• Language
Conversion Optimierung

Kann künstliche Intelligenz Arbeitsplätze schaffen?

by Hubert Wassner
Share on linkedin
Share on Linkedin
Share on facebook
Share on Facebook
Share on twitter
Share on Twitter

⇒ Biografie

Hubert Wassner ist Data Analysis Engineer. Nachdem er 10 Jahre lang an der französischen Ingenieurschule ESIEA „Algorithmen und maschinelles Lernen“ gelehrt hat, ist er nun als Head of Data Science bei AB Tasty tätig.

Laut Hubert stellen künstliche Intelligenz und maschinelles Lernen Gefahr und Hoffnung zugleich dar. Könnte die beängstigende Zukunft, die wir sonst nur aus Science-Fiction Filmen kennen, etwa zur Realität werden? Oder, um es von einem weniger manichäischen Standpunkt zu betrachten, kann diese revolutionäre Technologie der künstlichen Intelligenz der Menschheit neue Möglichkeiten eröffnen?

Als Experte auf diesem Gebiet, gewährt uns Hubert einen Blick in die Geschäfts- und Beschäftigungsmöglichkeiten, die uns künstliche Intelligenz bieten kann, wenn diese sinnvoll eingesetzt wird.

Wenn Daten unlösbare Probleme lösbar machen

Maschinelles Lernen setzt sich aus einer riesigen Menge an Daten und Lernalgorithmen, die unlösbare Probleme lösbar machen, zusammen. Eines der besten Beispiele dafür ist Watson, das von IBM entwickelte kognitive System, das sich schon heute mit hochrangigen Ärzten misst. Ein weiteres Beispiel ist das autonome Google-Auto, das kurz vor der Revolutionierung der Verkehrsbranche steht.

Tatsächlich begegnen uns maschinelles Lernen und künstliche Intelligenz viel öfter im alltäglichen Leben, als Sie denken. Beispielsweise kommt Sie bei der vorausschauenden Analyse Ihres Warenkorbwertes oder für abgeschätzte Risiken bei der Kreditbeantragung zum Einsatz. Maschinelles Lernen steht somit an der Spitze des „neuen Wirtschaft“ Mastodon Entwicklungsmodells (denken Sie nur an Airbnb oder Uber).

Künstliche Intelligenz und maschinelles Lernen: Zwei unterschiedliche Ansätze

Der überwachte Ansatz:
Für diese Methode bestehen die Beispiele maschinellen Lernens einzig aus Daten und den daraus zu erwartetenden Ergebnissen. So bestehen zum Beispiel für die Erstellung eines Systems zur Spracherkennung die Daten aus Stimmbeipielen und die erwarteten Ergebnisse aus den dazugehörigen Sprechern. Auf diese Weise sollen menschliche Expertenmeinungen nachgebildet werden, die der Maschine durch die Beispiele der Datenbank gelehrt werden.

Der nicht-überwachte Ansatz:
Hier werden nur Daten verwendet, ohne ein zu erwartendes Ergebnis voranzustellen. Das „Lernen“ findet bei beiden Ansätzen auf dieselbe Art statt. Einfach erklärt, entscheidet das Programm für sich selbst, wie die Daten segmentiert und bearbeitet werden (z. B. die Anordnung von Gesichtern anhand von Geschlecht, Alter, Augenfarbe etc.). Diese Methode setzt im Gegensatz zum überwachten Ansatz ein tiefer gehendes Expertise-Niveau voraus. Das Ziel besteht hier darin, neue Entwicklungswege, Aufgaben oder Informationen zu identifizieren, die sonst nie in Betracht gezogen worden wären.

Wenn es sich um Webdaten handelt, hat der nicht-überwachte Ansatz bei der Erstellung von Besuchersegmenten viele Vorteile. Er erlaubt Ihnen, außerhalb des herkömmlichen Rahmens neue Aktionen und Verwendungszwecke zu nutzen.

An welcher Stelle kommen Geschäft und Arbeitsplätze ins Spiel?

Der überwachte Ansatz kann als kontrollierbarere oder „sicherere“  Form künstlicher Intelligenz verstanden werden, da er eingeschränkt und kontrollierbar ist. Nichtsdestotrotz macht die Anwendung dieser Methode menschliche Arbeit in vielerlei Hinsicht überflüssig. Denn sobald die Maschine vom Experten programmiert wurde, ist diese im Stande, den Menschen, der zuvor eine Aufgabe ausführte, komplett zu ersetzen. Wenn wir auf unsere vorherigen Beispiele zurückgreifen, machen Maschinen durch Stimmerkennung und Aufzeichnung die Arbeit eines/r Sekretär/in überflüssig, genauso ersetzt ein autonomes Fahrzeug einen Fahrer und so weiter.

Dagegen benötigt die Verwendung des nicht-überwachten Ansatzes die Erstellung eines Lernprotokolls ohne ein festgelegtes Ziel durch einen Experten. Diese Vorgehensweise führt zu intelligentem Lernen. Das vorrangige Ziel dieser Methode ist daher nicht, Aufgaben zu automatisieren, sondern neue zu entdecken. Im letzteren Fall ersetzt maschinelles Lernen den Menschen also nicht. Viel mehr werden Erkenntnisse und Information geschaffen, die zuvor nicht existierten.

Die einfache und verhältnismäßig risikofreie Natur machen den überwachten Ansatz künstlicher Intelligenz zu der am häufigsten angewandten Form künstlicher Intelligenz. Eine wesentliche Schwachstelle dieses Ansatzes ist jedoch das Potential, Arbeitslosigkeit zu erhöhen. Um Arbeitsplätze nicht nur zu erhalten, sondern darüber hinaus sogar Berufe durch neues maschinelles Lernen zu schaffen, gibt es viele Stimmen, die sich für die Verwendung der nicht-überwachten Methoden aussprechen.

Erwecken Sie Ihre Features mit Flagship zum Leben

AB Tastys neue Plattform für Experimente, Personalisierungen und Feature Management – speziell entwickelt für Produkt- und Tech-Teams.