Aus dem Unterricht des CAS Digital Masterclass mit Dozent Dr. Marcel Blattner berichtet Thomas Duthaler:

Die folgenden Gedanken und Bemerkungen folgen der Präsentation von Dr. Marcel Blattner zum Themenschwerpunkt “Exponential Technologies & Artificial Intelligence” in chronologischer Abfolge.

Teil 1: The rise of new technologies – What’s up?

Der Kurseinstieg beginnt mit einer vielversprechenden, aber auch beängstigenden Zukunftsversion in Form des Kurzfilms “Sight” von Sight Systems.

Entlang des Gartner Hype Cycle for Emerging Technologies, 2017, erfolgt eine Kurzdarstellung verschiedener Technologien u.a. Nanosensoren, Blockchain, 2-D Materialien, autonomen Fahrzeugen etc. Der aktuellste Hype Cycle von 2018, dessen Entwicklung von 2014 – 2017.

Teil 2: Digital Transformation – What and how you should transform

Basierend auf der Annahme, dass die technologische Entwicklung exponentiell (weiter)wächst, öffnet sich zusehends eine Schere (“Gap”) gegenüber dem Markt, welcher die technologische Entwicklungsgeschwindigkeit nicht zu absorbieren vermag. Technische “Vorreiter” Firmen wie e.g. Google eignen sich schlecht als Beispiel für technologische Transformationen, da deren Entstehung auf technologischer Innovation beruht resp. “in deren DNA” verankert ist. Die Transformation herkömmlicher Unternehmen muss die gesamte Firma umfassen und passiert nicht von heute auf morgen. Im Zentrum stehen die Mitarbeiter sämtlicher Ebenen und die Firmenkultur.

Disruption

“Established companies fail, because they focus too much on their (current) customers” – The Innovator’s Dilemma by Clayton Christensen – Video Book Summary.

Zur Bekämpfung einer inhärenten Abnahme der unternehmerischen Innovationskraft sollten Einheiten, welche sich mit dieser beschäftigen, in eigenständige e.g. Think Thanks, Inhouse Labs etc. mit gesonderten Zielsetzungen ausgelagert werden.

Teil 3: AI and Machine Learning – AI and Machine Learning in the media

Die Darstellung von AI in den Medien gilt es kritisch zu hinterfragen. Relevante Technolgien wurden und werden immer in einem gesellschaftlichen und ökonomischen Kontext entwickelt, welcher diese prägt.

What AI and Machine learning are

Komplementäre Lektüre Lucas Bogehoj – AI vs Human Intelligence

Basierend auf vergangenen Fehlern “lernt” die Maschine und definiert sich ihr zukünftiges Vorgehen. Je komplexer ihre Vorgehensmethode wird, desto intransparenter wird sie für den Menschen. Der mangelhalfte oder nicht mehr mögliche Nachvollzug des Vorgehens durch den Menschen kann zu Problemen führen. Anwendungsbeispiele für AI: Boston Dynamics Robots, AI Composer, Lipreading, Deepdream, Marketing Channel Optimization.

Die Adaption und Investition von Firmen in AI differiert zwischen den einzelnen Wirtschaftzweigen und ist abhängig von deren technologischer Maturität und finanziellen Mittel. Die “Erfolgsformel” heiss: start small!

Challenges and risks

E.g. Chatbots, Resultate von Suchmaschinen (Interaction bias, selection bias, latent bias).

Der “Input” (die Daten), mit welchem die künstliche Intelligenz “arbeitet”, stammt initial oder kontinuierlich vom Menschen. Sie kann einerseits zu ungewünschten oder auch beabsichtigten Verzerrungen des durch die AI erarbeiteten “Outputs” führen, andererseits aber auch Wahrheiten zu Tage fördern, welche unangenehm sind.

Outlook

Die “Zusammenarbeit” zwischen Mensch und Maschine wird sich in Zukunft noch wesentlich verstärken. Ein aus aktueller Sicht noch “gewöhnungsbedürftiges” Beispiel zeigt sich in der Form von Biohacking.

Teil 3: Data – From bytes to knowledge

Die Reise zur Nutzbarmachung von Daten(mengen) beginnt niemals mit der anwendbaren oder potentiellen Technologie, sondern der Frage, war eruiert werden soll und zu welchem Zweck. Welche Daten werden hierzu benötigt? Die Praxis zeigt, dass sich agile Projektansätze am besten zur Analyse von Daten eignen, da durch sie falsche Entwicklungen oder ungewünschte Resultate frühzeitig erkannt und korriegiert werden können. Die Kultur im Unternehmen bleibt jedoch der entscheidende Erfolgsfaktor.