Ursprünglich veröffentlicht auf minutehack.com.
Es ist allgemein anerkannt, dass KI ein entscheidender Faktor ist und einen enormen Einfluss auf Unternehmen aller Branchen hat. Daran wird sich auch in den kommenden Jahren nichts ändern.
In der Tat werden KI und maschinelles Lernen so allgegenwärtig sein, dass Unternehmen innovativer werden und Mitarbeiter die schwierigeren Teile ihrer Arbeit an Maschinen abgeben können.
Wie der legendäre Technikjournalist Walt Mossberg in seiner letzten Kolumne schrieb: "Früher war die Technik immer im Weg. Bald wird sie fast unsichtbar sein".
Und das geschieht schnell und überall. In allen Branchen verändert KI die Art und Weise, wie Unternehmen sich wiederholende und datenintensive Aufgaben automatisieren.
Im Gesundheitswesen wird KI eingesetzt, um Millionen von Datensätzen zu durchforsten und so zu versuchen, Patienten früher zu diagnostizieren oder Heilmittel für Krankheiten zu finden. Im Einzelhandel analysiert KI das Verhalten und die Vorlieben der Kunden und gibt dann genaue Empfehlungen für andere Produkte oder Dienstleistungen, die sie kaufen möchten.
Es überrascht nicht, dass sie auch die Arbeitsweise der IT-Abteilungen von Unternehmen verändert, indem sie sich wiederholende Programmier- und Entwicklungsaufgaben automatisiert, so dass sich die Technologie-Teams auf strategischere, höherwertige IT-Initiativen konzentrieren können.
Doch während KI und maschinelles Lernen heute die Schlagzeilen in Wirtschaft und Technik beherrschen, kamen vor zehn Jahren die meisten KI-Fortschritte aus dem akademischen Bereich.
Die praktische, reale Anwendung von KI für Unternehmen war bestenfalls verschwommen, und nur wenige erwarteten, dass sie so schnell reifen würde, dass große Unternehmen auf der ganzen Welt ihr vertrauen und sich auf sie verlassen könnten, um geschäftskritische Prozesse zu unterstützen.
Aber wie ich von den bahnbrechenden CEOs vor mir gelernt habe, ist es klug, langfristig zu denken und bis zu 10 % des F&E-Budgets in "große Wetten" zu investieren, die sich, obwohl sie zu diesem Zeitpunkt spekulativ sind, später enorm auszahlen können. Für uns bei SnapLogic war diese große Wette vor mehr als acht Jahren das maschinelle Lernen.
Viele Wege zur Innovation
Als SnapLogic im Jahr 2010 an den Start ging, begann unser Führungsteam zu untersuchen, wie Technologien des maschinellen Lernens auf Projekte zur Unternehmensintegration, unser Kerngeschäft, angewendet werden könnten.
Zu dieser Zeit lernte ich Greg Benson kennen, der damals (und immer noch) Professor für Informatik an der Universität von San Francisco war.
Während ich Daten immer durch eine geschäftliche Brille betrachtet habe, mit dem Schwerpunkt auf Praktikabilität und Nützlichkeit bei der Erzielung messbarer Ergebnisse für die Kunden, brachte Greg eine entschieden andere akademische Sichtweise ein, eine, bei der Hypothesen getestet werden und Experimente geschätzt werden.
Es folgten viele lebhafte Diskussionen und manchmal auch Debatten zwischen uns beiden.
Monate später stellte ich Greg als Teilzeitkraft bei SnapLogic ein, wohl wissend, dass er seine Lehrtätigkeit an der Universität von San Francisco fortsetzen wollte.
Ich habe ihn sogar dazu ermutigt - seine akademischen Aktivitäten und seine Interaktionen mit der aufstrebenden Generation von Technologen waren von zentraler Bedeutung für den Wert, den er als Mitarbeiter von SnapLogic liefern konnte.
Zu diesem Zeitpunkt hatten wir gerade einmal ein Dutzend Mitarbeiter. Einige in unserem Team stellten diese Neueinstellung in Frage. Als kleines Startup mit wenig verfügbarem Personal und Budget mussten wir bei jeder Einstellung klug vorgehen, und es gab andere wichtige Positionen, die wir dringend besetzen mussten.
Aber ich wusste, dass wir die Dinge bei SnapLogic anders angehen wollten, und dazu brauchten wir kluge Köpfe, die eine andere Perspektive einbrachten.
Greg beschäftigte sich mit maschinellem Lernen und dessen potenzieller Anwendung auf die Unternehmensintegration. Seine Arbeit zur Anwendung des maschinellen Lernens auf die prädiktive Feldverknüpfung, eine Technik zur Verringerung der mühsamen Aspekte des Aufbaus von Integrationen, war entscheidend für die frühe Entwicklung unseres Kernprodukts.
Aber aus den richtigen Gründen haben ihn andere dringende Produkt- und Kundenprioritäten eine Zeit lang vom maschinellen Lernen abgehalten. Aber er kehrte schließlich zurück - dazu später mehr.
Brückenschlag zwischen Wissenschaft und Industrie
Nachdem ich nun mehrere Jahre mit Greg zusammengearbeitet habe, bin ich davon überzeugt, dass es einen enormen Wert hat, intelligente Querdenker aus Industrie und Wissenschaft zusammenzubringen - insbesondere im Bereich KI und maschinelles Lernen.
KI, die in der Industrie entwickelt wird, wird häufig für sehr spezifische Anwendungsfälle entwickelt, die oft von Kundenanforderungen bestimmt werden oder an Produkt- oder Umsatzziele geknüpft sind, mit vorgeschriebenen Zeitplänen und Endergebnissen im Hinterkopf.
In der akademischen Welt wird die KI-Entwicklung hauptsächlich zu Forschungszwecken betrieben, um Theorien und Hypothesen zu testen und herauszufinden, was die KI ohne Grenzen und Einschränkungen zu leisten vermag.
Die beiden Ansätze erfordern oft unterschiedliche Fähigkeiten und dienen wichtigen, wenn auch scheinbar nicht miteinander verbundenen Zielen. Da KI jedoch immer mehr Einzug in unser Leben hält, ist es von größter Bedeutung, beide Gruppen zusammenzubringen, um Ideen und bewährte Verfahren auszutauschen - und vor allem, um Daten auszutauschen.
Um die Innovation weiter voranzutreiben und zu beschleunigen - zum Wohle der Industrie, der Wissenschaft und der Gesellschaft als Ganzes - müssen wir voneinander lernen und miteinander arbeiten.
Künstliche Intelligenz und maschinelles Lernen sind neu, dringlich und erfordern ernsthaftes Nachdenken, um neue Ideen zum Erfolg zu führen. In der akademischen Welt gibt es jede Menge Ideen, aber nicht unbedingt genug Zeit, Ressourcen oder reale Daten, um einige ihrer Ideen in die Tat umzusetzen.
Glücklicherweise haben sich die Beziehungen zwischen Wissenschaft und Industrie in den letzten Jahren verstärkt.
Universitäten haben begonnen, mit führenden Unternehmen der KI-Branche zusammenzuarbeiten, um Türen zu öffnen und Gelegenheiten zu schaffen, bei denen Vertreter der Industrie Kurse geben und reale Geschäftsfälle mit ihren Studenten teilen können, und bei denen Akademiker ihr Wissen weitergeben und zu Live-Projekten in Unternehmen beitragen können.
Wenn wir in der Industrie wollen, dass die nächste Generation von KI-Experten gedeiht, müssen wir sie in ihrer Entwicklung unterstützen.
Einige Informatik-Teams, z. B. an der Universität von San Francisco, arbeiten regelmäßig mit Branchenführern im Silicon Valley zusammen, darunter SnapLogic, um ihre Theorien zu KI und maschinellem Lernen in die Praxis umzusetzen. Im Rahmen solcher Praktikumsprogramme können die Studierenden an realen Projekten arbeiten, erhalten aber auch Leistungspunkte für ihre Kurse.
Das bedeutet auch, dass sie nach Abschluss der Universität besser vermittelbar sind und sofort produktive Mitarbeiter werden. Im Rahmen unseres eigenen Programms bei SnapLogic haben wir eine Reihe hervorragender Praktikanten der University of San Francisco als Vollzeitmitarbeiter eingestellt.
Wenn sich große Wetten auszahlen
Vor etwa vier Jahren bat ich Greg, sich wieder auf das maschinelle Lernen zu konzentrieren und angesichts der neuen technologischen Fortschritte, die sich in den letzten Jahren abzeichneten, zu überlegen, wie wir diese auf unser Kernprodukt anwenden könnten, um die Benutzerproduktivität und die Zeit bis zur Wertschöpfung für unsere Kunden zu erhöhen.
Es wurde viel Arbeit geleistet - natürlich nicht geradlinig, denn auf drei Schritte vorwärts folgten ein paar Schritte zurück - aber im letzten Jahr haben wir Iris, unsere Vision und unsere Technologie-Roadmap vorgestellt, um maschinelles Lernen in die Unternehmensintegration zu bringen.
Die erste Funktion, die im Rahmen von Iris bereitgestellt wurde, war der SnapLogic Integration Assistant, eine Empfehlungsmaschine, die mithilfe von maschinellem Lernen Schritt-für-Schritt-Anleitungen von Experten für den Aufbau von Datenpipelines liefert - mit einer Genauigkeit von bis zu 90 Prozent.
Iris nutzt fortschrittliche Algorithmen, um aus Millionen von Metadatenelementen und Milliarden von Datenströmen über die SnapLogic Enterprise Integration Cloud zu lernen.
Anschließend werden die gewonnenen Erkenntnisse genutzt, um die Geschwindigkeit und Qualität der Integrationen von Daten, Anwendungen und Geschäftsprozessen zu verbessern.
Das Ergebnis: Unsere Benutzer sind effizienter und produktiver, komplexe App- und Datenintegrationen können in einem Bruchteil der Zeit und zu geringeren Kosten durchgeführt werden, und IT- und Geschäftsteams können sich auf die Erzielung sinnvoller Geschäftsergebnisse konzentrieren.
Wir stehen mit Iris noch ganz am Anfang, und es wird noch viel passieren, aber ich kann mit Stolz sagen, dass es ein durchschlagender Erfolg für uns und unsere Kunden ist.
Ich schreibe unseren frühen Erfolg zum Teil den gemeinsamen Ideen, Ansätzen und der Entwicklungsarbeit zu, die durch die Zusammenführung unserer geschäftlichen und akademischen Denkweisen und Fähigkeiten ermöglicht wurden.
Der KI gehört die Zukunft. Um die Zukunft zu erreichen, die wir uns alle wünschen, müssen Industrie und Wissenschaft zusammenarbeiten, um das Potenzial der KI voll auszuschöpfen und Wirtschaft, Bildung und Gesellschaft wirklich zum Besseren zu verändern.
