Da haben wir einen der seltenen Fälle, in denen Gewalt eine Lösung ist: Als "Brute Force" ("rohe Gewalt") bezeichnen Experten den Ansatz hinter der lernenden Maschine.

Die komplexen Algorithmen, die Computern erlauben, wie Menschen selbständig neue Fähigkeiten zu erlernen, sind uralt - in Computerbegriffen gesprochen, rund drei Jahrzehnte. Doch erst jetzt hat man sie dank brutal starker Rechenleistung erstmals richtig zum Arbeiten gebracht: "Wir brechen aktuell einen Weltrekord nach dem anderen", jubelt Klaas Bollhoefer , Chief Data Scientist beim Datendienstleister The Unbelievable Machine Company   . "Und das nicht dank neuer Techniken, sondern dank alter Algorithmen und exorbitanter Rechenpower, die so erstmals zur Verfügung steht".

Kaum ein Geschäftsbereich wird davon unberührt bleiben, viele davon sind tief mit der Interaktivbranche verwoben: Werbung, Journalismus, Medizin, das Arbeitsleben generell, Transportlogistik - beinahe alles wird sich ändern. Wer einen Job sucht, in dem er vor dem Einfluss von Deep Learning sicher ist, "sollte Yoga-Lehrer werden", wie Bollhoefer die nur halb ironische Empfehlung eines befreundeten Wissenschaftlers zitiert.

In der Technik liegt ungeheures disruptives Potenzial, aber auch enorme Chancen - wer sich rechtzeitig auf die Veränderungen einstellt, die lernende Maschinen für uns bedeuten, kann sein Geschäftsmodell sichern und sogar zu den Profiteuren gehören.

Die lernende Maschine: Wie Deep Machine Learning überhaupt funktioniert

Die Technik hinter der neuen Generation künstlicher Intelligenz zerfällt in zwei aufeinander aufbauende Disziplinen:

1. Beim Machine Learning impft man Maschinen Entscheidungsfähigkeit ein. Ein Beispiel dafür ist der lernende Spam-Filter: Man gibt dem Filter 1.000 Mails und sagt ihm: "Das ist Spam" und dann nochmal 1.000, die man als unbedenklich klassifiziert. Mit Machine Learning kann der Filter Muster erkennen und verstehen, wie man eigentlich die beiden Mail-Typen unterscheidet, ohne dass ihm das ein Mensch ausdrücklich beigebracht hat.
2. Noch eine Stufe weiter geht Deep Learning. Hier kann eine Maschine alleine auch unbekannte Dinge erkennen und in Kategorien einteilen - prominentes Beispiel dafür ist ein von Google programmierter Computer, der 2012 von sich reden machte. Der Algorithmus hatte die Aufgabe, zehntausend Fotografien in sinnvolle Kategorien einzuteilen und legte daraufhin auch selbstständig einen Ordner mit Katzenbildern an - ohne jemals beigebracht bekommen zu haben, was Katzen sind und woran man sie erkennt. Ein solches Beispiel kann Urängste vor der schlauen Maschine auslösen, verliert aber seinen Schrecken, versteht man die Mechanismen dahinter: Die Maschine wurde einfach auf einem Haufen Bildern immer wieder mit Katzen konfrontiert, hat die Gemeinsamkeiten der Objekte erkannt (etwa: klein, vier Beine, Fell etc.) und dann in eine Kategorie gepackt.

Deep Learning ist der eigentliche, disruptive Quantensprung. Das Potenzial, das in lernenden Maschinen steckt, ist unbegrenzt. Schon heute verblüffen die Erfolgsgeschichten: "Maschinen können schon heute nicht nur ein Spiel wie Schach selbstständig beherrschen lernen - ihnen reichen fünf Tage aus, um Fertigkeiten eines Schachprofis von internationalem Rang zu erwerben", sagt Bollhoefer.

Diese Fortschritte auf dem Feld künstlicher Intelligenz werden in den kommenden Jahren zahlreiche Bereiche unseres Lebens prägen - in manchen sind sie, ohne dass dies den meisten Nutzern bewusst ist, schon längst angekommen.

Anwendungsszenarien für Deep Learning
Werbung
Digital Signage	Intelligente Außenwerbeformate erkennen, wer an einem Schild vorbeiläuft, welche Stimmung er hat und wie er auf bestimmte Angebote reagiert, die dann dynamisch angepasst werden. Je öfter das geschieht, desto mehr lernt die Außenwerbung darüber, wie man Kunden optimal anspricht.
Leads identifizieren	Systeme lernen, die Grenzen eines Leads auszuloten: Wie reagieren Besucher eines Shops auf ein komplexes Maßnahmenbündel aus dynamischem Design, Coupon-Angeboten oder Produkt-Vorschlägen? Deep-Learning-Algorithmen würden nach einem Kaufabbruch auch kein Dampf-Retargeting betreiben, sondern ausloten, welcher Kundentypus wie auf verschiedene Maßnahmen der Wiederansprache reagiert und ständig besser darin werden.
Handel und E-Commerce
Logistik	Fahrverhalten, Verkehrs- und Wetterlage, Fracht werden miteinander in Korrespondenz gebracht. Algorithmen lernen, wie sich diese Faktoren bedingen - droht eine Fracht zu verderben, weil die Sonne heiß brennt und obendrein ein Stau ansteht, kann das System den Fahrer auffordern, rechts ranzufahren und im Schatten zu parken oder die Ware manuell zu kühlen, bis sich die Verkehrslage entspannt hat.
Dynamisches Pricing	Elektronische Preisschilder können in Verbindung mit Gesichtserkennung auslesen, wie der Kunde auf ein attraktives aber zu teures Angebot reagiert - zieht er eine Schnute, weil ihm etwas offenbar zu teuer ist, kann an Ort und Stelle ein Rabatt auf das Preisschild gespielt werden.
Sortimentsoptimierung	Das optimal aufgestellte Ladensortiment ist schon lange Gegenstand der Wissenschaft. Intelligente Algorithmen können die Warenaufstellung im Laden buchstäblich perfektionieren helfen, indem sie Heatmaps von Besucherströmen zeichnen, Änderungen vorschlagen und diese dann wieder optimieren.
Servicebots	Künftig wird Selfservice weit über FAQs, Kundenforen und Hotlines hinausgehen: Servicebots verstehen die Probleme und Emotionen von Kunden und machen als automatisierte Lösungen den 24-Stunden-Echtzeit-Service auch für kleine Shops erschwinglich
Reparatur und Wartung
Schadensprognostik	Die Ausfälle von Maschinen und Ersatzteilen lassen sich künftig immer öfter vorhersagen: Mit Deep Learning lässt sich das, was sich als Laune des Materials tarnt, ursächlich auf komplexe Wechselwirkungen zurückführen - wenn ständig eine bestimmte Schraube kaputt geht, erweist sich dies eventuell als Ursachenbündel aus einem niedrigen Ölstand in einer Maschine, Betriebstemperatur und Alter der Schraube. Künftig kann man sie vor dem Defekt auswechseln, denn die Maschine weiß, wann sie kaputt gehen wird.
Ressourcenoptimierung	Lassen sich Reparaturen vorhersagen, so lässt sich auch viel besser planen, wann ein Servicemitarbeiter an welchem Ort gebraucht wird: Statt den Notdienst am Wochenende rufen zu müssen, weil ein Lift defekt ist, weiß der Experte künftig vorher, wann der Defekt auftreten wird und plant eine Wartung noch vor dem Defekt bequem in seinen Arbeitsalltag ein.
E-Health
Assistenzsysteme	"Der moderne Mensch ertrinkt in einer Flut von Wissen und Daten", stellt Dr. Wolfgang Hildesheim, Verantwortlicher der Watson Group in Deutschland bei IBM   fest. "Allein in der Krebsforschung zum Beispiel erscheinen 700.000 Publikationen pro Jahr - intelligente Systeme können diese Daten lesen, Wissen extrahieren und im Rahmen einer Helferlösung zur Unterstützung der Prozesse und Entscheidungen verfügbar machen."
Kommunikation
Dolmetscher	Dass niemand mehr Sprachen lernen muss, erscheint heute als greifbar gewordene Utopie: "Algorithmen können Sprachen nicht nur in relativ kurzen Zeiträumen eigenständig erlernen", sagt Bollhoefer, "die große Rechenleistung, auf die wir Zugriff haben, macht auch Übersetzungen in Echtzeit möglich, die sogar Dialekte verstehen und nachahmen können und bis in die Intonation hinein akkurat sind."

Es zeigt sich, dass in vielen dieser Anwendungen vor allem Bild- und Spracherkennung als Kerntechnologien arbeiten. Sie füttern intelligente Programme mit Daten und erlauben die Interaktion mit den virtuellen Helfern. Deep Learning wird also künftig den bereits bestehenden Agentenlösungen wie Siri  , Cortana   oder Google Now   einen Turbo einbauen. Manche Assistenzlösungen stehen dabei direkt vor unserer Tür, komplexere Agenten werden uns noch warten lassen, aber auch eines Tages unseren Alltag mitorganisieren.

Alle Jobs weg? - Die realen Folgen der Invasion intelligener Maschinen

Ranking der am wahrscheinlichsten (=1) und am unwahrscheinlichsten (=0) automatisierbaren Jobs laut Osborne/Frey-Studie
0,0028 Freizeittherapeut
0,0042 Chirurg
0,0065 Computersystemanalytiker
0,01 Lehrer
0,013 Vertriebsleiter / Marketingmanager (0,014)
0,021 Modedesigner/Fotografen
0,038 Autoren/Schriftsteller
0,055 Redakteure
0,084 ErzieherInnen
0,13 Tänzer
0,17 Feuerwehrleute
0,2 Statistiker
0,35 Klempner
0,55 Piloten
0,6 Schlachter/Fleischverpacker
0,7 Zimmermänner
0,9 Taxifahrer/ Chauffeure
0,92 Versicherungsverkäufer
0,94 KellnerInnen
0,95 Manikürist/Pedikürist
0,96 Köche (Restaurant)
0,98 Kassierer
0,99 Telemarketing-Angestellte
Quelle: Osborne/Frey-Studie   (2013)

Eine der größten Sorgen, die das eng verwobene Themenbündel Deep Learning/Agenten/Automatisierung umgibt, ist der wegrationalisierte Mensch: Wen brauchen wir noch, wen Maschinen demnächst alles können? "Diese ganze Entwicklung bedeutet beliebig großes Veränderungspotenzial für den Arbeitsmarkt, auf das wir uns einstellen müssen", sagt Bollhoefer. "Viele Tätigkeiten am Arbeitsmarkt sind sehr rational und haben kein kreatives, irrationales Moment - die sind früher oder später maschinell abbildbar."

So beunruhigend dies erscheint, bedeutet es vor allem, dass sich Menschen und Firmen rechtzeitig darauf einstellen sollten. Die iBusiness-Analyse Wie Roboter die deutsche Arbeitswelt wirklich verändern hat gezeigt, dass Unternehmen dem Trend nicht machtlos gegenüberstehen müssen, sondern strategisch handeln können:

• Automatisierung als unumgänglichen Trend akzeptieren
• Angestellte und besonders die Arbeitnehmervertretungen (wie Betriebsräte) aktiv in Planungen des sich daraus ergebenden Change-Prozesses integrieren
• Eine angstfreie Atmosphäre schaffen, die den spielerischen und produktiven Umgang mit Technik fördert
• Die Unternehmensleitung muss bereit sein, Mitarbeiter für Schulungen und Weiterbildungen freizustellen
• Kooperative Szenarien für Angestellte und Maschinen entwickeln: Menschliche Qualifikation und maschinelle Vorteile vereinen
• Menschen in absehbar redundant werdenden Jobs frühzeitig für alternative, höhere Aufgaben trainieren

Paradoxerweise ist Deep Learning als Technologie ein globaler und unaufhaltsamer Trend, der die Arbeitswelt verändern wird; zugleich haben es aber Unternehmen nicht immer leicht darauf adäquat zu reagieren oder die Techniken zu adaptieren.

Die Grenzen der maschinellen Intelligenz: Was ihren Siegszug ausbremst

Eine Reihe von Hemmnissen macht es den neuen Technologien schwer, ihr volles Momentum zu entfesseln. Die technischen Barrieren sind beseitigt - es gibt die Rechenleistung und dank Web und grenzenloser Vernetzung auch erstmals die erforderlichen, maschinenlesbaren Daten. Die Hemmnisse liegen eher in Prozessen und Strukturen.

• Analoge Bollwerke
  "Es gibt noch riesige Wissensgebiete, in denen die Daten nicht digital abrufbar sind", sagt Laura Geier, Produktmanager Cloud & Enterprise, Data Platform Microsoft Deutschland GmbH  . "In Medizin und Justiz etwa - da liegt Wissen häufig als Akten in Papierform vor."
• Mittelstands-Skepsis
  "Im Mittelstand bestehen große Vorbehalte gegenüber der Nutzung von Cloud-Diensten, die als Grundlage für Machine-Learning-Lösungen fungieren", sagt Laura Geier. Hier werden Bedenken die Entwicklung merkbar entschleunigen, gleichzeitig kann selbst ein Einsatz im kleinen Stile schnell zu einer spürbaren Verbesserung führen.
• IT-Widerstände
  "In den IT-Abteilungen gewachsener Unternehmen gibt es häufig Widerstände gegen neue Lösungsansätze" ist Geiers Erfahrung. Anders sehe das bei Start-ups, Medienagenturen oder Internetfirmen aus - den Facebooks   und Twitters   dieser Welt - "da rennt man oft offene Türen ein."

Machine Learning wird also in einem Wechselspiel zwischen technischer Machbarkeit und menschlichen Vorbehalten Fortschritte machen. Die genaue Disruptionsgeschwindigkeit hängt davon ab, wie stark Technik und wie stark Skepsis konkret ausfallen werden.

Vier unumkehrbare Trends im Machine Learning

Vier Trends sind dennoch unumkehrbar:

1. Trend: Kollaboration

Auf Deep Learning gestützte Systeme werden den Menschen zunächst in den meisten Funktionszusammenhängen nicht ersetzen, sondern ihm assistieren.



2. Trend: Apps mit Erfahrung


Bild: Microsoft
Laura Geier

Funktionieren Programme heute zeitunabhängig gleich, werden Agenten und Apps künftig nach einiger Zeit vollkommen anders arbeiten und funktionieren als noch zu Anfang. Denn sie lernen den Nutzer kennen: "Ein Assistent wird etwa nach und nach lernen, dass ein Nutzer lieber Italienisch isst als Chinesisch, und ihn bei einer Restaurantsuche entsprechend beraten", sagt Laura Geier.



3. Trend: Demokratisiertes Wissen

Machine Learning eliminiert Herrschaftswissen. Hatten früher nur Priester Zugang zu den Schriften der Bibel, änderte der Buchdruck dies fundamental. Nun steht ein ähnlicher Prozess bevor: "Lernende Maschinen, die mit dem Wissen der Top-Experten eines Gebietes trainiert sind, können dazu beitragen die Wissenslücken zwischen erster und dritter Welt zu schließen. Zum Beispiel nutzen Organisationen in Indien oder Afrika Watson-Lösungen, um Ihr Gesundheitswesen und Bildunsgwesen weiter zu entwickeln", sagt Hildesheim. "Diese weitere Demokratisierung des Expertenwissen wird unsere Welt verändern und besser machen."



4. Trend: Maximale Personalisierung

Produkte werden in einem Ausmaß personalisiert werden können, das heute nur schwer vorstellbar erscheint und das Versprechen einer wahren Personalisierung einlöst: Wolfgang Hildesheim etwa erwartet eine personalisierte Medizin, "in der Medikamente für den einzelnen Patienten und dessen Veranlagung, zum Beispiel genetische Struktur, geschaffen werden. Wir werden verstehen, wieso Medikamente bei manchen Patienten besser wirken als bei anderen und werden das berücksichtigen und nutzen können."