Reihe: The Future of Interfaces - Machine Learning und Artificial Intelligence
Machine Learning wird in Zukunft eine immer grössere Rolle in der Software spielen. Hierbei wird Software programmiert, die sich im Laufe der Zeit weiterentwickelt, also «lernt», ohne das die Entwickler sie aktiv verändern. Investitionen im Milliardenbereich in diesem Sektor zeigen, dass viele Unternehmen davon ausgehen, dass künstliche Intelligenz ein grosser Wirtschaftstreiber sein wird.
Im Mai dieses Jahres hat Südkorea bekanntgegeben 2.2 Millarden Franken in Projekte inländischer Technologiefirmen zu investieren. Ausserdem sollen mehr als 5000 Spezialisten in diesem Gebiet ausgebildet werden. Sicherlich war ein Auslöser dafür der Einsatz von Artifical Intelligence (AI) im Brettspiel Alpha Go. Lange galt dieses Spiel als zu komplex, als das ein Computeralgorithmus den Weltmeister bezwingen könnte. Google's Deepmind AI hat Ende des letzten Jahres das Gegenteil bewiesen. Interessanterweise hat die Intelligenz lediglich das Regelwerk erlernt ohne auf die Information zu bestehenden Spielzügen oder Strategien zugreifen zu können. Teilweise hat die AI Strategien entwickelt, die bis dahin noch nicht bekannt waren. Damit war sie in der Lage den Weltranglisten Besten Ke Jie 3:0 zu besiegen und selbst ein Team aus 5 Top Profis hatte das Nachsehen.
Ein anderes Beispiel für eine künstliche Intelligenz, die ihre Macher verblüfft hat, ist AutoML von Google: Um dem Mangel an Fachkräften im Unternehmen entgegenzuwirken haben Googles Entwickler eine AI vorgestellt, die bereits vorhandene AI-Systeme verbessern beziehungswese eine neue erschaffen sollte. Dazu hat sie selbstständig tausende Simulationen durchgeführt, um Verbesserungspotenzial im Code zu identifizieren und diesen entsprechend umzuschreiben. Das Ergebnis hat alle Erwartungen übertroffen: AutoML hat eine künstliche Intelligenz programmiert, die bei einer Testaufgabe (Bilderkategorisierung) eine Genauigkeit von 43% erreicht. Das Beste vom Menschen entwickelte System erreichte lediglich 39%.
Machine Learning als wichtiger Teil des Kundensupports
In der Industrie ist Störungsbehebung bei Hardwareproblem aktuell noch eher reaktiv. Sie greift also erst ein, wenn die Hardware bereits Fehlfunktionen hat und nur eingeschränkt oder gar nicht mehr einsatzbereit ist. Mit Machine Learning ist es nun möglich, eine Störung des Geräts vorherzusagen, bevor sie eintritt. Doch wie funktioniert das?
Nehmen wir das Beispiel eines Kaffeeautomaten. Ein grosser Kaffeemaschinenhersteller hat predictive Maintenance bereits erfolgreich im Einsatz. Sie haben zunächst alle Kaffeemaschinen Internet-of-Things-fähig gemacht. Dass heisst, dass sie alle Aktivitäten und Störungen aufzeichnen können (Stichwort Big Data) und sie direkt an einen Server zur Analyse weiterleiten. Daraus konnten Data Science Experten zum Beispiel ableiten, dass die Wahrscheinlichkeit eines Ausfalls des Spülmechanismus bei 90% liegt, wenn der Spülvorgang des Kaffeeautomaten 8 mal abgebrochen wurde. Die Maschine kontaktiert das Servicetechniker Team schon bevor das Problem auftritt. Dadurch wird der Umgang mit einem Interface, wie wir es heute kennen, gewissermassen umgedreht. Die künstliche Intelligenz unterbreitet uns Lösungsvorschläge (Maschine & Mensch), durch gesammelte Daten und eine Verhaltensanalyse, anstatt das wir über das Interface eine Anweisung geben, um etwas auszuführen (Mensch & Maschine).
Die Analyse des Verhaltens ist dabei nicht auf Maschinen begrenzt. Auch das Verhalten von uns Menschen lässt sich auf Basis der Informationen, die wir den Systemen bereitstellen, analysieren. Das zeigt sich auch an Beispielen wie diesem: Mein Smartphone hat einen Termin mit Uhrzeit und Teilnehmern gespeichert. Mein Standort ist ebenso gespeichert und wird automatisch mit den Real Time-Verkehrsinformationen für meinen Reiseweg verknüpft. Bereits 7:30 Uhr erhalte ich eine Push Notification auf meinem Smart Device, dass ich in 30 Minuten los fahren muss, da es auf der geplanten Strecke Verkehrsbehinderungen gibt.
Big Data zur Analyse des Kundenverhaltens
Sogar der persönliche Kleidergeschmack ist für die Big Data Experten, zum Beispiel von Zalando, kein Geheimnis mehr. Dabei wird im eingeloggten Zustand permanent das Klickverhalten aufgezeichnet und analysiert welche Artikel aufgerufen und gekauft werden. Alle Artikel sind im Hintergrund mit Tags belegt, die verschiedene Parameter enthalten: Kleidertyp, Preisspanne, Stil, Marke etc. Daraus kann ein Profil von mir angelegt werden, mit Hilfe einer Analyse welche Parameter mit welcher Häufigkeit von mir aufgerufen wurden. Auf Basis dessen werden mir dann Vorschläge zu weiteren Artikeln gemacht, die mir vermutlich gefallen könnten.
Wir geben einiges an sehr privater Information bereitwillig preis, teilweise ohne es zu merken. Das ist eine Gratwanderung zwischen dem Schutz der Privatsphäre (was erlaube ich den Unternehmen über mich zu erfahren) und den Vorzügen, die wir im Gegenzug dafür annehmen. Es ist wichtig, dass ein kritischer Diskurs über den Umgang mit den Technologien stattfindet. Ebenso ist es notwendig, dass der Gesetzgeber die Rahmenbedingungen schafft, um den Wandel zu unterstützen. Jedoch gleichzeitig geht es auch darum, den Verbraucher und dessen sensible Informationen zu schützen.
Die hier genannten Beispiele stehen dabei nur für einen Bruchteil der Änderungen, die diese Technologien in Bezug auf die Mensch-Maschine oder Maschine-Mensch Interfaces mit sich bringen werden. Welche Anwendungsmöglichkeiten sich daraus noch ergeben können, ist nur abhängig von unserer Vorstellungskraft.
Mehr aus der Reihe «The Future of Interfaces» könnt ihr in unseren Artikeln Augmented und Virtual Reality oder Emotional Sensing lesen.
