Vorsitzender des Aufsichtsrates von Nokia bietet Einblick in den Nutzen von künstlicher Intelligenz für Unternehmen

Risto Siilasmaa, Vorsitzender des Aufsichtsrates von Nokia

Als Risto Siilasmaa erkannte, dass künstliche Intelligenz (KI) die Technologiebranche verändern würde, beschloss er, sich gründlich damit auseinanderzusetzen. Jetzt möchte der Vorsitzende des Aufsichtsrates von Nokia sicherstellen, dass alle 100.000 Mitarbeiter des Unternehmens künstliche Intelligenz, maschinelles Lernen und Big Data verstehen. In einem Interview in der Nokia-Villa in Helsinki erklärte uns Herr Siilasmaa, warum Unternehmen, denen es nicht gelingt, sich an künstliche Intelligenz anzupassen, auf der Strecke bleiben werden.

Was hat Ihr Interesse an Technologien der künstlichen Intelligenz und des maschinellen Lernens geweckt?

Siilasmaa: Ich habe einen technischen Hintergrund als Ingenieur und verfolge neue Technologien seit meinem 12. Lebensjahr. Seit ich Science-Fiction-Bücher lese, habe ich die Faszination für intelligente Computer nicht mehr verloren. Mittlerweile gibt es Beispiele aus dem wirklichen Leben, die zeigen, dass Manches von Maschinen besser ausgeführt werden kann als von den besten menschlichen Experten. Das hat natürlich meine Fantasie angeregt. Es wird langsam klar, dass in Zukunft jedes Unternehmen einen Großteil seiner Wettbewerbsfähigkeit aus Technologien des maschinellen Lernens ziehen wird, und natürlich muss ich verstehen, was das für die Unternehmen bedeutet, mit denen ich zusammenarbeite.

Warum sollten Unternehmensleiter diese Technologien verstehen und nicht den Datenwissenschaftlern überlassen?

Siilasmaa: Wenn ich zu CEOs spreche, beginne ich oft mit der Frage, wer das Gefühl hat, dass maschinelles Lernen in fünf Jahren eine entscheidende Rolle für die Wettbewerbsfähigkeit spielen wird. Alle heben dann ihre Hand. Wenn ich anschließend frage, wer von ihnen wirklich versteht, wie maschinelles Lernen funktioniert, heben vielleicht ein bis drei Prozent von ihnen die Hand. Genau dort war ich vor einigen Jahren. Ich glaubte damals auch schon, dass maschinelles Lernen der Schlüssel zu unserem Wettbewerbsvorteil sein wird, verstand aber nicht, warum. Und auch nicht, wie es funktioniert. Also konnte ich auch nicht die richtigen Fragen stellen, als Leute kamen und wir über unsere Arbeit sprachen.

Wenn es für das Unternehmen strategisch so wichtig ist, muss ich – und müssen wir alle – maschinelles Lernen zumindest so weit verstehen, dass wir die richtigen Fragen stellen. Das war für mich eine Art Weckruf, dass ich nicht warten darf, bis mir andere dies erklären, ich kann einfach meinen Hintern bewegen und mich diesbezüglich selbst weiterbilden.

Was raten Sie Unternehmensleitern, die in der Lage sind, in der Sie sich befanden?

Siilasmaa: Das Problem bei vielen Führungskräften wie mir ist, dass wir uns daran gewöhnt haben, dass uns Dinge von anderen erklärt werden, wir delegieren das Lernen sozusagen an andere. Dann bekommen wir nur das Wesentliche aus einer sehr prägnanten Zusammenfassung, aber das echte Lernen und Verstehen geht damit nicht auf uns über.

Wir sollten aus dieser Lähmung, dass andere das Denken und Lernen für uns übernehmen, erwachen, und wenn es dann etwas wirklich Entscheidendes gibt, sollten wir das Gefühl haben, dass wir uns weiterbilden können. Natürlich können wir wirklich gute Lehrer bekommen, die uns das Wesentliche übersichtlich beibringen. Wir sollten sie jedoch ersuchen, wirklich tief genug zu gehen, damit wir verstehen können, wie diese Technologie funktioniert. Das ist eine Einstellung, die ich in den Unternehmen, mit denen ich zusammenarbeite, gerne im gesamten Unternehmen sehe. Es ist auch eine Haltung, mutig genug zu sein, zuzugeben, dass ich etwas nicht verstehe und dass das okay ist. Nicht okay ist es, zu behaupten, etwas zu verstehen, was ich nicht wirklich verstehe. Das kann sogar gefährlich sein. Wir könnten dadurch die falschen Schlüsse ziehen, also sollten wir einfach zugeben, dass wir alle Lernende sind, wir sind alle ewige Schüler und es ist vollkommen okay, dumme Fragen zu stellen.

Welche Unternehmensbereiche verändern sich dadurch?

Siilasmaa: Wir befinden uns gerade im Prozess der Umformung. Wir haben viele Projekte mit maschinellem Lernen laufen, in unseren internen Funktionen, zur Verbesserung der Qualität unserer Arbeit und zur Stärkung unserer Mitarbeiter, damit diese über sich selbst hinauswachsen. Für externe Zwecke erweitern wir unsere Produkte und Dienstleistungen um neue Funktionen und eine neue Wettbewerbsfähigkeit.

Wir haben auch ein Programm zur Schulung aller 100.000 Nokia-Mitarbeiter gestartet, die ein einfaches Training zum maschinellen Lernen absolvieren werden, vergleichbar mit einem Programm zu den Verhaltensgrundsätzen, das für alle Mitarbeiter obligatorisch ist. Unserer Meinung nach wissen unsere Mitarbeiter es zu schätzen, dass wir möchten, dass sie sich weiterbilden. Für sie ist es wichtig, in ihrem Beruf ganz oben zu stehen und zu verstehen, was vor sich geht, und uns ist es wichtig, dass sie sich als Personen weiterentwickeln und wissen, dass ihr Fachwissen gefragt ist und wir in ihre allgemeine Entwicklung investieren.

Haben Sie hinsichtlich künstlicher Intelligenz und maschinellen Lernens Prognosen für das Jahr 2019?

Siilasmaa: Natürlich wird am maschinellen Lernen umfassend geforscht, aber unabhängig von den neuesten Erkenntnissen und Erfindungen wird der Big Bang vom großflächigen Einsatz der bereits vorhandenen Technologie kommen. Die Technologie selbst ist nicht sehr kompliziert, so dass Unternehmen vereinfacht gesagt mit den bei ihnen vorhandenen Datensätzen experimentieren und nach neuen Wegen suchen werden, diese Daten zu nutzen, um dadurch die Produktivität und weitere wichtige Faktoren zu steigern.

Sie könnten aber gelegentlich auch Einzigartiges und besonders Wertvolles aus den Daten herausfinden, genauso wie wir seit Jahrhunderten Schach spielen und wirklich kluge Menschen Bücher über Schach geschrieben haben, wir aber dennoch in den letzten zehn Jahren nicht nur gegen den Computer verloren haben, sondern uns jetzt auch eingestehen müssen, dass unser Schachverständnis fehlerhaft war. So als gäbe es einen anderen Kontinent auf der Erde, von dessen Existenz wir nichts wussten, und als hätte maschinelles Lernen ihn für uns gefunden. Dasselbe kann auch Unternehmen passieren, wenn sie mit dieser Arbeit beginnen. Sie könnten auf etwas ganz Besonderes stoßen, an das sie niemals gedacht hätten.

Was müssen Unternehmen tun, um sich erfolgreich anzupassen?

Siilasmaa: Der Umstieg auf maschinelles Lernen nimmt viel Zeit in Anspruch, weil viele Leute ausgebildet werden müssen und an Geschäftsprobleme anders herangegangen werden muss. Wenn man künstliche Intelligenz anwenden möchte, muss eine der spontanen Reaktionen die Erfassung von Daten sein. Wenn man ein Problem hat, muss die erste zu stellende Frage die sein, woher man die Daten beziehen kann, die zur Lösung dieses Problems führen. Und dann kauft man Daten oder man kauft Unternehmen aufgrund der Daten, zu denen sie Zugang haben. Man kann auch Datensätze kaufen oder F&E-Arbeiten durchführen, die man kostenlos weitergibt, damit man dafür andere Daten erhält. Dann muss man sich reorganisieren, das Unternehmen und die Organisation so umstrukturieren, dass dieses Tool effektiv eingesetzt werden kann. Das ist ein langer und nicht ganz einfacher Weg, den man gehen muss. Ich sage nicht, dass jedes Unternehmen ein KI-Unternehmen werden sollte – nicht alle können das –, aber diejenigen, die auf künstliche Intelligenz umsteigen wollen, müssen sich gründlich damit auseinandersetzen.

Ist es wichtig, dass Unternehmen externe Datensätze kaufen und nicht nur ihre eigenen Daten verwenden?

Siilasmaa: Es ist wichtig, dass Unternehmen strategisch über Daten nachdenken. Sowohl über die Daten, die sie besitzen beziehungsweise zu denen sie Zugang haben, als auch über Daten, die sie in einigen Jahren benötigen werden.

Warum sind Daten wertvoll und welche Art von Datensätzen haben den größten Wert?

Siilasmaa: Das hängt vom Geschäftsbereich des Unternehmens ab. Aber Daten sind die Nahrung für Systeme des maschinellen Lernens. Das ist die Art und Weise, wie sie lernen. In einfachen Worten funktionieren Systeme maschinellen Lernens so, dass man einen bestimmten Satz von Lerndaten hat, den man für das Lernen verwendet, und dann gibt es im System Gewichtungen, die angeben, welche Daten in welchem Kontext sinnvoll sind. Im Lernprozess werden diese Gewichtungen so angepasst, dass die Fehler, die das System macht, minimiert werden. Diesen Lernvorgang wiederholt man viele Male, vielleicht tausende oder zehntausende Male, und jedes Mal werden die Fehler, die das System macht, kleiner und kleiner. Der wahre Wert liegt also in den angelernten Gewichtungen. Hat man schlechte Daten, erhält man schlechte Gewichtungen und das System wird Fehler machen; es kann Fragen nicht richtig beantworten. Wenn man qualitativ hochwertige Daten hat, die zu dem Problem passen, das man zu lösen versucht, kann man ausgezeichnete Ergebnisse erzielen, die weit über die menschlichen Fähigkeiten innerhalb dieser begrenzten Problemlösungsbereiche hinausgehen.

Wie können Unternehmen sicherstellen, dass die von ihnen verwendeten Daten von hoher Qualität und Relevanz sind?

Siilasmaa: Dafür brauchen sie Erfahrung; es ist nicht einfach. Das Problem ist, dass wir alle voreingenommen sind, und gelegentlich ist uns diese Voreingenommenheit nicht bewusst. Manchmal kann das sehr einfach passieren – wenn Universitäten Systeme bauen und die Forscher zum Beispiel alle hellhäutige Männer sind, könnten sie leicht vergessen, dass es auch noch andere Menschentypen gibt. Sie haben nicht die Absicht, das System zu beeinflussen, damit es Menschen mit anderer Hautfarbe benachteiligt, es passiert ganz einfach. Wenn sie dies dann erst feststellen, nachdem das System für den öffentlichen Gebrauch eingeführt wurde, gibt es eine große PR-Krise. Natürlich kann man die Qualität von Daten auf viele Arten messen – auf mechanische Weise durch Testen –, aber dann kann es tieferliegende Überlegungen oder fehlende Teile von Datensätzen geben, die man erst viel später erkennt, sodass man wirklich sehr sorgfältig damit umgehen muss. Außerdem müssen Menschen dafür geschult werden, denn es ist nicht etwas, was wir automatisch richtig machen können. Das stellt eine neue Grenze dar und es gibt noch vieles, was wir lernen und auf das wir uns erst einstellen müssen.

Welche externen Datensätze sind für ein Unternehmen wie Nokia am wichtigsten?

Siilasmaa: Das hängt völlig vom Geschäftsbereich und vom Problem ab. Wenn wir etwa die Buchhaltung automatisieren wollen, brauchen wir Daten von Buchhaltungseinträgen, und natürlich haben alle Unternehmen viele dieser Daten, weil sie selbst Buch führen. Es ist nur die Frage, ob sie die Daten nutzen und die Buchhaltung selbst automatisieren wollen oder ob sie einen Dritten beauftragen, der darauf spezialisiert ist, die Systeme baut und ihnen bei der Nutzung hilft. Es gibt aber auch Dinge, die nur ein bestimmtes Unternehmen tut, und nur es selbst hat Zugang zu dieser Art von Daten. Dann muss es selbst etwas tun und kann nicht einfach auf Dritte zurückgreifen. Manchmal ist das Problem, dass das Unternehmen keinen Zugang zu geeigneten Daten hat und erst herausfinden muss, woher es diese bekommt.

Wie würden Sie also die Vorteile einer Investition in künstliche Intelligenz für Unternehmen zusammenfassen?

Siilasmaa: Ich denke, dass Unternehmen in erster Linie versuchen werden, zumindest ihren aktuellen Wettbewerbsvorteil zu behalten. Denn alle investieren in maschinelles Lernen, insbesondere im Technologiebereich, also müssen sie sich anstrengen, um ihre jetzige Position halten zu können. Aber natürlich, wenn wir darin besser sind, wenn wir innovativer sind, wenn wir tatsächlich etwas Neues erfinden oder es in einem Bereich anwenden, in dem andere das noch nicht tun, werden unsere Produkte billiger, schneller und besserer Qualität sein. Sie werden weniger Fehler machen, sie werden intuitiver, billiger zu bauen und billiger zu bedienen sein. Das sind die Chancen und die Vorteile. Darüber hinaus könnte es einiges geben, was ohne maschinelles Lernen völlig unmöglich wäre, vergleichbar mit Situationen, in denen künstliche Intelligenz neue Schacheröffnungsstrategien findet oder bei Alpha Go Züge setzt, die noch nie zuvor ein Mensch gesetzt hat, oder Krankheiten heilt, die bisher unheilbar waren.

Herr Siilasmaa, herzlichen Dank für das Gespräch.

Das Interview führte Salvatore Saporito.


Zur Person

Salvatore Saporito ist Teamleiter Europa Risk & Compliance und seit 2003 bei der LexisNexis GmbH. Er studierte an der Universität zu Köln Wirtschaftswissenschaften (Betriebswirtschaftslehre) mit dem Abschluss Diplom-Kaufmann. Er ist Mitglied im Deutschen Institut für Compliance (DICO), dem Berufsverband der Compliance Manager (BCM), in der DGI Fachgruppe Compliance sowie im österreichischen Compliance Praxis Netzwerk. Salvatore Saporito ist regelmäßig Referent zum Thema Geschäftspartnerüberprüfung.

Diesen Blog-Beitrag teilen:


Blog-Alert abonnieren

Wir informieren Sie automatisch
über neue Blogbeiträge.

Blog durchsuchen

Blog durchsuchen