Die KI-Mentalität: Brückenschlag zwischen Industrie und akademischen Perspektiven

6 Minuten lesen

Letztendlich werden alle Unternehmen maschinelles Lernen nutzen müssen, um wettbewerbsfähig zu bleiben. Genau wie bei der Umstellung auf Webanwendungen, mobile Anwendungen und die Cloud wird maschinelles Lernen die Norm und nicht die Ausnahme in einem modernen Technologie-Stack sein.

Der Hype um künstliche Intelligenz und die Technologie des maschinellen Lernens ist zwar groß, aber es gibt auch eine vielversprechende Möglichkeit, die herkömmliche Softwareentwicklung durch Software zu ergänzen, die aus Aktivitäten lernt und entsprechend reagieren kann, und zwar auf eine Art und Weise, die mit herkömmlicher Codierung nicht möglich ist. Der Prozess zur Entwicklung effektiver maschineller Lerntechnologien unterscheidet sich jedoch erheblich von der normalen Softwareentwicklung und erfordert daher einen anderen Ansatz und eine andere Denkweise. Diese Denkweise setzt voraus, dass man anerkennt, dass die Entwicklung von maschinellem Lernen weitgehend ein wissenschaftlicher Prozess und kein Softwareentwicklungsprozess ist. Ich nenne dies die KI-Mentalität.

Künstliche Intelligenz vs. Maschinelles Lernen: Was sind die Unterschiede?

Um es kurz zu machen: Meiner Meinung nach ist Künstliche Intelligenz (KI) "erstrebenswert", während Maschinelles Lernen (ML) "praktisch" ist. Das heißt, das meiste von dem, was heute als KI bezeichnet wird, ist in Wirklichkeit ML. Es besteht die Hoffnung, dass weitere Fortschritte in der ML-Forschung und -Techniken uns näher an Software heranführen, die echter menschlicher Intelligenz ähnelt, aber ob wir dies letztendlich erreichen werden, ist höchst fraglich. Nichtsdestotrotz sind Initiativen, die unter den Begriff KI fallen, real und können Unternehmen dabei helfen, das Kundenerlebnis zu verbessern und geschäftskritische Prozesse zu rationalisieren.

Alle an einem ML-Projekt Beteiligten müssen die Denkweise der KI verstehen, damit ein gemeinsames Verständnis der erforderlichen Ressourcen, der Messung des Fortschritts und der Realitäten dessen, was mit den aktuellen ML-Techniken möglich ist, besteht. Es gibt Gründe, warum Wissenschaft und Industrie getrennt voneinander existieren und unterschiedlichen Zwecken dienen. Schon früh erkannten große Unternehmen den Wert des wissenschaftlichen Ansatzes und finanzierten meist autonome Forschungslabors wie IBM, Xerox und DEC. Heute können die meisten Unternehmen kein völlig eigenständiges Forschungslabor finanzieren, in der Hoffnung, dass einige der Ergebnisse in die Produktion einfließen. Aber die potenziellen Vorteile von ML und die Konsequenzen, die sich ergeben, wenn man sich nicht auf ML einlässt, erfordern, dass Unternehmen diese Technologie anders angehen.

Was ist eine KI-Mentalität?

Wie bereits angedeutet, verbindet die KI-Mentalität die Perspektiven von Industrie und Wissenschaft. Da ich sowohl in der akademischen Welt als auch in der Privatwirtschaft tätig bin, kann ich gut über den Einsatz eines hybriden Ansatzes sprechen. In den letzten 20 Jahren habe ich an der Universität von San Francisco (USF) geforscht und Informatik gelehrt. Außerdem bin ich Chief Scientist bei SnapLogic, wo ich an zukunftsweisender Plattformforschung arbeite und das Programm für maschinelles Lernen leite.

Mein erstes Projekt bei SnapLogic im Sommer 2010 war ein Projekt zum maschinellen Lernen, bei dem ich statistische Verfahren zum Erlernen von Feldnamen-Zuordnungen entwickelte, um zukünftige Feldzuordnungen vorhersagen zu können. Ich verbrachte die meiste Zeit damit, die Daten zu verstehen, eine Darstellung zu spezifizieren und Tausende von Experimenten durchzuführen, um das Modell zu validieren. Ich erstellte Hunderte von Berichten und Datenvisualisierungen, um mich selbst und andere davon zu überzeugen, dass der Ansatz sinnvoll war. Das Forschungsprojekt war erfolgreich und wurde anschließend in das Produkt aufgenommen.

Fünf Jahre später begann ich, neue Bereiche des Produkts zu erforschen, in denen ML angewendet werden könnte. Ich arbeitete mit USF-Studenten zusammen, um Empfehlungen und Stimmungsanalysen zu erforschen. Letztendlich waren wir bei den Empfehlungen erfolgreich, was zu unserer Iris Integration Assistant-Technologie führte. Heute sucht das ML-Team weiterhin nach Möglichkeiten, das Benutzererlebnis durch die Anwendung von ML-Technologie zu verbessern.

Mehr als nur Software

Meine Doppelrolle als Akademikerin und leitende Wissenschaftlerin hat es mir ermöglicht, meine Forschungsmentalität in einem industriellen Umfeld anzuwenden.

Einer der wichtigsten Aspekte der KI-Mentalität ist die Erkenntnis, dass die Entwicklung effektiver ML-Technologie nicht mit der Implementierung einer Softwarefunktion vergleichbar ist. Während wir ziemlich gute Strategien haben, um die Kosten für die herkömmliche Programmierung abzuschätzen, ist es wegen der Ungewissheit bei der Entwicklung von ML schwieriger, die Zeit abzuschätzen, die erforderlich ist, um Erfolg zu haben oder überhaupt erfolgreich zu sein. ML ist zwar letztlich nur Software, aber die Art und Weise, wie die Software konstruiert wird, basiert auf dem Lernen aus vergangenen Beobachtungsdaten. Der Trick besteht darin, die richtigen historischen Daten, die richtige aufbereitete Version der Daten und den richtigen ML-Algorithmus zu finden. Um die richtige Kombination zu finden, ist jedoch ein iterativer Prozess erforderlich, der die Erstellung von Datenprofilen, die Datenaufbereitung, die Auswahl des Algorithmus, die Konfiguration des Algorithmus, das Experimentieren und die Bewertung umfasst.

Dieser iterative Prozess ist im Wesentlichen eine Anwendung der wissenschaftlichen Methode, und jeder, der an einem ML-Projekt beteiligt ist, muss die Unsicherheit in diesem Prozess verstehen. Erwägen Sie zu Beginn die Festlegung von Meilensteinen auf der Grundlage der verwendeten Datensätze, der ausgewählten Merkmale und der eingesetzten ML-Algorithmen. Dadurch erhalten Sie zwar keine bessere Zeitvorgabe, aber es hilft allen Beteiligten, den Fortschritt zu verstehen. Es kann vorkommen, dass ein bestimmtes ML-Problem einfach zu viel Zeit und Aufwand erfordert oder technisch noch nicht lösbar ist.

Wenn Sie den Prozess ein paar Mal durchlaufen haben, können Sie und Ihr Team den ML-Entwicklungsaufwand besser einschätzen, wenn eine neue Initiative einige Aspekte Ihrer ersten Projekte teilt. Neue Anwendungen von ML erfordern jedoch den gleichen experimentellen Prozess.

Der Blickwinkel der Industrie ist wichtig

Ich habe zwar argumentiert, dass die Industrie einen eher akademischen Ansatz für das maschinelle Lernen wählen sollte, aber es gibt auch Praktiken aus der Industrie, die zum Erfolg von ML-Projekten beitragen können. Am wichtigsten ist das Verständnis für das Problem, den "Anwendungsfall". Akademiker haben oft Schwierigkeiten, ein Problem zu definieren oder Probleme zu lösen, die nicht nützlich sind. ML-Projekte können von klar definierten Zielen oder Ergebnissen stark profitieren. Im Falle von ML können die Ergebnisse anfangs unerreichbar sein, aber ein gutes Ziel zu haben, hilft dabei, ein Projekt in die richtige Richtung zu lenken. Das ursprüngliche Ergebnis kann revidiert werden, wenn Sie Erkenntnisse über die Grenzen der Daten und Algorithmen gewinnen.

Eine zeitliche Begrenzung eines Projekts ist sinnvoll und in der Industrie erforderlich. Manche Akademiker können sich jahrelang mit einem bestimmten Forschungsproblem beschäftigen. Die meisten Unternehmen haben nicht den Luxus, völlig unbegrenzte Forschungsinitiativen zu unterstützen. Eine zeitliche Begrenzung kann also die Kosten begrenzen, aber sie kann nicht garantieren, dass ein Projekt erfolgreich sein wird. Stattdessen sollte ein ML-Projekt zusätzliche Ergebnisse liefern, die für das Unternehmen und künftige ML-Initiativen von Nutzen sein können. Wenn Sie diese zusätzlichen Ergebnisse im Vorfeld definieren können, kann ein ML-Projekt auch ohne eine vollständige ML-Implementierung erfolgreich sein. Zum Beispiel sind viele Betriebsdaten nicht gut dokumentiert. Ein Teil des ML-Prozesses könnte darin bestehen, das aktuelle Betriebsschema und dessen Verwendung zu erläutern.

Das Beste aus beiden Welten

Ich hatte das große Glück, meine akademische Mentalität und Sensibilität in einem industriellen Umfeld bei SnapLogic anwenden zu können. Ich möchte andere Unternehmen und Professoren ermutigen, ähnliche Kooperationen einzugehen, die es Lehrkräften ermöglichen, in Teilzeit zu arbeiten und Studenten in die Forschung einzubeziehen. Besonders in der Welt von ML ist die Industrie in einer einzigartigen Position, um große Datenmengen und interessante Probleme zu liefern, die im Labor nur schwer nachzubilden sind.

Die Nutzung dieser KI-Mentalität kann dazu beitragen, Innovationen voranzutreiben und letztlich die Schnittstelle zwischen Mensch und Computer zu verbessern.

Weitere Informationen finden Sie im Blogbeitrag "Zusammenfassung der IP Expo Europe 2018: KI und maschinelles Lernen auf der Messe".

Chefwissenschaftler bei SnapLogic und Professor für Informatik an der Universität von San Francisco

Wir stellen ein!

Entdecken Sie Ihre nächste große Karrierechance.