Machine Learning

Machine Learning ist in aller Munde, obwohl die Technologie älter ist als Sputnik 1 und das Wunder von Bern. Weshalb? Das Potenzial von Machine Learning für die Entwicklung bahnbrechender Innovationen vom autonomen Fahren über Krebs-Früherkennung bis zu Open Banking kann erst seit wenigen Jahren ausgeschöpft werden und es steigt so unaufhaltsam wie die metaphorische Datenflut.

Machine Learning: Der Turbo für Innovationen

Wann immer man mit Alexa, Cortana oder Siri kommuniziert, oder bei Themen wie autonomes Fahren, Sprach- und Gesichtserkennung, maschinelle Früherkennung von Krankheiten, Verbrechen und Börsenkursen, dann ist Machine Learning im Spiel, Maschinelles Lernen, kurz ML. ML ist ein Teilbereich der Artificial Intelligence, kurz AI, der Künstlichen Intelligenz KI, und in deren Dunstkreis werden sagenhafte Innovationen, gar Disruptionen, Gewinne, Fortschritte und / oder Bedrohungen vorhergesagt. Was bedeutet ML, was ist dran am Hype um die gar nicht so neue Technologie, und welche Unternehmen und Start-ups nutzen ML für besonders viel versprechende Innovationen?

Alles was anstrengend, langweilig oder lästig ist oder aus biologischen Gründen schlicht unmöglich, delegiert der Mensch gerne an Maschinen, zum Beispiel pflügen, Schrauben sortieren, sich orientieren, sich fortbewegen, rechnen, fliegen oder tief tauchen. Die Maschinen sind schneller, präziser, stärker als je ein Mensch sein kann, doch die Hierarchie bleibt gewahrt, solange homo sapiens den entscheidenden Vorteil hat: intelligent und lernfähig sein. Unabhängig davon, ob das tatsächlich auf alle Menschen zutrifft, stellt sich die Frage, ob nicht auch Maschinen lernfähig und intelligent sein können. Stichwort: Machine Learning, begleitet von weiteren Buzzwords wie Künstliche Intelligenz, Deep Learning, Künstliche Neuronale Netze etc.

Gibt es menschliche Intelligenz außerhalb von homo sapiens? Lassen sich Tätigkeiten wie Denken, Lernen, Schlussfolgern so weit mechanisieren, dass auch eine Maschine sie leisten kann? Die Fragen sind nicht neu: Als erster Beleg der Neuzeit für Gedanken dieser Art gilt das 1748 veröffentlichte Werk L’Homme Machine des französischen Arztes und Philosophen Julien Offray de La Mettrie.

Artificial Intelligence

Den Begriff Artificial Intelligence AI erwähnte 1955 erstmals der amerikanische Informatiker John McCarthy. Bekannter dürfte Alan Turing sein. Der nach ihm benannte Turing-Test stellt fest, ob eine Maschine intelligent ist: Das sei dann der Fall, wenn sich ein Mensch mittels Tastatur und Bildschirm mit einem Computer 30 Minuten lang unterhält und nicht bemerkt, dass sein Gegenüber ein künstliches Wesen ist.

Daten plus Algorithmen gleich Intelligenz?

Bis heute herrscht keine Einigkeit darüber, ob jemals eine Maschine den Turing-Test bestanden hat und somit als intelligent gilt. Das Thema KI / ML rettete sich außerhalb von Fachkreisen jahrzehntelang in die Sphären der Science-Fiction, bis es etwa seit Beginn des Jahrzehnts in der Öffentlichkeit wieder umherschwirrt wie ein Schwarm Bienen: Die einen erhoffen sich von der gar nicht so neuen Technologie reiche (Honig)ausbeute, die anderen befürchten den Angriff der Killerbienen bzw. –maschinen.

Weshalb der neue Hype? Machine Learning ist nichts Neues und genau genommen lernt die Maschine nicht, sondern wendet Algorithmen an – Handlungsanweisungen für die zunächst datenlose und somit ahnungslose Maschine –, die teilweise schon seit Jahrzehnten bekannt sind. Dennoch ist Machine Learning ein Innovationsinstrument, denn den Algorithmen stehen inzwischen unvorstellbar viele Daten zur Verfügung, aus denen sich unternehmerisch höchst attraktive Anwendungen entwickeln lassen.

Das Kraftfutter des ML sind Daten und genug Rechenkapazität, um sie zu verarbeiten. Jeder Post, jedes Youtube-Video und Instagram-Foto vergrößert das Nahrungsangebot des ML, ganz abgesehen von den Daten, die Unternehmen gezielt sammeln. Daraus generieren die „lernenden“ Maschinen ihren Output: Mustererkennung. ML ist der Teilbereich der künstlichen Intelligenz, der in erster Linie der Mustererkennung dient. IT-Systeme (vereinfacht gesagt Hardware plus Software) lernen auf Basis von Daten und Algorithmen, Muster und Gesetzmäßigkeiten zu erkennen und Lösungen zu entwickeln.

Ohne Menschen geht es dabei nicht, denn die Daten und Algorithmen müssen dem System ja erst zugeführt werden. Nur dann können sie in der für menschliche Gehirne nicht mehr durchschaubaren Datenflut die entscheidenden finden, extrahieren und zusammenfassen, darauf aufbauend Vorhersagen treffen und Wahrscheinlichkeiten berechnen, und auf der Basis des Trainings mit den Beispieldaten auch neue, unbekannte Inputdaten korrekt generalisieren und Prozesse optimieren.

Soweit die Theorie. Was macht man nun damit, wie generiert man daraus innovative erfolgreiche Geschäftsmodelle, erfolgreich im Sinne von umsatzstark? Beispiel online-Handel: Lernende Suchsysteme und Filter konnten die Zahl der Online-Käufer in China von 46 Millionen im Jahr 2007 auf 533 Millionen 2017 steigern. Im Jahr 2018 (Stand: April 2018) wurden im E-Commerce-Markt in China rund 529 Milliarden Euro umgesetzt (Quelle: statista).

Start-ups, die ML-Anwendungen entwickeln im Bereich …

Autonomes Fahren
www.aurora.tech
„We do self-driving cars“ erklärt Aurora auf seiner Homepage. Drei Koryphäen des autonomen Fahrens, Sterling Anderson, Drew Bagnell und Chris Urmson gründeten das Unternehmen 2017 in Palo Alto mit dem Ziel, Technologien für Level-4-autonome Autos zu entwickeln – vollautomatisiertes Fahren, das keinen Fahrer mehr benötigt.

www.mobileye.com
Mobileye entwickelt Fahrassistenzsysteme mit dem Ziel, optische Systeme zu realisieren, mit denen die Zahl von Unfällen gesenkt werden kann.

www.understand.ai
understand.ai ist ein Machine Learning Start-up aus Karlsruhe, welches mithilfe selbstlernender Algorithmen Bild- und Videodaten für das autonome Fahren aufbereitet.

Fintech / Tech
www.candis.io
Mit der Software des Unternehmens lässt sich die Buchhaltung kleiner und mittelständischer Unternehmen teilweise automatisieren.

www.crealogix.com
Kein Start-up, sondern ein 1996 in der Schweiz gegründetes und seit 2000 börsennotiertes Unternehmen, das verschiedene Digital-Banking-Produkte für die Finanzindustrie anbietet, darunter online und mobile Banking Systeme, online Banking Security, Finance Portale und Digital Financial Advisory Tools.

www.deposit-solutions.com
Das Hamburger Start-Up betreibt die Open-Banking-Plattformen Zinspilot und Savedo. Privatanleger und Investoren können über die Plattformen Geld bei ausländischen Banken oder weniger bekannten deutschen Häusern anlegen, die etwas höhere Zinsen anbieten als deutsche Banken.

www.smacc.io/de
Durch den Einsatz von künstlicher Intelligenz ermöglicht die Finanz- und Buchhaltungslösung von Smacc einen tagesaktuellen Einblick in die Unternehmensfinanzen und macht sie transparent. Die Software hilft kleinen und mittleren Unternehmen dabei, Finanzaufgaben effizienter zu erledigen und entlastet sie somit im Tagesgeschäft.

www.squirro.com
Squirro wurde 2012 in der Schweiz gegründet und hat die Cloud-Plattform Cognitive Insights entwickelt. Die Plattform basiert auf Data Engines und KI-Technologien, kombiniert unstrukturierte Daten aus internen und externen Quellen und analysiert sie automatisiert. Nutzer, u. a. Finanzdienstleister, Versicherungen, Telekommunikationsanbieter, können damit die Kundenbindung verbessern und neue Absatzmöglichkeiten erschliessen.

www.quantilope.com
Mit der von quantilope entwickelten Agile Insights Software sollen Martkforschungsprozesse vereinfacht werden. Sie kombiniert Methoden der quantitativen Marktforschung mit Machine Learning und künstlicher Intelligenz, dadurch erhalten Unternehmen in Echtzeit Einblick in Verbraucherbedürfnisse, Kaufmotive, Trends und Gewohnheiten von Kunden.

Digital Health / Medizin

www.boca-health.com
Das Mailänder Startup Boca Health hat eine nicht-invasive Lösung entwickelt, mit der Körperwasser bei Menschen gemessen und überwacht werden kann. Nutzer sollen damit Herz- und Nierenerkrankungen vorbeugen können.

www.fuse-ai.de
Das Start-up Fuse-AI aus Hamburg hat zusammen mit dem Wuppertaler Radiologie-Zentrum Radprax einen Prototyp zur automatischen Erkennung von Prostatakrebs entwickelt.

www.inveox.com
Inveox digitalisiert und automatisiert Pathologie-Labore. Dadurch wird die Sicherheit und Zuverlässigkeit von Krebsdiagnosen erhöht und gleichzeitig die Effizienz und Rentabilität von Laboren gesteigert.

Den kompletten Artikel können Sie hier herunter laden: Insights_on_Innovation_Q3_ ML