Das Zeitalter der elektronischen Computer
Was Computer am besten können, ist Rechnen. Vor den Computern, die wir heute kennen, wurde der Begriff „Computer“ für Menschen verwendet, die buchstäblich rechnen, was wir heute einen „menschlichen Computer“ nennen.
Mit dem Fortschritt der Technologie wurde das Rechnen billiger und schneller, und wir begannen, alles in Begriffen der Arithmetik zu denken. Die Fotografie ist ein gutes Beispiel – historisch gesehen war das Ändern oder Anwenden von visuellen Effekten auf Fotos eine chemische Reaktion. Heute verwenden wir jedoch Algorithmen, die Künstlern und Fotografen über Software-Suiten zur Verfügung stehen, um Effekte mathematisch auf Fotos anzuwenden.
Dies ist ein hervorragendes Beispiel dafür, wie wir denken, wenn die Kosten für eine Ware/Dienstleistung sinken; wir fangen an, darüber nachzudenken, wie wir unsere aktuellen Probleme in Bezug auf diese neue Technologie lösen können. Das Gleiche gilt für KI.
Das Zeitalter des Internets
Als sich das Internet durchsetzte, brachte es große Bewegungen in verschiedenen Branchen mit sich, und es ging um die Reduzierung der Kosten in verschiedenen Bereichen. Zum Beispiel wurden die Kosten für den Vertrieb von Waren und Dienstleistungen billiger, was die Geburt der eCommerce-Industrie auslöste. Unternehmen änderten schließlich ihre Strategien und überlebten oder starben.
Sobald die Kosten für eine Ware oder Dienstleistung sinken, fangen wir an, sie häufiger zu nutzen, und das können wir auch für das Web beobachten. Dadurch ändert sich auch unsere Denkweise und wir verlagern ganze Branchen ins Internet. Neben dem eCommerce ist ein weiteres Beispiel die Nutzung von Suchmaschinen; wir verwenden nicht mehr Enzyklopädien, um nach Informationen zu suchen, sondern nutzen stattdessen Google oder andere Suchmaschinen.
Das Zeitalter der KI
Die Kosten für KI werden immer billiger, sowohl in Bezug auf die Rechenleistung als auch in Bezug auf die Tools. Jedes neue Tool/jede neue Bibliothek hilft Entwicklern für maschinelles Lernen, weniger Zeit für Vorhersageprobleme aufzuwenden. Als Beispiele hierfür können Googles TensorFlow, AutoML oder auch scikit angeführt werden. Wir können auch die zunehmende Nutzung von GPU-Computing als Beispiel für die Kostenreduzierung in der KI aufzeigen.
Die Umsatzprognose für das nächste Quartal eines Unternehmens ist ein offensichtliches Vorhersageproblem, aber die Entwicklung eines autonomen Fahrzeugs war vor einem Jahrzehnt kein Vorhersageproblem. Die Kostenreduktion in der KI verändert unsere Denkweise, was bedeutet, dass wir begonnen haben, verschiedene Probleme als Vorhersageproblem zu betrachten. Wir haben bereits autonome Fahrzeuge in kontrollierten Umgebungen wie Fabriken eingesetzt, in denen das Fahrzeug mit Hilfe von if-else-Programmierbedingungen programmiert werden konnte. Die Änderung der Denkweise und die Betrachtung als Vorhersageproblem half den Ingenieuren, autonome Autos zu entwickeln, die in der freien Wildbahn eingesetzt werden können.
So funktionierte es im Grunde: Ein Ingenieur brachte einer KI bei, was ein Mensch unter verschiedenen Bedingungen tun würde, und dies ermöglichte die Generierung von Onboard-Software, die es Fahrern ermöglicht, Autos für Tausende von Kilometern zu nutzen, anstatt nach ein paar hundert Kilometern zu ermüden. Die KI lernte, was ein Mensch tun würde, und begann vorauszusagen, was er tun sollte. Dies ist ein sehr gutes Beispiel dafür, wie man über ein Problem in Form von Vorhersagen nachdenkt.
Strategie
Hier ist eine wichtige Frage: Wird KI die Strategie und das Geschäftsmodell von Unternehmen beeinflussen? Wenn Sie KI als ein Vorhersagetool betrachten, das Ihnen hilft, eine Entscheidung zu treffen, ist vielleicht nicht klar, wie sie sich auf die reine Strategie auswirken wird, da sie nur ein weiteres Tool ist, das Ihnen hilft, Entscheidungen zu treffen. Wenn Sie aber anfangen, KI als ein Vorhersagetool zu betrachten, das mit hoher Genauigkeit prognostizieren kann, kann das die Strategien selbst verändern. Es gibt ein hervorragendes Beispiel in dem Buch Prediction Machines: The Simple Economics of Artificial Intelligence.
Wenn wir bei Amazon einkaufen und Waren kaufen, werden die Pakete an unser Büro/Haus geliefert. Man kann diese Methode also als die „Shopping-then-Shipping“-Methode bezeichnen. Wir wissen auch, dass Amazon eine Empfehlungs-Engine hat und Artikel empfiehlt, während Sie auf den Seiten navigieren. Wir kaufen nicht alle empfohlenen Artikel, aber es werden zumindest die Artikel empfohlen, an denen wir interessiert sein könnten. Nehmen wir an, dass Amazon anfängt, mit hoher Genauigkeit vorherzusagen, was Sie kaufen werden. Wenn Sie anfangen würden, 80 % der empfohlenen Artikel zu kaufen, könnte Amazon beschließen, die Artikel zu versenden, bevor Sie sie überhaupt kaufen – nennen wir das „Versand-den-Einkauf“. Dies ist eine offensichtliche Änderung der Geschäftsstrategie, denn sobald die Artikel bei Ihnen zu Hause ankommen, werden Sie 20 % der Artikel zurückschicken, und die derzeitige Amazon-Preismodellierung basiert nicht auf dieser Annahme. Vielleicht wird Amazon beschließen, einmal pro Woche einen LKW in Ihre Stadt zu schicken, um die zurückgeschickten Artikel abzuholen, und dies wird die Art und Weise, wie Amazon Ihre Kreditkarte belastet, wie es die Artikel verpackt und wie es mit den zurückgeschickten Artikeln umgeht, völlig verändern. All diese Strategieänderung ist der Vorteil von künstlicher Intelligenz, die eine höhere Vorhersagegenauigkeit hat.
Ich glaube, wir können an weiteren Gedankenexperimenten wie dem vorherigen Amazon-Beispiel arbeiten, indem wir einfach darüber nachdenken, was passieren würde, wenn KI mit höherer Genauigkeit vorhersagen könnte.