Fantastische Sendung von SRF „Dataland“ Sehr empfehlenswert!

In welchem Datenland wollen die Schweizerinnen und Schweizer zukünftig leben?

Dieser und weiteren Fragen rund um die Digitalisierung in der Schweiz nimmt sich SRF im Rahmen des nationalen Themenabends «Dataland» an.

Susanne Wille führt durch die Sendung.

Zur Sendung

Using Artificial Intelligence in Sales Saves Time and Reveals New Opportunities

Management consultant, educator and author Peter Drucker once declared that increasing the productivity of knowledge workers was „the most important contribution management needs to make in the 21st century.“

AI is changing that. More than 75 percent of companies are firing up AI to accelerate business development, automate busy work and deliver a better customer experience.

AI algorithms are powering massive amounts of calculations and decisions because they can find patterns in data, unseen to the naked eye. They’re evolving technology in powerful ways that are enhancing our knowledge work:

1. Automating the work humans don’t want to do

The most liberating support comes from AI doing the jobs we find monotonous. AI platforms can do repetitive tasks, like learn how to automatically update contact data in your customer relationship manager (CRM) or generate weekly status reports for your leads.

In the business development world, AI and machine learning tools sort through leads and pull a wide range of data together about your prospect list. The tedious work of organizing contact information or researching prospect demographics can be handed to bots and allow your sales team to focus on selling.

2. Automating the work we can’t do

How many hours per week do you need to focus on selling to meet your quotas and keep the business growing?

You probably don’t have hundreds of hours left over for data science. But, that’s what it takes to review large data sets to find trends in your industry, uncover business opportunities and stay ahead of the competition. Whether you want to know which companies are actively searching for your solution or how qualified they are, the data is available — but it’s complex and spread out across multiple websites and databases.

AI bots and services can look at how many pieces of content are being shared around a topic, determine traffic volume, number of companies searching for your product/service and their lead score.

AI can also deliver complex data sets to be reviewed on one platform, instead of having your team sort through thousands of lists or records. It can review and mark this data, then provide a report of actionable insights.

3. Improving lead quality and shortening sales cycles

A full pipeline isn’t useful if the leads aren’t relevant or qualified. Today, many companies use a variety of people and tools to do basic data entry before these leads are delivered to a salesperson. Even then, they’re only guessing which leads will be interested.

Sales teams that use predictive analytics spend less time prospecting and more time selling, which motivates them and makes them more successful in their role. This reduces sales department churn.

AI is the new go-to partner for this relationship. Algorithms can now score leads based on key performance indicators (KPIs) and historical success patterns. The closer a new lead matches your existing best-value customers, the higher AI can score it.

Delivering a flow of the best leads who are ready to buy can significantly reduce your sales cycle times. It gives you more revenue opportunities because your team isn’t overwhelmed with prospecting or follow up — they’re focused on selling to qualified opportunities.

Focusing on the people already looking for your solution provides a more enjoyable process for both you and your future customer.

4. Predicting cross-sell and up-sell opportunities

AI provides a connection that we weren’t expecting initially but are pleased to see: people who want the advanced services our sales team can offer.

p-sells and cross-sells are often missed because sales teams lack a definitive process for whom to up-sell and when. It’s the easiest and most neglected part of the sales process.

AI makes your sales process more predictable by finding the customer personas who are most likely to say yes. That ensures sales teams are focused on customers with the largest revenue opportunity and the highest likelihood of converting.

Advanced analytics can help create these personas, and the AI underneath it can continuously update those personas based on how successful its past model was. Buyers enjoy the help. Businesses enjoy the increase in revenue. And sales teams enjoy hitting those stretch goals and maximizing their bonuses.

5. Forecasting sales projections for specific customer personas and offers

International Data Corporation (IDC) notes that real-time personalization of ads will arrive by 2020. The goal for these platforms is improving the accuracy of targeting, increasing the precision of its messaging and ensuring the context is appropriate for the customer and their pain points.

Smart AI will power these platforms and we can start to see it bridging the gap between inbound marketing and outbound sales development — aligning sales and marketing once and for all.

When we look at the possibility: It’s targeting your best customer personas with the best messaging to analyze buying stages, marketing channels and optimize them all. In essence, we’re learning the personas that respond best to each offer and when up-sells correlate with an increase in churn.

It’s possible for AI to scan an entire integrated database, from CRM and customer orders to conversation intelligence and lead scoring tools. Machine learning can build out customer personas that include risk prediction and sales potentials, segmenting groups into a variety of characteristics.

It’s a nuanced understanding of the customer journey that takes a few extra things into account:

  • Customer lifetime value
  • Risks relative to sales thresholds
  • Intervention points for sales and support
  • Projections by category and product type within customer groups as well as individual customers

This greater understanding can be used to guide a variety of business decisions. Initially, companies can use it to manage pricing and sales strategies. Later, there’s a clear understanding of messaging success rates by persona and product needs — even the potential for a tailored customer journey with offers designed to maximize revenue, while minimizing churn.

6. Making human work more meaningful and valuable

AI in business development boils down to this: It gives us the freedom to focus on our unique abilities. We’re not bogged down with repetitive busy work or boring data entry. We can focus on the meaningful work — the elements that lead to a successful sale and customer experience.

AI runs in the background and gives us the ability to increase the productivity of knowledge work.

„Every few hundred years throughout Western history, a sharp transformation has occurred,“ Drucker observed in a 1992 essay for Harvard Business Review.

In a matter of decades, technology altogether has evolved at light speed — its purpose, applications and capabilities. Years later, AI is changing our work in meaningful ways. And the people entering this brave new world can’t imagine work without this valuable tool. AI is transforming technology, saving us time and uncovering new sales opportunities — and surely exceeding the expectations of Peter Drucker.


Die künstliche Intelligenz wird unser Gott sein

Die künstliche Intelligenz  (KI) verspricht grosse Fortschritte in der Medizin und in der Forschung. Aber sie weckt auch Ängste vor Jobverlust und totaler Überwachung. Sind wir auf dem Weg ins Paradies oder in die Hölle? Antworten gibt der Ethik-Professor und KI-Experte Thomas Metzinger.

Es gibt verschiedenste Risiken, und für diese Risiken gibt es sehr unterschiedliche Vorhersagehorizonte. Superintelligenz beispielsweise ist gleichzeitig ein Versprechen und eine Bedrohung, aber es ist auch noch Science Fiction, weil es noch in weiter Ferne liegt.

Bleiben wir zunächst in der Gegenwart und der nahen Zukunft. Was können wir da von KI erwarten?
Da gibt es sicher die berechtigte Angst, dass KI im grossen Stil Arbeitsplätze vernichten wird.

Es gibt Studien, die besagen, dass bis 2030 rund die Hälfte aller amerikanischen Arbeitsplätze gefährdet sind.

Doch man muss auch verstehen, dass KI keine einheitliche Technologie ist, sondern eine Meta-Technologie, eine Technologie also, die andere Technologien intelligenter macht.

„Alle sprechen von Digitalisierung, aber niemand weiss, was damit gemeint ist“

Woran denken Sie konkret?
An das Gesundheitswesen, an den Transport, an die Wissenschaft. Wo uns KI am meisten nützen wird, können wir heute noch nicht abschätzen. Sicher ist, dass KI eine Industrie geworden ist, mit der sehr viel Geld verdient wird.

Sie sind Philosoph. Wie sind Sie auf die KI gekommen?
Ich arbeite seit 35 Jahren mit Neuro- und Kognitionswissenschaftlern zusammen. Jetzt haben wir plötzlich diesen Hype, alle sind ganz aufgeregt. Alle sprechen nun von KI und «Digitalisierung» – was immer das eigentlich genau bedeuten soll. In Deutschland wurde einiges verschlafen, und jetzt soll alles über Nacht nachgeholt werden. Aber wie? Heisst das, dass überall Glaskabel hinmüssen? Das schaffen wir nicht, das ist wie mit dem Berliner Flughafen. Oder brauchen wir autonome Waffensysteme für das Militär? Viel eher geht es darum, ein KI-Wettrüsten zwischen Trumpistan und China vielleicht doch noch irgendwie zu verhindern. Oder müssen wir dafür sorgen, dass unsere eigene Industrie noch möglichst viel verkaufen kann?

Kurz: Alle sprechen von Digitalisierung, aber niemand weiss, was damit gemeint ist.

Für den Durchschnittsbürger heisst es beispielsweise: Er kann sich jetzt mit seinem Smartphone unterhalten. Oder er kann mit seinem digitalen Assistenten wie Alexa oder Siri online einkaufen und Restauranttische oder Kinokarten reservieren.
Das Schöne am Beruf des Hochschullehrers ist, dass man sieht, wie junge Generationen heranwachsen.

Was heute auffällt, ist die Tatsache, dass viele Studenten nicht mehr so gut lesen und schreiben können.

An den Universitäten bekommen wir heute junge Menschen, die ein Abitur in der Tasche haben, die aber eigentlich die «Hochschulreife» nicht besitzen, weil sie keinen korrekten deutschen Satz mehr formulieren können, weil sie die ganze Zeit nur per SMS oder WhatsApp getextet haben.

Ist das nicht eine bekannte Klage nicht mehr ganz junger Professoren über die Jugend?
Nein, nur zum Teil. Auch ich finde es phantastisch, wie viele Sprachfehler beispielsweise Google zulässt und trotzdem die richtige Antwort findet. Doch wir verlieren auch elementare Fähigkeiten wie beispielsweise das Lesen von Karten – oder dicken philosophischen Büchern ohne bunte Bilder und Videos. Das Neue ist gut, aber wir müssen die alten Kulturtechniken bewahren und pflegen.

Teilen Sie die These, wonach die neuen Medien auch physiologisch das Gehirn der Menschen verändert?
Dass, wer sich nur noch am Smartphone oder am Bildschirm informiert, gar nicht mehr in der Lage ist, eine Zeitung oder ein Buch zu verstehen?
Die Wochenzeitung «Zeit» zum Beispiel war einst ein Blatt der Professoren und der Intellektuellen, in dem wichtige Debatten geführt wurden. Mittlerweile ist sie zu einer Kirchenzeitung verkommen, in der es hauptsächlich um kultivierte Selbstgefälligkeit und gehobenes virtue signalling geht. Ich habe mir abgewöhnt, meine Studenten zu fragen: Habt Ihr letzten Donnerstag in der «Zeit» das und das gelesen? Da werde ich angestarrt, als wäre ich ein Auto. In der «Zeit» schreiben alte, eitle Professoren, Kirchenvertreter, und Leute, die sich gerne «Intellektuelle» nennen – überwiegend für sich selbst. Von den Jungen, selbst von den bestens informierten Doktoranden, hat anscheinend niemand mehr das Gefühl, das sei für sie relevant. Liegt das jetzt an der «Zeit» oder am Internet?

Beunruhigt Sie das? 
Ja. Die jungen Leute werden mit grossen Krisen konfrontiert werden: mit Schuldenkrise, Klimawandel, globaler Migration, usw. Ich glaube nicht, dass sie dafür gerüstet sind.

Warum nicht?
Sie haben vielleicht gelernt, dass sie mit den Smartphone jederzeit in eine virtuelle Welt flüchten können, wenn sie in der realen auf etwas Unangenehmes treffen. Wenn es im Tram langweilig ist oder ein hässlicher Penner gegenübersitzt, dann können sie ein Game anklicken – und schon sieht die Welt wieder rosig aus. Wir alle können viel leichter dissoziieren.

Eine Gesellschaft, die vom KI-System optimiert wird, würde  unser liberales Verständnis der individuellen Freiheit auf den Kopf stellen.

Glücklichsein wird zur Pflicht. Inzwischen gibt es sogar einen Happimeter, eine Smartwatch, die permanent misst, ob wir glücklich sind oder nicht.
In China gibt es eine verschärfte Variante davon, die «social credit points». Damit wird ihr soziales Verhalten mit Hilfe von KI permanent überwacht. In diesem System wird politischer Widerstand zunehmend unmöglich.

Andererseits könnte man ja das System so programmieren, dass die Menschen gezwungen werden, sich tolerant und altruistisch zu verhalten.
Im Prinzip kann man sich eine Gesellschaft vorstellen, die von einem KI-System optimiert wird. Und es ist ja auch wichtig, dass wir die Demokratie nicht einfach nur schützen, sondern dass wir sie weiterentwickeln und an veränderte Umstände anpassen. Als oberster Wert könnte man eingeben: Leiden vermindern, sei es bei Menschen oder Tieren. Ein solches System würde vielleicht zu überraschenden Ergebnissen kommen. Es würde aber auch unser liberales Verständnis der individuellen Freiheit auf den Kopf stellen.

Sie dürfen keine Kinder haben, sondern müssen sie aus Bangladesch adoptieren

Wir dürften auch nicht mehr unglücklich sein. 
Warum muss ich auf Teufel komm raus nach Freiheit und Glück streben? Auf der Suche nach dem Glück greifen Expertensysteme immer häufiger in unser Leben ein, beispielsweise in der Partnerwahl. KI hilft uns, den idealen Partner zu finden. Aber was mache ich, wenn ich mich unsterblich in eine Frau verliebe, mir die KI jedoch sagt, dass bei dieser Partnerin das Scheidungsrisiko bei 68 Prozent liegt? Sage ich dann als Mensch noch: Das ist mir ganz egal?

Wird das Leben nicht ein bisschen langweilig, wenn wir keine Risiken mehr eingehen?
Die Gehirnforschung lehrt uns, dass alles, was wir machen, im Grunde genommen Risikominimierung ist. Menschen mögen keine Unsicherheit. Am Leben bleiben heisst, sich in nicht überraschende Zustände zu begeben. Für die Gruppe mag es allerdings gut sein, wenn es ein paar junge Männer mit hohem Testosteronspiegel gibt, die verrückte Dinge tun und das Risiko suchen, die sich beispielsweise im Krieg opfern.

Wird eine extreme Risikoverminderung dank KI nicht irgendwann kontraproduktiv?
Ich sage seit 25 Jahren: Das Internet wird uns immer weiter verändern, mehr noch, als wir uns das heute vorstellen können. Die Entwicklung geht ja immer weiter, sie endet nicht bei der Smartphone-Sucht. Irgendwann betrachten wir auch das Smartphone so, wie wir heute einen Schwarz-Weiss-Fernseher betrachten. Ich habe viel mit virtueller Realität zu tun. In fünf bis zehn Jahren werden diese virtuellen Realitäten gut und hoch auflösend sein, wie werden uns in Avatare einbetten. Telefonieren oder Skypen wird man dann vielleicht gar nicht mehr wollen.

Kann man – überspitzt formuliert sagen –, die KI macht die Menschen dumm?
Das wäre etwas billig. Wir sind ja jetzt schon dumm, und was kann die arme KI dafür? Schon Plato hat sich vor 2000 Jahren strikt gegen die Einführung der Schrift gewehrt. Er argumentierte, das sei ganz gefährlich, weil dadurch der Mensch seine Gedächtnisfähigkeit verlieren werde. Das würden wir heute nicht mehr so sehen. Aber wenn wir heute alle unsere Erinnerungen auslagern und keine Bücher mehr haben, dann könnte das zu einem Problem werden. Wir könnten ja auch einmal offline sein.

Jammertal, das vom Menschen erlitten werden muss, um dann im Jenseits erlöst zu werden. Die KI will das ändern und die Erde in ein Schlaraffenland verwandeln. Geht das?
Die KI will gar nichts, sie ist keine Person. Es gibt aber bereits eine KI-Kirche. Sie befindet sich selbstverständlich in Kalifornien. Gegründet wurde sie von einem Ex-Apple-Vorstandsmitglied. Die Idee der Kirche lautet: Es gibt keinen Gott. Wir stehen fest im wissenschaftlichen Weltbild. Aber es wird ein Gott entstehen. Die KI wird unser Gott sein. Will heissen: Wir Menschen werden selbst ein altruistisches, allwissendes Wesen schaffen, das uns in allen Dinge beraten wird. Die richtige Beziehung, die wir zur Superintelligenz der Zukunft aufbauen werden, ist eine religiöse. Marketing und Religion vermischen sich in dieser Vorstellung. In der Techno-Szene gibt es unter anderem diesen spezifisch amerikanisch-calvinistischen Wahn, wonach Reichtum ein Zeichen der Auserwähltheit von Gott ist.

Wie können wir sicherstellen, dass ein superintelligentes Wesen immer nur unsere Ziele verfolgt?
Es gibt ja auch Ray Kurzweil, der davon träumt, dass sich KI und biologische Intelligenz verschmelzen und der Mensch dadurch unsterblich wird. Das ist natürlich Unsinn, aber solche Fantasien verleihen der Szene sehr viel Dynamik. Kurzweil & Co. verkaufen im Grunde genommen ein Produkt, das früher die Kirchen verkauft haben. Ich nenne das Sterblichkeitsverleugnung, und das bieten sie sehr erfolgreich zusammen mit dem technischen Produkt an.

Sprechen wir über die Superintelligenz. Ihr Philosophen-Kollege Nick Bostrom warnt davor, dass eine solche Superintelligenz zur Ausrottung der Menschheit führen könnte. Wie sehen Sie das?
IBM hat ein Expertensystem namens Watson entwickelt. Wir könnten ein solches System für folgendes Experiment benutzen: Sie müssen auf einer Webseite 80-100 Fragen beantworten. Darin formulieren wir unsere Wünsche für einen Zeitraum, sagen wir die nächsten 5, 10, 50, 100 Jahre. Wir sagen auch, ob wir eher Kantianer oder Utilitaristen sein wollen, wie wir Tiere behandeln möchten, wessen Rechte berücksichtigt werden müssen, ob wir grundsätzlich eine Demokratie wollen, etc. Das Expertensystem könnte dann diese Vorgaben mit einer riesigen Datenbasis aus allen möglichen Wissenschaften und Statistiken abgleichen. Dann würde es sagen: Okay, wenn Sie das wollen, dann müssen Sie ab morgen so und so leben. Das könnte beispielsweise heissen: Sie müssen alles Geld, das über dem komfortablen Existenzminimum liegt, verschenken.

Oder: Sie dürfen keine Kinder haben, sondern müssen sie aus Bangladesch adoptieren. Oder: Sie müssen sofort Veganer werden und ihr Auto verschrotten. Mit anderen Worten, dieser Ethik-Assistent würde ihnen fundiert sagen: Wenn du das willst, musst du so leben. Ich glaube, wir würden uns alle sehr wundern, was da herauskäme.

Es gibt nur noch 19 wirklich stabile Demokratien auf der Welt, es kann sein, dass wir den historischen Übergang noch nicht ganz begriffen haben.

Bostrom meint mit Superintelligenz etwas anderes. Er warnt davor, dass ein superintelligenter Roboter wie die Zauberlehrlinge im Märchen die Welt vernichten könnten, weil sie den Auftrag erhalten haben, Büroklammern herzustellen – und dann alles diesem Ziel unterordnen würden, auch das Überleben der Menschheit.
Wie können wir sicherstellen, dass ein superintelligentes Wesen immer nur unsere Ziele verfolgt? Diese Frage stellt Bostrom – und natürlich könnte eine Superintelligenz ihre Ethik-Firmware leicht selbst knacken. Büroklammern sind an sich harmlos. Aber es könnte eine Katastrophe passieren, wenn ein System alle Ressourcen dafür einsetzt. Es könnte auch zu einer Katastrophe führen, wenn die Chinesen mit ihren sozialen Kreditpunkten eine wirklich tolle Gesellschaft bauen wollen.

China will jedoch erklärtermassen die führende KI-Nation der Welt werden. Ist das eine Gefahr? 
Immer wenn ich mich wieder über die amerikanische Aussenpolitik aufrege, sagt meine Frau: Willst du lieber, dass die Chinesen die Welt dominieren? Was denken Sie?

Was ist mit den Russen?
Die sind wirtschaftlich zu schwach. Weder die Chinesen noch die Russen teilen unsere Ansichten über die Menschenrechte. Aber die Amerikaner tun es auch nicht – oder nicht mehr. Dabei waren es die Amerikaner, die uns Deutschen nach dem Zweiten Weltkrieg die Demokratie gebracht, ja geradezu aufgezwungen haben. Jetzt liegen die Amerikaner selbst am Boden, und ich glaube nicht, dass sie so schnell wieder zurückkommen werden. Es gibt nur noch 19 wirklich stabile Demokratien auf der Welt, es kann sein, dass wir den historischen Übergang noch nicht ganz begriffen haben.

KI macht die Kriegseintrittsschwelle niedrig.

Es zeichnet sich ein KI-Wettrüsten zwischen den USA und China ab. Wie gefährlich ist das?
Wir geben unsere Autonomie in kleinen Schritten an digitale Assistenten ab. Das ist beim Autofahren so, das ist aber auch bei den Militärs so. Jeder dieser kleinen Schritte ist vernünftig. Bei militärischen Anwendungen führt dies allmählich dazu, dass die Reaktionszeiten so klein werden, dass es zu gefährlich wird, überhaupt noch Menschen einzuschalten. Es ist wie bei den automatisierten Börsensystemen, die in Sekundenbruchteilen ohne menschliche Einwirkung Entscheidungen fällen. 2010 hat es an der amerikanischen Börse deswegen den Flash Crash gegeben. Wenn man sich einen militärischen Flash Crash vorstellt, dann wird es wirklich unheimlich. Der liesse sich vielleicht nicht mehr rückgängig Machen.

Warum stoppt man diese KI-Systeme nicht im allgemeinen Interesse der Menschheit?
Wir sind ja noch nicht einmal in der Lage, Plastiktüten zu verbieten. Stellen Sie sich vor, die Top-Experten in China sagen ihrer Regierung: Wir haben das Wettrennen gewonnen und jetzt eine sehr erfolgreiche Erstschlag-Kapazität gegen die USA entwickelt. Sie wird etwa 18 Monate halten. In diesem Zeitfenster können sich die Amerikaner nicht effektiv wehren. Überlegt Euch, was Ihr macht. Vielleicht wird die chinesische Regierung sich diese Chance nicht entgehen lassen – KI macht die Kriegseintrittsschwelle niedrig.

Dass KI uns Menschen vor mühsamer Arbeit befreit, ist positiv, wenn wir intelligent damit umgehen.

Es gibt auch die These, wonach die autonomen Waffensysteme den Krieg humanisieren würden, so paradox dies auch klingen mag.
Man könnte mit moderner Technik sogenannte intelligente «chirurgische» Schläge führen, welche die Zahl der zivilen Opfer minimiert. Mir fällt diese Vorstellung sehr schwer, denn ich komme aus der Friedensbewegung der Siebzigerjahre. Ich habe jedoch gelernt, dass Pazifismus auch unethisch sein kann. In gewissen Fällen muss man ganz einfach rational und evidenz-basiert reagieren, um Leid optimal zu minimieren – sonst drückt man sich.

Was schlussfolgern Sie daraus?
Eine Demokratie könnte sich mit intelligenten KI-Waffen gegen autoritäre Systeme verteidigen. Man könnte diese Technologie auch zum Schutze der Menschenrechte verwenden. Nur ist die Realität eine andere. Deutschland ist der fünftgrösste Waffenexporteur der Welt. Über Umwege und durch Lizenzierungstricks gelangen diese Waffen gewollt oder ungewollt auch zu diktatorischen Regimes. Und es ist nicht sehr realistisch zu glauben, dass dies bei KI-Waffen anders wäre.

Wir Deutschen lieben Frau Merkel unendlich dafür, dass sie immer so schön tut, als «wäre gar nichts» – ich fürchte jedoch, wir werden uns jetzt doch einmal bewegen müssen im alten Europa.

Was heisst das nun: Stehen wir am Anfang einer superintelligenten Welt – oder am Ende der Menschheit?
Superintelligenz und diese Sachen –, das werden wir alle nicht mehr erleben. Die kommen, wenn überhaupt, erst am Ende dieses Jahrhunderts. In der Gegenwart haben wir ganz andere Probleme.

Wenn KI zu Produktivitätsgewinnen in der Wirtschaft führt, dann müssen sie gerecht verteilt werden, auch an diejenigen, die über keine KI verfügen, also auch an Menschen im Sudan oder in Ägypten. Gelingt dies nicht, dann wird die bereits bestehende grosse Ungleichheit noch extremer werden. Mit anderen Worten: Die Reichen werden noch reicher –, und die Armen arbeitslos. Ich denke auch, dass – vielleicht so etwa 2040 – irgendwann die allgemeine Bevölkerung verstehen wird, dass das mit dem Klimawandel eben doch alles wahr war und auch, dass es jetzt zu spät ist. Das könnte zu starker Unruhe auf dem Planeten führen.

Schlittern wir also in eine dystopische Welt?
Alarmismus ist fehl am Platz. KI wird uns viele Dinge bescheren, die sehr, sehr gut sind, sei es in der Medizin oder in der wissenschaftlichen Forschung. Auch dass KI uns Menschen vor mühsamer Arbeit befreit, ist positiv, wenn wir intelligent damit umgehen.

Was ist mit der weit verbreiteten Angst vor dem Big Brother?
Der Skandal um Cambridge Analytica hat uns gelehrt: Wir sollten ein eigenes europäisches Facebook haben. Wir müssen den Prozess der politischen Willensbildung aktiv schützen. Wir sollten ein eigenes europäisches Betriebssystem haben, eine Art Euro-Linux. Und viele freie, von Steuergeldern finanzierte Anwendungen. Wir haben doch jetzt mit dem Trump-Phänomen erlebt, wie schnell sich die politische Situation ändern kann. Wir stehen völlig nackt vor den amerikanischen Geheimdiensten da, wahrscheinlich könnten die im Ernstfall die Schweiz oder Deutschland einfach abschalten. Wir Deutschen lieben Frau Merkel unendlich dafür, dass sie immer so schön tut, als «wäre gar nichts» – ich fürchte jedoch, wir werden uns jetzt doch einmal bewegen müssen im alten Europa. Wir müssen unsere sozialen Standards in einer unsicheren globalen Situation aktiv schützen, wir brauchen exzellente angewandte Ethik und wirklich gute Technikfolgenabschätzung.

Wir müssen dafür sorgen, dass die Meta-Technologie KI den Menschen nützt, die Lebensqualität tatsächlich erhöht –  und die geistige Freiheit und unsere Sozialsysteme schützt.

Source: Philipp Löpfe


The family-owned company HUF HAUS and IBM today presented the world’s first house that learns

The family-owned company HUF HAUS and IBM today presented the world’s first house that learns from its occupants, opening a smart bungalow in the model house park of HUF HAUS in Hartenfels.
The intelligent HUF House “Ausblick” („Outlook“) understands and gets to know its residents through their interactions, which are analyzed by IBM’s Watson IoT platform and are recognized and stored as behavioral patterns.

Have a look ta the movie

Moore’s Law ist eine lahme Ente

Viele sind genervt vom ständigen Gerede über künstliche Intelligenz und maschinelles Lernen. Ein Hype sei das, übertrieben oder gar irrelevant. Zwei aktuelle Beispiele zeigen, wie falsch diese Annahme ist.

„Systeme maschinellen Lernens werden besser, je grösser sie werden, wenn sie auf schnellerer und stärker spezialisierter Hardware laufen, Zugang zu mehr Daten bekommen und verbesserte Algorithmen enthalten. All diese Verbesserungen finden jetzt statt, deshalb entwickelt sich maschinelles Lernen rasant.“

Andrew Mcafee und Erik Brynjolfsson, „Machine, Plattform, Crowd“ (2017)

Jedes Mal, wenn ich eine Kolumne schreibe, in der es um künstliche Intelligenz (KI) oder besser: um maschinelles Lernen geht, melden sich anschliessend Leute zu Wort, die das alles für einen Hype halten. Alles völlig übertrieben, etwas, das vorübergehen wird wie Laserdiscs oder Tamagotchis.

Oft verweisen sie auf ihre eigene langjährige Erfahrung mit Computern und erklären, dass das damals in den Siebzigern alles ja auch schon nicht geklappt hat. Andere erfinden Vergleiche, zum Beispiel: Das Gerede von der KI sei „wie der Atomhype der Fünfziger- und Sechzigerjahre“, schliesslich hätten wir bis heute keine Atomautos.

Ein gern vorgebrachtes Argument ist auch, dass sich Moores Gesetz, die permanente Verdoppelung der Leistungsfähigkeit von Computer- und Speicherchips seit den Sechzigerjahren, seinem Ende zuneigt. Die Ära des exponentiellen Wachstums in diesem Bereich ist vermutlich in der Tat vorbei. Ich habe hier neulich schon einmal behauptet, dass die exponentielle Entwicklung trotzdem weitergehen wird.

Faktor 300’000

Jetzt hat jemand nachgerechnet, was ich nur behaupten konnte: Wie schnell KI-Systeme flotter werden nämlich. Konkret geht es um die Menge an Rechenleistung, mit der lernende Systeme arbeiten, gemessen in Petaflop pro Sekunde. Ein Petaflop sind 10 hoch 15 Operationen, etwa in einem künstlichen neuronalen Netz.

Die Informatiker Dario Amodei und Danny Hernandez haben nun ermittelt, wie viele Petaflop/s in einer Reihe grosser KI-Projekte seit 2012 berechnet wurden. Die beiden arbeiten für OpenAI, ein Non-Profit-Forschungsunternehmen, das unter anderem der bekanntlich KI-besorgte Elon Musk aus der Taufe gehoben hat.

Das Ergebnis der Studie ist für die Zeit von 2012 bis 2017 eine Steigerung um den Faktor 300’000. Oder, wenn man es als Funktion ausdrücken möchte: Die Masszahl für die eingesetzte Rechenleistung verdoppelte sich in diesem Zeitraum im Schnitt alle dreieinhalb Monate. Dagegen ist Moore’s Law eine lahme Ente.

Alle dreieinhalb Monate verdoppelt

Das hat unter anderem damit zu tun, dass sehr viel Geld in diese Technologie gesteckt wird und deshalb mehr Kapazität zum Einsatz kommen kann – aber nicht nur. Hernandez und Amodei nennen mehrere Methoden, die KI-Forscher in den vergangenen Jahren entwickelt haben, um mehr Flop pro Sekunde aus der Hardware herauszuholen – und die Tatsache, dass es mittlerweile speziell für neuronale Netze entwickelte Chips gibt, die für das massive parallele Rechnen optimiert sind, das diese Systeme brauchen. Google selbst baut sogenannte Tensor Processing Units, TPUs, die vielerorts mittlerweile die Grafikkarten (GPUs) ersetzen, die jahrelang Supercomputer zu immer neuen Höchstleistungen angetrieben haben.

Noch mal kurz und verständlich formuliert: Die neuen KI-Systeme verdoppeln im Moment im Schnitt alle dreieinhalb Monate ihr Tempo. Und zwar nicht nur, weil so viel Geld in sie gesteckt wird, sondern auch, weil ihre Schöpfer ständig neue Tricks erfinden und anwenden.

Der automatische Gurkenbeurteiler

Nun könnte man, und auch das passiert in KI-Diskussionen immer wieder, einwenden, dass das trotzdem alles Spielereien sind: „Sich selbst Go beizubringen, ist nicht so wahnsinnig schwer“, schrieb kürzlich jemand ins SPIEGEL-ONLINE-Forum. Natürlich ist das erstens Quatsch – kein Mensch hat sich je selbst beibringen können, besser zu spielen als Googles AlphaGo Zero, und das wird auch nie mehr passieren.

Zweitens ist es ein unsinniges Argument. „Die leistungsfähigsten maschinell lernenden Systeme von heute, die so unterschiedliche Aufgaben erfüllen wie Energiemanagement in Rechenzentren, Spracherkennung, Bilderkennung und automatische Übersetzung, ähneln einander in bemerkenswerter Weise“, schreiben die MIT-Ökonomen Andrew Mcafee und Erik Brynjolfsson in ihrem eingangs zitierten Buch.

Die beiden erzählen darin unter anderem die lustige Geschichte eines japanischen Ingenieurs, der die Basistechnologie von Googles erster Go-Maschine AlphaGo benutzte, um seiner Mutter lästige Arbeit zu ersparen. Seine Eltern betreiben eine Gurkenfarm, und die Sortierung der Erträge in neun Qualitätsstufen fiel ausschliesslich der Mutter des Ingenieurs zu. Also baute ihr Sohn mithilfe schon 2016 frei verfügbarer KI-Methoden einen automatischen Gurkenbeurteiler.

Pillen aus dem Rechner

Auch das mag mancher noch albern oder irrelevant finden. Also noch ein aktuelleres und in meinen Augen wesentlich schlagkräftigeres Beispiel: Vor einigen Wochen erschien in „Nature“ eine meiner Wahrnehmung nach von der Laienöffentlichkeit vollständig übersehene Studie. Ich persönlich habe nur mitbekommen, dass sie erschienen ist, weil ich mit einem der Autoren in einem völlig anderen Forschungsprojekt zusammenarbeiten darf.

Marwin Segler, Mike Preuss und Mark Waller berichten darin, wie sie gemeinsam ein AlphaGo durchaus ähnliches System konstruiert haben, das in einem chemischen Verfahren namens Retrosynthese Ergebnisse erzielt, die Fachleute nicht von menschengemachten Lösungen unterscheiden können.

Retrosynthese ist keine theoretische Fingerübung. Es geht darin darum, Wege zu finden, wie man neuartige Moleküle aus kommerziell oder anderweitig verfügbaren Bausteinen zusammensetzen kann. Ihr Erfinder Elias Corey bekam für die Entwicklung der Retrosynthese 1990 den Nobelpreis für Chemie. Es handelt sich um ein mühseliges, aber ungemein nützliches Verfahren. Man benutzt es zum Beispiel, um neue Medikamente zu entwickeln.

Das KI-System, das solche Molekülbaupläne entwerfen kann, ist noch nicht perfekt. Es produziert aber schon jetzt Resultate, die Fachleute für organische Chemie in Doppelblindtests nicht von aus der Literatur bekannten Lösungen unterscheiden können.

Maschinen würden bald „als wertvolle Assistenten akzeptiert werden“, schreiben die Autoren, bei einem Verfahren „das eine zentrale Rolle dabei spielt, die drängendsten Probleme der Menschheit in Landwirtschaft, Medizin und Materialwissenschaft zu lösen“.

Um es anders zu formulieren: Viele von uns werden in naher Zukunft vermutlich Medikamente schlucken, deren Bauplan eine Maschine entworfen hat. Das ist dann doch ein bisschen mehr als Go und Gurkensortieren.

Source: Christian Stöcker


Maschinelles Lernen (ML) wird Standard

Das maschinelle Lernen ist aus diversen Bereichen schon nicht mehr wegzudenken. Die Systeme sortieren Werbenachrichten aus oder beantworten automatisch Anwenderfragen. Nun schicken sich die Computer an, dem Menschen noch mehr manuelle Geschäftstätigkeiten abzunehmen. Das Potenzial scheint unerschöpflich.


Als Netflix 2013 «House of Cards» lancierte, entwickelte sich die Serie schnell zum meist heruntergeladenen Content des Unternehmens – ein Ergebnis, das die Verantwortlichen bei Netflix in keiner Weise überraschte. Sie durchforsteten einen riesigen Daten-Pool zu den Konsumgewohnheiten ihrer Abonnenten und stellten fest, dass «House of Cards» sehr gute Chancen hatte, sich zu einem Hit zu entwickeln, noch bevor sie die Serie einkauften.

Netflix hat sich bei diesem Entscheid nicht von der Intuition leiten lassen, sondern auf maschinelles Lernen (ML) gesetzt. Der Streamingdienstleister vertraute auf die Fähigkeit von Maschinen, mithilfe von Algorithmen selbstständig Muster in unstrukturierten Datenbeständen wie Bildern, Texten oder gesprochener Sprache zu erkennen, Vorhersagen zu treffen oder Daten zu klassifizieren, ohne explizit dafür programmiert zu sein. Die Möglichkeiten von maschinellem Lernen beschränken sich allerdings nicht darauf, den nächsten TV-Blockbuster zu identifizieren. Eine Reihe von Anwendungen, die heute als selbstverständlich gelten, basieren auf ML: Das Filtern von Spam etwa oder die künstlichen Stimmen, die mit uns aus dem Smartphone oder anderen digitalen Endgeräten sprechen.

Selbstlernende Algorithmen

Diese Beispiele sind zwar nützlich, aber nur einfache Vorboten im Hinblick auf das Potenzial von ML. Eine Vielzahl von Geschäftsprozessen wird heute von starren, softwarebasierten Regeln gesteuert. Dieser Ansatz ist jedoch von beschränktem Nutzen, wenn es um die Bewältigung komplexer Prozesse geht. Zudem verlangen diese Prozesse häufig die Intervention von Menschen für repetitive Aufgaben und manuelle Eingriffe. Rechnungen und Spesen auf ihre Richtigkeit zu prüfen, gehört ebenso dazu wie Dutzende oder Hunderte von Lebensläufe zu prüfen, um eine offene Stelle zu besetzen.

Selbstlernende Algorithmen können solche Aufgaben übernehmen und darüber hinaus Lösungen aufzeigen, die bisher verborgen blieben. Sie können das Recruiting verbessern, den Kundendienst personalisieren, Betrügereien aufdecken und die Qualitätskontrolle in der Fertigung übernehmen. Die Vielzahl an möglichen Anwendungsfällen und der damit verbundene Nutzen solcher Lösungen machen ML zu einer der zentralen Disziplinen im Bereich der künstlichen Intelligenz (KI). Daher erstaunt es nicht, dass eine grosse Mehrheit von Managern mehr technische Intelligenz im Geschäftsalltag begrüsst, wie eine Befragung der Harvard Business Review unter rund 1800 Führungskräften ergeben hat. Sie können sich freuen: Maschinelles Lernen ist nicht mehr nur ein Thema aus Scifi-Romanen, sondern reale Praxis in der heutigen Geschäftswelt.

Intelligenz für die Buchhaltung

In der Buchhaltung sind Lösungen, die maschinelles Lernen nutzen, aktuell in der Lage, Überweisungen aufgrund historischer Daten automatisch der richtigen Rechnung zuzuordnen. Dabei merkt sich die Lösung, welche Schritte der Bearbeiter nun unternimmt, um die Überweisung richtig zuzuordnen. Auf diese Weise lernen solche Lösungen und können durch einen zunehmenden Automatisierungsgrad Kosten senken.

Ein weites Feld für den Einsatz von ML lässt sich im Marketing erschliessen. Man denke nur an all die Datenströme, die den Vermarktungsorganisationen zur Verfügung stehen: POS-Transaktionen, Onlinekäufe, Klickraten (CTR), Browsing-Verhalten, Interaktionen in den sozialen Medien, Smartphone-Nutzung, Geolokalisierung und mehr. Mithilfe von maschinellem Lernen können Marketers diese Daten auswerten, um Kunden mit höherer Granularität zu kategorisieren und zu segmentieren oder Kampagnen aufzusetzen, die Kundenreaktionen genauer vorhersagen.

“Maschinelles Lernen ist nicht mehr Scifi, sondern reale Praxis in der heutigen Geschäftswelt„

Source: Markus Noga, Head of Machine Learning, SAP

Sponsoring und Detailhandel

Ein zusätzlicher Anwendungsbereich im Marketing ist das Sponsoring. Marketingabteilungen müssen ihre finanziellen Engagements immer mehr mit soliden Angaben zum ROI unterlegen können. Hier kommen Lösungen auf ML-Basis zum Zug, die den Firmen helfen, den Einfluss ihrer Sponsoring-Massnahmen zu ermitteln. Dazu messen sie beispielsweise, wie oft und wie lange das Unternehmenslogo bei Live-Übertragungen einer Sportveranstaltung oder eines Musikfestivals auf dem Bildschirm zu sehen ist. Was bisher mühsam manuell ermittelt werden musste, übernehmen nun Algorithmen. Sie identifizieren quasi in Echtzeit die Grösse der Logos, die Position im Bild und die Dauer der Darstellung. In Verbindung mit Vergleichsdaten anderer Marken und definierten Kennzahlen lässt sich ermitteln, ob das Sponsoring für das Unternehmen lohnenswert ist.

“Im Handel können intelligente Systeme die Farbtrends des nächsten Sommers ermitteln und Kunden schon jetzt beraten„

Source: Markus Noga, Head of Machine Learning, SAP

Weitere Einsatzmöglichkeiten von ML bieten sich im Personalwesen, sei es, um Stellen schneller mit den passenden Kandidaten zu besetzen oder um den Mitarbeitern mit Empfehlungen für die Weiterbildung und zum Aufbau von Expertise bei ihrer Karriereplanung behilflich zu sein. Ebenfalls im Blick haben die Entwicklungsteams den Detailhandel: Hier können intelligente Systeme die Farbtrends des Sommers ermitteln und der Kundschaft entsprechende Angebote unterbreiten.


Angesichts der schier unbegrenzten Einsatzmöglichkeiten von maschinellem Lernen stellt sich die Frage, was der Markt derzeit tatsächlich zu bieten hat. An der Spitze der Pyramide befinden sich eigenständige ML-Produkte für dedizierte Anwendungsbereiche. Zusätzlich hält der Markt Plattformen bereit, die sich bestens als technische Grundlage eignen, um ML-Logik mithilfe von bereits trainierten Algorithmen in eigene Lösungen einzubauen. Unternehmen können diese Service-APIs erwerben und damit eigene Anwendungen «intelligent» machen.

Solche gebrauchsfertigen Services bescheren dem maschinellen Lernen einen Demokratisierungsschub, vorausgesetzt, sie sind via Standardschnittstellen einfach zugänglich. Angesichts der Anwendungsbreite von Machine Learning wird ein «One size fits all»-Ansatz allerdings kaum jedes Bedürfnis abdecken können. Verfügbare Modelle für die Bilderkennung beispielsweise sind in der Lage, eine Vielzahl von Objekten – von Autos bis Menschen – zu kategorisieren. Wenn aber ein Autohändler auf visuelles Shopping setzen möchte, muss er dem Bilderkennungsservice beibringen, zwischen den einzelnen Automodellen zu unterscheiden. Dies ist möglich, indem er den Service mit spezifischen Daten «schult».

Auch das bietet der Markt – und zwar als intuitiven Prozess, ohne Fachkenntnisse in Data Science, ohne komplizierte Betriebsmittel und ohne teuren Investitionsaufwand. Massgeschneiderte Machine-Learning-Intelligenz ist kein Vorrecht von Weltkonzernen. Jedes Unternehmen kann bereits heute davon profitieren.

Kriterien für die Anwendung von Machine Learning

1. Das grösste Potenzial für maschinelles Lernen schlummert in der Automatisierung volumenstarker Aufgaben mit komplexen Algorithmen und grossen Mengen an unstrukturierten Daten.

2. Maschinelles Lernen funktioniert am besten bei spezifischen, klar definierten Aufgaben, bei denen der gewünschte Output und der relevante Input konkret benannt werden können.

3. Maschinelles Lernen erfordert grosse Datenmengen. Es braucht Beispiele in ausreichender Anzahl, damit die Maschine aussagekräftige Annäherungen an die gewünschten Entscheide lernen kann.

4. Die Daten, die als Lernbasis dienen, müssen wesentliche Unterschiede enthalten (zum Beispiel bei den Kundeneigenschaften), damit der Algorithmus seine Mission erfüllen kann.

Source: Markus Noga, Head of Machine Learning, SAP

Laut Gartner wird 2018 das Jahr des Machine Learning und der künstlichen Intelligenz

Wir werfen einen Blick auf das, was uns 2018 im Bereich maschinelles Lernen und künstliche Intelligenz erwartet.

Vor einem Jahr bezeichnete das Marktforschungs- und Beratungsunternehmen Gartner künstliche Intelligenz (Artificial Intelligence, AI), maschinelles Lernen (ML) und dialoggestützte Systeme (Conversational AI, CAI) als die drei wichtigsten strategischen Technologie-Trends des Jahres 2017.

Im Mai dieses Jahres zeigte die SAP mit der Einführung des SAP Leonardo Machine Learning Portfolios auf der SAPPHIRE Now in Orlando, dass sie in der Liga der grossen Innovatoren mitspielen kann. Nun ist es an der Zeit, auf die jüngsten Entwicklungen im Bereich dieser drei Trends zurückzublicken und einen Ausblick auf das Potenzial von intelligenten Technologien zu geben.

Trend 1: Plattformen für maschinelles Lernen

Deep Learning, neuronale Netze und die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) haben dem maschinellen Lernen einen neuen Stellenwert im Unternehmen gegeben. Dank ausgereifter Algorithmen, höherer Rechenleistung und der Verfügbarkeit von riesigen Datenmengen werden Maschinen intelligent und können unstrukturierte Daten wie Bilder, Text oder gesprochene Sprache verarbeiten – oft auf übermenschlichem Niveau. Hinzu kommt, dass Deep Learning inzwischen stabil genug ist, um maschinelles Lernen potenziell als standardisiertes Gebrauchsgut in der weltweiten Wirtschaft zu etablieren. Unternehmen, die massgeschneiderte und individuell abgestimmte Lösungen wünschen, benötigen eine ML-Plattform wie die SAP Leonardo Machine Learning Foundation, um bereits vortrainierte und einsatzbereite Services in eigenen, intelligenten Anwendungen zu kombinieren.

Trend 2: Intelligente Anwendungen

Intelligente Anwendungen automatisieren Routinetätigkeiten, die Arbeitnehmer in der Vergangenheit darin behindert haben, ihre Zeit mit der Bewältigung von wertschöpfenden Aktivitäten zu verbringen, und können wertvolle Einblicke in strukturierte und unstrukturierte Unternehmensdaten geben. Dadurch können Unternehmen besser fundierte Geschäftsentscheidungen treffen und in Sparten wie Finanzen, Personalwesen, Verkauf und Service die Produktivität steigern. Unternehmen, in denen internes ML-Know-how fehlt, erleichtert die SAP die Adaption von ML-Funktionen durch Integration von intelligenten Anwendungen und Services in das bestehende Standard-Produktportfolio. Bereits heute bietet die SAP intelligente Anwendungen an, die beispielsweise die Entwicklung eines selbstgesteuerten Kundenservice zur Verbesserung der Kundenerfahrung ermöglichen, Finanzdienstleistungen automatisieren, indem sie eingehende Kontoauszüge offenen Forderungen zuordnen oder Marketing-Führungskräften helfen, den ROI ihrer Sponsoring-Aktivitäten zu maximieren.

Trend 3: Dialoggestützte Systeme

Aufgrund der enormen Fortschritte in der Verarbeitung natürlicher Sprache hat CAI die Art und Weise, wie wir mit Computern und elektronischen Geräten interagieren, grundlegend verändert. Bereits heute nutzen Millionen von Verbrauchern intelligente Schnittstellen für die Zufriedenstellung ihrer persönlichen Konsumentennachfrage. Solche Systeme spielen Musik ab, helfen bei der Urlaubsplanung, bestellen Pizza und vieles mehr. Wir stehen an der Schwelle zu einer Welt, in der dialoggestützte Assistenten jederzeit und überall verfügbar sind – auch im Büro und im Betrieb. Diese Funktionen vernetzen Daten, Prozesse, Anwendungen, Geräte und Menschen miteinander und bilden das Fundament für eine neue digitale Erfahrung am Arbeitsplatz. SAP CoPilot ist der digitale Assistent und Bot-Integrationshub der SAP für Unternehmen. Zusammen mit der SAP Leonardo Conversational AI Foundation bietet SAP CoPilot Services in natürlicher Sprache, die eine humanisierte Interaktion mit Geräten ermöglichen, und ist damit ein Baustein der Verwirklichung unserer Vision des intelligenten Unternehmens. Mit dieser Plattform werden Unternehmen in der Lage sein, Dialogfunktionen wie Chatbots und digitale Assistenten selbst zu entwickeln und zu verbessern.

Was hält die Zukunft für uns bereit?

Technologien, die das menschliche Potenzial am Arbeitsplatz erweitern, sind keine Zukunftsmusik mehr. Doch wie entwickeln sie sich weiter, und welche Trends zeichnen sich für 2018 ab? Laut Markus Noga, dem Leiter des Bereichs Machine Learning bei der SAP, „stehen einige dieser Technologien kurz vor der Reife, weisen aber besonders im Unternehmenskontext immer noch enormes Innovationspotenzial auf.“ Nach Angaben von Gartner befinden sich 59 Prozent der Unternehmen immer noch in der Phase der Informationssammlung, die der Entwicklung einer AI-Strategie vorgelagert ist. Für das kommende Jahr bedeutet dies für diejenigen einen erheblichen Wettbewerbsvorteil, die bereits begonnen haben, AI in ihre Systeme einzubinden. „Ich bin überzeugt, dass 2018 immer mehr Unternehmen die Konzeptionsphase abschliessen und wirklich anfangen werden, maschinelles Lernen anzuwenden“, meint Noga. „Ich erwarte ausserdem, dass sich der Hype um Deep Learning im Zuge der allgemeinen Standardisierung allmählich legen wird, aber die Effizienz und Stabilität der zugrundeliegenden Modelle einen Erfolgsfaktor für Unternehmen darstellen wird.“

Nach Einschätzung von Gartner werden ein grundsolides Maschine-Learning-Fundament, intelligente Anwendungen und dialoggestützte Plattformen 2018 darüber entscheiden, ob Unternehmen im Rennen um die Digitalisierung zu den Gewinnern oder Verlierern gehören. Plattformen und Lösungen werden sich deutlich weiterentwickeln und immer komplexere Aufgaben erledigen können. Für die nächsten Jahre prognostiziert Gartner sogar, dass letztlich jede Anwendung künstliche Intelligenz enthalten wird, sodass eine intelligente Schnittstelle zwischen Mitarbeitern und Unternehmenssystemen entsteht.

Insgesamt werden sich Technologien noch mehr am Anwender orientieren und die Beziehungen zwischen Menschen, Organisationen und Dingen noch transparenter machen. Im Geschäfts- und Privatleben werden erweiterte und virtuelle Realität oder Gehirn-Computer-Schnittstellen tiefgreifende Erlebnisse schaffen, die weit über virtuelle Assistenten und Chatbots hinausgehen.

Als weitere Entwicklung zeichnet sich die Verschiebung von der Intelligenz einzelner Objekte zur künstlichen Intelligenz des Schwarms, „Schwarm-AI“ genannt, ab. Dieser Ansatz geht auf das Verhalten von Tieren zurück, die als Gruppe ihre Intelligenz erhöhen, um Probleme zu lösen oder Entscheidungen zu treffen. Schwarm-AI ist die Selbstorganisation von Systemen zu einem kollektiven, nicht zentral gesteuerten Verhalten. Diese Technologie bietet die Möglichkeit eines menschlichen Schwarms, in dem Informationen aus verschiedenen Gruppen zu einer einzigen Intelligenz zusammenfliessen. Im Unternehmenskontext hilft Schwarm-AI, die Abläufe in Logistik, Transport- oder Personalwesen zu verbessern oder Kundenfeedback zu gewinnen, unter anderem indem der Einfluss von früheren Wertungen auf den Bewertenden ausgeschlossen wird. „All diese Entwicklungen auf dem Gebiet der künstlichen Intelligenz werden die Art und Weise, wie Unternehmen ihre Geschäfte in Zukunft ausüben werden, nicht nur im operativen Bereich beeinflussen. Ich gehe davon aus, dass neue, auf AI basierende Geschäftsmodelle aufkommen und Innovations- und Forschungskompetenz sich mehr und mehr von Hochschulen in Unternehmen verlagern werden“, erklärt Markus.

Von der Intelligenz einzelner Objekte zur Schwarm-AI

Die ehrgeizige Machine-Learning-Roadmap der SAP deutet eine rasante Entwicklung im kommenden Jahr an. Der Fokus auf der Verwirklichung des intelligenten Unternehmens durch intelligente Anwendungen und den Ausbau der SAP Leonardo Machine Learning Foundation bleibt auch 2018 weiter bestehen. Darüber hinaus wird die Einbindung von ML-Technologie in SAP-Standardprodukte wie SAP S/4HANA – für ein intelligentes Enterprise Resource Planning – fortgesetzt und die allgemeine Verfügbarkeit von dialoggestützten Services weiter ausgebaut. Nicht zuletzt könnten auch modernste Technologien wie auf Schwarmintelligenz basierende Funktionen und Systeme für immersive Erlebnisse immer wichtiger für Unternehmen werden

Künstliche Intelligenz: Welche Ideen sich rechnen

Lernfähige Systeme erhöhen die Effizienz in den Unternehmen, machen Kunden zufriedener und Produkte besser.

Welche Anwendungsszenarien Sinn machen.

„Maschinelles Lernen“ ist das Modewort schlechthin. „Doch ein gutes Anwendungsszenario dafür zu finden ist gar nicht so einfach“, bemerkt Klaus Schimmer, Director Business Development Machine Learning im SAP Innovation Center Network in Walldorf. Manchmal stellt sich bei genauerem Hinsehen dann doch heraus, dass es sich „nur“ um ein Prozessthema handelt oder regelbasiert über ein SAP-Modul gelöst werden kann und maschinelles Lernen gar nicht nötig ist. Künstliche Intelligenz, so definiert das IT-Beratungshaus Capgemini in seiner jüngsten Studie „Turning AI into Concrete Value“, umfasst Technologien, die Daten dazu nutzen, ständig dazu zu lernen. Dazu gehören etwa virtuelle Agenten, die in Interaktion mit Menschen treten können, Bild- und Texterkennung, Algorithmen, die als neuronales Netz dem Gehirn nachgeahmt sind sowie autonome Agenten, die eigenmächtig Entscheidungen treffen können. „Machine Learning ist die Technologie, die künstliche Intelligenz möglich macht. Mit dieser Technologie werden wir in Zukunft nicht nur bei einfachen und sich wiederholenden Tätigkeiten unterstützen können, sondern vor allem auch Innovation ermöglichen. Ziel für uns bei SAP ist es, das intelligente Unternehmen zu erschaffen. Fast so, wie ein selbst fahrendes Auto“, sagt Schimmer. Für den KI-Experten ist klar: „Wenn die Intelligenz Sinn macht, ist der Effekt verglichen mit herkömmlicher Software enorm“.

“Ziel von SAP ist es, das intelligente Unternehmen zu erschaffen. Fast so, wie ein selbst fahrendes Auto.”

Halbakustisch oder elektrisch? Bilderkennung für den Gitarrencheck

Wenn etwa Hobbygitarrist Schimmer dem Machine-Learning-Service aus dem SAP-Leonardo-Portfolio beibringt, was eine halbakustische und was eine elektrische Gitarre ist, klassifiziert die Bilderkennung nach kurzer Zeit die eine Gitarre zu 70 Prozent als elektrisch und 30 Prozent als akustisch sowie die andere eindeutig mit einer Übereinstimmung von mehr als 90 Prozent als elektrisches Instrument. Diese Methode macht sich etwa ein Schmuckhersteller zunutze. Der Kunde von SAP verkauft jährlich 40.000 „Glasprodukte“, an denen hin und wieder etwas abbricht. Im Servicefall reicht nun das Einsenden eines Fotos, um das Produkt zu identifizieren und so die Reparatur enorm zu beschleunigen. Das spart in der Firma Kosten und die Kunden sind zufriedener.

Capgemini: Effizienz, Mitarbeiterproduktivität und Kundenzufriedenheit steigen durch KI

Dieses Beispiel zeigt, welche praktischen Vorteile im Einsatz der künstlichen Intelligenz liegen. Gefragt nach dem Nutzen von künstlicher Intelligenz in den Unternehmen sahen 78 Prozent der knapp 1.000 von Capgemini weltweit Befragten in der zunehmenden Effizienz den grössten Vorteil, gefolgt von einer Unterstützung der Mitarbeiterproduktivität (77 Prozent) und verringerten Betriebskosten durch verbesserte Prozesse (75 Prozent). Zudem erwarten die Experten eine bessere Beziehung zu ihren Kunden: 73 Prozent sind davon überzeugt, künftig zufriedenere Kunden zu haben, 72 Prozent rechnen mit weniger Beschwerden und 66 Prozent gehen davon aus, dass sich weniger Kunden künftig einen anderen Anbieter suchen – die Abwanderungsquote also sinkt.

Für den SAP-Experten Schimmer wird maschinelles Lernen dann interessant, „wenn es dazu führt, dass die Fehlerrate der Maschine mindestens so gut ist wie beim Menschen“. Gerade bei manuellen Prozessen, zum Beispiel in der Buchhaltung, ist der „Faktor Mensch“ immer noch eine nicht unerhebliche Fehlerquelle. „Hier kann Automation nicht nur Kosten sparen, sondern sogar die Qualität erhöhen“, so Schimmer. Heute ist es noch so, dass Mitarbeiter in der Buchhaltung seitenweise sogenannte Zahlungsavise abtippen und manuell Rechnungen zuordnen müssen. In Zukunft ermöglicht es die Intelligenz von SAP Leonardo Machine Learning, diese Dokumente automatisch zu erfassen, intelligent zu interpretieren und im elektronischen Format zur Weiterverarbeitung bereit zu stellen. „Was vorher manuell oder regelbasiert ablief, ist plötzlich intelligent“, meint Schimmer, der davon ausgeht, dass immer mehr dieser „Mach-das-Unmögliche-möglich-Use-Cases“ entstehen werden, die einerseits geschäftliche Daten verarbeiten, andererseits aber auch Video-, Text-, Bild- oder Social-Media-Daten mit einbeziehen.

McKinsey: Das bringen die acht wichtigsten Anwendungsszenarien für künstliche Intelligenz

Das Beratungshaus McKinsey hat sich für die Studie „Smartening up with Artificial Intelligence“ acht als besonders relevant identifizierte Anwendungsszenarien hinsichtlich ihres Potenzials angeschaut:

1. Automation von Business-Support-Funktionen: 30 Prozent der Business-Support-Funktionen werden künftig von künstlicher Intelligenz profitieren. Für den IT-Help-Desk liegt das Automatisierungspotenzial bei 90 Prozent.

2. Autonome Fahrzeuge: Im Jahr 2030 werden zehn bis 15 Prozent der verkauften Neuwagen autonom fahren können. Jährlich ist mit einer Wachstumsrate von 40 Prozent zu rechnen.

3. Vorausschauende Wartung: Die Wartungskosten sinken durch den Einsatz der Vorhersagemöglichkeiten um bis zu 15 Prozent. Inspektionskosten sinken um 25 Prozent. Der Ausfall von Maschinen kann um 20 Prozent gesenkt werden.

4. Kollaborative und kontext-sensitive Roboter: Die Produktivität in der Fertigung nimmt um bis zu 20 Prozent zu. Zudem sind geringere Kosten für die Entwicklung zu erwarten sowie Investitionsausgaben (CAPEX) sinken, da abgesperrte Bereiche, die ausschliesslich für Roboter nötig waren, wegfallen.

5. Ausschuss in der Fertigung reduzieren: 30 Prozent weniger Bauteile werden qualitativ unzureichend gefertigt. Dazu trägt eine KI-basierte Qualitätskontrolle und eine Fehler-Ursachen-Analyse bei.

6. Automatisierte Qualitätstests: Die Produktivität erhöht sich um 50 Prozent, sofern eine KI-basierte Qualitätsüberprüfung etwa über den Einsatz von Kamerasystemen genutzt wird. Bis zu 90 Prozent mehr defekte Bauteile können so entdeckt werden.

7. KI-unterstützes Lieferkettenmanagement: Durch präzise Bedarfsprognosen und flexibles Anpassen von Routen kommt es um 50 Prozent weniger zu falschen Vorhersagen. Es passiert um 65 Prozent seltener, dass Verkäufe nicht zustande kommen, da Produkte nicht mehr verfügbar sind. Zudem lässt sich 50 Prozent der Lagerfläche einsparen.

8. Bessere Performance für Projekte aus der Forschung und Entwicklung: Durch Verbesserung der Kommunikation und Interaktion ist mit einer erhöhten Produktivität von 10 bis 15 Prozent zu rechnen. Der Time-to-Market ist um 10 Prozent beschleunigt.

SAP Leonardo: Start-up-Mentalität für den Einstieg – mit und ohne maschinelles Lernen

Das Spektrum an vielversprechenden Anwendungsszenarien zeigt das Potenzial der künstlichen Intelligenz, das künftig zudem mit anderen Technologien verknüpft werden kann. Ein komplettes SAP-Leonardo-End-to-End-Szenario könnte beispielsweise so aussehen: Eine mit Kamera ausgestattete Drohne übernimmt die Überprüfung von grossen Maschinen, bei gefundenen angerosteten Teilen recherchiert SAP Leonardo autonom im digitalen Zwilling der Maschine, sucht über Bilderkennung das betreffende Bauteil heraus, gibt einen intelligenten Bestellvorschlag über SAP Ariba ab, tauscht eine 3-D-Drucklizenz – gesichert per Blockchain – mit dem Lieferanten aus und lässt das Bauteil erstellen. Hier spielen Machine Learning und andere technische Lösungen aus dem SAP-Leonardo-Portfolio wie IoT, Analytics und die Blockchain-Technologie ineinander. Um entsprechende Anwendungsszenarien im Unternehmen mehr und mehr zu etablieren, ist allerdings zunächst eine Start-up-Mentalität gefragt, mit der an entsprechende Projekte herangegangen werden sollte: „Kunden müssen ihre Erfahrungen machen, kreativ sein und auch mal Risiken eingehen. Auch wenn vielleicht nicht jedes Projekt gelingt – bei Erfolg ist die Wirkung durchschlagend“, ist Klaus Schimmer überzeugt.

Source: Andreas Schmitz, SAP

How To Enrich The Customer Experience Using Internet Of Things

Customer Experience

It’s hard to overstate the value of delivering an excellent customer experience. For many customers, a huge majority of the buying experience is based on how they feel they are being treated. Some would even pay more for a better customer experience.

Considering the proven value of loyal customers and the high cost of acquiring new ones, it only makes sense to keep them happy. The Internet of Things (IoT) can help.

With hundreds of millions of interconnected devices, appliances, wearable technologies, processes, and systems, the IoT offers the opportunity to tap into new data sources and glean new insights. In an increasingly competitive marketplace, the chance to use these nuggets to improve the customer experience can be a real differentiator.

Innovate Using IoT Insights

IoT-based insights can help you communicate more effectively with customers, better understand their needs or desires, and make personalized offers that quell frustration and reward loyalty. Logistics companies can use sensor data to notify customers when a package will arrive. Contextual information – such as how consumers click through a Web site or walk through a store – can tell retailers what attracts and repels potential buyers. And many hospitality and entertainment firms use wearable technologies such as wristbands to monitor waiting times and offer discounts to related activities.

But as IoT data becomes more varied and widely available, winning enterprises will take these basic applications to the next level. Coupons issued by pharmacies and grocery stores are common in most parts of the world. But what if a business collected data from a consumer’s smart device or wearable and used it to respond to an urgent medical issue?

For example, a pharmacy could use machine learning algorithms to recognize when a customer’s blood sugar levels drop. With real-time data from the wearable device, the pharmacist could contact the patient’s physician or give advice about how to adjust the next insulin injection.

Rapid insight and response can also provide opportunities to improve the overall customer journey. Imagine an airline that recognizes a flight delay and instantly offers frustrated travelers free Wi-Fi service on the flight itself. Or a coffee shop at the train station that texts nearby commuters with an offer to prepare their favorite beverage. By proactively reaching out to people in a personalized way, organisations can demonstrate how much they value their customers.

Don’t Overstep Privacy Boundaries

Be mindful, however, of customer perceptions and preferences. People who’ve opted in will likely welcome these initiatives, as long as they believe their personally identifiable information is protected.

Companies that work within the scope of established loyalty programs should succeed. Sending communications to people through an app they downloaded is effective and appropriate, especially for up-sell opportunities. Offering a voucher for a free coffee to customers who have purchased a service is fair game.

However, tracking and communicating with people without their permission or express interest can seem creepy, and may ultimately backfire. Instead of improving the customer experience, these unwelcome advances can brand you as a Big Brother–type organisation that people want to avoid.

Source: Tom Raftery, Forbes

The Human Factor In An AI Future

As artificial intelligence becomes more sophisticated and its ability to perform human tasks accelerates exponentially, we’re finally seeing some attempts to wrestle with what that means, not just for business, but for humanity as a whole.

From the first stone ax to the printing press to the latest ERP solution, technology that reduces or even eliminates physical and mental effort is as old as the human race itself. However, that doesn’t make each step forward any less uncomfortable for the people whose work is directly affected – and the rise of AI is qualitatively different from past developments.

Until now, we developed technology to handle specific routine tasks. A human needed to break down complex processes into their component tasks, determine how to automate each of those tasks, and finally create and refine the automation process. AI is different. Because AI can evaluate, select, act, and learn from its actions, it can be independent and self-sustaining.

Some people, like investor/inventor Elon Musk and Alibaba founder and chairman Jack Ma, are focusing intently on how AI will impact the labor market. It’s going to do far more than eliminate repetitive manual jobs like warehouse picking. Any job that involves routine problem-solving within existing structures, processes, and knowledge is ripe for handing over to a machine. Indeed, jobs like customer service, travel planning, medical diagnostics, stock trading, real estate, and even clothing design are already increasingly automated.

As for more complex problem-solving, we used to think it would take computers decades or even centuries to catch up to the nimble human mind, but we underestimated the exponential explosion of deep learning. IBM’s Watson trounced past Jeopardy champions in 2011 – and just last year, Google’s DeepMind AI beat the reigning European champion at Go, a game once thought too complex for even the most sophisticated computer.

Where does AI leave human?

This raises an urgent question for the future: How do human beings maintain our economic value in a world in which AI will keep getting better than us at more and more things?

The concept of the technological singularity – the point at which machines attain superhuman intelligence and permanently outpace the human mind – is based on the idea that human thinking can’t evolve fast enough to keep up with technology. However, the limits of human performance have yet to be found. It’s possible that people are only at risk of lagging behind machines because nothing has forced us to test ourselves at scale.

Other than a handful of notable individual thinkers, scientists, and artists, most of humanity has met survival-level needs through mostly repetitive tasks. Most people don’t have the time or energy for higher-level activities. But as the human race faces the unique challenge of imminent obsolescence, we need to think of those activities not as luxuries, but as necessities. As technology replaces our traditional economic value, the economic system may stop attaching value to us entirely unless we determine the unique value humanity offers – and what we can and must do to cultivate the uniquely human skills that deliver that value.

Honing the human advantage

As a species, humans are driven to push past boundaries, to try new things, to build something worthwhile, and to make a difference. We have strong instincts to explore and enjoy novelty and risk – but according to psychologist Mihaly Csikszentmihalyi, these instincts crumble if we don’t cultivate them.

AI is brilliant at automating routine knowledge work and generating new insights from existing data. What it can’t do is deduce the existence, or even the possibility, of information it isn’t already aware of. It can’t imagine radical new products and business models. Or ask previously unconceptualized questions. Or envision unimagined opportunities and achievements. AI doesn’t even have common sense! As theoretical physicist Michio Kaku says, a robot doesn’t know that water is wet or that strings can pull but not push. Nor can robots engage in what Kaku calls “intellectual capitalism” – activities that involve creativity, imagination, leadership, analysis, humor, and original thought.

At the moment, though, we don’t generally value these so-called “soft skills” enough to prioritize them. We expect people to develop their competency in emotional intelligence, cross-cultural awareness, curiosity, critical thinking, and persistence organically, as if these skills simply emerge on their own given enough time. But there’s nothing soft about these skills, and we can’t afford to leave them to chance.

Lessons in being human

To stay ahead of AI in an increasingly automated world, we need to start cultivating our most human abilities on a societal level – and to do so not just as soon as possible, but as early as possible.

Singularity University chairman Peter Diamandis, for example, advocates revamping the elementary school curriculum to nurture the critical skills of passion, curiosity, imagination, critical thinking, and persistence. He envisions a curriculum that, among other things, teaches kids to communicate, ask questions, solve problems with creativity, empathy, and ethics, and accept failure as an opportunity to try again. These concepts aren’t necessarily new – Waldorf and Montessori schools have been encouraging similar approaches for decades – but increasing automation and digitization make them newly relevant and urgent.

The Mastery Transcript Consortium is approaching the same problem from the opposite side, by starting with outcomes. This organization is pushing to redesign the secondary school transcript to better reflect whether and how high school students are acquiring the necessary combination of creative, critical, and analytical abilities. By measuring student achievement in a more nuanced way than through letter grades and test scores, the consortium’s approach would inherently require schools to reverse-engineer their curricula to emphasize those abilities.

Most critically, this isn’t simply a concern of high-tuition private schools and “good school districts” intended to create tomorrow’s executives and high-level knowledge workers. One critical aspect of the challenge we face is the assumption that the vast majority of people are inevitably destined for lives that don’t require creativity or critical thinking – that either they will somehow be able to thrive anyway or their inability to thrive isn’t a cause for concern. In the era of AI, no one will be able to thrive without these abilities, which means that everyone will need help acquiring them. For humanitarian, political, and economic reasons, we cannot just write off a large percentage of the population as disposable.

In the end, anything an AI does has to fit into a human-centered value system that takes our unique human abilities into account. Why would we want to give up our humanity in favor of letting machines determine whether or not an action or idea is valuable? Instead, while we let artificial intelligence get better at being what it is, we need to get better at being human. That’s how we’ll keep coming up with groundbreaking new ideas like jazz music, graphic novels, self-driving cars, blockchain, machine learning – and AI itself.

Source: Dan Wellers and Kai Goerlich