gateSTORY – Data has a better idea?

Wie gate-Startups Künstliche Intelligenz anwenden

Die Innovationen durch Künstliche Intelligenz sind in aller Munde. Ob Chatbots, Marketing-Algorithmen oder industrielle Automatisierung – die Anwendungsfelder sind beinahe unbegrenzt. Wir haben drei gate-Startups, die Künstliche Intelligenz schaffen, zu den aktuellen Möglichkeiten und Grenzen befragt.

Künstliche Intelligenz. Dieses Schlagwort ist inzwischen bekannt und fast schon berühmt berüchtigt. Science Fiction-Fans wähnen Wirklichkeit werdende Zukunftsvisionen, Informatikern schießen umfangreiche Algorithmen in den Kopf und Skeptiker fürchten, der Mensch sei in naher Zukunft überflüssig. Wir wollen es genau wissen: Wie wird Künstliche Intelligenz (KI) erzeugt? Wie wird sie genutzt und verliert der Mensch tatsächlich die Kontrolle?

Anerkanntes Ziel der KI ist, die menschliche Intelligenz nachzubilden. Im Idealfall ohne die menschlichen Fehler. Also eine optimierte Intelligenz. Dabei sind nicht nur Roboter gemeint, die menschliche Fähigkeiten beherrschen sollen. Es geht vor allem darum, das menschliche Denkvermögen künstlich nachzubilden: durch neuronale Netze Wissen zu verknüpfen und damit Zusammenhänge zu erkennen. KI hält schon seit Jahren Einzug in etliche Branchen wie zum Beispiel beim Gaming oder dem Kundenservice. So basiert schon ein Game-Controller, mit dem sich per Gestensteuerung Befehle senden lassen, auf KI. Ähnlich verhält es sich bei Sprachassistenten und Chatbots: Inzwischen ist die Technik so weit vorangeschritten, dass einzelne Gesprächsbausteine für einen Dialog verknüpft werden können. Die Nutzer können mit der Maschine kommunizieren und sich fast wie mit einem menschlichen Servicemitarbeiter unterhalten.

Da immer mehr Bereiche digitalisiert werden, liefern sie Daten und eignen sich somit für die Verarbeitung durch KI. Das ruft innovative Gründer auf den Plan, die mithilfe von datenbasierten Geschäftsmodellen ihre Ideen umsetzen. Seit 2000 wurden allein in Deutschland mehr als 200 Unternehmen im Bereich KI gegründet (Quelle: Statista, 2017). Drei davon sitzen im gate Garching:

  • IPT – Insight Perspective Technologies GmbH – Das Startup hilft seinen Kunden mit der eigens entwickelten Software »IPT.Stack« bei der Implementierung von KI in Produktionsstraßen.
  • OmegaLambdaTec GmbH – Die Data Science-Experten bieten maßgeschneiderte Smart Data-Analysen und -Lösungen als projektbezogene Dienstleistung in den Themenfeldern Energie, Industrie 4.0, Mobilität, Smart Finance und Smart Health an. 
  • noyanum GmbH – Die beiden Gründer von noyanum helfen mit ihrem datenbasierten Ansatz dabei, Lebensmittelabfälle in Großküchen zu reduzieren.

Geringes Wissen, aber großes Interesse

Dr. Theo Steininger, Dr. Isabell Franck, Dr. Maksim Greiner von IPT

Die drei befragten Startups berichten von großer Aufgeschlossenheit ihrer Kunden gegenüber KI. Für eine erfolgreiche Implementierung muss jedoch erst das nötige Wissen über deren Anwendung geschaffen werden. Die Experten der gate-Startups betonen, dass KI nicht gleich bedeutend ist mit einem selbstdenkenden System.

Es gilt zu unterscheiden zwischen KI, Big Data, maschinellem Lernen und anderen Begriffen, die sich rund um KI ranken. Dr. Theo Steininger, Astrophysiker und einer der drei Gründer von IPT, erklärt: »99 Prozent der KI, die bereits verwendet wird, ist einfache KI, die auf mathematischen Algorithmen basiert.« Er beobachtet, dass in Unternehmen noch große Unwissenheit darüber herrscht, wie KI nutzbar ist. Theo Steininger und seine beiden Geschäftsführungskollegen Dr. Isabell Franck und Dr. Maksim Greiner erklären in Kundengesprächen stets, dass die Grundlage für KI Daten sind. Darauf aufbauend werden die Algorithmen geschrieben, die die Maschinen lernen lassen, das sogenannte maschinelle Lernen. Dabei kann es sowohl eine Herausforderung sein, wenn nur sehr wenige Daten zur Verfügung stehen, denn dann muss so viel wie möglich aus ihnen herausgeholt werden. Und im entgegengesetzten Fall, wenn immense Datenmengen verarbeitet werden müssen, ergeben sich ganz eigene technische Herausforderungen, die mit Methoden aus dem Werkzeugkasten des Big Data angepackt werden.

Das Team von OmegaLambdaTec

Auch Rene Fassbender vom gate-Startup OmegaLambdaTec klärt immer wieder über die Unterschiede zwischen KI, maschinellem Lernen und Physical Analytics auf. Er erläutert: »Uns ist es ein Anliegen, dass der Analyse-Prozess, der hinter dem Ergebnis der Algorithmen steckt, transparent, erklärbar und belastbar ist. Deshalb versuchen wir Systeme so gut es geht theoretisch zu verstehen und mit diesem Wissen zu arbeiten – ein Ansatz der mittlerweile unter dem Begriff Physical Analytics zunehmende Verbreitung findet.

Die besondere Herausforderung sei, auch mit einer geringen Datenmenge ein belastbares Ergebnis herauszuholen. Mit den grundlegenden Algorithmen müsse es möglich sein, eine unvollständige Datengrundlage auszugleichen. Da KI zum Lernen lediglich darauf zurückgreifen kann und nicht auf weitergehende menschliche und kognitive Fähigkeiten, kann sie Probleme nur in Abhängigkeit von der Qualität der eingespeisten Daten lösen.

Das funktioniert in manchen Fällen sehr gut, aber für mehr seien die aktuell vorhandenen Datensammlungen meist noch zu gering. Deshalb meint Rene Fassbender, »viel natürliche Intelligenz ist immer noch wesentlich besser als ein bisschen Künstliche Intelligenz«.

Jakob Breuninger und Valentin Belser von noyanum

Weniger Erklärungsbedarf haben im Gegenzug die beiden Gründer von noyanum, Valentin Belser und Jakob Breuninger. Sie berichten: »Unsere Kunden sind sehr offen für neue Technik. Großküchen sind tatsächlich technologieaffin und aufgeschlossen dafür, wie die Digitalisierung ihre Arbeit erleichtern kann.« Es herrsche bereits eine gute Datengrundlage, auf die für die Entwicklung der Algorithmen zurückgegriffen werden könne. Die Herausforderung bei der Planung von mehreren Wochen Speisen, Einkauf und Verarbeitung sei, nicht die emotionale Komponente in Prognosen einzurechnen. »Nur weil letzten Donnerstag viel los war, bedeutet das nicht gleich, dass diesen Donnerstag auch viel los ist«, erklärt Jakob Breuninger. Die statistische Sicherheit der Daten liefert hingegen eine treffsichere Prognose. Der Vorteil ist, dass die Verschwendung von Lebensmitteln verhindert wird und Kosten eingespart werden. Spätestens diese Argumente überzeugen Köche und Restaurantchefs von der noyanum-Software.

Mehr Hilfe als Ersatz für Arbeitskräfte

Doch was ist dran an den Befürchtungen, dass KI Arbeitsplätze ersetzt? Theo Steininger sagt: »IPT.Stack ist eher Hilfswerkzeug für die Ingenieure, als dass sie die Arbeitskraft ersetzen würde.« Denn noch stößt die KI an viele Grenzen. Als Beispiel nennt er, dass neuronale Netze Schwierigkeiten damit haben, zwischen einem Wischmop und der Hunderasse Bobtail zu unterscheiden. Aber Theo Steininger ist sich sicher, »diese Grenzen werden früher oder später überwunden werden.«

Rene Fassbender bestätigt ebenfalls, dass die Unternehmen noch davon entfernt sind, Arbeitskräfte durch Maschinen zu ersetzen. »Mit unseren KI-Lösungen ersetzen wir keine Arbeitsplätze und machen auch keine Aufgaben überflüssig. Die Maschine übernimmt stattdessen zeitintensive Routineaufgaben und unterstützt damit die souveräne Entscheidung des Verantwortlichen.« Sie sei mehr Arbeitserleichterung als Ersatz. »Die Künstliche Intelligenz ergänzt die Erfahrung der Fachkräfte durch belastbare Prognosen. Das berühmte Bauchgefühl wird durch datengetriebene mathematisch quantifizierbare Sicherheit ersetzt.«

Dem stimmt auch Valentin Belser zu: »Ein Koch ist für’s Kochen da.« Dass er auch Aufgaben übernimmt wie die Planung der Gerichte oder den Einkauf der Zutaten ist zwar eine wichtige Zuarbeit für sein Handwerk. Die Routinearbeit kann jedoch von der KI übernommen werden und löst auch hier das Bauchgefühl ab. Ersetzt wird der Koch dadurch eben nicht. Die Gründer von noyanum betonen: »Die Entscheidung trifft letztendlich der Mensch. Die Maschine liefert lediglich eine Empfehlung.«

Wer kann KI schaffen?

Rene Fassbender erklärt: »Den Startpunkt für KI bildet immer noch die natürliche Intelligenz. Die Qualität der Maschine ist abhängig von der Qualität der Daten, des richtigen Analyse-Ansatzes und der optimierten Implementierung, zum Beispiel in Form eines tiefen neuronalen Netzes. Dieses bauen wiederum Menschen auf.« Diese hohen Anforderungen und die große Nachfrage aus der Industrie machen die Personalsuche für Unternehmen in Sachen KI-Entwicklung extrem schwer. Erfahrung ist auch hier das A und O. Data Scientists und Softwareingenieure sind sehr gefragt und dadurch teuer, was Startups in der Regel vor finanzielle Herausforderungen stellt.

»Man muss einfach oft genug auf die Nase gefallen sein«, meint Theo Steininger. Eine gewisse Portion Cleverness sollten die Entwickler ebenfalls mitbringen. Im Arbeitsalltag ist dann oft Fingerspitzengefühl gefragt, wenn die Software dem Kunden vermittelt werden soll. Die Herausforderung ist,  erfahrenen und intelligenten Leuten beizubringen, dass die KI ihre Aufgaben nicht ersetzt – aber die eigene Arbeit optimieren kann. Dazu ist es wichtig, sich in sein Gegenüber hineinversetzen zu können. Davon, dass diese emotionale Intelligenz von Maschinen ersetzt wird, ist die Technik jedoch anscheinend noch weit entfernt.

Lisa Hyna