Im Gespräch mit Ravin Mehta, Geschäftsführer *um

Ravin Mehta ist Gründer von The unbelievable Machine Company (*um), einem Full-Service-Dienstleister für anspruchsvolle Digitalprojekte und Spezialisten für Big Data und Cloud-Services. *um ist Teil der Basefarm-Gruppe, einem Unternehmen der Orange Business Services, und beschäftigt rund 150 Mitarbeiter in Berlin, Frankfurt und Wien.

Im Gespräch mit com! professional analysiert Ravin Mehta Potenzial und Grenzen von KI und Machine Learning.

com! professional: Welche Rolle spielen KI und ML aus Ihrer Sicht für die digitale Transformation?

Ravin Mehta: Machine Learning ist der Treiber für digitale Transformationsprozesse. Denn Machine Learning kann die Grundlage für optimierte und automatisierte Prozesse, für bessere User Experience und besseren Kundenservice, sogar für neue Geschäftsmodelle sein. Die Anwendungsmöglichkeiten und Wertschöpfungspotenziale sind immens - über sämtliche Branchen und Unternehmensgrößen hinweg. Allerdings braucht es für die erfolgreiche Umsetzung von Machine-Learning-Projekten agile Strukturen, eine performante IT und den Willen zur Veränderung.

com! professional: In der von Crisp Research für Dell EMC und *um erstellten Studie „Machine Learning in deutschen Unternehmen“ heißt es, dass KI und ML „in Deutschland angekommen sind“. Nur in den Köpfen oder auch schon im Unternehmensalltag?

Mehta: Laut der Studie befassen sich bereits 37 Prozent der Unternehmen konkret mit der Implementierung von Machine Learning und haben schon erste Erfahrungen zumindest mit Proto­typen gemacht. 17 Prozent nutzen Machine Learning produktiv in ausgewählten Bereichen, 5 Prozent in weiten Teilen des Unternehmens. Diese Ergebnisse decken sich mit unseren Erfahrungen. Während wir vor einigen Jahren noch über die Sinnhaftigkeit von Big Data und Data Science aufklären mussten, sind viele Unternehmen inzwischen einen erheblichen Schritt weiter und haben eigene Abteilungen in diesen Bereichen aufgebaut.

com! professional: Wie viel Intelligenz steckt heute schon in KI, wie viel Lernvermögen in ML?

Mehta: In der Tat ist es noch recht vermessen, bei maschinellem Lernen von „Intelligenz“ zu sprechen, auch wenn die Ergebnisse erstaunlich sein können. Wenn die Menge an Trainingsdaten und die Rechenleistung groß genug sind, dann kann Machine Learning sogar menschliche Intelligenz überflügeln, siehe Googles Projekt AlphaGo Zero.

Je kontrollierter die Umgebung und bekannter die wiederkehrenden Strukturen sind, umso besser funktioniert Machine Learning. Für die Zukunft sind der Fantasie allerdings keine Grenzen gesetzt. Denn das Prinzip, nach dem maschinelles Lernen funk­tioniert, kommt dem menschlichen Lernen durchaus nahe - daher gibt es keinen Grund zur Annahme, dass künstliche Systeme in einem absehbaren Zeithorizont nicht über Fähigkeiten verfügen werden, die von menschlicher Intelligenz kaum zu unterscheiden sind. Das heißt letztlich, dass sie in der Lage sein werden, neue Aufgaben auszuführen, für die sie nicht programmiert wurden, indem sie Gelerntes auf andere Bereiche adaptieren - eben wie ein Mensch.

com! professional: Kaum eine Business-Software kommt heute ohne das Label „KI-basiert“ auf den Markt. Ist Ihrer Erfahrung nach überall KI drin, wo KI draufsteht?

Mehta: Der Begriff KI wird inflationär verwendet und nicht trennscharf von Machine Learning abgegrenzt. Es muss Unternehmen klar sein, dass es keine „Künstliche Intelligenz“ am Markt zu kaufen gibt, sondern nur Machine Learning - zu deren richtigem Einsatz aber nach wie vor „menschliche Intelligenz“ gehört.

com! professional: Unserem Eindruck nach dienen KI-Projekte derzeit in erster Linie noch dazu, bestehende Prozesse zu optimieren. Von den viel beschworenen „neuen Geschäftsmodellen“ ist noch nicht so viel zu sehen.

Mehta: Bisher inszenieren sich vor allem amerikanische Unternehmen öffentlichkeitswirksam als Vorreiter des Machine Learnings. Allerdings investieren auch deutsche Unternehmen massiv in diesen Bereich. Automobilhersteller rollen neue Services für das „Connected Car“ aus und treiben die Entwicklung (teil-)autonomen Fahrens voran. Banken und Versicherungen nutzen Ma­chine Learning für die Modellentwicklung, für Betrugserkennung und Dokumentenklassifizierung, der Handel für den Kundendienst und Marketingmaßnahmen. Zugegebenermaßen - hier ist nicht immer deutlich abzugrenzen, ob es sich um Prozessoptimierung oder Verbesserungen bestehender Geschäftsmodelle geht. Dass die bessere User Experience durchaus geschäftskritisch sein kann, gilt nicht nur im E-Commerce. Dort sind übrigens die ersten neuen Geschäftsmodelle zu sehen, wenn es um hyperpersonalisierten Content und passgenaue Angebote geht.

Mehta: Sie sollten die Scheu ablegen, mit kleinen Schritten beginnen und Ideen agil entwickeln. Dazu braucht es zuallererst die richtigen Strukturen und das richtige „Mindset“, um agil, iterativ und ergebnisoffen an die Dinge heranzugehen.

Mehta: Zunächst geht es darum, explorativ vorzugehen. Data Science ist eine wissenschaftliche Disziplin, das heißt, anders als sonst in der Managementwelt mag vielleicht das Ziel klar sein, aber der Weg dorthin ist vorher nicht bekannt und planbar. Es kann also vorkommen, dass sich eine theoretische Idee in der Praxis nicht umsetzen lässt. Wenn es sich aber in einem Proof of Concept umsetzen lässt, dann ist es wichtig, von vornherein zu planen, dass daraus ein Produkt wird und das Projekt nicht bei der Theorie stehenbleibt. Dazu gilt es, von Beginn an mit einem Partner zu arbeiten, der sämtliche Schritte von der Ideenentwicklung über den Aufbau einer Datenplattform bis zum langfristigen Betrieb versteht und umsetzen kann - von der Idee bis zum Kabel.