„Künstliche Intelligenz ist eine scharfe Waffe“

Spätestens seit dem Verkauf seines Start-ups Blue Yonder an den US-Softwareriesen JDA müsste Michael Feindt nicht mehr arbeiten. Doch der Experimentalphysiker brennt dafür, seinen Algorithmus zur Vorhersage von Abverkäufen im Handel weiterzuentwickeln.

Von Mirko Hackmann 29.07.2019

© Gene Glover

Michael Feindt im Interview

Herr Professor Feindt, wie schlau ist Künstliche Intelligenz?

Feindt: Ich sage immer, wenn die Menschen wüssten, wie dumm KI ist, würde niemand mehr Angst davor haben. Aber Scherz beiseite. Es gibt viele Aufgabenstellungen, die lassen sich mithilfe von KI bereits heute weitaus besser bewältigen, als Menschen es vermögen. Die 27. Wurzel aus einer hundertstelligen Zahl zu ziehen, kann ein Computer nun mal viel besser als wir. Sobald viele Variable ins Spiel kommen, wir es also mit komplexen und womöglich sogar nichtlinearen Systemen zu tun haben, sind Algorithmen uns weit überlegen und liefern wesentlich präzisere Prognosen und Entscheidungen. Um im Urwald zu überleben, musste der Mensch vor allem lernen, rasch auf Gefahren zu reagieren. Ein schnelles Reaktionsvermögen erwies sich im Zuge der Evolution folglich als Selektionsvorteil. Doch heute sieht unsere Umwelt, und somit unser Leben, ein wenig anders aus.

Wohingegen wir aus biologischer Sicht noch immer weitgehend dieselben sind wie unsere Verwandten vor Hunderttausenden von Jahren …

Genau. Mit Elementargefahren haben wir in der Regel nicht mehr zu kämpfen. Wir leben in einer Welt, die ziemlich sicher und gut durchorganisiert ist, in der aber plötzlich andere Dinge eine Rolle spielen: zum Beispiel die Übermacht von einigen amerikanischen Onlinehändlern gegenüber dem gesamten Rest des Welthandels. Dann gelten schlagartig ganz andere Regeln – und wir müssen unser Handeln und unsere Strategien schnell anpassen. Dabei helfen uns Messungen, Daten und Mathematik. Geht es beispielsweise wie im Handel darum, die richtige Menge von Produkten zur richtigen Zeit am richtigen Ort zu haben, gilt es, Tausende möglicher Einflussfaktoren ins Kalkül einzubeziehen. Die kann ein Mensch niemals optimal in Beziehung setzen, KI aber schon.

Sehen Tech-Euphoriker aus dem Silicon Valley in der KI den Schlüssel zur Lösung nahezu aller Menschheitsprobleme, befürchten vor allem die in Europa ansässigen Apokalyptiker eine Machtübernahme der Superintelligenzen über die Menschheit. Wo zwischen diesen Extremen liegt eine realistische Einschätzung der Potenziale von KI?

Künstliche Intelligenz ist eine scharfe Waffe, die sich gleichermaßen für Gutes wie für Schlechtes einsetzen lässt. Aufgabe der Gesellschaft ist es, Missbrauch zu verhindern. Ohne die Gefahren kleinreden zu wollen, bin ich als Wissenschaftler jedoch überzeugt, dass wir umso bessere Entscheidungen treffen, desto präziser unser Wissen über unsere Umwelt ist. Dabei helfen uns KI und Machine Learning ungemein. Als der Buchdruck eingeführt wurde, gab es seitens der Kirche massiven Widerstand. Bei den aktuellen Innovationen kommt es ebenfalls zu Machtverschiebungen – und das ist, wovor viele Menschen Angst haben.

Was lässt sich dagegen unternehmen?

Die Weltgemeinschaft sollte daran arbeiten, für diese neuen Technologien einheitliche und verbindliche Regeln aufzustellen. Gelingt dies, birgt KI riesige positive Potenziale, beispielsweise in den Bereichen Medizin, Mobilität oder in der Klimaforschung. In Europa sehen wir jedoch immer nur die drohende Apokalypse, nicht die Chancen. In Amerika hingegen steht über dem Wohl der Menschheit häufig der kommerzielle Erfolg. Den erlangt, wer das Leben für den einzelnen Benutzer bequemer und angenehmer macht. Die Währung, mit der wir diese Dienste bezahlen, sind unsere Daten.

Professor Dr. Michael Feindt, geboren 1958, studierte Physik an der Universität Hamburg. Im Anschluss führte er wissenschaftliche Forschungsarbeiten am Deutschen Elektronen-Synchrotron DESY durch und promovierte dort im Jahr 1988. Von 1991 bis 1997 arbeitete er am Europäischen Laboratorium für Teilchenphysik CERN in Genf. 1996 wurde Feindt mit dem CERN Exceptional Performance Award ausgezeichnet. Seit 1997 ist er Professor für Physik an der Universität Karlsruhe, dem heutigen KIT. 2008 gründete er Blue Yonder und gewann die Otto Group und den Investor Warburg Pincus als Financiers. Im Juni 2018 übernahm der amerika­nische Softwareanbieter JDA Blue Yonder; Gründer Feindt blieb auch nach dem Verkauf an Bord und entwickelt als Chief Scientific Officer seinen Algorithmus weiter.

Mit der Datenschutzgrundverordnung und der E-Privacy-Verordnung versucht die EU, die Rechte der Konsumenten an ihren Daten zu stärken. Der Handel sieht die Maßnahmen kritisch und fürchtet, dass europäische Anbieter durch allzu strenge Regulierungen hinter den Mitbewerbern aus den USA und Asien weiter zurückfallen …

Es muss verbindliche Regeln dafür geben, dass AGBs so gestaltet sind, dass sie gängigen Moralvorstellungen nicht widersprechen. Dafür muss der Gesetzgeber sorgen und kann die Verantwortung nicht auf den einzelnen Benutzer abwälzen. Es braucht also Regeln. Diese sollten eine Balance der Interessen von Verbrauchern und Unternehmen wahren. Ein Algorithmen-TÜV beispielsweise käme dem Diebstahl geistigen Eigentums gleich und wäre für Unternehmen existenzgefährdend. Besser wäre es auf Ethics by Design zu setzen, also Algorithmen von vornherein ethische Standards mit einzuprogrammieren. Die Regelungen aus Brüssel hingegen schwächen die Position der gegenüber ausländischen Mitbewerbern schon jetzt weit zurückliegenden europäischen Anbieter.

Sie selbst sind von Haus aus Experimentalphysiker und haben im Schweizer CERN mithilfe eines Teilchenbeschleunigers unter anderem Higgs-­Bosonen nachgespürt. Auf den ersten Blick scheint die Quantentheorie nicht allzu viel mit Ihrem jetzigen Geschäft zu tun zu haben …

Letztendlich ist die Mathematik ein übergeordnetes Prinzip, mit dem wir die Welt beschreiben können. Komplexe mathematische Methoden, wie Machine Learning oder auch Künstliche Intelligenz, sind nichts anderes als angewandte Mathematik, beruhend auf meist großen Datenmengen. Insofern sind sich die Mathematik zur Auswertung von Elementarteilchenreaktionen und die bei der Prognose von Abverkäufen zur Anwendung kommende sehr ähnlich. Als ich meinen ersten Algorithmus für das CERN entwickelte, dachte ich aber überhaupt nicht an andere Anwendungen. Erst später habe ich gemerkt: Hm, wenn ich gute Entscheidungen in welchem Bereich auch immer treffen will, ist es eigentlich immer wichtig, vorher alle möglichen Zukünfte zu ermitteln.

Das heißt, Sie leiten aus der Analyse von riesigen Datenmengen Annahmen ab und nutzen diese als Basis, um die Wahrscheinlichkeit zukünftiger Ereignisse vorherzusagen?

Natürlich weiß ich nicht, was exakt in der Zukunft passieren wird. Eine Entscheidung ist dann gut, wenn sie sich bei aller Unsicherheit im Mittel als positiv herausstellt. Treffe ich also eine Prognose über alle möglichen Fälle, kann ich Entscheidungen so treffen, dass der Erwartungswert der Zukunft optimal wird. Das Prinzip lässt sich überall anwenden: im Versicherungswesen genauso wie im Finanzbereich – und eben auch im Handel. Zu meiner Überraschung hat sich der Handel von allen Branchen am stärksten für unsere Lösung interessiert und zieht jetzt auch viel Wert daraus.

Ihre Berechnungen fußen auf dem sogenannten NeuroBayes-Algorithmus. Was kann sich ein Laie darunter vorstellen?

Wenn ich viele Beobachtungen habe, zum Beispiel eine große Zahl von Abverkäufen, dann kann ich schauen: Wie oft habe ich null verkauft, wie oft eins, wie oft zwei und so weiter. Am Ende bekomme ich eine Kurve. Manche Artikel werden beispielsweise hundert Mal verkauft. Grundsätzlich sind es aber wenige, die oft verkauft werden. Denn ganz viele werden sehr selten verkauft. So gelange ich zu einer Wahrscheinlichkeitsverteilung: Wie oft wird ein Artikel an einem Tag in einer Filiale verkauft? Mittels NeuroBayes können wir diese Wahrscheinlichkeitsverteilung so gut wie möglich auf den Einzelfall anpassen.

Das heißt?

Ich bekomme keine Durchschnittsprognose, sondern eine Wahrscheinlichkeitsverteilung für genau diesen Artikel in einer ausgewählten Filiale an einem bestimmten Tag, zum Beispiel morgen. Und morgen ist meinetwegen ein Mittwoch im Mai. Und am Donnerstag ist ein Feiertag. Heute ist gerade ganz schlechtes Wetter, die Vorhersage für den Feiertag ist aber gut. Der Preis für meinen Artikel ist aktuell rabattiert, doch zwei meiner Mitbewerber hatten in der vergangenen Woche gerade diesen Artikel in Sonderaktionen beworben. Via Google wird das Produkt oft gesucht, auf Facebook wurden Posts zu ihm jedoch zuletzt seltener geliked. Und so weiter … Ich kann also sukzessive mehr und mehr Informationen integrieren. Zu Anfang startet der Prozess mit allgemeinen Parametern und dem gesamten Warenangebot. Nach und nach individualisiert dann das Programm die Daten und erzeugt so eine exakte Wahrscheinlichkeitsverteilung, zum Beispiel für ein spezifisches Mineralwasser. Ich mache also eine Statistik für den Einzelfall auf – und die ist umso präziser, desto mehr Parameter ich berücksichtige.

Welche Vorteile haben Unternehmen, die Ihr Predictive-Analytics-Tool einsetzen?

Sie können auf Basis objektiver Daten und wissenschaftlicher Methoden ihre Disposition und Preisgestaltung optimieren: Wenn ich weiß, wie viel wahrscheinlich von jedem Artikel abverkauft wird, habe ich genau so viel auf Lager, dass ich weder meine Lagerkapazitäten überstrapaziere noch Regallücken entstehen. Besonders wichtig ist das natürlich bei Frischware, die ich unter Umständen wegwerfen muss, wenn ich zu viel geordert habe. Mittels einer gut organisierten Supply Chain lassen sich Überkapazitäten auf ein Bruchteil des bisher Üblichen reduzieren.

Was hat sich durch den Verkauf an JDA für Ihr Unternehmen Blue Yonder geändert?

JDA ist rund 40-mal so groß wie Blue Yonder es war, agiert weltweit und deckt die gesamte Supply Chain ab. Das heißt, das Unternehmen entwickelt Softwarelösungen nicht nur für den Handel, sondern bezieht die gesamte Wertschöpfungskette mit ein: vom Manufacturing über Warehouses und Logistik bis hin zum Handel. In Sachen Künstliche Intelligenz, datengetriebene Prozesse und Denken in Wahrscheinlichkeiten hatte JDA aber noch nicht sehr viel Erfahrung, wohingegen diese Themen bei uns tief verwurzelt sind. Daher war es eine sehr kluge Entscheidung von beiden Seiten, dass wir zusammengehen. Ich bin sehr froh, dass wir unsere Denkweise nun auch nach Asien, Amerika und in viele weitere Märkte tragen können.

Und auch in weitere Handlungsfelder vorstoßen?

Ja, denn über JDA erlangen wir nun weltweit auch Zugang zur Konsumgüterindustrie. Was die Disposition betrifft, steht diese Branche ja vor denselben Herausforderungen wie der Handel: Sie muss auf Basis der erwarteten künftigen Nachfrage Rohstoffe einkaufen, Produktions- und Lagerkapazitäten disponieren und die pünktliche Auslieferung organisieren. Und genau daran arbeiten wir jetzt: ausgehend von den wahrscheinlichen Wünschen des Endverbrauchers, rückwärts die gesamte Supply Chain entlangzugehen und alle Entscheidungen auf diesem Weg zu optimieren – von der Produktion bis zum Pricing. Im Idealfall beziehen wir den Handel mit in die Planungen ein und tauschen Informationen über zu erwartende Bestellungen aus. „Flowcasting“ nennen wir diese von Industrie und Handel gemeinsam erstellten Bedarfsvorhersagen.

Ist im Kontext Industrie und Supply Chain auch Rückverfolgbarkeit ein Thema für Sie?

Das ist auf jeden Fall eine spannende und zukunftsträchtige Aufgabe, beispielsweise um Herkunft und Echtheit von Waren nachzuweisen, aber auch um menschenwürdige Produktionsbedingungen garantieren zu können. Aktuell steigert die Bundesregierung den Druck auf Industrie und Handel und droht mit einer gesetzlichen Regelung. Eine technische Lösung scheitert jedoch derzeit noch an nicht kompatiblen Systemen und Schnittstellen sowie der häufig mangelhaften Datenqualität. Trotz dieser Handicaps ist unsere Vision die autonome Supply Chain.

Der Einsatz von KI bedingt unter anderem, dass erfahrene Mitarbeiter wichtige Entscheidungen an Maschinen abgeben müssen. Wie sind die Reaktionen?

Wir haben es meist mit der Ebene der Disponenten zu tun. Die wehren sich in der Regel zunächst massiv gegen den Einsatz unseres Predictive-Analytics-Tools und sind fest davon überzeugt, dass sie auf Basis ihrer häufig langjährigen Erfahrung die bessere Planung machen. Es gibt allerdings sehr viel Forschung zum Thema Behavioral Economics, die belegt, was ich bereits erwähnte: Das auf Schnelligkeit ausgelegte Entscheidungssystem des Menschen – auch meines – ist schlecht darin, für Problemstellungen mit sehr vielen Variablen sowohl die effektivste Lösung als auch die beste Entscheidung unter bekannter Unsicherheit zu treffen. Denn trotz aller nachträglichen Rationalisierungen handelt der Mensch letztendlich primär nach Gefühl – und liegt damit in der Regel falsch. Es dauert oft lange, unsere Kunden davon zu überzeugen und das nötige Vertrauen aufzubauen. Am besten funktioniert es, wenn es Unternehmen schlecht geht und sie ums Überleben kämpfen. Die erfolgreichsten Anwender im Handel nutzen die frei gewordenen Ressourcen übrigens, um den menschlichen Kontakt zum Endkunden wieder zu intensivieren – mit sehr positiven Auswirkungen auf die Mitarbeiter- und die Kundenzufriedenheit.

Welche kulturellen Veränderungen in Unternehmen sind nötig, um den neuen Kollegen KI effektiv zu integrieren?

Der Einsatz von Künstlicher Intelligenz ist vor allem dann effizient, wenn mehr Daten ausgetauscht werden und nicht mehr nur lokal optimiert wird, sondern global: also über Abteilungsgrenzen hinweg und entlang der gesamten Wertschöpfungskette. Es geht darum, Silos aufzubrechen und ein ganzheitliches Denken zu etablieren. Bislang galt es häufig als produktives Geheimrezept, Mitarbeiter gegeneinander ankämpfen zu lassen, indem man für sie jeweils unterschiedliche Ziele incentivierte. In einer KI-Welt ist das grundfalsch. Hier sollten alle alles dafür tun, ein optimales Gesamtergebnis zu erzielen. Das geht nicht, wenn Abteilungen ihre Daten horten.

Sie sind als Berater für verschiedene Ministerien tätig und waren auch zu einem KI-Expertengespräch mit der Bundeskanzlerin geladen. Welche Fragen treiben Ihre Physikerkollegin Angela Merkel um?

(Lacht.) Frau Merkel ist sehr bewusst, dass andere Länder uns weit voraus sind und wir in Deutschland viel mehr auf dem Gebiet tun müssen. Die Bundesregierung hat ja jüngst ein Förderprogramm aufgelegt, das sich allerdings in globalen Maßstäben, sagen wir mal, bescheiden ausnimmt: Eine halbe Milliarde Euro sollen 2019 zusätzlich in Maßnahmen zur KI-Förderung fließen. Das ist ungefähr so viel, wie allein unser 3-Jahres-Innovationsprogramm bei JDA beträgt. Die Stadt Shanghai hat für 2020 Investitionen in Höhe von rund 15 Milliarden Dollar in KI angekündigt. Da wäre also noch Luft nach oben.

Es gibt ernst zu nehmende Forscher, die an die Möglichkeit glauben, den Gehirninhalt des Menschen – also sein Bewusstsein – extern abzuspeichern, um so das ewige Leben zu erlangen. Sollte das zu Ihren Lebzeiten möglich werden, würden Sie es tun?

Das ist eine schwierige Frage, aber ich denke, ich würde es tun. Den Punkt, an dem Rechenleistungen und Speicherkapazitäten eines Computers vergleichbar sind mit denen des menschlichen Gehirns, werden wir in etwa 30 Jahren erreichen. Verbessert sich KI so rasant selbst und beschleunigt dadurch den technischen Fortschritt derart, dass die Zukunft der Menschheit hinter diesem Ereignis nicht mehr vorhersehbar ist, nennt man dies technologische Singularität. Bis sich aufgrund dieser Selbstoptimierung von KI so etwas wie künstliches Bewusstsein entwickelt, wird es meiner Meinung nach aber wohl noch 100 Jahre dauern. Warum sollte es dann nicht auch möglich sein, das eigene Bewusstsein auf eine Maschine zu übertragen? Bewusstsein ist schließlich nichts anderes als die schnelle Verarbeitung gespeicherter Informationen. Es entsteht in Systemen einfach so, weil ab einer gewissen Komplexität das Ganze mehr ergibt als die Summe seiner Teile. Man nennt das Emergenz. Dazu bedarf es weder der Metaphysik noch einer höheren Macht. 

Schlagworte: KI, Predictive-Analytics

Kommentare

Ihr Kommentar