Der Themenkreis des Evolutionary Computings bezieht sich auf einen eigentlich schon älteren Ansatz in der KI-Forschung, der versucht, aus dem natürlichen Prinzip der Evolution Ableitungen für die Lösung von Computerproblemen zu finden.

In der biologischen Evolution werden die Gene von Organismen ständig natürlichen Mutationen unterzogen, was in der Folge zu genetischer Vielfalt führt. Aus einer „Fortpflanzung“ entstandene „Erbengenerationen“ nehmen diese Mutationen auf und kombinieren deren Erbgut womöglich. Im Abgleich mit herrschenden Umweltbedingungen entsteht ein „Anpassungsdruck“, der zur (natürlichen) Selektion –  beziehungsweise „Eliminierung“ – führt, so wie es in Charles Darwins Postulat des „survival of the fittest“ zum Ausdruck kommt.

Darwin + KI: Evolutionäre Algorithmen

In einer vereinfachten Art und Weise übernimmt das Evolutionary Computing in der Informatik dieses Prinzip und wendet es meist auf die Lösung von Optimierungsproblemen an. Als Vorteil wird dabei gesehen, dass es damit zwar möglich ist, eine Vielzahl unterschiedlicher Fragestellungen zu verfolgen, gleichwohl lediglich eine vergleichsweise geringe Menge spezifischen Problemlösungswissens dazu vonnöten ist. Stattdessen muss nur eine „Fitness“-Funktion aufgestellt werden, die auf die möglichen „Lösungskandidaten“, bezogen werden kann und die es dabei gilt, zu optimieren. Aus der Fitness-Funktion lässt sich die „Güte“ oder „Passgenauigkeit“ eines Lösungskandidaten ableiten, sie beurteilt diesen also daraufhin, wie gut er zur Lösung des Optimierungsproblems geeignet erscheint.

Evolutionäre Algorithmen vs. Backpropagation

Als Alternative zur sogenannten Backpropagation finden Evolutionäre Algorithmen auch innerhalb künstlicher neuronaler Netzwerke Verwendung. Der Unterschied der beiden Verfahrensweisen liegt darin, dass bei Backpropagation ein „Gradientenverfahren“ (englisch „gradient descent“) Anwendung findet, wobei die Ergebnisse stetig verbessert werden, indem die Lösung gewissermaßen durch einen „Zick-Zack-Kurs“ schrittweise immer enger „eingekreist“ wird – also die Gewichtungen der Inputs nach und nach entsprechend der Fehleranalyse und „Ursachenforschung“ justiert werden.

Im Gegensatz dazu agieren Evolutionäre Algorithmen deutlich „zufälliger“ bei der Änderung der Gewichtungsparameter, was ihnen oft den Vorwurf der Ineffizienz einbrachte. Die Parallelität der Aktionen ermöglicht jedoch auch eine breiter ausgelegte und weniger „starre“ Anwendung. Dazu wird zunächst, weitgehend per Zufall, ein „Genom“ festgelegt, das dann, abhängig davon, wie gut es sich einpasst – also: wie gut es ein spezifisches Problem löst – mit anderen „Phänotypen“ und „Mutationen“ „reproduziert“ wird. Dies geschieht nicht nur mit einem Genom, sondern mit vielen Varianten gleichzeitig. Diese lassen sich miteinander kombinieren, also gewissermaßen „veredeln“. Anders als bei der Backpropagation werden „schlechte“ Bestandteile nicht an ihrer „Wurzel bekämpft“, sie „mendeln“ einfach aus, das heißt: ähnlich der biologischen Evolution findet eine Selektion lediglich nach der Passgenauigkeit, dem Ergebnis des Mutationsprozesses, statt.

Evolutionäre Algorithmen & Maschinelles Lernen

Während „Backpropagation“ oft nur mit dem überwachten Lernen in Verbindung gebracht wird, können Evolutionäre Algorithmen auch im Rahmen des unüberwachten Lernens, bei der Mustererkennung, und vor allem des Reinforcement Learnings Anwendung finden. Schließlich geht es ja auch in der Evolution darum, neue, noch nicht bekannte oder existierende Lösungen zu finden oder durch die „Belohnung“ der Selektion einen Anreiz für Passgenauigkeit zu identifizieren.

Derzeit ist noch umstritten, welche Rolle diese evolutionären Ansätze bei der weiteren Entwicklung von KI spielen werden, ob sie insbesondere auch ein Gegenentwurf oder eher eine Ergänzung zu Deep Learning und der aktuellen Funktionsweise von Künstlichen Neuronalen Netzwerken oder möglicherweise eine neue Entwicklungsstufe darstellen. Für manche verkörpern sie sogar einen wichtigen Meilenstein zu einer künstlichen Reproduktion „echter“ menschlicher Intelligenz, die sich auch ändernden Umweltbedingungen flexibel anpassen kann.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Evolutionäre Algorithmen: Die nächste Entwicklungsstufe der KI? erschien zuerst auf Nerdwärts.de.

Diese „3 A“ des KI-Marketings umfassen:

•             Analysieren

•             Automatisieren

•             Autonom agieren.

Alle drei Kategorien beschreiben grundlegende Einsatzbereiche für KI. Die Basis dafür bildet stets eine zunehmend angereicherte Form der Datenverarbeitung. Die hinter dieser Leistung stehende „Intelligenz“ nimmt dabei schrittweise zu.

Der Aspekt des Analysierens umfasst sämtliche Aufgaben der Datenerfassung und Dateninterpretation. Damit wird zugleich die Grundlage für die Funktionsfähigkeit intelligenter Systeme geschaffen sowie auch die für jede Form von Marketing wichtige Funktion der Informationserhebung und Schaffung von Entscheidungsgrundlagen beschrieben.

Automatisieren bezieht sich auf die darauf aufbauende Fähigkeit, weitgehend losgelöst vom weiteren individuellem Eingreifen, eben „automatisch“, zwar grundsätzlich eigenständig, aber entlang vorab definierter Rahmenbedingungen spezifische Aufgaben auszuführen.

Autonom agieren beschreibt hingegen eine eigenständige Handlungsfähigkeit eines Systems, auch ohne eine „Rückkoppelung“ mit festgesetzten „Aktionsmaximen“ und die Befähigung, womöglich eigene autonome Prozesse ohne menschliches Zutun zu etablieren.

Im Detail soll dieses Stufenmodel im Folgenden beschrieben werden:

 „A“ wie „analysieren“: Daten sammeln und strukturieren, Muster und Gesetzmäßigkeiten ableiten.

Wie schon angeführt, spielt die Verarbeitung von Daten zum Ziel der Informationsgewinnung im Marketing schon seit längerem eine zunehmend tragende Rolle. Das Diktum „Kenne Deinen Kunden!“ prägt die Arbeit in den Vertriebs- und Werbeabteilungen vieler Unternehmen; „Kennen“ und „Kunde“ haben den gleichen Wortursprung, sie sind etymologisch verwandt. Nur wenn die Vorlieben und Bedürfnisse und die Verhaltensweisen der Kunden bekannt sind, ist eine zielgerichtete Bearbeitung der Märkte möglich.

Gleiches gilt für die Anforderungen der Märkte selbst: Welche Bedingungen bestehen dort? Welche Konkurrenten existieren und wie verhalten sich diese? Zeichnen sich grundlegende Veränderungen und Trends ab, die das Marktgeschehen beeinflussen könnten? Diese und ähnliche Fragestellungen treibt Unternehmen nicht erst seit der Digitalisierung um. Die Analyse von Datenmaterial steht am Anfang aller KI-Tätigkeit. Daten bilden gewissermaßen die „Nahrung“ künstlicher Intelligenz, mit ihnen werden Künstliche Neuronale Netzwerke gefüttert, auf ihrer Basis können Algorithmen lernen und zielgerichtete Ergebnisse liefern. Wenn wir also von KI im Marketing sprechen, so bezieht sich dies zwangsläufig auf eine Form der „Daten getriebenen“ Marktbearbeitung – mindestens unterstützt oder auch maßgeblich gesteuert durch intelligente, autonom agierende Systeme. Die „intelligente“ Leistung besteht damit dann in der eigenständigen Prognose, nicht basierend auf menschlichen Annahmen und „Dreisätzen“, sondern darin, unabhängig davon Muster und Gesetzmäßigkeiten zu identifizieren.

Auf diese Weise werden nicht nur die Grundlage für automatisiertes oder autonomes Handeln geschaffen, sondern gleichzeitig auch bereits wichtige Erkenntnisse für das operative Marketing gewonnen. Neben allgemeinen Informationen zu Kunden und Märkten und der Identifizierung von „Trends“, finden diese Verwendung beispielsweise bei der Ansprache potenzieller Vertriebskontakte und der Vermeidung von Streuverlusten durch die daraus resultierende Möglichkeit der Individualisierung und Personalisierung.

Auch unternehmensinterne Informationssysteme können durch KI unterstützt oder maßgeblich geprägt werden. Die Vielzahl an Daten unterschiedlichster Herkunft und Beschaffenheit – „strukturiert“ oder „unstrukturiert“, in Text-, akustischer oder visueller Form – verhindert oft eine Erfassung und Auswertung nach herkömmlichen Methoden. Auch hier können Ansätze künstlicher Intelligenz womöglich Abhilfe schaffen. Diese in der Praxis teilweise auch als „Insight Engines“ bezeichneten Systeme decken Zusammenhänge auf und machen Wissen auf eine Art und Weise zugänglich, wie dies zuvor bestenfalls bei Googles Knowledge Graph bekannt war, indem diese ohne menschliche Anleitung sinnhafte Beziehungen von einzelnen Informationen untereinander ermitteln und diese durch eine entsprechende Abbildung für den Menschen zugänglich und konsumierbar machen.   

Um überhaupt zunächst ein KI-System „füttern“ zu können, bedarf es einer großen Anzahl von Datensätzen, die Rückschlüsse auf sinnvolle Kausalitäten und mögliche Wechselbeziehungen zwischen einzelnen Datenmerkmalen („Items“) zulassen. Nur wenn die Datenbasis qualitativ wie quantitativ höchsten Anforderungen genügt, sind diese Systeme auch in der Lage, einen sinnvollen und substanziellen Beitrag zum Unternehmenserfolg zu leisten.

Der Vorteil maschinellen Lernens, insbesondere von Deep Learning, gegenüber klassischen Verfahren des Data Minings liegt in der Fähigkeit, großen Mengen an Daten zu verarbeiten und dabei unter Umständen Zusammenhänge herzustellen, die bei herkömmlichen Vorgehensweisen nicht hätten erkannt werden können. Um dies sicher zu stellen, ist es noch wichtiger als in der rein menschlichen veranlassten Algorithmik, dass die zugrundeliegenden Daten „fehlerfrei“ vorliegen, denn mit steigendem Autonomiegrad eines Systems erhöhen sich auch die Schwierigkeiten, im Nachhinein eine unerwünschte oder schlichtweg „falsche“ Ausgabe auf den eigentlichen Fehler zurückzuführen, da der Pfad der Ergebnisfindung womöglich nur noch schwer nachzuvollziehen ist.

„A“ wie „automatisieren“: eigenständig Aufgaben innerhalb eines definierten Handlungsrahmens erfüllen

Schon seit geraumer Zeit hat sich der Begriff der Marketing Automation im digitalen Marketing etabliert. Dabei geht es um die weitgehend unabhängig vom menschlichen Eingriff ablaufende Abwicklung verschiedener, sich wiederholender Marketingprozesse in den einzelnen Segmenten des Marketing-Mix, wenngleich der Schwerpunkt in der Praxis auf der Verzahnung von Werbe- und Vertriebstätigkeiten liegt. Hier besteht seit längerem ein wachsender Markt von gewerblichen Anbietern, deren Leistungsportfolio sich durch den Rückgriff auf Technologien aus dem KI-Umfeld zunehmend erweitert.

Grundsätzlich lässt sich Marketing-Automation in drei grundlegende Bereiche unterteilen:

• Marketing Workflow Management (die Automatisierung der internen Marketingprozesse)

• Marketing Intelligence (die automatisierte Sammlung und Auswertung von Daten) und

• Marketing Dialogue Processing (automatisierte Abwickeln und/oder Steuern des Kundendialogs)

Zu den Details, hier entlang.

„A“ wie „autonom agieren“: eigenständige Handlungsfähigkeit und autonome Prozesse etablieren

Die Endstufe zum Einsatz von KI im Marketing markiert zweifelsohne deren völlige Eigenständigkeit. Gleichwohl ist festzuhalten, dass natürlich der Nutzen eines „vollständig autonomen Systems“ für die betriebliche Tätigkeit eines Unternehmens wohl kaum zielführend wäre, wenn nicht eine wie auch immer geartete Abgleichung mit dessen Zielen an irgendeiner Stelle stattfindet. Auch dürften derartige „singuläre“ Fähigkeiten im Moment technisch noch schwer abbildbar sein. Nichtsdestotrotz zeichnet sich bereits jetzt schon ein fließender Übergang zwischen „automatisierten“ und zumindest „teil-autonomen“ Ansätzen ab, insbesondere, wenn der oben angeführte Ansatz des Verstärkungslernens zum Einsatz kommt. Eine exakte Klassifizierung nach „automatisiert“ und „autonom“ gestaltet sich somit allerdings schwierig.

„Autonomie“ steht für „Selbstbestimmung“, was gleichbedeutend ist mit der Freiheit von extern aufgestellten Normen. In der Psychologie wird der Begriff auch mit „Willensfreiheit“ gleichgesetzt. Ein autonomes System ist nicht an zuvor definierte Regeln gebunden, sondern kann seinerseits neue Regelwerke aufstellen und diese selbsttätig zur Maßgabe des eigenen Handelns machen – oder auch wieder verwerfen, wenn sich eine andere Herangehensweise als sinnvoller erweist. Eine solche KI muss jedoch nicht zwingend einer der Science Fiction entlehnten „Zielvorstellung“ einer umfassenden, „generellen“ künstlich geschaffenen Intelligenz entsprechen, die in der Lage ist, vollumfänglich menschliche Verhaltensweisen und Denkmuster nachzubilden. Ein hoher Autonomiegrad kann auch innerhalb bestimmter, abgegrenzter Funktionsfelder und für spezifische Aufgabenstellungen erzielt werden.

Anwendungsgebiete der 3A

Derartige Ansätze, die auf eine hohe Eigenständigkeit des intelligenten Systems innerhalb eines definierten Aktionskorridors setzen, finden sich insbesondere in der intelligenten Verkehrssteuerung, beim „autonomen“ Fahren, militärische Anwendungen – Drohnen, militärische Robotersysteme – zählen ebenso hierzu. Auch diese werden natürlich nicht frei von jeglichen Regeln „trainiert“, sondern auf Basis eines vorab festgelegten „Verhaltenskodexes“ (beispielsweise Verkehrsregeln, „Entschlüsselung“ und Bedeutung von Verkehrsschildern) „angelernt“. 

Dabei steht beim Lernen dieser Systeme oft eine Ergebnisorientierung im Vordergrund. Je nach Aufgabe erscheint nicht zwingend der Weg hierzu entscheidend, sondern ist stattdessen allein oder in erster Linie die tatsächliche Erreichung eines in irgendeiner Form quantifizierbaren Zieles Ausschlag gebend. Daher stellt, wie bereits erwähnt, das Reinforcement Learning meist eine sinnvolle Trainingsmethode in diesem Kontext dar. Dieses kann aber durchaus zuvor, auf dem Weg zur Autonomie, durch die anderen Trainingsverfahren flankiert werden oder auf deren Ergebnissen aufbauen.

Im betriebswirtschaftlichen Aufgabenfeldern, insbesondere im Marketing, scheinen entsprechende Entwicklungen noch vergleichsweise schleppend voranzugehen. Wir befinden uns derzeit offensichtlich noch sehr am Anfang des Weges von der Marketing-Automation zur Marketing-Autonomisierung durch KI. Gleichwohl zeichnen sich auch hier erste Anwendungsmöglichkeiten ab. Intelligente Systeme, die eigenständig Kennzahlen und KPIs („Key Performance Indicators“) aus einer Vielzahl an im Unternehmen vorliegender Daten ermitteln und deren Erfolgswirksamkeit von der KI selbst anhand der späteren Entwicklungen in der Realität autonom evaluiert wird oder auch wirklich „intelligente“ und eigenständig handelnde Bots im Kundenservice oder Vertrieb, die nicht nur vorab fest definierten Protokollen folgen, sondern selbständig durch „Trial and Error“ erfolgreiche Prozeduren etablieren, könnten mögliche Beispiele hierfür sein.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Die 3A des KI-Marketings erschien zuerst auf Nerdwärts.de.

Daten als Kern der Plattformökonomie

In der Plattformökonomie geht es um die Etablierung von Standards, um die Schaffung von Netzwerkeffekten durch die Errichtung einer zentralen Plattform, die die Zugänge auf einem bestimmten Markt herstellt und damit kontrolliert – wir alle kennen die vielzitierten einschlägigen Beispiele von Uber („das weltgrößte Taxisunternehmen besitzt selbst kein einziges Taxi…“), Booking.com, Facebook, Amazon oder Google. Daten spielen hierbei eine ganz entscheidende Rolle. Nur durch deren Auswertung und durch den zielgerichteten Einsatz der daraus gewonnenen Erkenntnisse lassen sich die Kundenbeziehungen organisieren und das System insgesamt mit Leben füllen. Daten sind damit gleichzeitig DNA und zentrales Nervensystem der Plattformen.

Plattformökonomie: Gatekeeper mittels Daten

Der Plattformökonomie wird attestiert, dass sie tradierte Märkte aushebelt: Erfolgreiche Plattformen zwängen sich als Gatekeeper zwischen Endkunde und ursprünglichem Anbieter. Letztere verfügen zwar eigentlich über die notwendigen „Hard Assets“ – die Taxis, Hotels oder Content – werden somit aber gewissermaßen zum bloßen Zulieferer „degradiert“, mit entsprechenden Folgen für Autonomie und Ertragskraft. Wer diesem Schicksal enteilen will, hat nur die Chance, entweder eigene Plattformen zu gründen oder sich selbst mit entsprechenden Netzeffekten und datenökonomischen Instrumenten zu wappnen.

Skaleneffekte in der Datenökonomie

Die zentrale Frage lautet dabei stets: Wie lässt sich das eigene Leistungsversprechen durch die Verknüpfung mit Daten aufwerten? Entscheidend in diesem Kontext ist, dass nur der Zugang zu massenhaften Daten echte Wertschöpfung ermöglicht. Ein einzelner Datensatz ist stets wertlos. Werte entstehen in der Datenökonomie erst, wenn Verknüpfungen hergestellt und Muster identifiziert werden, wenn es gelingt, daraus die „Soft Assets“ zu schaffen, die das ursprüngliche Leistungsversprechen auf diese Weise entscheidend anreichern.
Schiere Größe ist in der Plattformökonomie wie überhaupt in der Digitalen Wirtschaft meist ein entscheidender Vorteil. Alle Technologieunternehmen, die heute die digitalen Märkte dominieren, haben ab einem bestimmten Zeitpunkt auf die Generierung von Skaleneffekten gesetzt. Für den hiesigen Mittelständler, selbst auch für die großen, global tätigen Unternehmen hierzulande, etwa aus dem Automobil- und Maschinenbau, stellt sich dann natürlich die Frage, wie es möglich ist, da mitzuhalten – auf den ersten Blick ein unmöglich erscheinendes Unterfangen. Im eigenen Verfügungsbereich sind meistens nur beschränkte Datenressourcen vorhanden. Wertzuwächse hängen gleichwohl aber sehr wesentlich von der Menge der verarbeitbaren Daten ab.

Synergieeffekte entstehen nur, wenn Daten aus ihren Silos befreit werden

Die Antwort darauf kann nur in der Erzeugung von Synergieeffekten liegen. Diese entstehen jedoch nur, wenn es gelingt, Daten aus ihren Silos zu befreien und für die Vernetzung freizugeben. In vielen Unternehmen werden Daten streng getrennt von einander vorgehalten. Das hat einerseits natürlich technische Gründe – die Hürden bei der Zusammenführung – Systeminkompatibilitäten, unterschiedliche Datenstrukturen und Dopplungen – erscheinen nicht selten beträchtlich. Andererseits stehen allzu oft auch Revierstreitigkeiten und Befindlichkeiten von „Provinzfürsten“ im Unternehmen einer Zusammenführung im Weg.

Jenseits des eigenen Horizonts

Natürlich muss es gelingen, diese Hindernisse aus dem Weg zu räumen, entweder durch gute Führungsleistung oder technisch, mittels ausgefeilteren technologischen Ansätzen zur Datenstrukturierung, etwa auch aus dem Bereich des maschinellen Lernens. Allein das wird in den meisten Fällen nicht reichen. Selbst wenn es gelingt, diese internen Erschwernisse zu beseitigen, ist der Bedarf an Daten und die Anforderungen an die Anzahl und Detaillierung von Datensätzen kaum von einem Unternehmen allein zu bewerkstelligen. Zukunftstechnologien wie Künstliche Intelligenz und Virtual Reality sind in großem Maße Daten getrieben. Wenn die einzige Quelle zu deren Erzeugung und Sammlung das eigene Unternehmen ist, dürfte das kaum ausreichen, um hier Erfolge zu erzielen.

Hoher Datenbedarf: Künstliche Intelligenz, Blockchain & Co

Insbesondere das Training von KI, im Wege von Deep Learning und mittels Künstlicher Neuronaler Netzwerke, erfordert riesige Mengen von Datensätzen. Nur wenn diese Vielfalt gewährleistet ist, kann es dem System gelingen, Muster zu identifizieren und „Erlerntes“ eigenständig auf neue oder wenigstens „verwandte“ Sachverhalte zu projizieren.

Sharing Economy für Daten

Daher gilt es, den Blick auch über den Tellerrand hinaus kreisen zu lassen und die notwendigen Synergien auch außerhalb des eigenen exklusiven Zugriffsbereich zu suchen. Vielleicht ist es notwendig, hier neue Formen der Kooperationen zwischen einzelnen, unter Umständen sogar konkurrierende Marktteilnehmern zu etablieren: eine Art „Sharing Economy“ für den Datenaustausch und den Betrieb gemeinsamer Datenplattformen. Denkbar wären beispielsweise Cloud basierte Lösungen, die Skalierungen und die Einbindung von Drittdaten sowie auch den Rückgriff auf externe Rechnerkapazitäten ermöglichen. Das Zusammentreffen von Machine- und Deep-Learning und nahezu unlimitierter, kostengünstiger Rechenleistung aus der Cloud könnte vielen Unternehmen einen „barrierefreien“ Einstieg in die Arbeit mit Künstlicher Intelligenz ermöglichen.

Kooperationen in der Cloud?

Tatsächlich gibt es bereits erste derartige Kooperationen und Plattformen, die den gegenseitigen Austausch von Daten sowie auch kompletter Lern- und Trainingsmodelle für KI ermöglichen. NVIDIA, als Hersteller von Grafikkarten ursprünglich bekannt und groß geworden, betreibt etwa eine eigene Cloud basierte Plattform zum Simulieren und Testen des Fahrbetriebs autonomer Fahrzeuge. Zu den teilnehmenden Unternehmen gehören die großen Automobilhersteller, wie Daimler, Toyota, Audi und VW oder Tesla. Die „offene“ Plattform ermöglicht es, so NVIDIA, „selbstfahrende Autos, Lkws und Shuttles zu entwickeln und einzusetzen, die funktionssicher sind und nach internationalen Sicherheitsnormen zertifiziert werden können.“

Blockchain & KI

Auch aus der Kombination von Blockchain und KI ergeben sich Anwendungsszenarien. Das Berliner Start-Up XAIN arbeitet unter anderem mit Infineon zusammen, um Zugriffsrechte auf Fahrzeugfunktionen durch KI-Algorithmen zu regeln, ohne dass dabei private Daten der Automobilnutzer zentral gespeichert werden müssen. Über das so geschaffene Netzwerk können lokale KI-Algorithmen voneinander lernen, ohne Datenhoheit und die Privatsphäre der beteiligten Anwender zu tangieren.

Blockchain für Datentransaktionen

Das finnisch-schweizerische Unternehmen Streamr bietet den Blockchain basierten Zugang zu einer „Open-Source-Plattform für den freien und fairen Austausch der Echtzeitdaten weltweit“ an und will Datenströme auf diese Weise dezentral zwischen vielen möglichen Beteiligten handelbar machen. Auf diese Weise wäre ein breiter Austausch und der Zugriff auf eine Vielzahl von Daten insbesondere auch für Trainingszwecke möglich, der zudem auch einen finanziellen Anreiz für die Teilnehmer bereithält, ihre Daten zur Verfügung zu stellen. Ähnliche Ansätze existieren zu Hauf im Silicon Valley. Der dezentrale, „distribuierte“ Handel mit Daten ist von einer Reihe von Unternehmen bereits zum Geschäftsmodell erkoren worden. SingularityNET etwa bietet eine Plattform, auf der Entwickler ihre Leistungen im Austausch für andere KI-Dienste oder auch Krypto-Entgelte anbieten können.

Neues Denken erforderlich

Der Rückgriff auf solche Angebote und Verfahren setzt jedoch ein Umdenken, ein grundsätzlich anderes „Mindset“ voraus als vermutlich in den meisten Unternehmen derzeit vorherrscht. Natürlich auch bedingt durch gesetzliche Vorgaben wie DSGVO und ePrivacy-Verordnung, aber eben auch durch eine grundsätzlich restriktive Denkweise, tendieren viele Entscheider dazu, Daten als „exklusiv“ zu betrachten. Das freie und freigiebige Teilen des „Datengoldes“ erscheint vielen schlichtweg abwegig.

„Nur zusammen sind wir stark“

Doch wenn gleichwohl Daten immer ein exklusiver Vorteil innewohnt: in der digitalen Ökonomie lässt sich echter Wert nur durch Größe und vielfältige Anreicherung erzielen. Wenn – was die Regel ist – ein Einzelner dazu nicht in der Lage ist, bleibt nur, das Heil in der Kooperation und im intensiven gegenseitigen Austausch, auch gerade mit vermeintlichen Konkurrenten, zu suchen. Nur so könnte langfristig die Chance gewahrt wären, gegen die Technologie-Riesen aus USA und zunehmend auch aus China zu bestehen.

Daher gilt: Free Your Data – Gebt den Daten ihre Freiheit zurück!

Dieser Artikel ist ein Auszug aus dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Weitere Informationen zum Thema finden Sie hier:

Vortrag von Prof. Dr. Andreas Wagener, Hochschule Hof am 17.10.2018:
„Willkommen in der Matrix! Wie KI und Blockchain in der Industrie 4.0 zusammenwachsen“

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Brauchen wir eine Sharing Economy für Daten? Raus aus den Silos – Gebt den Daten die Freiheit zurück! erschien zuerst auf Nerdwärts.de.