Im Interview: Thierry Buecheler, Head of Innovation Strategy and Operations bei Oracle

In unserem Interview schildert Thierry Buecheler, was ihn an künstlicher Intelligenz (KI) so fasziniert und wie er als Head of Innovation Strategy and Operations bei Oracle KI für jedermann und jedefrau nutzbar machen möchte. Thierry Buecheler hat einen Ph.D. der Universität Zürich in Computer Science und sagt von sich selbst, dass er einmal ein Tech-Nerd gewesen sei. Inzwischen treibt ihn jedoch der Anspruch an, mit Technologie echte Business Modelle und echte Menschen weiterzubringen und sich täglich zu überlegen, welche Effekte KI auf diese Menschen hat.

Was macht Ihre Faszination für künstliche Intelligenz (KI) aus?

Es gibt sehr viele spannende Facetten von KI. Was mich zurzeit sehr stark an dem Thema fasziniert, ist die Dualität, die KI mit sich bringt. Einerseits ist es die Verbesserung im Alltag und in der Arbeit. Auf der anderen Seite birgt die KI große und latente Gefahren, die uns nicht immer so bewusst sind, die sich aber schon abzeichnen und in gewissen Dialogen diskutiert werden.

Was ich ebenfalls spannend finde, ist die Entwicklung des Hype-Zyklus zum Thema KI: KI ist als Begriff aktuell sehr verkaufsfördernd. Es gibt allerdings viele Menschen, die in Dialogen den Begriff nutzen, ohne wirklich zu verstehen, was dahintersteckt.

KI ist auch nicht ganz trivial zu definieren. Als ich in der KI-Forschung tätig war, gab es mindestens 19 wissenschaftliche Definitionen des Begriffs ‚Intelligenz’ alleine, je nach Forschungsfeld der Definierenden. Das ist ganz spannend zu sehen: Wo steckt wirklich die Substanz hinter den zwei kleinen Worten, die wir so häufig verwenden? Wenn ich die Realität betrachte, stecken hinter vielen KI-Anwendungen trainierte Machine Learning-Algorithmen — oder sogar noch ältere statistische Verfahren. Das wird sich auch durch bessere Rechner und größere Rechenleistung alleine nicht ändern.

Ich werde allerdings im Rahmen des Interviews nicht so stark differenzieren und mich weniger auf die Begriffe konzentrieren. Ich werde KI einfach als Oberbegriff verwenden unter der Prämisse, dass man es in der theoretischen Betrachtung noch etwas genauer differenzieren sollte.

An welchen Challenges arbeiten Sie aktuell bei Oracle?

Im Vordergrund unserer Arbeit bei Oracle steht, dass unsere Kunden ihre Effizienz und Effektivität erhöhen können. Das bedeutet, dass sie irgendeinen Nutzen ziehen aus diesen Buzzwords.

Wir sind überzeugt, dass die Zusammenarbeit von KI und menschlicher Intelligenz, wir nennen sie auch „menschliche Heuristiken”, schon heute solche Verbesserungen bringen kann für unsere Kunden — und in der Konsequenz auch für deren Kunden. Wir möchten diese zwei Welten möglichst zusammenbringen.

Obwohl wir auch eine fortgeschrittene generische Plattform und autonome Systeme anbieten, versuchen wir deshalb bewusst keine riesige Maschine zu bauen, die am Ende keiner bedienen kann. Die theoretisch alles lösen kann, aber so kompliziert ist, dass man sie nicht einsetzen kann.

Wir haben bei Oracle stattdessen den Ansatz gewählt, dass wir die KI direkt in die Business Applikationen einbauen. Wenn Sie ein Werkzeug haben, welches Sie bei Sales-Aktivitäten unterstützt, erhalten Sie KI-unterstützt Leads direkt aus dem Werkzeug heraus oder die Software schlägt Ihnen die Next Best Action vor. Sie als Mensch können abschließend noch die Entscheidung fällen, ob der Vorschlag in diesem Kontext Sinn ergibt oder nicht.

Im Idealfall kann man das ohne Zutun von Data Scientists umsetzen. Die sind am Markt nicht immer ganz einfach zu bekommen, gerade von Unternehmen aus dem Mittelstand. Ziel ist es, dass normale Anwender mit ihrem spezifischen Fachwissen diese Tools nutzen können. Das erreicht man zum Beispiel durch intuitive Interfaces. Daran arbeitet Oracle intensiv: Wie kann man die Interfaces “click and drag” gestalten, wie kann man sie “Low-Code” machen? [Anmerkung der Redaktion: Click and drag bezeichnet eine Methode zur Bedienung von grafischen Benutzeroberflächen durch Anklicken und Ziehen von Objekten mit der Maus. Low-code ist eine Entwicklungsumgebung für Software, mit der sich Anwendungen nahezu ohne Programmierung erstellen lassen, meist mithilfe visueller Editoren und durch das Zusammenklicken vorgefertigter Softwarebausteine.] Wie kann man Spracherkennung einsetzen, so dass der Banker, die Versicherungsfachperson oder die Expertin das Tool nutzen können, ohne eine tiefe KI-Ausbildung genießen zu müssen? Das sind Fragestellungen, die wir bei Oracle zurzeit sehr stark adressieren.

Was möchten Sie mit KI bewegen?

Einen Aspekt habe ich schon vorhin angesprochen: Wir möchten aus der KI ökonomischen Mehrwert generieren — für unsere Kunden und deren Kunden.

Darüber hinaus möchten wir die Lösungen so pragmatisch wie möglich bauen. Wir nutzen die neuesten Technologien, die unsere Kunden sehr einfach aus der Cloud beziehen und direkt laufen lassen können.

Im Hintergrund bedeutet das ganz viel Wissenschaft, aber für die Front sollte das möglichst einfach und gut nutzbar sein. Das möchten wir mit intuitiver Bedienung erreichen.

Wir möchten die KI direkt in die Prozesse einbauen, die unsere Kunden nutzen, wie zum Beispiel Customer Experience Tools, Finanz-Tools, ERP-Systeme und HR-Systeme.

Was differenziert Ihre KI-Lösungen bei Oracle?

Wir möchten KI direkt in die Standardsoftware einbauen und bedienbar machen für jedermann und jedefrau. Das ist uns ganz wichtig, damit KI auch genutzt wird und nicht nur ein Hype bleibt.

Das zweite Thema ist, dass wir Verfahren vereinfachen möchten, um die relevanten Daten zusammenzuziehen. Das ist in der Regel ein schwieriger Aspekt einer KI-Lösung. Es geht nicht nur um den Algorithmus, sondern auch darum, die Daten zu bekommen und semantisch zu verstehen.

Insbesondere das Duplizieren und Verschieben von Daten ist richtig teuer. Dafür benötigt man Infrastruktur, Zeit und Ressourcen Diesen Aufwand möchten wir so stark wie möglich reduzieren. Aus diesem Grund erstellen wir unsere Analysen teilweise direkt in der Datenbank an den Daten, ohne diese groß zu verschieben. Wir machen Übersetzungen, welche die Nutzer nicht selbst machen können: Zum Beispiel zwischen verschiedenen Abfragesprachen oder Programmiersprachen. Das sind Themen, die direkt Einfluss auf die Operations-Kosten haben und diese reduzieren. Ich glaube, dass wir in diesen Themen stärker sind als andere Anbieter.

Wie kann der Mittelstand KI effektiv für sich nutzen?

Einen attraktiven Punkt finde ich, dass KI eigentlich keine Skalierung braucht. Die Anwendung funktioniert auch für kleine oder mittelgroße Unternehmen im Mittelstand. Im Gegensatz zu vielen statistischen Verfahren kann man mit Machine Learning auch mit wenigen Daten schon gute Resultate erzielen.

Auch das Einbauen dieser KI-Lösungen in die Standardsoftware bringt direkt einen Nutzen für den Mittelstand. Wir haben viele Großkunden, aber die kleinen Kunden können davon direkt profitieren. Die kleineren Suiten, wie zum Beispiel die Netsuite von Oracle als kleineres ERP für den Mittelstand, ziehen direkten Nutzen aus dem Einbau der KI in die großen Suiten.

Diese Tools ermöglichen Anwendungen, ohne dass man dafür Data Scientists rekrutieren muss. Man kann sich eher überlegen, welche Teile eines Data Science Skill Sets man durch seine Software bereits ersetzen kann. Man kann diese zum Beispiel relativ bequem als PaaS aus der Cloud beziehen [Anmerkung der Redaktion: PaaS ist die Abkürzung für “Platform as a Service”. Auf der Cloud wird dem Nutzer eine Einwicklungs- und Laufzeitumgebung für Software bereitgestellt. Dieser Service ist insbesondere für Software-Entwickler interessant.] Man muss also nicht zwingend eine große Suite kaufen, sondern kann einzelne Services buchen. Das kann der Mittelstand auch.

Wir bauen Adaptoren, damit man eine Multi Cloud Umgebung betreiben kann. Auch das ist Realität beim Mittelstand. Viele Unternehmen haben nicht einen großen oder wenige Vendoren, sondern arbeiten aus praktischen Gründen mit vielen Anbietern zusammen.

Ein anderer großer Vorteil von Cloud-Services für den Mittelstand ist, dass alles aus einer Hand angeboten wird: Upgrade Patches, die ganzen Sicherheitsaspekte, das Zusammenarbeiten zwischen Services sind alles Dinge, die bereits erledigt sind. Somit kann man sich auch diese Teams und Kosten sparen als Mittelständler und sich ganz auf sein Business konzentrieren.

Abschließend noch eine praktische Empfehlung: Ich glaube, es lohnt sich bei der Nutzung von KI immer erst zu prüfen, welche Elemente eine Standardsoftware bereits abdecken kann, für die man sonst viel Geld investieren und einen Data Scientist rekrutieren müsste. Man sollte diese dann bereits eingebaut in die Software beziehen, anstatt — ähnlich wie bei vielen Großunternehmen — eine große komplexe Data Science Umgebungen aufzubauen, mit der man nützliche oder weniger nützliche Analysen fahren kann.

Wie wird der Einfluss von KI in den nächsten fünf bis zehn Jahren aussehen?

KI gibt es schon sehr lange. Das mathematische Prinzip hinter Deep Learning wird als „Backpropagation” bezeichnet und wurde schon 1986 publiziert. Deep Learning, wie wir es heute nutzen, basiert demnach auf einem Prinzip aus den 80er Jahren. Die Mathematik gab es schon seit den späten 60er Jahren. Und trotzdem hat man es bis heute noch nicht geschafft, den vollen Nutzen aus diesen Ansätzen zu ziehen.

Die KI bewegt sich aktuell an einem Ort, an dem die Technik relativ viel kann, aber die Schwierigkeit bei anderen Herausforderungen liegt, wie zum Beispiel der Adaptation der Nutzer. Ich habe mit vielen Banken und Versicherungen zusammengearbeitet, bei denen die IT mit super Lösungen um die Ecke kommt, aber das Business diese nicht versteht oder nicht haben möchte. Das sind Elemente, die eine Voraussage schwer machen.

Das ist bei anderen bekannten Themen ebenfalls der Fall, wie zum Beispiel autonomes Fahren. Die Entwicklung hat sich gegenüber den Vorhersagen, die wir in den letzten zehn Jahren gesehen haben, verzögert. Auch das weist darauf hin, dass in zehn Jahren vielleicht noch nicht ganz so viel erreicht werden kann wie gewünscht.

Wenn ich mir Szenarien überlege, würde ich in einem optimistischen Fall sagen: Wir werden gute Anwendungen haben sowohl im IT-Bereich als auch in allen anderen Industrien, die uns positiv überraschen. Also die weiter gehen als alles, was man vorprogrammiert hat.

Wie zum Beispiel als Alpha Go den Profi-Spieler Lee Sedol geschlagen hat. [Anmerkung der Redaktion: Alpha Go ist eine von Google entwickelte KI, die 2016 den südkoreanischen Profi-Spieler Lee Sedol in einem Go-Turnier besiegen konnte. Go ist ein asiatisches Brettspiel und gilt als weit komplizierter als Schach.] Diese Anwendung ist größer, als dass man sie mit Brute-Force analysieren könnte. [Anmerkung der Redaktion: Brute-Force ist ein Lösungsansatz für Probleme aus dem Bereich der Informatik, der auf dem Ausprobieren aller möglichen Fälle und Kombinationen beruht. Ein bekanntes Beispiel sind sogenannte Brute-Force-Angriffe, bei denen ein Passwort durch systematisches Ausprobieren geknackt werden soll.] Da sind Dinge passiert, die hat ein Programmierer so nicht antizipiert. Wenn man sich das genau überlegt, gibt es immer noch eine Logik dahinter, die schon vorgegeben war, aber aus menschlicher Sicht ist es trotzdem überraschend.

Ich würde sagen, dass es uns in den nächsten zehn Jahren gelingen könnte, solche Anwendungen für den nützlichen Gebrauch, zum Beispiel für ökonomische Unternehmungen oder den Public Sector, zu schaffen. Nicht nur bei Brettspielen, sondern eben auch bei ökonomischen Anwendungen und für den Bürgernutzen.

Mein bester Fall wäre, wenn diese Algorithmen und Datensammlungen so gebaut werden, dass sie sich auch in der physischen Welt manifestieren, wie zum Beispiel in der Robotik. Wahre Intelligenz — und das ist die Sicht von unserem Forschungslabor und auch meine persönliche Sicht — wird erst dann manifestiert, wenn sie sich in der physischen Welt äußert. Zum Beispiel für den Bankkunden und für Leute, die versichert werden mit ihren Alltagsproblemen.

Auch wenn es schwierig ist, kann es in zehn Jahren in den ersten Fällen vielleicht schon geschehen. Aber wir werden meines Erachtens, wenn nicht etwas sehr Überraschendes passiert, noch keine General AI haben, wie sich gewisse Leute das versprechen. [Anmerkung der Redaktion: Unter genereller künstlicher Intelligenz versteht man die hypothetische Intelligenz einer Maschine, die vergleichbar mit der des Menschen ist und die Fähigkeit besitzt, alle möglichen Aufgaben zu verstehen oder zu lernen. Heute ist die Anwendung von KI darauf beschränkt, nur einzelne, meist hochspezialisierte Aufgaben zu lösen.]

Was sind die hauptsächlichen Probleme, bei denen KI alle anderen Optionen schlägt?

Stand heute sind das die Probleme, bei denen viele Daten zusammengezogen und bearbeitet werden müssen. Es sind zurzeit mehr die Daten als die Algorithmen, mit denen man sich beschäftigen muss. Gerade in der Finanzbranche, das heißt bei einer Primärversicherung oder bei einer Bank. Die besitzen so viele historischen und auch transaktionalen Daten, dass man schlaue Dinge damit tun kann.

Computer können in der Regel große Datenmengen in kurzer Zeit besser verarbeiten als Menschen. Menschen können am Schluss noch das Sahnehäubchen darauf setzen, indem sie Zusammenhänge sehen, die eben nicht in der Logik des Computers abgebildet sind. Ein Beispiel dazu habe ich bereits genannt: Die Next Best Action, die wir als Teil unserer Software anbieten. Hier kann der Kundenberater in der Bank oder in einer Versicherung zum Schluss noch entscheiden: Will ich das dem Kunden anbieten oder wie soll ich das Angebot noch für den Kunden einfärben?

Wir als Oracle machen das sehr nah an den Daten und direkt in der Datenbank, wo wir uns gut auskennen. Wir bieten sogar eine autonome Datenbank an, die AI-Ansätze verwendet, um sich selbst zu verbessern. Und wir stellen auch Adapter zur Verfügung, um in den Multi Vendor-Umgebungen die Daten aus vielen verschiedenen Quellen zusammenziehen zu können. Auch das ist etwas, bei dem die KI in ihrer heutigen Ausprägung besser sein kann als andere Ansätze oder als Menschen, die das manuell tun.

Letztendlich ist das Ziel, dass aus Daten Informationen werden — weil wir das benötigen, um einen Wert zu schaffen.

Originally published at https://blog.fintechcube.com on November 12, 2020.