Warum Machine-Learning-Projekte scheitern

Der Begriff “künstliche Intelligenz” sei irreführend. Das zumindest meint Gartner-Analyst und KI-Experte Alexander Linden. Er verweist Prognosen, dass Maschinen eines Tages denken können wie Menschen, in das Reich der Fantasie. Auch sei ja das nicht das Ziel dieser Lösungen. Denn genau die Unwägbarkeiten der menschlichen Beurteilung und auch deren Limitierungen wolle man ja schließlich mit solchen Initiativen umgehen.

Anders aber sei es beim maschinellen Lernen. Dieses Thema sei aber bereits seit einigen Jahren im Markt. Aktuell sind Projekte oder trainierte Lösungen jedoch stets sehr stark auf einzelne Anwendungen zugeschnitten: “Googles Lösung für Go würde bei Watsons Jeopardy durchfallen und anders herum kann auch Watson kein Go.”

Trainierten Anwendungen lassen sich durchaus gewinnbringend einsetzen. Im Marketing etwa für die Vorhersage, ob ein Anwender auf einen Werbebanner klickt oder nicht, für das Flottenmanagement, bei der Bilderkennung oder bei der Auswertung von Texten, im Cross-Selling oder beim Loan-Management für die Beurteilung, ob ein Kunde kreditwürdig ist.

Ein weiteres Beispiel ist die Vorhersage des Bedarfs, bei der historische Daten ausgewertet und dann mit weitere Faktoren, etwa dem Wetter kombiniert werden. So lasse sich beispielsweise das Einkaufsverhalten in den nächsten drei Monaten prognostizieren. Die Liste der Beispiele ließe sich auch über selbstlenkende Autos oder die Auswertung von Fahrzeugdaten hinaus beliebig fortführen.

Das in absehbarer Zeit Lösungen auf den Markt kommen, die ein breites Spektrum an Problemen lösen, hält Linden für “Fantasie”. Die Prognose, dass eine Superintelligenz eines Tages die Menschheit unterwerfen oder ausrotten wird, hält er für genau so verfrüht wie die Befürchtung einer Überbevölkerung auf dem Planeten Mars, so Linden auf dem Gartner CIO-Summit in München.

Eine Antwort auf diese Einschränkung sei “Narrow KI”, also Projekte, die sehr punktuell Antworten liefern. Doch auch mit fokussierten Lösungen sei die Gefahr sehr hoch, dass Projekte scheitern, wie Linden aus seiner Beratererfahrung berichtet. Und dafür gebe es auch verschiedene Gründe.

Viele Tools seien noch nicht sonderlich ausgereift oder nutzerfreundlich. Dann existieren derzeit kaum geeignete Collaboration-Tools, die einen umfassenden Austausch zwischen Business und Entwicklern erleichtern würden. Somit sei die Gefahr groß, dass die Antwort schließlich “42” lautet, und man sich nicht im Klaren ist, was eigentlich die Frage noch einmal genau war.

Ein weiteres Problem sei, dass es zwar viele Cloud-Tools und zahlreiche On-Premise-Werkzeuge für Deep-Learning gebe, aber praktisch keinen hybriden, “elastic Scale” zwischen diesen Welten. Der Fachkräftemangel speziell in diesem Bereich erschwere es, Experten zu finden. Und auch die hohen Anforderungen an die Hardware und die Evaluierung der Tools, die ebenfalls sehr komplex sein kann, machen laut Linden Experimente in diesem Bereich sehr teuer.

“Und es gehört auch eine Portion Glück dazu, die richtigen Antworten zu finden”, so Linden. Unternehmen sollten Deep Learning und Machine Learning auf ihrer Agenda haben, aber falls man noch nicht mit Deep-Learning-Projekten gestartet ist, sei das kein Grund zur Beunruhigung.