Soccer team in a huddle

„Autonome Systeme werden sicherer sein als Menschen…

Feature | 25. Oktober 2017 von Michael Zipf 3

… schon bald und in den meisten Fällen“, sagt Erik Marcadé. Der erfahrene Machine-Learning-Vordenker fühlt sich angesichts der wachsenden Zahl von Kunden, die diese „leistungsstarke Technik“ einsetzen, „wie ein kleiner Junge im Spielzeugladen“.

Erik Marcadé kam 2013 durch die Übernahme von KXEN zur SAP. Inzwischen ist er Vice President of Advanced Analytics im SAP-Vorstandsbereich Products & Innovation. Sein Team ist schwerpunktmäßig für Lösungen zuständig wie SAP Predictive Analytics, SAP Predictive Service und SAP Predictive Analytics Integrator, ein Produkt, das bislang nur SAP-intern eingesetzt wird, aber bald auch Kunden und Partnern zur Verfügung stehen wird.

In einfachen Worten: Was ist maschinelles Lernen, was ist Predictive Analytics, und worin besteht der Unterschied?

Einfach ausgedrückt gibt es keinen Unterschied zwischen Predictive Analytics und maschinellem Lernen. Letzten Endes bezeichnen beide Begriffe mathematische Methoden, die mithilfe von Daten (Vorhersage-)Modelle erstellen bzw. trainieren, die – im Falle von beschreibenden Algorithmen – Verknüpfungen zwischen Eingabedaten oder – im Falle von echten Vorhersagealgorithmen – Verknüpfungen zwischen Eingabe- und Zieldaten extrahieren. Diese beiden Begriffe entspringen zwei verschiedenen „Vermarktungswellen“ und spiegeln keinen mathematischen oder technischen Unterschied wider.

Die junge Generation mag hier vielleicht einen Unterschied hineininterpretieren, nach dem Motto „die alte Arbeitsweise“ und „die neue Arbeitsweise“, aber neuronale Netze wurden schon in den 90er-Jahren mit „Vorhersage“-Technologien in Verbindung gebracht. Das war die Zeit, in der ich mein erstes Unternehmen auf diesem Gebiet gründete. Andere Nachwuchs-Datenwissenschaftler verwechseln den Oberbegriff „maschinelles Lernen“ vielleicht mit der Teiltechnologie „Deep Learning“. In beiden Bereichen wurden dank der erhöhten Verfügbarkeit von Daten und des Zuwachses an Rechenleistung bedeutende Fortschritte erzielt. Das gilt besonders für den Bereich der „unstrukturierten“ Daten, nämlich Text und Bilder, in Anwendungen wie Übersetzungssystemen, der Verarbeitung von natürlicher Sprache, Bilderkennung und ähnlichem.

Predictive Analytics helfen uns also zu verstehen, was wahrscheinlich in der Zukunft passiert, basierend auf dem, was in der Vergangenheit passiert ist, während maschinelles Lernen uns hilft, unsere Vorhersagen ständig genauer zu machen?

Nun, meine vorherige Antwort entzieht dieser Frage in gewisser Weise die Grundlage. Es hat schon vor der Ausbreitung des Schlagworts „maschinelles Lernen“ zahlreiche Beispiele für inkrementell selbstlernende oder sich selbstanpassende Systeme gegeben. Das Feature, dass Systeme anhand der neuesten Version von Daten und anhand angesammelter Daten automatisch neu trainiert werden, ist bereits in vielen Werkzeugen für „vorausschauende Automatisierung“ vorhanden, sogar in SAP Predictive Analytics. Beispielsweise werden Empfehlungssysteme meist in veränderlichen Umgebungen eingesetzt und daher kontinuierlich mit Daten trainiert. Es lässt sich sogar nachweisen, dass sie die älteren Daten „vergessen“ müssen, um mit den neuen Daten effizient arbeiten zu können. Wir können sogar Methoden bereitstellen, die anhand der vorherigen Version eines Vorhersagemodells das nächste Modell bilden, um die Veränderungen über die Zeit festzuhalten. Dadurch können wir sozusagen Analysen auf der Basis von Analysen erstellen. Und auch diese Prozesse sind alle bereits in SAP Predictive Analytics vorhanden.

Was heißt „Massive Predictive Analytics“?

„Massive Predictive Analytics“ ist die Botschaft, die wir unseren Kunden übermittelt haben und die zwei Aspekte beinhaltet. Der erste ist die Automatisierung der Vorhersagemethoden und damit der Methoden für maschinelles Lernen in einer Umgebung namens Predictive Factory. Diese macht es möglich, Tausende von betrieblich eingesetzten Vorhersagemodellen durch ein kleines Team zentral steuern zu lassen.

Der zweite Aspekt betrifft die Demokratisierung, anders gesagt: Vorhersagetechnologie für die Massen. Wir sind noch nicht ganz bei echten Self-Service-Systemen angelangt, weil die automatisierte Datenerfassung und -aufbereitung – im Gegensatz zu automatisierten Algorithmen – ein noch immer nicht ganz gelöstes Problem ist. Aber wir können Vorhersageszenarien in die Tools und Prozesse einbetten, die die meisten Benutzer in Unternehmen Tag für Tag verwenden: Mitarbeiter, die SAP S/4HANA Finance einsetzen, nutzen täglich Vorhersagemethoden und Methoden für maschinelles Lernen. Die ersten Prozesse, beispielsweise für vertragsbezogene Verbrauchs­prognosen, werden bereits produktiv eingesetzt. Vertriebsteams können heute mithilfe von SAP-Tools Vorhersagemethoden zur Lead-Bewertung nutzen, und Mitarbeiter im Betrugsmanagement setzen unsere Methoden ein, um Modelle zur automatischen Erkennung von möglichen Betrugsfällen zu erstellen. All diese Systeme werden heute schon im Produktivbetrieb eingesetzt.

Machine-Learning-Vordenker Erik Marcadé: “Meiner Überzeugung nach ist der Wendepunkt bald erreicht, an dem die Menschen erkennen werden, dass autonome Systeme in den meisten Situationen sicherer sind als Menschen.”

Was unterscheidet die Strategie der SAP in den Bereichen Predictive Analytics und maschinelles Lernen von der ihrer Wettbewerber?

Man kann sagen, dass bei der SAP eines ganz klar im Mittelpunkt steht: die Bereitstellung aller Tools, Methoden und Prozesse, die unsere Kunden brauchen, um Techniken für Predictive Analytics und maschinelles Lernen nutzen zu können, die in Geschäftsprozesse integriert sind. Letztendlich beschäftigen sich alle einschlägigen Teams bei der SAP mit Data Science im Betrieb statt mit Data Science im Labor. Das zieht sich durch die verschiedenen funktionalen und technischen Ebenen wie Sicherheit und Governance und beinhaltet sogar die Wiederverwendung von Elementen, die schon früher entwickelt wurden, zum Beispiel die Anbindung an SAP BW beziehungsweise SAP BW/4HANA, das Schließen von Lücken zum direkten Einsatz unserer Tools auf SAP HANA und SAP Vora ohne Datentransfer und technische Komponenten wie etwa Predictive Analytics Integrator in ABAP-Umgebungen sowie die SAP Cloud Platform für die tiefe Integration in das gesamte Portfolio von SAP-Anwendungen. Was uns unterscheidet, ist, dass wir mit unserer Strategie tief in die SAP integriert sind.


Im März dieses Jahres wurde die SAP im Bericht The Forrester Wave: „Predictive Analytics and Machine Learning Solutions“ als Marktführer eingestuft. Nach Angaben von Forrester „bietet die SAP umfassende Data-Science-Tools zur Erstellung von Modellen, ist aber gleichzeitig auch der größte Anbieter von Unternehmensanwendungen auf diesem Planeten. Das befähigt die SAP auf einzigartige Weise, Tools zu entwickeln, mit denen Geschäftsanwender ohne Kenntnisse in Datenwissenschaft die von Data Scientists erstellten Modelle in Anwendungen nutzen können. Die Lösung der SAP bietet Data Scientists in Unternehmen die Datenwerkzeuge, die sie erwarten, aber auch ausgezeichnete Automatisierungstools zum Trainieren von Modellen.“


Was ist das Alleinstellungsmerkmal der SAP auf diesem Gebiet?

SAP Predictive Analytics weist drei wichtige Unterscheidungsmerkmale auf:

  1. Automatisierung, um „Citizen Data Scientists“ (Benutzern, die Datenanalysen erstellen, aber keine spezielle Ausbildung in Analytik haben) das Erstellen von Vorhersagemodellen mit integrierter Robustheit und Modellqualitätsprüfungen zur Minimierung von Benutzerfehlern zu ermöglichen. Das gilt nicht nur für die Algorithmen, sondern für den gesamten Lebenszyklus der vorausschauenden Analysen: Dataset-Erstellung, Modellierung, Scoring und Modellmanagement.
  2. Skalierbarkeit, um ohne Datentransfer Datasets zu erstellen und Modelle zu trainieren und in Datenbanken anzuwenden, um Features in Massenverarbeitung zu generieren und Datenherkunftsanalysen automatisch auszuführen, um Modelle mit umfangreichen Datasets (Big Data) zu trainieren und Datasets auf einfache Weise wiederzuverwenden, um vielfältige, miteinander zusammenhängende geschäftliche Fragestellungen schnell zu beantworten.
  3. Tiefe Integration mit SAP HANA und Hadoop Spark auf technischer Ebene, aber auch über Predictive Analytics Integrator zur Integration in SAP-Anwendungen sowohl in ABAP- als auch in Cloud-Umgebungen.

Kurz gesagt: Wir ermöglichen es den Benutzern, viele verschiedene Geschäftsprozesse zu optimieren, und unser zentrales Wertversprechen ist, dass sie das sehr einfach und kostengünstig tun können. Es geht nicht darum, mit viel Energieaufwand einen einzigen Prozess bis zur Perfektion zu optimieren.

Sie sind seit vielen Jahren auf dem Gebiet Analysen tätig. Was fasziniert Sie heute so daran, im Bereich künstliche Intelligenz zu arbeiten?

Ich bin ja ein alter Hase, der die verschiedenen Entwicklungswellen bei Data Mining, neuronalen Netzen, vorausschauenden Analysen, maschinellem Lernen und jetzt auch kognitiven Prozessen miterlebt hat. Und da ist es für mich faszinierend zu sehen, dass Konzepte wie Convolutional Neural Networks, die jahrelang vorangebracht wurden, bis sie heute letztlich ein gewisses Effizienzniveau bieten, mehr leisten können als Menschen. Und bedenken wir auch, dass Grafikprozessoren nur ein Schritt sind, warten wir mal die ASICs (anwendungsspezifische integrierte Schaltkreise) ab, die die Grenzen des Möglichen noch weiter hinausschieben werden. Ganz zu schweigen von Quantencomputing!

Eines können wir mit Sicherheit daraus lernen: Gute Konzepte beharrlich zu verteidigen, zahlt sich aus! Aber das ist nur die technische Seite der Welt.

Der zweite wichtige Wandel betrifft die allgemeine Bereitschaft der kommenden Generationen zur Annahme solcher Systeme: Ich glaube nicht, dass mein Sohn ein Problem damit haben wird, in einem selbstfahrenden Auto zu sitzen. Es erstaunt mich immer, wie heftig darüber diskutiert wird, was ein autonomes Fahrzeug „darf“, wenn ich an Unfallsituationen denke, beispielsweise wenn ein Pkw auf einen Laster auffährt und die Insassen dabei ums Leben kommen, oder wenn ein kleiner Junge plötzlich auf die Straße läuft und angefahren wird. Eigentlich für die meisten Menschen ein Glück, dass sie in der Führerscheinprüfung nicht nach solchen Situationen gefragt werden …

Meiner Überzeugung nach ist der Wendepunkt bald erreicht, an dem die Menschen erkennen werden, dass autonome Systeme in den meisten Situationen sicherer sind als Menschen.

… was ja einen großen Vertrauensvorschuss für autonome Systeme verlangt.

Richtig. Das ist der dritte Punkt. Dieser hängt mit Vertrauen und Transparenz zusammen und erfordert möglicherweise Vorschriften und Kontrolle. Derzeit wird Kritik dahingehend laut, dass hierbei unbeabsichtigt durch die Einseitigkeit von Daten oder absichtlich durch Malware Voreingenommenheit einfließen kann. Aber da das komplexe System durch eine einfach zu verwendende Oberfläche überlagert ist, müssen wir Wege finden, das unvoreingenommene Verhalten solcher Systeme durch unabhängige Dritte kontrollieren zu lassen.

Das ist das Denken, das etwa hinter der Initiative „TransAlgo“ in Frankreich steht: Selbst ein Algorithmus, der eine Route vorschlägt, kann unausgewogene Informationen liefern, beispielsweise damit der Benutzer ganz bestimmte Ladengeschäfte besucht. Diese Kontrolle muss nicht unbedingt durch Aufsichtsbehörden erfolgen, aber mit Sicherheit durch unabhängige Dienstleister, wie schon gesagt, die komplexe Systeme prüfen und mit Benchmarks vergleichen. Wir müssen Wege finden, die Systemintegrität zu überprüfen und gleichzeitig das in diesen Systemen verkörperte geistige Eigentum zu schützen.

Was empfinden Sie besonders bereichernd daran, ihre unglaubliche Sachkenntnis bei der SAP einzubringen?

Ich habe fast während meiner ganzen beruflichen Laufbahn im Bereich komplexe Analysen die Position verteidigt, dass maschinelles Lernen allein nicht ausreicht, wenn es nicht in Geschäftsprozesse oder Systeme integriert ist. Maschinelles Lernen ist nur eine sehr leistungsfähige Technik, die dazu dient, höhere Aufgaben und Prozesse auszuführen, daher mein beständiger Fokus auf Integration. Als Mitarbeiter eines Unternehmens mit Tausenden von Anwendungen fühle ich mich immer noch wie ein kleiner Junge im Spielzeugladen. Und dass Integrationen jetzt von SAP-Kunden produktiv eingesetzt werden, das habe ich mir immer gewünscht!

Erik Marcadé hat einen Abschluss in Ingenieurswissenschaften an der École Nationale Supérieure de l’Aéronautique et de l’Espace in Toulouse, wo er sich auf Prozesssteuerung, Signalverarbeitung, Informatik und künstliche Intelligenz spezialisiert hatte. Während seiner beruflichen Laufbahn leitete er Projekte für die Entwicklung von neuronalen Netzen und arbeitete zusammen mit der Stanford University in Kalifornien am automatischen Lande- und Abfangsystem für Boeing. Außerdem befasste er sich mit der operativen Anwendung von neuronalen Netzen, etwa für die Prognose von eingehenden Anrufen zur globalen Ressourcenoptimierung in großen Call Centern.

Ab September 1998 war er als Mitbegründer von KXEN in seiner Funktion als Chief Technology Officer für die Bereiche Forschung und Entwicklung sowie technisches Produktmanagement verantwortlich. Die von KXEN entwickelte Predictive-Modeling-Suite „InfiniteInsight“ unterstützte Analyseexperten und Führungskräfte bei der Extraktion von Informationen aus Daten. Im Oktober 2013 wurde KXEN von der SAP übernommen.

Weitere Informationen:

Tags: , ,

Leave a Reply