So nahm die SAP schon im vergangenen Jahr eine Vorreiterrolle ein, indem sie Lern-Bots einsetzte. Ende 2018 sind zwei neue Bots hinzugekommen. Der eine beantwortet unschlagbar schnell – auf der Basis einer Startup-Methodik entwickelt – Fragen aus der Community. Der andere hilft – in ebensolchem Tempo - bei der Kurssuche nach SAP-Produktschulungen. "Die Bots verbessern die User-Experience maßgeblich", weiß Jenewein. "Befragte Teilnehmer waren mit den Bot-Antworten sogar zufriedener als mit jenen der Moderatoren, denn sie kommen im Handumdrehen."

Thomas Jenewein hat sich grundsätzlich Gedanken gemacht über Künstliche Intelligenz (KI), Cyberspace oder Neuronale Netze, die bereits vor mehr als 20 Jahren diskutiert wurden. "Künstliche Intelligenz und das Untergebiet Machine Learning (ML) werden täglich besser und sind das Schwungrad für bahnbrechende Innovationen wie autonomes Fahren, Robotik, personalisierte Medizin oder digitale Assistenten. Wahrscheinlich ist Machine Learning die am stärksten exponentiell wachsende Technologie mit dem größten Einfluss darauf, wie wir in Zukunft arbeiten und leben werden.", schreibt er in einem Beitrag.

Und weiter: Vertreter der Singularität und des Transhumanismus wie Ray Kurzweil sind sogar der Ansicht, dass Mensch, Maschine und IT irgendwann verschmelzen werden und die Technologie sich selbst optimiert. Weitere Technologien, die dabei diskutiert werden, sind technische Implantate mit Gehirn-Computer-Schnittstellen oder Gentechnik. Die Zukunft der Menschheit ist danach hinter dem Eintreten der technischen Singularität nicht mehr vorhersehbar.

Wenn auch eine dystophisch auslegbare These nicht nur für Elon Musk oder Stephen Hawking sehr beängstigend ist, ist es hilfreich, die Wirkweise solcher exponentiell wachsenden Technologien zu verstehen. Dazu hilft unter anderem das Modell der sechs Ds, welches einer der Grundsätze der Singularity Unitversity (Ramirez, 2016) darstellt:

1. Digitalisierung: Sobald ein Service oder Produkt digital ist, kann es zu geringen Kosten repliziert und verteilt werden.
2. Deceptives (trügerisches) Wachstum: Zu Anfang eines exponentiellen Wachstums sieht die Verdopplung kleiner Zahlen relativ flach und damit trügerisch aus. Ein gutes Beispiel ist das Moorsche Gesetz, nach dem sich die Rechenleistung von Mikroprozessoren jedes Jahr mindestens verdoppelt (verglichen damit bleibt die Leistungsfähigkeit des Gehirns relativ gleich).
3. Disruptives Wachstum: Es folgt jedoch irgendwann der sogenannter Tipping Point, ab dem das Wachstum immer stärker ansteigt, da es exponentiell ist und nicht linear. Dabei werden in einem Feld bestehende Geschäftsfelder dematerialisiert & demonetarisiert.
4. Dematerialisierung: Service & Produkte werden Bits & Bytes. Ich benötige keinen Taschenkalender oder Organizer, sondern nutze eine App auf meinem Smartphone, die außerdem noch Videokonferenzen, HD Video & Fotografie, Radio, Bücher, Landkarten, eMail, Chat, eCommerce und vieles mehr bietet. 1980 hätten die Technologien, die heute ein Smartphone beherbergt, Millionen gekostet.
5. Demonetarisierung: Nach der Dematerialisierung kann eine Demonetarisierung folgen, wie z.B. bei der digitalen Fotographie oder Videoverleih. Management von Intellectual Property & Rechten sowie neue Geschäftsmodelle sind dann angesagt.
6. Demokratisierung: Digitale Produkte und Services können theoretisch von jedem Menschen genutzt werden, der Zugang zum Internet und zu einem technischen Gerät hat.

Diese sechs Stufen können als Wachstumszyklus digitaler Technologien gesehen werden. Die nächsten Geschäftsfelder die digitalisiert werden, ob im Gesundheitswesen oder in der Produktion, werden ähnlichen exponentiellen Wachstumskurven folgen.

 Maschinelles Lernen und Technologien wie das Internet der Dinge oder Blockchain befeuern nun eine vierte Welle der Digitalisierung. Neben dem Einfluss auf die Wirtschaft und Arbeit bergen diese Technologien durch Ihre disruptive Kraft einen Einfluss auf die Gesellschaft. Komplette Geschäftsfelder und damit Berufsbilder werden damit verändert bis ausradiert. Aufgrund des neuen Umgangs mit Technologie verändert sich Kommunikation und Zusammenarbeit und ganz neue Möglichkeiten entstehen – wie einst mit der Einführung des iPhones.

Machine Learning & Künstliche Intelligenz im Überblick

Um die Anwendung und Bedeutung zu verstehen, ist es wichtig, mindestens die Grundlagen von Machine Learning zu kennen. Daher folgt im Folgenden ein Exkurs, interessierte Leser finden weitere Quellen zur Vertiefung im Anhang.

Eine der ersten Definitionen stammt von Arthur Samuel, bereits aus dem Jahr 1959: "Machine Learning is a field of study that gives computers the ability to learn without being explicitly programmed."

Machine Learning kann somit folgendermaßen beschrieben werden: "Computer & Software lernen von Daten ohne explizit programmiert zu werden". Wissen wird dabei künstlich durch Erfahrung generiert. Maschinen erkennen, lesen, hören, verstehen und interagieren. Zur Erkennung oder Vorhersage benötigt Machine Learning ein Modell, welches durch Training mit Beispieldaten erstellt wird.

 Entwicklung und Einordnung von Machine Learning

Wie das Schaubild zeigt, kann maschinelles Lernen als eine Unterform der Künstlichen Intelligenz gesehen werden, zu dem noch anderen Bereiche gehören wie Robotik. Parallel gibt es weitere überlappende Disziplinen wie Statistik oder Datamining. 

Machine Learning hat zudem weitere Unterbereiche wie das Deep Learning oder Künstliche neuronale Netzwerke und gilt als eine der treibenden Kräfte hinter der Künstlichen Intelligenz.

 Die Frage stellt sich natürlich, warum Machine Learning & Künstliche Intelligenz gerade jetzt so stark diskutiert wird – in verschiedenen Bereichen wird ja bereits seit Jahren geforscht.

Dies liegt hauptsächlich an drei Faktoren:

1. Die Leistung von Rechnern, insbesondere Grafikprozessoren, ist um ein vielfaches stärker geworden. Initial für Computerspiele und Grafikverarbeitung konstruiert, werden diese Prozessoren von Firmen wie Nvidia nun für Deep Learning genutzt.
2. Deep Learning ist ein Ansatz, der neuronale Netze mit Kodestrukturen in Schichten abbildet und damit Lernen im Gehirn simuliert. Damit können zum Beispiel Muster in Daten erkannt werden und nach Training können mit einem Modell Vorhersagen getroffen werden. Deep Learning ist eine Technik zur Implementierung von Maschinellem Lernen.
3. Inzwischen haben wir viel mehr Daten zur Verarbeitung verfügbar über Smartphones, Sensoren oder internetbasierte Kollaboration.