1. Home
  2. Blogs
  3. Startup
  4. Künstliche Intelligenz - Hype oder nicht?

Startup
Künstliche Intelligenz - Hype oder nicht?

Künstliche Intelligenz - Hype oder nicht?
Maschinen sollen denken lernen

Welches kommerzielle Potenzial steckt in Jungunternehmen, die sich mit künstlicher Intelligenz oder maschinellem Lernen befassen? Eine Einschätzung.

Harald Nieder
Kommentar  
Von Harald Nieder
20.09.2016

Am 9. März dieses Jahres bekundete Garry Kasparov, ehemaliger Schachweltmeister, über Twitter sein Mitgefühl für seinen Leidensgenossen Lee Sedol, seines Zeichens einer der stärksten aktiven Go Spieler weltweit. Wie Kasparov 20 Jahre vor ihm hatte Sedol ein Spiel in seiner Disziplin gegen einen Computer verloren. Damals wie heute wurde der Triumph der Maschine als Meilenstein der künstlichen Intelligenz gefeiert. Während die Überlegenheit im Schach trotz der cleveren Algorithmen hauptsächlich auf die Rechenleistung zurückzuführen war, erforderte die ungleich höhere Komplexität beim Go einen neuen, intelligenteren Zugang.

Ausschlaggebend waren die jüngsten Fortschritte im Machine Learning (als Teilbereich des weiter gefassten Konzepts der künstlichen Intelligenz), insbesondere mit den sogenannten "tiefen neuronalen Netzwerken", die der Funktionsweise des menschlichen Gehirns nachempfunden sind. Dabei trainieren die Algorithmen auf grossen Datenmengen, um selbstständig Muster zu erkennen. Damit war es erstmals möglich, die komplexen Stellungen beim Go besser zu bewerten, als es die menschliche Intuition vermochte.

Spannend für Risikokapital

Für jeden Risikokapitalgeber spielen neue Technologien eine zentrale Rolle. Insbesondere ist es wichtig, abzuschätzen, wie viel kommerzielles Potenzial neue Technologien haben und wie weit diese Technologien entwickelt sind. Wie steht es nun mit künstlicher Intelligenz und Machine Learning? Sind sie noch immer die Utopie, die sie seit Jahrzehnten waren oder tatsächlich die Grundlage für die nächste Generation weltweit führender Technologieunternehmen?

In Venture Capital Kreisen ist das Thema auf jeden Fall so heiss wie nie zuvor: Mehr als 1.5 Milliarden US-Dollar an Risikokapital wurden alleine im ersten Halbjahr 2016 in Jungunternehmen investiert, die in irgendeiner Form an oder mit künstlicher Intelligenz arbeiten. Und neben Intel, Yahoo, IBM, Apple und anderen ist vor allem Google mit Akquisitionen aktiv, unter anderem DeepMind, den Entwicklern des Go Triumphators AlphaGo.

Was ist also dran an der künstlichen Intelligenz? Erinnern wir uns, dass Google’s AlphaGo nicht einer vorprogrammierten Strategie gefolgt ist. Stattdessen hat AlphaGo aus dokumentierten Go Partien (das heisst Daten) und "eigener Erfahrung" (genau, noch mehr Daten) gelernt. Nehmen wir nun an, dass wir so ein System nicht mit Go Daten füttern, sondern zum Beispiel mit Bildern von dermatologisch auffälligen Hautveränderungen.

Künstliche Intelligenz ist universell

Genau das hat IBM mit seinen Machine Learning Algorithmen gemacht und damit bereits eine bessere Diagnoserate erzielt als Fachärzte. Oder mit Instagram Bilder, um automatisch zu erkennen, welche Kleidung in den Bildern getragen wird. Wenn wir das mit den Datenbanken von E-commerce Plattformen verbinden, können wir direkt in Instagram kaufen. Genau das macht das Schweizer Machine Learning Startup Fashwell. Mit besseren Algorithmen, stärkerer Prozessorleistung und stetig wachsender Verfügbarkeit von Daten hat Machine Learning also endlich den Sprung aus dem wissenschaftlichen Bereich zu praktischen Anwendungen geschafft.

Und noch mehr: Machine Learning ist universell einsetzbar. Überall dort, wo Daten anfallen, wird Machine Learning grössere Effizienz, bessere Prozesse und fundiertere Entscheidungsgrundlagen liefern. Und - Emotionen hin, Vorurteile her -  bessere Entscheidungen treffen. (Tesla Gründer Elon Musk zeichnet dazu eine Zukunft, in der Menschen, aufgrund ihrer Fehleranfälligkeit, keine Autos mehr steuern dürfen.)

Künstliche Intelligenz und Machine Learning werden sich auf drei Ebenen auswirken:

-        Effizienz: Repetitive Prozesse und Interaktionen können automatisiert und verbessert werden. Damit werden auch die darauf basierenden Produkte einen neuen Standard setzen.  

-        Skalierbarkeit: Manche Modelle lassen sich durch die Algorithmen erst richtig skalieren und werden damit überhaupt erst als Geschäftsmodell für Risikokapital attraktiv.

-        Innovation: Machine Learning wird auch komplett neue Anwendungen, wie selbstfahrende Autos, ermöglichen und neue Geschäftsmodelle erschliessen.

 

Vorteil der Startups

Für einen Investor in junge Unternehmen stellt sich die Frage, ob Startups in diesem Bereich besser positioniert sind als etablierte Unternehmen. Wo liegen die Vorteile der Startups, wenn es um Machine Learning geht?

Die Antwort ist Big Data, also der Zugang zu grossen Datenmengen. Vorneweg, Machine Learning und Big Data sind untrennbar miteinander verbunden. Big Data ist die Grundlage für Machine Learning, als Futter für die neuronalen Netzwerke, und Machine Learning gibt uns überhaupt erst einmal ein Werkzeug in die Hand, um sinnvolle Information aus unüberblickbaren und oft unstrukturierten Datenmengen zu ziehen. Da es zwar im Machine Learning Fortschritte gegeben hat, die künstliche allgemeine Intelligenz aber nach wie vor eine grosse Herausforderung bleibt, wird auch in den nächsten Jahren der kommerzielle Erfolg über spezialisierte Anwendungen und Algorithmen führen.

Und mit spezifischeren Trainingsdaten werden auch die Algorithmen besser. Der kommerzielle Wert wird deshalb schlussendlich bei den Daten liegen und der kommerzielle Erfolg bei den Unternehmen mit den besseren Daten. Die Herausforderung ist also mehr denn je, ein gutes Produkt zu bauen, Nutzer zu gewinnen und auf Basis der gewonnenen Daten den Nutzern ein noch besseres Produkt für wiederum noch mehr zufriedene Nutzer zu bieten, das heisst datengetriebene Netzwerkeffekte zu nutzen. Und genau in der effizienten Umsetzung dieses Kreislaufes liegen die Stärke der erfolgreichen Startups und ihr Vorteil gegenüber etablierten Unternehmen.

 

 

 

Anzeige