KI & Machine Learning – das sind die entscheidenden Unterschiede

Dr. Stefan Ebener, Manager Customer ­Engineering Specialists, Machine Learning bei Google Deutschland, erklärt die Unterschiede und Gemeinsamkeiten von künstlicher Intelligenz und Machine Learning. Diese zu kennen und richtig zu nutzen, bringt Unternehmen ­große Vorteile für ihr Business.

Was ist künstliche Intelligenz (KI), und was macht den Unterschied zu Machine Learning (ML) aus?

Stefan Ebener: Lassen Sie mich zum besseren Verständnis zuerst die Gemeinsamkeit von KI und ML ansprechen. Wir verstehen ML und KI weniger als einen technologischen Ansatz, sondern vielmehr als einen zentralen Baustein der digitalen Transformation, bei der Unternehmen alles, was sie tun, überdenken. KI und ML sind eine Frage des Mindsets und nicht der richtigen Algorithmik oder App. Jeder Mitarbeiter eines Unternehmens – von der Buchhaltung über CAD-Designer bis hin zur Geschäftsführung – sollte ein Verständnis von ML/KI haben – und bei der Einstellung auch entsprechend geschult werden.

Das hilft, Vorbehalte abzubauen und neue Blickwinkel zu eröffnen. Was ist also KI? Ganz einfach gesagt, ist KI die Wissenschaft, Dinge intelligent zu machen. Tatsächlich sprechen wir aktuell jedoch eher von einer „Narrow AI“. Sprich, Systeme, die genau für eine Aufgabe konzipiert wurden und diese „besser“ erledigen können als Menschen. ML ist eine Unter-Disziplin der KI, das anhand von erlernten Erfahrungen beispielsweise Muster in Daten aufdeckt. ML erlaubt es Maschinen, neue Situationen, etwa durch Analysen, Training und Beobachtung, zu meistern.

Welchen Mehrwert haben Unternehmen von KI und Machine Learning? 

Ebener: Beide Technologien eröffnen Unternehmen drei große Möglichkeiten: Kostenreduzierung, Optimierung und die Entwicklung neuer Geschäftsmodelle und Services. Dabei geht es vor allem darum, einen Wettbewerbsvorteil zu erschließen und den Unternehmenswert zu steigern. Zumindest sieht das der überwiegende Teil der Kunden so, wie eine Befragung des MIT Technology Review ergab. Kunden, die ML verwenden, treffen doppelt so häufig datengetriebene Entscheidungen und diese fünfmal schneller als vergleichbare Unternehmen ohne ML.

In der täglichen Praxis speichern Unternehmen zwar seit Jahren große Mengen an Daten aller Art wie Produktionsdaten, Kundendaten oder Daten über ihren Webauftritt. Doch sie nutzen diesen wertvollen Schatz nicht. Stattdessen fokussieren sie sich mehr auf die Infrastruktur, einfaches Reporting und Analysen, anstatt sich auf das Verständnis der Daten und daraus zu gewinnender Erkenntnisse mit entsprechenden Mehrwerten für ihr Geschäft zu konzentrieren. Doch genau hier liegt das große Potential von ML – nicht triviale Zusammenhänge aus den unterschiedlichsten Datentöpfen zu extrahieren. So lassen sich etwa individuelle Kundenprofile für Vorhersagen von Kaufverhalten erstellen, Lagerbestände optimieren oder ausführliche Qualitätskontrollen statt nur Stichproben bei Maschinen durchführen.

Was sind die Vorteile von KI und Machine Learning in der Cloud?

Ebener: Hierfür gibt es eine Reihe überzeugender Argumente: So bedeutet ML nicht nur, ein Modell für die spätere Anwendung zu trainieren. Vielmehr muss eine gesamte Data Pipeline aufgebaut werden, in der Daten eingespeist, vorverarbeitet und aufbereitet, segmentiert und schließlich zunächst mit einfachen Modellen und schlussendlich mit komplexeren Modellen trainiert werden. Hinzu kommen Aspekte wie schwankende Datenvolumina oder ein weltweiter Service, bei dem die Pipeline von unterschiedlichsten Standorten aus verarbeitet werden muss. Die Infrastruktur für all diese Eventualitäten vorzuhalten, die sich dann auch noch völlig automatisch je nach Workload skalieren lässt, das können die wenigsten Kunden umsetzen. Über diese Entwicklungsphase hinaus bestehen die gleichen Herausforderungen dann auch in der Produktion. „Re­usable Data Pipelines“ und „Serverless Functions“ aus der Cloud bieten hier eine Flexibilität, die on-premise nur schwer nachzubilden ist und zudem für den gesamten ML-Life­cycle zur Verfügung steht.

Wie steht es mit den Kosten?

Ebener: Ein weiteres, sehr naheliegendes Argument ist das immense Investitionsvolumen für den Aufbau einer On-Premise-ML-Umgebung. Insbesondere für das Training von Modellen auf Basis von größeren Datensätzen werden viele GPU-Ressourcen (Grafical Processing Units) benötigt. Diese Karten sind teuer in der Anschaffung. Viele Kunden können ihre Modelle aber nicht 24×7 trainieren, was dazu führt, dass diese Investition den überwiegenden Teil der Zeit nicht genutzt wird. Hier hat die Cloud einen entscheidenden Vorteil. Kunden nutzen Ressourcen optimal für das jeweilige Training und wenn dieses gerade nicht läuft, bezahlen sie auch nichts. Das sind nur zwei Aspekte, warum ML in die Cloud gehört. Spätestens bei Streams, dem Abbilden von kompletten ML-Workflows mit dazugehörigen APIs, führt dann kein Weg mehr an der Cloud vorbei.

Welche weiteren Möglichkeiten bietet die Google Cloud? 

Ebener: Google beschäftigt sich intensiv mit der Entwicklung von neuen Technologien in eigenen Forschungsabteilungen, die sehr oft in Open-­Source-Projekte münden. Hier seien ­Had­oop, Apache Drill, Apache Beam oder auch TensorFlow genannt. Ein Ansatz der Google Cloud ist es, diese Open-Source-Produkte „gemanaged“ aus der Cloud anzubieten, so dass Kunden keinen Vendor Lock-In, also keine Produkteinschränkung, fürchten müssen und sehr leicht Mitarbeiter finden, die etwa bereits an der Universität damit zu tun hatten.

Darüber hinaus bietet die Google Cloud mit ihrem eigenen globalen Glasfasernetz erhebliche Vorteile für Services, die weltweit zur Verfügung gestellt werden sollen. Blickt man auf einzelne Produkte, insbesondere für ML, ist Kubeflow auf Basis von Kuber­netes sicherlich ein sehr guter Grund für die Google Cloud. Kubeflow ist ein portabler, skalierbarer und sehr einfacher Ansatz, ML-Workflows auszurollen. Zudem hat Google Cloud eigene für TensorFlow optimierte Prozessoren, die in der dritten Generation gut 30 bis 40 Prozent mehr Leistung bringen als GPUs. Dies verringert die Trainingszeit zum Beispiel von Deep Neural Networks erheblich.