Science Fiction sagen die einen, andere sehen darin eine Business Revolution. Das neu gegründete Engineering-Team Moonraker schickt die künstliche Intelligenz zuerst in die Schule – erst danach kommt sie bei Digitec Galaxus zum Einsatz.
Was ist künstliche Intelligenz?
Wie lernen Computer?
Auch Maschinen machen Fehler
Gelerntes in die Praxis umsetzen
Ohne menschliche Intelligenz läuft nichts
Übrigens, Team Moonraker sucht Verstärkung! Bewirb dich jetzt als Machine Learning Engineer: zum Stellenangebot
Mit Nachrichten finde ich mich nicht ab – mich interessieren die Geschichten dahinter. Die Neugierde ist meine ständige Wegbegleiterin: Dank ihr verbringe ich den Samstagnachmittag in meinem Lieblingskafi, lausche Stadtgeschichten, plane gleichzeitig meine Reiseabenteuer und kreiere neue Eventideen. Die Zen-Meditation muss warten.
Was unlängst nur Experten ein Begriff war, ist heute in aller Munde – wir sprechen von künstlicher Intelligenz (KI). Vergangene Woche hat sich das SRF-Wirtschaftsmagazin ECO dem Thema gewidmet. Von einer neuen Chance für die Privatwirtschaft bis hin zur Weltherrschaft der Roboter ist die Rede. Klar ist: Bei Digitec Galaxus ist Machine Learning seit geraumer Zeit ein wichtiges Thema. «Bis vor kurzem haben wir uns innerhalb der Machine Learning Gilde mit künstlicher Intelligenz beschäftigt. Schnell war uns klar, dass wir in einer Gilde nicht genug bewirken können und ein eigenständiges Engineering-Team her muss», sagt Michael Hardegger, Teamleiter Engineering bei Digitec Galaxus. «Mittlerweile tüfteln im Team Moonraker zwei Machine Learning Engineers und zwei Datenspezialisten an schlauen Algorithmen»
Künstliche Intelligenz oder abgekürzt KI ist ein Teilgebiet der Informatik, das sich mit der Automatisierung von intelligentem Verhalten beschäftigt. Die meisten künstlich intelligenten Systeme, die heute im Einsatz sind, sind darauf spezialisiert, bestimmte Problem zu lösen: Das Verstehen von gesprochener Sprache, das Diagnostizieren von Krankheiten, das Fällen juristischer Urteile oder das autonome Fahren eines Autos sind nur einige Beispiele. Im Lösen dieser spezifischen Probleme übertreffen KIs oft sogar menschliche Experten. Selbst Kreativität ist für KIs erlernbar – so haben Computer bereits Gedichte geschrieben, Bilder gemalt und Musik komponiert. Nur bei der Flexibilität können KIs nicht mit dem menschlichen Gehirn mithalten.
Dank Machine-Learning-Algorithmen sind KIs in der Lage, Muster in Trainingsdaten zu erlernen und diese Erkenntnisse auf neue Daten anzuwenden. «Während der Ausbildung zeigen wir den KIs Input-Daten und den Output, den wir dafür wünschen. Das können zum Beispiel die vom Lieferanten gelieferten Produktdaten sein (als Input) und der Digitec-Galaxus-Produkttyp, den wir nachträglich manuell dem Produkt zugeordnet haben (als Output)», erklärt Michael Hardegger. «Nach der Lernphase ist die KI dann in der Lage, selbstständig neue Input-Daten dem richtigen Produkttypen zuzuordnen. Und wenn nicht, müssen sie nachsitzen.»
Genau wie Schüler müssen KIs nach dem Training Prüfungen absolvieren. Nur die besten schaffen den Sprung in die produktiven Systeme. Aber selbst optimierte und getestete KIs machen Fehler. Etwa, wenn sie mit komplett neuartigen Daten konfrontiert werden. «Vielleicht haben wir der KI zwar beigebracht, Notebooks von Windeln und Mobiltelefonen zu unterscheiden, ihr dabei aber nur HP Notebooks gezeigt und keine von Apple. Gut möglich, dass die KI jetzt denkt, Apple produziere nur Mobiltelefone. Entsprechend klassifiziert sie MacBooks als Mobiltelefon – ein Fehler», sagt Michael Hardegger. Zum Glück lernt die KI aber – genau wie der Mensch – nie aus. Wird sie nämlich korrigiert, kann sie diese Korrektur als neuen Trainings-Input nutzen und sich so Schritt für Schritt verbessern.
Nachdem Moonraker die KIs fit gemacht hat für den Einsatz, legen die Roboter los und nehmen Arbeiten ab, die für Menschen nicht zu bewältigen wären. Eine dieser Routinearbeiten findet sich im Category Management von Digitec Galaxus: Täglich müssen Produkte nachbestellt werden. Tiefe Lagerbestände geben dabei nicht den Ausschlag. Entscheidend ist, wie sich die Nachfrage in Zukunft entwickeln wird. Beispiel Raclette-Öfen: Wenn im März nur wenig Raclette-Öfen in den Regalen des Zentrallagers in Wohlen liegen, ist das unproblematisch. Aber im September sollten genügend Geräte für die steigende Nachfrage im Herbst an Lager sein. Für Michael Hardegger ist klar, dass Algorithmen das Category Management entlasten können: «KIs lernen saisonale Verläufe und erkennen weitere Zusammenhänge zwischen Produkteigenschaften und Nachfrage aus der Vergangenheit. So ist das System in der Lage die optimale Anzahl zu bestellender Produkte zu berechnen.»
Konkret bedeutet das: KIs können einfache und langweilige Aufgaben übernehmen, damit sich der Mensch interessanten und kreativen Aufgaben widmen kann. Klar ist aber auch: Die menschliche Intelligenz kontrolliert die KI, trainiert sie und nutzt das wertvollste Gut überhaupt – die Zeit – um neue Lösungen für komplizierten Fälle zu entwickeln. Die effiziente Zusammenarbeit zwischen künstlicher und menschlicher Intelligenz ist also das Erfolgsrezept für sämtliche Machine-Learning-Anwendungen.
