27. Münchner Management Kolloquium/Neue Geschäftsmodelle – Künstliche Intelligenz – Maschinenlernen
Machine Learning ist in der Industrie als wirkungsvolles Instrument angekommen!
Die Lösungsstrategie bei Machine Learning bedeutet Trial-and-Error und Mustererkennung ohne Logikverständnis. Das hat aber in einer immer komplexer werdenden Welt große Vorteile! Wenn die Anzahl der Entscheidungsvariablen exponentiell zunimmt, können Logikentscheidungen nämlich ineffizient sein. Nehmen wir folgendes Beispiel: Ob sich ein Key-Account-Anruf bei einem Kunden lohnt und was man diesem Kunden am Besten anbieten sollte, das lässt sich mit Logik theoretisch herausfinden. Interessant sind in diesem Zusammenhang die Kombination aus dem Gehalt, dem Geschlecht, dem sozialen Millieu, was der Kunde schon im Schrank hat - diese Liste ließe sich beliebig fortführen. Vorausgesetzt der Kunde handelt logisch, dann existiert eine Masterformel, nach der Logik „wenn x und y dann z“. Aber wenn nun zu viele Variablen zu berücksichtigen sind, dann scheitert dieser Ansatz schon allein deswegen, weil niemand diese Masterformel aufstellen kann. Mustererkennung funktioniert da anders: der Rechner wird einfach mit der gesamten verfügbaren Datenflut aller Kunden gefüttert und beginnt dann, nach Auffälligkeiten zu suchen. Bei genügend Daten aus unzähligen Kaufvorgängen von vielen 1000 Kunden erkennt der Computer plötzlich Muster und kann zukünftige Kaufentscheidungen ziemlich gut vorhersagen. In diesem Fall ist eine Begründung auch zweitrangig – es genügt die Tendenz zur Kaufwahrscheinlichkeit. Maschinelles Lernen bedeutet also Erkenntnisgewinn durch statistische Zusammenhänge anstatt logischer Schlussfolgerung. Künstliche Intelligenz kann den menschlichen Verstand also immer dann schlagen, wenn viele Einflüsse zu berücksichtigen sind und die Datenmenge groß ist. Und das funktioniert heute schon in vielen Bereichen. Je lückenfreier das Datengerüst ist, umso robuster ist natürlich dann auch die Mustererkennung.
Auch selbstfahrende Autos benötigen noch eine gute Portion zusätzlicher Intelligenz, bevor sie dem menschlichen Fahrzeugführer ebenbürtig sein werden. Um autonom zu fahren, müssen sich Fahrzeuge Wissen über ihre Umwelt aneignen und es richtig deuten können. Mit Logik geht das nicht, aber mit Mustererkennung. Ein spielendes Kind am Wegrand erkennen; die Geschwindigkeit reduzieren, wenn ich mich einem Fahrer nähere, der die Spur nur sehr unsauber hält: Wir nennen das vorrausschauendes und risikoangepasstes Fahren. Wenn wir uns zukünftig mit Roboterautos die Straßen teilen wollen, müssen sich autonome Fahrzeuge aber genau diese Qualifikationen aneignen. Die Forschung hat sich das als Ziel gesteckt und kann bereits vielversprechende Ergebnisse vorweisen. Das Fraunhofer Institut hat etwa die Softwarebibliothek SHORE entwickelt, welche die Analyse von Personen in Videos, hinsichtlich Geschlecht, Alter und gezeigten Emotionen ermöglicht.
Nutzen wir aber die selbst geschaffene Technologie richtig, entstehen erdrutschartige Produktivitätsvorteile. Diese Effekte machen sich schon heute zahlreiche Branchen zu Nutze. Lernen Sie am 27. Münchner Management Kolloquium Best-Practices und die Erfolgsmuster erfolgreicher Unternehmen kennen!
Unter anderem werden folgende Referenten zu den Themen Neue Geschäftsmodelle, Künstliche Intelligenz und Maschinenlernen referieren:
- Catharina van Delden (Founder & CEO innosabi GmbH München)
- Sabine Scheunert (Vice President Digital & IT Marketing/Sales Mercedes Benz Cars, Mercedes-Benz AG)
- Oliver Zipse (Vorsitzender des Vorstands BMW AG )
- Dr. Roland Busch (stellvertretender Vorstandsvorsitzender und CTO, Siemens AG)
Senden Sie bitte dazu eine E-Mail an: mail@tcw.de
Mehr Informationen zum aktuellen Münchner Management Kolloquium und seinen Referenten finden Sie unter:
www.management-kolloquium.de