mir gesagt.

Aus Sicht meines Arbeitgebers VMware ist mir aufgefallen, dass einige Teilnehmer uns zwar kennen, aber keiner brachte VMware in Verbindung mit maschinellem Lernen und künstlicher Intelligenz. Dabei bietet VMware interessante Optionen an, wenn es um Flexibilität und Sicherheit der ML Anwendungen geht. Nun gut, das behandele ich ein anderes Mal.

Hier sind zwei Highlights aus meiner Sicht:

Wie wir Seeunfälle vermeiden

Die Keynote Data to the Rescue! Preventing Accidents at Sea von Dr. Yonit Hoffman des israelischen Startups Windward hat mich begeistert. Wusstet Ihr, dass 10% aller Schiffe einmal im Jahr eine Havarie haben? Mit Big Data Analysen und maschinellem Lernen hat Windward Modelle entwickelt um Unfälle vorherzusahen und auch zu verhindern. 150 Million Datenpunkte über Schiffspositionen, Schiffstypen, Wetterinformation, Wassertiefen, die Nähe zu Häfen, und viele weitere Daten wurden zusammengebracht und in tiefes Wissen und Verständnis über die Vorgänge auf See umgemünzt. Der Vortrag war wirklich fesselnd.

Die Ergebnisse haben zu einer sehr fruchtbaren und interessanten Zusammenarbeit mit Versicherungsunternehmen geführt. Stellt Euch mal vor, welche Welten da aufeinander treffen. Maritime Versicherungen arbeiten seit 350 Jahren auf ähnliche Weise – oft noch mit Papier. Jetzt entsteht etwas Neues. Und es ist ganz klar vom Geschäft getrieben. So stelle ich mir die Zukunft von maschinellem Lernen vor.

Regenabflussrohre für China

Das spannendste Gespräch war mit einem Mitarbeiter einer Firma, die Sanitäranlagen für große Gebäude und Regenwasser-Abflussrohre herstellt. Eine besondere Herausforderung sind große Flachdächer, z.B. für Industrieanlagen oder Geschäfte. Die Abflussrohre müssen genau den richtigen Durchmesser haben. Sind sie zu klein fließt zu wenig Wasser ab. Sind sie zu groß, entsteht kein Saugeffekt. Beim optimalen Durchmesser der Rohre entsteht ein Sog im Rohr, der das Regenwasser optimal ableitet.
Ich habe gelernt, dass viele Jahre Berufserfahrung nötig sind, um diese optimalen Rohre zu entwerfen. Das ist ein Problem, wenn man in neue Märkte gehen will. Nun hat das Unternehmen es geschafft, mit maschinellem Lernen optimale Regenrohrdurchmesser sehr viel schneller zu bestimmen. Damit ist es nun zum ersten Mal möglich, neue Märkte wie China anzugehen, auch ohne dort Mitarbeiter zu haben, die Jahrzehnte an Erfahrung besitzen.

Wenn maschinelles Lernen und künstliche Intelligenz heute schon auf diese außergewöhnliche Art Mehrwerte liefert, dann werden wir in Zukunft sicher noch mehr Beispiele sehen. Die Grenzen sind unsere Kreativität und Vorstellungskraft. Das Wissen um die Technik reicht nicht aus. Das ist nur eine notwendige, aber keine hinreichende Bedingung für den erfolgreichen Einsatz von maschinellem Lernen. Die Identifizierung von Geschäftsideen, das ist die wahre Herausforderung.