Startseite Folge 2

Podcast Folge 2

Optimieren Sie Ihr Enterprise Automation mit KI und maschinellem Lernen

mit Dr. Vinesh Sukumar, Leiter des AI/ML-Produktmanagements bei Qualcomm

Die Diskussion um künstliche Intelligenz nimmt exponentiell zu. Haben Sie sich schon einmal gefragt, ob Ihr Unternehmen da mithalten kann? In unserer neuesten Folge erzählt Dr. Vinesh Kumar, Head of AI/ML Product Management bei Qualcomm, wie KI und ML heute das Wachstum von Unternehmen fördern.

Vollständiges Transkript

Dayle Hall:

Hallo. Sie hören gerade unseren Podcast "Automatisierung des Unternehmens". Ich bin Ihr Gastgeber, Dayle Hall. Dieser Podcast soll Unternehmen Einblicke und bewährte Verfahren zur Integration, Automatisierung und Umgestaltung ihres Unternehmens vermitteln. Heute haben wir einen ganz besonderen Gast. Er ist der Senior Director, der Leiter des Produktmanagements für KI und maschinelles Lernen bei Qualcomm. Bitte begrüßen Sie Dr. Vinesh Sukumar in der Sendung.

Vinesh Sukumar:

Hallo, zusammen. Und vielen Dank, Dayle, dass du mir die Gelegenheit gibst, in deiner Sendung zu sprechen.

Dayle Hall:

Auf jeden Fall, Vinesh. Wir sind begeistert, dass Sie hier sind. Tolle Erfahrung, tolles Unternehmen. Wir freuen uns darauf, zu den Fragen zu kommen. Erzählen Sie uns doch ein paar Minuten darüber, wie Sie in diese Rolle gekommen sind, speziell über KI und maschinelles Lernen. Davon hört man ja heutzutage eine Menge. Aber wie sind Sie zu dieser Rolle gekommen? Woher kam diese Leidenschaft für Sie?

Vinesh Sukumar:

Kurz zu meinem beruflichen Hintergrund: Ich habe meine Karriere vor einiger Zeit bei den Jet Propulsion Labs, JPL, begonnen. Damals habe ich versucht, Schaltkreise für Bildkameras zu entwerfen, im Wesentlichen recht große CCD-basierte Kameras. Dann wechselte ich von einer forschungsbasierten Organisation zu einer eher kommerziellen, verbraucherorientierten Industrie. Eines der ersten Produkte, mit deren Entwicklung ich begann, war das Motorola Droid-Handy. Wenn ich mich recht erinnere, war es vor etwa 15 Jahren die beliebteste Ikone dieser Zeit. So habe ich angefangen, mich mit Kameras zu beschäftigen. Und eines der ersten Dinge, die wir feststellten, war, dass die Leute viele Bilder und Videos lieben.

Im Laufe der Zeit kamen dann einige interessante Projekte hinzu, so z.B. das erste iPhone, das Apple auf den Markt brachte. Und dann wollten sie sich viel mehr auf visuelle Analysen konzentrieren, um Bilder zu klassifizieren und bestimmte Bilder zu erkennen. So habe ich meinen Fußabdruck im Bereich Computer Vision hinterlassen. Außerdem promovierte ich im Bereich KI/CV. Aber damals wussten die Leute noch nicht so recht, was künstliche Intelligenz bedeutet. Es handelte sich damals also hauptsächlich um ein theoretisches Studium. Als ich dann aber immer mehr praktische Anwendungsfälle und Beispiele bekam, war ich begeistert und konnte meine theoretischen Studien auf praktische Anwendungen übertragen.

So begann ich, mich mit CV und KI zu befassen. Damals gab es noch keine künstliche Intelligenz, es ging nur um CV oder Computer Vision. Mit zunehmender Erfahrung, als die Menschen mehr darüber erfuhren, was künstliche Intelligenz ist und was sie im Bereich der Bildverarbeitung oder der Technik tatsächlich leisten kann, war ich etwas mehr von der Systementwicklung begeistert. Und so habe ich angefangen, an der Architektur, der Technik, dem Systemdesign und den passenden Anwendungen zu arbeiten und jetzt das Produktteam zu leiten, um sicherzustellen, dass wir etwas Spannendes entwickeln und die Benutzererfahrung aus dieser Perspektive verbessern können.

Dayle Hall:

Das stimmt. Mit Ihrem Hintergrund ist es interessant, einige dieser technischen Entwicklungen zu sehen und theoretisch über KI zu sprechen, und es fühlt sich an, als hätten wir in diesen Jahren einen langen Weg zurückgelegt. Und jetzt bringen wir tatsächlich Produkte auf den Markt, in die KI eingebaut ist. Man hat also das Gefühl, dass einige dieser Theorien, die wir vielleicht in Filmen über künstliche Intelligenz gesehen haben, noch nicht so weit fortgeschritten sind. Wir sind noch nicht auf diesem Niveau. Es gibt keine Terminatoren, Gott sei Dank. Ich habe nur das Gefühl, dass wir so schnell vorankommen. Sie sprechen über den technischen Entwicklungszyklus und die Innovation, es gibt so viele Möglichkeiten.

Das ist eigentlich einer der Punkte, mit denen ich beginnen wollte, weil Sie aufgrund Ihrer Erfahrung viel von der technischen Entwicklung mitbekommen haben. Ich erinnere mich an diese Plattformen, die Motorola-Plattformen, und wie sie sich entwickelt haben. Aber wenn ich mir die Unternehmen und die dortigen Möglichkeiten ansehe, was sind Ihrer Meinung nach einige der wichtigsten Einstiegsmöglichkeiten für Unternehmen, die Dinge wie KI und maschinelles Lernen einsetzen? Wo sehen Sie, dass Unternehmen wirklich zugreifen?

Vinesh Sukumar:

Ich denke, die meisten Unternehmen befinden sich heute an einem Punkt, an dem sie KI eher zur Optimierung bestehender Abläufe als zur radikalen Umgestaltung ihres Geschäftsmodells einsetzen wollen. Ein Beispiel dafür ist die Automatisierung oder Eliminierung von Aufgaben in der Kategorie Produktivität im Unternehmensbereich. Was ich damit meine, ist, dass während der COVID-Situation oder während der Pandemie viele dieser virtuellen Treffen regelmäßig stattfanden. Viele Leute nahmen daran teil, und es wurde ziemlich schwierig, die Besprechungen zu transkribieren, Maßnahmen zu ergreifen, sie einem bestimmten Redner zuzuordnen und Besprechungen zu organisieren, die zudem ziemlich manuell waren.

Mit dem Aufkommen der künstlichen Intelligenz können wir dies nun automatisieren. Mit anderen Worten, Sie haben jetzt Intelligenz in die Anwendung als Teil dieser Unternehmensmodelle eingebaut, wo sie automatisch diese Sitzungen transkribieren können, dann werden diese Transkriptionen einem bestimmten Sprecher zugeordnet, der als Teil der Sitzung registriert ist. Und wenn es Aktionspunkte gibt, werden sie aufgezeichnet, und es wird automatisch nach offenen Terminen in den Kalendern der verschiedenen Sprecher gesucht, um sicherzustellen, dass diese geplant werden, damit die Kontinuität gewahrt bleibt.

Und wenn Daten ausgetauscht werden, werden diese Daten tatsächlich erfasst, in eine Confluence-Seite eingefügt oder sogar in eine PowerPoint-Präsentation übersetzt, was alles automatisch hinter den Kulissen mithilfe von Deep Learning und maschinellem Lernen geschieht. Das ist wirklich hilfreich, denn dies sind alles Arbeiten, die mit manueller Arbeit verbunden sind. Und wenn man KI einsetzt, um die Produktivität zu steigern, können sich die Mitarbeiter auf das Lösen von Problemen konzentrieren, anstatt diese Zwischenschritte zu erledigen. Ich denke also, dass dies aus dieser Perspektive bei einem solchen Produktivitätsbeispiel wirklich geholfen hat.

Dayle Hall:

Ja, genau. Und ich denke, das ist ein guter Einstieg für viele Menschen. Ich denke, Unternehmen können Menschen bei ihrer Arbeit unterstützen. Und ich glaube, dass die Unternehmen manchmal auch verschiedene Leute anziehen, je nachdem, um welche Art von Aufgabe es sich handelt. Aber wenn Sie versuchen, Mitarbeiter zu rekrutieren - und wir wissen, dass die Rekrutierung heutzutage wirklich schwierig ist - und Sie ihnen zeigen, dass wir all diese Technologien haben, die Ihnen helfen, produktiver zu sein, damit Sie die manuellen Aufgaben nicht erledigen müssen. Das hat meiner Meinung nach große Auswirkungen auf die Rekrutierung und hilft den Leuten, die zu uns kommen, weil sie wissen, dass ich vom ersten Tag an effizienter arbeiten kann, weil Sie diese Technologien eingesetzt haben. Glauben Sie, dass sich diese Technologien auch auf andere Bereiche wie die Personalbeschaffung auswirken werden?

Vinesh Sukumar:

Oh, absolut. Eine der größten Herausforderungen für technische Unternehmen, vor allem wenn es sich um Spezialgebiete wie KI handelt, besteht darin, sicherzustellen, dass man die richtigen Leute mit der richtigen Erfahrung bekommt, die vom ersten Tag an einen Beitrag leisten können. Und damit das auch wirklich passiert, geben Sie Ihre Empfehlungen weiter, möglicherweise an einen Personalvermittler. Der Personalvermittler geht dann die gefilterten Kandidaten durch. Aber wenn Sie nur eine Datenbank haben, wenn eine Anwendung Ihre Empfehlungen abstimmen kann, nicht basierend auf den Suchbegriffen, sondern eine Zusammenfassung gebend, dies ist die Person, nach der ich suche, kann dieser virtuelle Assistent oder ein intelligenter Assistent als Teil einer Anwendung nach Lebensläufen als Teil einer existierenden Datenbank suchen und dann Fragen stellen und sagen, dies ist möglicherweise ein Kandidat, der von Interesse wäre und den Erwartungen entspricht. Ich gehe also fest davon aus, dass KI hier helfen wird. Die Frage ist nur, wie man sie einsetzt, um wirklich die richtige Antwort zu geben.

Dayle Hall:

Auch dies ist einer der Bereiche, in denen wir noch in den Kinderschuhen stecken, wenn es darum geht, die breiteren Auswirkungen auf das Unternehmen zu verstehen. SnapLogic ist im Wesentlichen ein Integrations- und Automatisierungstool. Wir sind kein RPA. Viele Menschen denken bei dem Begriff Automatisierung, der mit KI und ML in Verbindung gebracht wird, an Aufgaben, die sich einfach nur wiederholen. Und Sie haben es gerade selbst erwähnt: Wie können wir die Zeit der Mitarbeiter freisetzen, damit sie sich auf die wichtigeren Aufgaben konzentrieren können, bei denen man ein bisschen mehr braucht, man will die menschliche Erfahrung, man will ihren Verstand dabei haben, also können wir einige dieser anderen Aufgaben zur Automatisierung freisetzen, damit wir mehr Zeit damit verbringen können, das Unternehmen auf diese Weise zu unterstützen. 

Haben Sie andere Beispiele dafür, wie diese Arbeitskräfte, wenn sie in das Unternehmen eintreten oder dort tätig sind, gefördert werden? Haben Sie Beispiele dafür, wie sie die Menschen produktiver und erfolgreicher machen? Gibt es etwas, das wir tun könnten? Ich weiß, dass es immer die Sorge gibt, dass KI und ML Arbeitsplätze wegnehmen werden, aber ich habe das Gefühl, dass die Rekrutierung immer schwieriger wird, die richtigen Fähigkeiten zu finden. Wie können uns KI und ML also tatsächlich bei der Bekämpfung des Arbeitsplatzmangels helfen, anstatt dass wir uns Sorgen machen, dass Leute aus dem Geschäft verschwinden?

Vinesh Sukumar:

Ich glaube nicht, dass die KI zum jetzigen Zeitpunkt wirklich Arbeitsplätze übernehmen wird. Es gibt immer diese falsche Vorstellung, dass die KI die Welt komplett übernehmen wird. Zumindest noch nicht, das ist zum jetzigen Zeitpunkt nicht der Fall.

Dayle Hall:

Siehst du das immer noch, Vinesh? Hören Sie das immer noch? Es gibt immer noch Berichte darüber, aber ich sehe es nicht mehr so oft. Aber ich habe immer noch das Gefühl, dass dieses Konzept, dieses Missverständnis, da draußen ist.

Vinesh Sukumar:

Oh ja, das stimmt. Dieses Missverständnis gibt es immer. Ich denke, es geht auch um die Anwendungsfälle, die die Leute normalerweise nutzen. Zum Beispiel sind die Menschen so sehr an manuelles Fahren im Auto gewöhnt. Wenn man wirklich will, dass KI vollständig automatisiert ist oder automatisiertes Fahren aus einer ADAS-Perspektive, dann sitzt man hinter dem Lenkrad. Es gibt immer diese falsche Vorstellung davon, wie das Auto Entscheidungen über das Abbiegen nach rechts oder links oder das Anhalten trifft, weil es in dieser Situation ein Leben gibt. Das ist schon ein wenig beunruhigend. Es gibt zwar eine Menge transaktionsbasierter Aktivitäten, Finanzinstitute, aber in diesem Bereich findet eine Menge Automatisierung statt. Sie machen sich Sorgen: Wenn ich meine Kreditkarte herausgebe, wenn ich meine Bankdaten herausgebe, wie wird sich das auf mich auswirken? Da gibt es immer ein paar Missverständnisse, aber es hängt wirklich davon ab, wie die Daten aufgebaut sind, wie die Anwendungen aufgebaut sind.

Und wenn viele technische Investitionen getätigt werden und wenn es richtig gemacht wird, bin ich ziemlich sicher, dass das meiste davon verschwinden wird. Aber es wird wahrscheinlich einige Zeit dauern. Aus meiner beruflichen Erfahrung heraus habe ich eigentlich erwartet, dass ein Fotograf immer eine DSLR-Kamera für alles hat. Und mit der verbesserten Bildqualität der Kameras in den Mobiltelefonen wurden die DSCs im Grunde genommen überflüssig. Und dann wurden die Handykameras zum De-facto-Standard, mit dem die Leute tatsächlich fotografieren. Ich vermute also, dass es noch eine Weile dauern wird, aber wir befinden uns in einer Phase, in der sich die Menschen weiterbilden müssen. Und ich bin mir ziemlich sicher, dass mit der Zeit die Vorstellung, dass die KI die Welt übernehmen wird und meine Privatsphäre verloren ist, wahrscheinlich verschwinden wird.

Dayle Hall:

Ja, ganz sicher. Sie haben vorhin das Beispiel mit den Zoom-Meetings erwähnt. Offensichtlich wurde dies durch die Pandemie beschleunigt. Die Pandemie war zwar schrecklich für die meisten von uns und hat sich auf unser Leben ausgewirkt, und natürlich möchte niemand so etwas wirklich durchmachen, aber sie hat Organisationen und einigen von uns Einzelpersonen geholfen, neue Praktiken zu erlernen und die vorhandenen Technologien zu nutzen. Glauben Sie, dass die Pandemie anderen Bereichen geholfen hat, diese Möglichkeiten und Dinge zu nutzen, zu denen wir vielleicht nicht gekommen wären, wenn wir weiterhin ins Büro gegangen wären und die gleichen Dinge auf die gleiche Weise getan hätten?

Vinesh Sukumar:

Oh ja, absolut. Das glaube ich auch. Es gibt ein altes Sprichwort, das besagt, dass Not die Mutter aller Erfindungen ist. Da die Pandemie in vielerlei Hinsicht einen schlechten Zustand verursachte, bot sie eine Plattform, um einige Dinge effektiver zu machen, insbesondere im Rahmen von Videokonferenzen, als Beispiel. Die Zahl der zwischenmenschlichen Interaktionen hat sich stark erhöht. Und als Teil der zwischenmenschlichen Interaktion ist es sehr wichtig, den Schwerpunkt auf Videobilder und audiobasierte Streams zu legen. Und ein solches Element war: Hey, ich habe nicht zufällig einen Büroraum zu Hause. Wie kann ich meinen Hintergrund wirklich eliminieren? Wie kann ich meinen Hintergrund durch etwas anderes ersetzen und wirklich sicherstellen, dass ich gut aussehe oder der Müll im Hintergrund nicht zu sehen ist? Und für all diese Dinge nutzen wir KI.

Sie müssen sich nicht einmal Sorgen machen, dass Sie nicht gut genug vorbereitet in die Besprechung gehen, denn KI kann sich um diese Dinge kümmern. Oder wenn Sie zufällig Kinder zu Hause haben, eine Menge Leute im selben Raum sind oder Hintergrundgeräusche, die nicht wirklich hilfreich sind, wenn Sie eine wichtige Besprechung mit vielen dringenden Bedürfnissen haben, verwenden wir KI, um sicherzustellen, dass nur die Stimme dieses speziellen Benutzers erkannt wird und alle Störungen um ihn herum vollständig gedämpft oder eliminiert werden. All dies war also nur mit Hilfe von KI möglich. Vor zwei oder drei Jahren stand dies vielleicht noch nicht im Vordergrund. Jetzt, nach der Pandemie, ist das Interesse von Forschern und Ingenieuren aufgrund der spezifischen Anwendung natürlich viel größer geworden. Und man konnte beobachten, dass viel mehr Datenintelligenz in diese Anwendungen einfließt und diese Erfahrungen viel besser macht.

Dayle Hall:

Und als berufstätige Eltern haben Sie natürlich kleine Kinder zu Hause. Ich bin sicher, dass einige dieser Funktionen sehr nützlich sind. Wenn wir auf das Unternehmen zurückkommen und uns anschauen, wer für diese Art von Technologien verantwortlich ist, dann ist es im Allgemeinen die IT-Organisation, aber auch die Geschäftsbereiche suchen nach neueren Technologien, die ihnen helfen, erfolgreicher zu sein. Haben Sie das Gefühl, dass die IT-Organisationen der Unternehmen jetzt einen breiteren Blick auf die zu implementierenden Technologien werfen? Denken sie daran, dass wir eine KI/ML-ähnliche Initiative brauchen? Oder sind sie immer noch der Meinung, dass wir bestimmte Anwendungsfälle lösen müssen, und dass wir das mit KI tun können? Gibt es umfassendere Initiativen für KI/Maschinelles Lernen? Oder konzentrieren sie sich immer noch auf Anwendungsfälle? Und gibt es in beiden Fällen eine Herausforderung?

Vinesh Sukumar:

Ich denke, ich würde es wahrscheinlich als eine Kombination aus beidem zusammenfassen. Es wird immer ein taktisches Element geben, das man nicht wirklich auflösen kann, und das man mit Hilfe von KI/ML lösen kann. Ein taktisches Element könnte wiederum darin bestehen, die Pandemie als Plattform zu nutzen, da viele Menschen praktisch von zu Hause aus arbeiten. Und natürlich kommt es zu Ausfällen. Die IT-Ressourcen sind begrenzt. Man kann nicht wirklich mit allen arbeiten und auch nicht vor Ort Hilfe holen. Also hat man virtuelle Bots geschaffen, die als virtuelle Assistenten für die IT-Abteilung fungieren. Je nach Art des Problems lieferten die virtuellen Bots etwa 50 bis 70 % der Antworten und gaben Hinweise, was getan werden kann, noch bevor ein echter Mensch hinzugezogen wurde. Ich denke also, dass dies aus taktischer Sicht wirklich geholfen hat, diese Probleme zu lösen.

Kann ich KI/ML strategisch gesehen wirklich nutzen, um aus Unternehmenssicht viel mehr zu tun? Auf jeden Fall. Es wurde immer darüber nachgedacht, wie kann ich den Schwerpunkt mehr auf Kundengeschichten legen? Wie kann ich den Schwerpunkt auf virtuelle Unterstützung legen? Und das könnte man auf Anwendungsfälle übertragen. Ich sollte das vielleicht an einem Beispiel erläutern.

Aus Unternehmenssicht geht es immer darum, die Gesamtleistung der Maschine zu verbessern. Kann ich den Ausfall einer bestimmten Komponente wirklich vorhersagen, noch bevor er eintritt? Da es sich aber um einen kritischen Ausfall handelt, ist natürlich alles verloren.

Die allgemeine Frage aus der Sicht des IT-Unternehmenssegments lautet: Kann ich durch die Überwachung der Daten, der Leistung von Schlüsselmodulen, ein paar Schnipsel erhalten, die wirklich darauf hinweisen, dass ein Ausfall bevorsteht? Und kann ich den Benutzer darüber informieren, dass er bitte XYZ Dinge tun oder eine bestimmte Menge an Entschädigung bereitstellen soll, bevor die gesamte Komponente ausfällt, als Beispiel? Das ist zu diesem Zeitpunkt eine reine Diagnose. Und das ist ein wichtiger Bereich, um sicherzustellen, dass man keine Produktivität verliert, dass man keine Daten verliert, vor allem, wenn es sich um sensible Daten handelt, und um dem Benutzer Empfehlungen zu geben, wie er Änderungen an der Hardware vornehmen kann, selbst wenn der Fehler auftritt. Ich denke, dies ist ein weiteres Beispiel für eine zukunftsweisende Lösung, die sich im Unternehmensbereich durchsetzen wird.

Dayle Hall:

Für jedes Unternehmen, ob Sie nun versuchen, eine größere Initiative zu lösen, ob Sie nur versuchen, einen Anwendungsfall zu lösen, oder ob Sie darüber nachdenken, wie wir einfach besser werden können, gibt es meiner Meinung nach drei spezifische Bereiche, mit denen Unternehmen konfrontiert sind, wenn sie diese KI-Technologien implementieren und übernehmen wollen. Wir wissen, dass sie dazu da sind, unser Leben in Bezug auf unsere Arbeit zu erleichtern. Bei SnapLogic haben wir zum Beispiel einen Assistenten, der Ihnen hilft, Ihre Integrationen zu erstellen, ohne dass Sie jedes einzelne System eingeben müssen, das Sie haben. Er identifiziert und sagt, was Sie tun. Das macht Sie produktiver.

Aber ich glaube, die drei Bereiche, von denen wir am meisten hören, sind die Organisation und die Menschen, die das System annehmen sollen. Der zweite Bereich ist die technologische Herausforderung: Wie führe ich es ein? Worauf muss ich achten? Was sind die Auswirkungen auf die Systeme? Und der dritte Bereich sind die Kosten. Ist es teurer? Wie erhält man den ROI? Beginnen wir also mit den Menschen und der Akzeptanz, wenn wir jeden dieser Punkte einzeln betrachten. Warum tun sich die Unternehmen, wenn sie es denn tun, und glauben Sie, dass sie es tun, immer noch schwer, ihre Mitarbeiter für die Einführung zu gewinnen? Wovor haben sie Angst und wie können sie diese überwinden?

Vinesh Sukumar:

Ich werde die Frage wahrscheinlich zunächst damit beantworten, dass KI in diesen Anwendungen nur dann wirklich funktionieren kann, wenn sie auf den richtigen Daten basiert. Daten sind die Lebensader des maschinellen Lernens. Modelle wissen nur, was man ihnen gezeigt hat. Wenn also die Daten, mit denen sie arbeiten, ungenau, unorganisiert oder in irgendeiner Weise verzerrt sind, sind die Ergebnisse des Modells fehlerhaft. Und das bedeutet, dass die Nutzererfahrungen miserabel werden. Und das hat zur Folge, dass die Akzeptanz geringer wird. Deshalb sollte man diese Situation von vornherein vermeiden. Dies ist eines der Hauptthemen, mit denen sich jedes Unternehmen auseinandersetzt. Wie beseitige ich Voreingenommenheit, was ein ganz großes Thema für sich ist?

Dayle Hall:

Das ist wahrscheinlich der nächste Punkt, der die Technologie betrifft. Wenn also die falschen Daten eingehen, ist die Chance, dass die Menschen tatsächlich produktiv sind und erkennen, dass dies ihnen hilft, geringer. Die Akzeptanz wird also geringer sein, die Leute werden der Technologie nicht so viel Vertrauen entgegenbringen. Dann kommt es darauf an, wer es implementiert? Wer steht eigentlich vor diesen technologischen Herausforderungen? Und wie stellen sie sicher, dass aus der Datenperspektive kein - wir alle kennen den Begriff - Mist hinein- und herauskommt? Wie stellen Organisationen, wie stellen Unternehmen sicher, dass der technische Teil erledigt ist, dass die Daten, die sie abrufen, glaubwürdig und richtig sind, um sicherzustellen, dass sie, wenn sie diesen Weg einschlagen, dazu beitragen können, die Akzeptanz zu fördern?

Vinesh Sukumar:

Eine der größten Herausforderungen, mit denen die meisten Unternehmensorganisationen konfrontiert sind, ist die Frage, wie man die Ergebnisse vorhersehbar machen kann. Wie können diese Ergebnisse besser erklärt werden? Wie kann man die Ergebnisse unabhängig von der geografischen Lage konsistenter machen? Ob in Asien, Nordamerika oder Europa, die Ergebnisse sind immer gleich. Und wenn Sie diese Ergebnisse präsentieren, kann ich dann die Gründe für das Ergebnis erklären? Und ist es konsistent? Das ist also etwas, das intensiv untersucht wird, und ich denke, dass hier viel mehr investiert werden muss, sowohl aus Sicht der Forschung als auch aus Sicht der Datenwissenschaftler, und wie sie die Daten tatsächlich betrachten, wie das Modell aus den Daten konstruiert wird, und ob die Datenstichproben vielfältig genug sind, um die Vorhersage viel genauer zu machen. Ich denke also, dass dies leichter gesagt als getan ist. Und ich denke, dass dies ein ständiges Anliegen der Leute in so ziemlich allen Unternehmensorganisationen gewesen ist.

Dayle Hall:

Kommen wir nun zum letzten Teil der Einführung dieser Technologien, d. h. zu den Kosten, den Investitionen, den Erwartungen an den Nutzen und den ROI. Wie haben Sie die Unternehmen bei diesem Prozess erlebt? Wo ziehen sie die Grenze, da es X Jahre dauern wird, bis sich die Investition amortisiert? Kennen sie überhaupt die Rentabilität dieser Dinge, oder glauben sie einfach, dass wir es tun müssen? Wie schätzen Unternehmen heutzutage das Verhältnis von Kosten und ROI ein?

Vinesh Sukumar:

Heutzutage geht es in Unternehmen nicht mehr um die Frage, warum es eingesetzt werden soll, sondern darum, wie schnell es eingesetzt werden kann und wie es richtig eingesetzt werden kann. Die technische Komplexität ist nach wie vor eine der größten Herausforderungen für den Einsatz des maschinellen Lernens in Unternehmen. Das Grundkonzept, einen Algorithmus mit Daten zu füttern und ihn die Merkmale der Daten lernen zu lassen, ist ziemlich einfach. Aber um mit einfachen Beispielen zu beginnen, wie ich schon sagte, ist ein solcher Bereich die Produktivität. Wie kann ich die Produktivität wirklich verbessern? Wie kann ich Empfehlungen verbessern, zum Beispiel durch virtuelle Bots? Wie kann ich Kundengeschichten verbessern, indem ich dafür sorge, dass ein Kunde, der versucht, einen Online-Kauf zu tätigen, auch in der Lage ist, diesen Kunden oder einen Verbraucher durch sein Kaufverhalten zu halten?

Ich denke also, man muss sie kontinuierlich studieren, implementieren und versuchen zu verstehen, dass man, wenn man mit der Entwicklung einer Anwendung beginnt, bestimmte Schlüsselindikatoren für Leistung und Erfahrung hat. Wenn Sie die Anwendung in Betrieb nehmen, sind Sie dann in der Lage, diese Indikatoren zu erfüllen? Wenn nicht, kann ich diese Modelle dynamisch ändern? Kann ich diese Algorithmen dynamisch ändern, um sie an einen bestimmten Benutzer anpassen zu können? Meistens ist es heutzutage so, dass man ein allgemeines Modell hat und es auf alle anwendet, was im Allgemeinen nicht funktioniert.

Wenn man die Möglichkeit hat, die Optimierung auf der Grundlage eines bestimmten Benutzers fortzusetzen, indem man die Muster dieses spezifischen Benutzers oder einer Anwendung oder des Formfaktors eines Geräts lernt, wird man eine viel bessere Wirkung erzielen. Ich glaube, die Unternehmen fangen an, das zu verstehen und versuchen, mehr Daten zu sammeln und die Implementierung zu ändern, um von einer modellzentrierten Sichtweise zu einer datenzentrierten Sichtweise überzugehen. Und ich denke, wenn sie das weiterhin tun, werden sie in diesem Segment mit großer Wahrscheinlichkeit viel mehr Erfolg haben.

Dayle Hall:

Eines der Themen, über die wir ein wenig gesprochen haben, ist die Angst, den Leuten die Arbeit wegzunehmen. Wir haben darüber gesprochen, wie man sicherstellt, dass die Daten korrekt sind und dass die Leute das Tool tatsächlich nutzen und den Ergebnissen vertrauen können. Wie sieht es mit der Sicherheit im Allgemeinen aus? Sehen Sie Bedenken seitens der Unternehmen in Bezug auf die Sicherheit, selbst bei ihren eigenen Daten oder insbesondere, wenn sie diese KI-Tools bei Kunden einsetzen? Ist die Sicherheitsdiskussion ein Nicht-Thema? Oder ist es etwas, bei dem die Leute sehr vorsichtig sind? Hält es die Leute vom Handeln ab?

Vinesh Sukumar:

Sicherheit ist heutzutage ein sehr wichtiges Thema geworden. Sicherheit kann sich in vielerlei Hinsicht manifestieren. Zum einen könnte es Ihre biometrische Unterschrift sein. Eine biometrische Unterschrift könnte Ihr Stimmabdruck oder Ihr Gesichtsabdruck sein. Wo wird sie eigentlich gespeichert? Wird sie im Gerät oder in der Cloud gespeichert? Und wie einfach ist der Zugriff auf diese biometrische Unterschrift? Denn es ist bekannt, dass eine biometrische Unterschrift verändert werden kann. Sobald jemand sie hat, ist sie für immer verloren. Wie kann ich sie also wirklich so speichern, dass sie extrem sicher ist? Und was tun die Menschen und die Unternehmen wirklich, um dieses Gut so gut wie möglich zu schützen?

Dann gibt es noch einen anderen Teil, nämlich dass ich zufällig diese Modelle habe. All diese Modelle sind im Grunde genommen Binärdateien, die im Grunde genommen aus Einsen und Nullen bestehen. Diese Binärdateien enthalten im Grunde Algorithmen für eine bestimmte Vorhersage, eine bestimmte Erkennung, eine bestimmte Klassifizierung. Und die meisten dieser Algorithmen werden auf der Grundlage tonnenschwerer Forschungsarbeiten und umfangreicher Investitionen in Humankapital entwickelt. Wie kann man sicherstellen, dass diese Binärdateien nicht beschädigt sind oder von einer anderen Anwendung extrahiert wurden? Wie können sie genau verstehen, was die geheime Soße ist, mit der diese Vorhersagen gemacht werden?

Ein weiterer Schwerpunkt ist die Frage, wie wir die Daten wirklich speichern und an einem sicheren Ort aufbewahren können. Ich glaube, das wird immer wichtiger. Und in Zukunft werden die Unternehmen sowohl auf der Hardware- als auch auf der Softwareseite viel mehr Wert darauf legen, dass die Vorlagen, die Binärdateien und die Algorithmen alle sicher befestigt sind und die Wahrscheinlichkeit, dass jemand nützliche Informationen daraus extrahiert, so weit wie möglich verringert wird.

Dayle Hall:

Sicherheit war schon immer ein großes Thema, vor allem in Bezug auf Software und den Zugang zu den Daten der Menschen und so weiter. Aber wenn man KI und ML einführt, wie Sie sagten, etwas so Wichtiges wie Ihre Biometrie, muss man natürlich sehr vorsichtig sein. Und ich denke, dass dies die Akzeptanz in bestimmten Vierteln bei bestimmten Leuten verlangsamt, weil sie immer noch nicht darauf vertrauen, dass dies sicher ist. Das ist also etwas, das meiner Meinung nach im Laufe der Zeit immer wichtiger wird. Wenn ich sage: Vergessen Sie die Zeitachse für eine Sekunde. Vergessen Sie, dass es hundert Jahre sind, vielleicht sind es 10 Jahre, 5 Jahre. Wenn wir uns die Reise der KI/ML und all diese Möglichkeiten ansehen, haben wir dann die Hälfte der Reise hinter uns? Sind wir zu 2 % auf dem Weg zu dem, was möglich ist? Und meine Frage an Sie wäre: Wie lange Sie auch immer in diesem Bereich arbeiten werden, worauf würden Sie sich während Ihrer Arbeit mit dieser Technologie besonders freuen?

Vinesh Sukumar:

Ich denke, dass KI jetzt in eine Phase eintritt, in der sie in vielen vertikalen Segmenten viel mehr Akzeptanz findet. Vor zehn, 15 Jahren, als ich meine berufliche Laufbahn begann, war KI vor allem eine theoretische Physik der Mathematik. Es gab keine Anwendungen dafür. Heute gibt es eine Vielzahl von Anwendungen dafür. In allen Bereichen des Lebens, in Mobiltelefonen, Autos, PCs, Brillen, egal was man nimmt, sieht man einige Elemente davon. Aber ich denke, das nächste wichtige Element, ich würde sagen, die Evolution der KI, besteht darin, den gesunden Menschenverstand in die KI einzubringen, so dass die KI nicht nur Dinge tut, weil die Daten ihr nahelegen, dass sie bestimmte Dinge tun muss.

Aber es versucht, den Kontext zu verstehen. Er versucht, Informationen aus verschiedenen Sinneswahrnehmungen aufzunehmen und dann auf der Grundlage des Szenarios und des Kontexts eine Vorhersage zu machen. Das ist es, was ich mit gesundem Menschenverstand meine. Wie kann ich sicherstellen, dass die KI intelligent genug ist, um mir nicht immer die gleiche Antwort zu geben? Sie muss den Kontext verstehen und eine Antwort geben. Das ist es also, was ich denke. Sie kommen in den Bereich eines echten KI-Bots, einer echten virtuellen KI-Welt. Und das ist es, was mich aufregt, die Erwartung, dass wir diese Phase erreichen, in der KI zu einer wirklich intelligenten KI wird.

Dayle Hall:

Ich liebe das. Wenn wir zum Ende kommen, könnten wir sicher drei Stunden lang reden. Ich bin mir nicht sicher, ob uns jemand drei Stunden lang zuhören kann. Aber wenn ich mir die Unternehmen da draußen anschaue, haben wir ein wenig über Anwendungsfälle und nicht nur über große KI-Initiativen gesprochen. Wir haben über die Optimierung von Anwendungen für die Produktivität gesprochen. Sie haben über echte Daten als die Lebensader von KI und ML gesprochen. Ich liebe den gesunden Menschenverstand in der KI, um den Kontext wirklich zu verstehen. Wenn Sie noch einen letzten Ratschlag hätten: Unternehmen sehen sich verschiedene Initiativen zur digitalen Transformation an, aber nehmen wir an, sie haben mehrere davon. Welchen Rat würden Sie einem Unternehmen geben, das sagt: "Schauen Sie, wenn Sie sich auf diese Reise begeben, egal ob es sich um einen Anwendungsfall oder eine größere Initiative handelt, was ist der Ratschlag, den sie jetzt wirklich beherzigen müssen, bevor sie sich mit der zu implementierenden Technologie, den Kosten und so weiter befassen? Woran müssen sie denken, wenn sie diese Reise beginnen?

Vinesh Sukumar:

Ich würde sagen, dass die KI für Unternehmen in ihrer jetzigen Form, jede neue Technologie, die auf den Markt kommt, ihre eigenen Risiken birgt, aber solange man die Stärken der Technologie versteht und den Erfolg plant, wird die KI im Unternehmensbereich fantastische Ergebnisse erzielen. Ich würde mit den Diskussionen beginnen. Und dann kommt es natürlich darauf an, wie man die Daten betrachtet, wie man sie manipuliert, wie man sie nutzt, was die Erfahrung viel besser macht. Das wäre also mein Schwerpunkt für die Zukunft.

Dayle Hall:

Das ist großartig. Nochmals vielen Dank, dass Sie sich die Zeit genommen haben, Vinesh. Diese Gespräche sind zwar relativ kurz für einen Podcast, aber sehr aufschlussreich. Ich habe eine Menge gelernt und weiß Ihre Zeit zu schätzen. Vielen Dank, dass Sie heute an unserem Podcast teilgenommen haben.

Vinesh Sukumar:

Vielen Dank, Dayle. Das war auch für mich fantastisch. Und ich danke Ihnen, dass Sie mir die Gelegenheit gegeben haben, über Qualcomm AI, meine Rolle bei Qualcomm und einige der fantastischen Beziehungen, die ich mit den Ingenieuren und der Forschungsorganisation habe, zu sprechen. Vielen Dank, Dayle, noch einmal.

Dayle Hall:

Ganz genau. Wir werden all die Dinge im Auge behalten, die Sie als einer der führenden Köpfe in der Branche tun werden. Wir wissen Ihre Zeit also zu schätzen. Danke fürs Mitmachen. Allen anderen danke ich für das Zuhören bei dieser Folge von Automating the Enterprise, und wir sehen uns bei der nächsten Folge wieder.