Maschinen signalisieren ohne Zutun des Bedieners, dass sie eine außerplanmäßige Wartung benötigen; Analysesysteme in der Medizin ermitteln anhand von Patientendaten, welche Therapien am besten anschlagen; Bots beantworten Fragen von Kunden zu Produkten und geben Mitarbeitern Hilfestellung, wenn eine Unternehmensanwendung Probleme bereitet. Dies ist nur ein Bruchteil der Szenarien, in denen KI und Maschinelles Lernen (ML) zum Zuge kommen können. Das bestätigte eine Runde von hochkarätigen Fachleuten, die auf Einladung der COMPUTERWOCHE über das Potenzial und die Hürden beim Einsatz beider Technologien diskutierten.

"KI lässt sich in fast allen Branchen einsetzen. Auch Juristen, Biologen und Ärzte können von entsprechenden Anwendungen profitieren", sagt beispielsweise Daniela Schneider, Director Insights & Data beim Beratungshaus Capgemini. Ein Anwendungsfeld von Künstlicher Intelligenz im Business-to-Consumer-Bereich sei etwa die zeitnahe Beantwortung von Fragen von Kunden und Interessenten: "Hier können KI-Lösungen dazu beitragen, Kunden eine optimierte 'Customer Journey' zu bieten", so Schneider.

Großes Potenzial im B2C- und B2B-Bereich

Dieselbe Auffassung vertritt Eberhard Hechler, Executive Architect bei der IBM Deutschland Research und Development GmbH in Böblingen: "Das Potenzial von Machine Learning und KI im B2B- und B2C-Sektor ist riesig und kann nicht hoch genug eingeschätzt werden", so der Experte. Allerdings sei der Einsatz beider Technologien im Business-to-Consumer-Bereich in Deutschland eher verhalten.

In diesem Bereich dominierten Länder wie die USA und China. "Dagegen ist Deutschland im B2B-Sektor besser aufgestellt, was den Einsatz von Künstlicher Intelligenz und Machine Learning betrifft", betont Hechler. Als Beispiele führt er Verkaufsvorhersagen und Handlungsempfehlungen im B2B-Vertrieb an.

Deutschland sollte jedoch nicht leichtfertig die Chancen vergeben, die KI, Machine Learning und Deep Learning auch in anderen Bereichen bieten, etwa in der Industrie, mahnt Dr. Leonard Rothacker, Technology Consultant bei der Lufthansa Industry Solutions AS GmbH in Norderstedt: "Gerade Deutschland als führende Industrienation muss den Einsatz von KI und ML fördern, um die Konkurrenzfähigkeit seiner Unternehmen zu erhalten."

Mit Künstlicher Intelligenz die industrielle Fertigung optimieren

Denn Ansätze wie die vorausschauende Wartung (Predictive Maintenance), das Internet der Dinge (IoT, Internet of Things) und die Optimierung von vernetzten Produktionsprozessen - Stichwort Industrie 4.0 - basieren zu einem beträchtlichen Teil auf dem Einsatz von ML und KI. "Beide Technologien können dazu beitragen, die Konkurrenzfähigkeit der deutschen Industrie zu stärken", bestätigt Dr. Reza Bakhtiari, Digital Business Consultant bei der A1 Digital Deutschland GmbH in München. "Das ist wichtig, weil die Lohnkosten in anderen Ländern deutlich niedriger sind."

Damit sich KI und ML in der Industrie mit Erfolg nutzen lassen, müssen allerdings entsprechende Daten vorhanden sein. Doch in diesem Punkt sind deutsche Unternehmen gut aufgestellt, so Rothacker: "Es ist nicht so, dass nur Unternehmen wie Google oder Amazon über genügend Daten verfügen, um diese Technologien nutzbringend einzusetzen. Deutsche Unternehmen können hier ihre Erfahrung mit industriellen Anwendungen ausspielen", sagt der Fachmann von Lufthansa Industry Solutions.

Informationen zu den Partner-Paketen der Studie Machine Learning

Wichtig: Schutz sensibler Daten

Ein heikler Punkt, der in der Diskussion über KI-Lösungen immer wieder auftaucht, ist der Schutz sensibler Daten. Ein Beispiel führt Dr. Christoph Angerer an, Senior Manager AI Infrastructure bei NVIDIA: "Ein heiß diskutiertes Thema ist der Einsatz von KI-Lösungen in der Medizin, etwa der Gentechnik oder der Auswertung von Patientendaten. So enthält ein Genom sensible Informationen eines Menschen, etwa über Erbkrankheiten. KI-Lösungen können und müssen so entwickelt werden, dass solche Daten vor Missbrauch geschützt sind."

Allerdings hängt die Effektivität von KI und Machine Learning maßgeblich davon ab, dass sie mithilfe einer großen Menge von Trainingsdaten optimiert werden, etwa "echten" Informationsbeständen aus Forschungsprojekten oder der Fertigung. "Es ist durchaus möglich, Fehler beim Trainieren von DL- und ML-Modellen zu vermeiden und somit einen ,Bias' auszuschließen, also beispielsweise eine unerwünschte Bevorzugung oder Benachteiligung von Bewerbern aufgrund des Geschlechts oder der Hautfarbe", erläutert IBM-Mann Hechler. "Allerdings ist es schwierig, Deep-Learning-Modelle entsprechend zu trainieren, wenn nicht genügend Datensätze zur Verfügung stehen. Dies zu bewerkstelligen ist Gegenstand intensiver KI-Entwicklungs- und -Forschungsarbeit."

Doch "echte" Daten für das Trainieren von Algorithmen zu gewinnen ist laut Christoph Angerer ein lösbares Problem: "Künstliche Intelligenz lässt sich auch dazu nutzen, die Vertraulichkeit von Informationen sicherzustellen", so der Experte von NVIDIA. Ein Beispiel seien föderierte Lernsysteme in der Pharmabranche. "Mehrere Hersteller können beispielsweise einen Datenbestand gemeinsam nutzen, etwa für Forschungszwecke. Die KI-Modelle werden dabei auf eine Weise trainiert, dass ein Hersteller keine sensiblen Informationen von Mitbewerbern zu Gesicht bekommt."

Ausfiltern von sensiblen Informationen

Vergleichbare Szenarien sind auch in der Industrie im Gespräch. Denn ein Industrieunternehmen dürfte es sicherlich nicht gerne sehen, wenn die KI- und ML-Systeme eines Dienstleister aus dem Bereich Predictive Maintenance einen umfassenden Zugriff auf sensible Produktionsdaten erhalten. Das ist vor allem dann kritisch, wenn ein Hersteller von Werkzeugmaschinen mehreren Kunden Wartungsservices anbietet und die entsprechenden Maschinendaten auf seinen Servern oder bei einem Cloud-Dienst landen.

Ebenso wie Angerer sieht Rothacker die Lösung in KI-Algorithmen: "Sie lassen sich dazu verwenden, sensitive Daten aus Informationsbeständen auszufiltern. Bei Bildern mit Personen werden beispielsweise die Bildbereiche, die Personen zeigen, automatisch erkannt und unkenntlich gemacht", so der KI-Experte. Die bereinigten Daten lassen sich anschließend für andere Analysen nutzen und können für das Training von Machine-Learning-Modellen abgespeichert werden.

Keine Angst vor der "bösen KI"

Trotz der - potenziellen - Vorzüge von KI und ML gibt es aus Sicht der Fachleute jedoch auch kritische Faktoren. Einer ist die Furcht, dass diese Technologien Menschen ihre Arbeit wegnehmen, ein weiterer, dass sich KI-Systeme verselbstständigen und Entscheidungen treffen, die für Menschen nicht mehr nachvollziehbar sind.

Dass sich KI-Systeme zu "Arbeitsplatzdieben" entwickeln, ist zumindest derzeit nicht zu befürchten, so die Teilnehmer der Diskussionsrunde. Ein Grund ist der Stand der Technologie: "Bislang sind Künstliche Intelligenz und Deep Learning nicht so weit entwickelt, dass sie einen Menschen ersetzen können. Daher ist die Angst übertrieben, dass KI-Lösungen zu einem ,Jobkiller' werden", unterstreicht beispielsweise Bakhtiari.

Dieselbe Auffassung vertritt Schneider von Capgemini: "Wir sind noch weit davon entfernt, dass KI-Systeme den Menschen ersetzen können. Derzeit bietet sich der Einsatz von Künstlicher Intelligenz dort an, wo Menschen an Grenzen stoßen. Das heißt, es wird künftig eher eine Zusammenarbeit von Mensch und KI-Instanz geben." Sie warnt vor einer geradezu schizophrenen Haltung gegenüber Künstlicher Intelligenz: "Auf der einen Seite klagen viele Beschäftigte über eine zu hohe Belastung und Burn-out-Syndrome, andererseits wird die Angst vor KI-Systemen geschürt, die diese Überlastung reduzieren könnten."

Regeln für den Einsatz von Künstlicher Intelligenz müssen her

Bei der Frage, ob und in welchen Bereichen KI-Systeme eigenständig handeln dürfen, plädieren die Fachleute für eine pragmatische Vorgehensweise. Rothacker empfiehlt beispielsweise, Menschen in Suchprozesse einzubinden, die von KI-Instanzen durchgeführt werden. Zudem gebe es Bereiche wie die Mustererkennung in der Industrie, in denen Fragen der Ethik und Autonomie von KI-Systemen eine geringere Rolle spielten.

"Entscheidend ist beim Einsatz von KI und ML, wer letztlich die Verantwortung für Aktionen trägt: der Algorithmus oder der Mensch. Diese Frage stellt sich beispielsweise beim autonomen Fahren", argumentiert Hechler. "Eigentlich ist ein Ethikregelwerk erforderlich, das sich bei Machine-Learning- und Deep-Learning-Lösungen als Framework implementieren lässt. Aber das ist aus technischer Sicht noch nicht umsetzbar." Ebenso wie Angerer räumt Hechler ein, dass dem Menschen beim Einsatz von KI- und Deep-Learning-Lösungen teilweise die Entscheidungshoheit entgleitet. "Denn wie eine KI- oder Deep-Learning-Instanz zu einem bestimmten Resultat kommt, ist für Menschen möglicherweise nicht mehr nachvollziehbar."

Derzeit wird laut Angerer die unvollständige Nachvollziehbarkeit der Entscheidungen von KI-Lösungen durch technische Hilfsmittel kompensiert. Ein Beispiel ist das autonome Fahren: "Beim hochautomatisierten Fahren muss der Fahrer beispielsweise in der Lage sein, innerhalb von zehn Sekunden die Kontrolle über das Fahrzeug zu übernehmen, sobald die KI-Algorithmen den sicheren Betriebsbereich verlassen." Es sei vor diesem Hintergrund unverzichtbar, die Fähigkeiten und Grenzen von KI realistisch einzuschätzen.

Informationen zu den Partner-Paketen der Studie Machine Learning

Hemmschwellen überwinden

Zum Abschluss gaben die Experten Tipps, wo Unternehmen und Organisationen ansetzen können, wenn sie KI- und ML-Projekte starten möchten. Ein erster Punkt: sich darüber klar werden, welche Technologie überhaupt zum Zuge kommen soll. Denn "bei einem beträchtlichen Teil der KI-Anwendungen handelt es sich im Grunde um Analytics-Applikationen. Nur lässt sich heute der Begriff ,Künstliche Intelligenz' besser verkaufen", sagt Markus Schäfer, Account Manager Global Sales and Marketing Division von Molex in Walldorf.

Schneider misst zudem einer umfassenden Datenstrategie eine entscheidende Rolle bei. "Sofern diese nicht vorhanden ist, können externe wie interne Fachleute Hilfestellung geben. Im zweiten Schritt folgen die Definition und Umsetzung einer KI-Strategie." Zu Beginn sei es zudem hilfreich, sich auf einfachere (Teil-)Prozesse zu konzentrieren und diese mithilfe von KI zu optimieren.

Das sieht auch Rothacker so: "Wichtig bei KI- und ML-Projekten ist, im Vorfeld eine Problemstellung in Teilaufgaben herunterzubrechen. Wenig hilfreich sind allzu ehrgeizige Zielsetzungen." Vielmehr gelte es, ein ,Erwartungs-Management' zu etablieren, das übersteigerten Erwartungen an den schnellen Nutzen von KI-Projekten entgegenwirke. "Zu beachten ist außerdem, dass auch in KI- und ML-Modellen ein Lifecycle-Management erforderlich ist - ähnlich wie bei einer Bürosoftware oder einem Betriebssystem", erläutert Rothacker. Innerhalb eines Lifecycle sei es in vielen Fällen notwendig, die Modelle neu zu trainieren, um sie an sich ändernde Umgebungen anzupassen.

Die richtigen Daten und Strategien finden

Einen weiteren Aspekt spricht Bakhtiari von A1 Digital Deutschland an. Zwar seien in vielen Unternehmen genügend Daten vorhanden, die sich für KI- und ML-Lösungen eigneten, aber: "Ein Problem besteht darin, dass die Anwender nicht wissen, wie sie diese Informationsbestände nutzen sollen." Außerdem sollten Nutzer folgende Punkte beachten:

• KI ist ein Teamsport. Das heißt, es müssen Geschäftsführung, Fachbereiche, Datenanalysten und IT-Fachleute mit einbezogen werden.

• Es ist wichtig, die Prozesse zu verstehen, die mithilfe von KI und ML optimiert werden sollen.

• Die Domain-Experten müssen involviert werden.

"Ein Großteil der Unternehmen weiß nicht, wo sie ansetzen sollen, wenn sie ein KI-Projekt starten wollen, etwa bei den Geschäftsmodellen oder beim Use Case", ergänzt Hechler. "Zudem müssen Mitarbeiter geschult werden, bevor sie KI- oder ML-Anwendungen einsetzen." Ein weiterer Grund dafür, dass etliche KI-Projekte scheitern, sind Hechler zufolge Fehler bei der Implementierung und Operationalisierung von KI- und ML-Modellen: "Bei der Konzeption von Prozessen, die mithilfe von Künstlicher Intelligenz optimiert werden sollen, ist auf die Operationalisierung von Daten zu achten. Ein Scoring erfordert eine Bereitstellung von Produktivdaten, und dies - je nach Anwendungsfall - in Echtzeit." Unverzichtbar sei außerdem ein kontinuierliches Monitoring der KI- und ML-Modelle.

Auch der Staat ist gefordert

Allerdings ist es aus Sicht der Fachleute nicht nur Aufgabe von Unternehmen, die Rahmenbedingungen für den Einsatz von Künstlicher Intelligenz und Machine Learning zu schaffen. "Generell ist es wünschenswert, bereits zu einem frühen Zeit junge Leute mit KI und Informationstechnik in Berührung zu bringen", sagt beispielsweise Angerer.

Defizite bestehen zudem bei den gesetzlichen Regelungen: "Es ist Aufgabe des Gesetzgebers, klare, jedoch weitsichtige rechtliche Rahmenbedingungen zu schaffen, um weiterhin Innovationen zu ermöglichen und dennoch verbindliche Grundsätze zu etablieren", unterstreicht Hechler. Wenn das nicht geschehe, drohe Deutschland bei Künstlicher Intelligenz und Machine Learning an Boden zu verlieren.

Aus Sicht von A1-Manager Bakhtiari ist das bereits der Fall: "Deutschland spielt gegenwärtig im Bereich Künstliche Intelligenz und Deep Learning im internationalen Vergleich keine führende Rolle. Um das zu ändern, sind mehr Use Cases erforderlich. Außerdem fehlt es in Deutschland an Investoren, die Unternehmen und Start-ups im Bereich KI, Deep Learning und Maschinellem Lernen mit dem nötigen Kapital versorgen."

Fazit: Kein Grund zur Selbstzufriedenheit

Als Quintessenz des Expertentreffens der COMPUTERWOCHE lässt sich somit festhalten: Künstliche Intelligenz, Deep Learning und Machine Learning sind Technologien, die für die Wettbewerbsfähigkeit deutscher Unternehmen eine zentrale Rolle spielen. Firmen und Organisationen sollten daher diese Chance nutzen und sich intensiv mit diesen Ansätzen auseinandersetzen. Doch ebenso wie in anderen Technologiebereichen gilt auch bei KI und ML: Einen "Königsweg" gibt es nicht. Vielmehr erfordern Projekte in diesen Bereichen eine sorgfältige Planung und Umsetzung.

Doch auch die Politik ist in der Pflicht. Sie muss endlich damit Ernst machen, Ansätze wie Künstliche Intelligenz nachhaltig zu unterstützen. Lippenbekenntnisse und halbherzige KI-Initiativen reichen jedenfalls nicht aus, um den Industriestandort Deutschland langfristig zu erhalten.