Bereits im Dezember 2019 war Martin Stamenov in der 60. Folge des Podcasts AI in Action zu Gast und sprach über die Auswirkungen von Data Science, Machine Learning und Künstlicher Intelligenz auf unser tägliches Leben. Dass er nun zum zweiten mal Gast von Mark Kelly ist, ist kaum dem Zufall zu verdanken.  Die erste Episode entpuppte sich schnell als eine der fünf erfolgreichsten des gesamten Podcasts. Deshalb folgt nun, nach knapp 6 Monaten, Martins nächster Auftritt. Diesmal zum Thema “Moving an Industry into the age of AI”. Da der Podcast auf englisch aufgezeichnet wurde, haben wir hier die wichtigsten Aussagen auf deutsch zusammengefasst.

Automatisierung komplexer Aufgaben für Effizienz

Machine Learning ermöglicht die Automatisierung komplexer Aufgaben und Prozesse. Das sind typischerweise jene Prozesse, die sich in Unternehmen als besonders kostenintensiv und zeitaufwendig erweisen. Durch die Implementierung von Machine Learning können Unternehmen wichtige Ressourcen einsparen. Doch zur Anwendung kommt die Technologie noch viel zu selten. Als konkretes Beispiel nennt Martin die Übersetzungsbranche als alte Industrie. Denn historisch betrachtet sind es besonders diese, die selten Vorreiter für technologischen Fortschritt sind. Dabei könnte Machine Learning hier besonders in zwei Bereichen für mehr Effizienz sorgen. Projektmanager sind mit der schwierigen Aufgabe konfrontiert unter den freiberuflichen Übersetzern, den Geeignetsten für ein bestimmtes Projekt zu finden. Wenn jedoch tausende von Übersetzern mit immer unterschiedlichen Sprachkombination und Stärken vorhanden sind, ist der Auswahlprozess langwierig. Genau hier kann Machine Learning ansetzen und das Projektmanagement in der Suche nach den passendsten Übersetzern entlasten.

Einen noch größeren Unterschied macht die Technologie jedoch in einem anderen Bereich. Bei Übersetzungen sorgt der oft noch sehr manuelle Übersetzungsprozess für ein zeitaufwendiges und kostenintensives Verfahren. Machine Learning kann, mit der Erstellung der Vorübersetzung, die zeitaufwendigste Komponente im Prozess übernehmen und dabei Texte in fast menschlicher Qualität produzieren. Nicht nur Zeit- und Kostenersparnis sind enorm, auch wird der Mensch im Prozess bedeutend entlastet.

Einen Schritt zurück und dann fünf nach vorne

Die Retrospektive ist ein elementarer Bestandteil für eine erfolgreiche Einführung von Machine Learning in Unternehmen. So empfiehlt Martin ein mehrstufiges Vorgehen, das mit einer tiefgreifenden Analyse und Definition der Prozesse beginnt, die automatisiert werden sollen. Ohne diese Analyse, und die daraus gewonnenen detaillierten Kenntnisse über die Prozesse, ist eine Entscheidung darüber, ob sie für eine Automatisierung in Frage kommen, schlicht nicht sinnvoll. In einem zweiten Schritt sollten Technologien betrachtet werden, die für die Optimierung in Frage kommen. Nur wenn Klarheit darüber herrscht, welche Technologien auf dem Markt verfügbar sind und ob sie den eigenen Anforderungen entsprechen, kann von optimalen Ergebnissen durch Machine Learning im Unternehmen profitiert werden. Dies ist ein fortlaufender Prozess, da technologische Fortschritte jederzeit neue Möglichkeiten bieten können.

Daten als Realitätscheck

Ein weiterer, oft unterschätzter Aspekt bei der Einführung der Technologie, ist die Bedeutung von Daten. Eine beträchtliche Menge von ihnen ist notwendig, um Machine Learning im Unternehmen einzuführen. Deshalb ist die Implementierung vereinfacht, wenn bereits eine Datenroutine im Unternehmen etabliert ist. Darüber hinaus bieten jedoch auch vortrainierte Modelle, in Form von Transfer Learning, eine große Hilfe bei der Umsetzung.

“Daten sind immer eine Form von Realitätscheck.”

Auch wenn die Aussicht auf Automatisierung und Effizienzsteigerung verlockend ist, sollte sie nicht zu falschen Annahmen hinsichtlich der vorhandenen Daten führen. Denn laut Martin sind diese “immer eine Form von Realitätscheck”. Denn ohne Daten ist kein Machine Learning möglich, egal wie gut Prozesse im Vorhinein definiert wurden.

Neue Entwicklungen im Auge behalten

Einen besonderen Schwerpunkt legt Martin im Gespräch auf die Forschung und empfiehlt deshalb immer ein Auge auf die neusten Entwicklungen zu haben. So hätten erst kürzlich Fortschritte in NLP zu Effizienzsteigerungen und mehr Verbraucherfreundlichkeit der Technologie geführt. Um auch in Zukunft von Machine Learning bestmöglich profitieren zu können, müssen deshalb neueste Entwicklungen stets beobachtet werden.

Hier ist der Podcast in ganzer Länge: