Disruptive Technologien
November 2, 2017
Aus dem Unterricht CAS Digital Masterclass berichtet Kristina Lasotta zur Veranstaltung „Disruptive and Beyond“ mit Dr. Marcel Blattner.
Am 5. Kurstag liegt zunächst um 8.15 Uhr ein Duft von frischen Gipfeli im Raum. Diese hat uns der Dozent als Stärkung für dieses anspruchsvolle Thema mitgebracht (merci nochmals :-)). Denn an diesem Vormittag haben wir die Möglichkeit mit Dr. Marcel Blattner, Chief Data Scientist Tamedia Digital und Studiengangsleiter des CAS Disruptives Technologies vielfältige Aspekte zu disruptiven Produkten und Technologien kennenzulernen und zu diskutieren.
Immer eine Frage des Blickwinkels …
Marcel betont gleich zu Beginn das Thema disruptiver Technologien und Künstliche Intelligenz immer vor dem Hintergrund der sich gegenseitig beeinflussenden Bereiche Technology – Culture – Economics zu betrachten.
So ist beispielsweise sehr stark von der Kultur abhängig, wie Technologien oder Vorstellungen über die Zukunft interpretiert werden. Manche Kulturen assoziieren mit dem Begriff “Roboter” vermenschlichte Kampfmaschinen mit roten Augen aus Hollywood-Filmen. In anderen Kulturen hingegen dominieren Zukunftsvisionen mit in der Pflege eingesetzten Robotern. Die jeweilige Kultur wiederum treibt, in welche Richtung finanzielle Mittel fliessen. Und das schliesslich hat einen Einfluss in welchen Bereichen intensiv geforscht werden kann.
Nur ein kleiner Teil ist Technik und Technologie bei der digitalen Transformation
Tauchen wir also tiefer in das Thema der digitalen Transformation ein. Diese hat zu 90% mit Menschen zu tun hat, um die Technologie geht es erst am Schluss. Mehrheitlich geht es um den Kontext und die Strategie. Denn zuerst betrifft digitale Transformation die Organisations-Kultur, Prozesse, eigene Ökosysteme und die der Partner usw.
Jede Firma muss einen eigenen Weg finden, die digitale Transformation zu meistern. Es gibt leider keine allgemein gültige Checkliste, sondern jede Firma sollte sich – wenn möglich in gut durchmischten, interdisziplinären Teams – zu diesem Thema die richtigen Fragen stellen, die beispielhaft die folgende Folie wiedergibt:
Was heisst eigentlich disruptiv?
Wir diskutieren in der Gruppe mögliche Gründe, warum etablierte Firmen nicht am Markt überleben oder den Anschluss verlieren. Beispielsweise „Zug verpasst, auf`s falsche Pferd gesetzt“, Investitionen am falschen Ort, Trägheit, zu starker Fokus auf das eigene Produkt, fehlender Radar, Angst vor Veränderungen etc.
Marcel überrascht uns mit der Aussage, dass
„Firmen disruptiert werden, wenn sie zu sehr auf den Kunden gehört haben“
und leitet damit zu den Forschungsarbeiten und Erkenntnissen des Harvard Business School Professor Clayton Christensen über. Dieser hat die Begriffe „Disruptive Innovation“ und „Disruptive Technology“ erstmals in seiner Dissertation erwähnt. Catching the Wave; Bower/ Christensen, 1994, The Theory of Disruptive Innovation“, Christensen, 1996). Weitere Buchempfehlung: „The Innovator`s Dilemma“, C.M. Christensen, 1997.
Christensen kommt in seinen Arbeiten zu folgenden Erkenntnissen
Disruptive Produkte sind zunächst meist einfacher, günstiger und von geringerer Qualität sind als die bereits auf dem Markt etablierten Produkte. Damit zielen diese vor allem auf „Low End“ Kunden oder auf Nicht Kunden, für die das etablierte Produkt bisher zu teuer war. Erzielter Umsatz wird zur Verbesserung des Produktes investiert. So können etablierten Produkten weitere Kunden abgeworben und zusätzliche neue Kundengruppen erschlossen werden.
Etablierte Unternehmen fokussieren sich also zu sehr auf Innovationen rund um ihre bestehenden Kunden (sustainable innovation). Disruptive Innovation hingegen entsteht am unteren Ende des Marktes. Sie entwickelt sich zu Beginn zwar zunächst langsam. Erreicht diese aber den Mainstream, führt dies zu massiven Einbrüchen oder auch dem Ende für bestehende Produkte und Unternehmen. Dies bezeichnet Christensen als „Innovators Dilemma“. Unternehmen sollten daher ihre Innovationen nicht nur rund um die Bedürfnisse der bestehenden Kunden betreiben. Chancen können sich auch im Niedrig-Segment oder durch die Ansprache bisheriger Nicht-Kunden ergeben.
Hier noch etwas genauer von C. Christensen persönlich der Begriff „Disruptive Innovation“ in einem Video auf youtube genauer erklärt und der Link zu seinen Internetseiten.
Wie kommt man von Daten zu Wissen?
Vorhandene Daten allein bedeuten noch lange nicht Wissen oder Erkenntnisse (siehe Abbildung „From Data to Knowledge“). Marcel weist darauf hin, dass man in der Arbeit mit Daten immer zunächst die Business-relevante Fragestellung definieren sollte (A). Diese ist Grundlage für die Definition der Hypothesen und der Überlegungen, welche internen und/oder externen Daten man dazu benötigt (B). Durch das Design und Test Modelle wird festgelegt, welche Dateninformationen vorliegen (C). Durch die Messung, Verifikation/ Falsifikation der Hypothesen und Interpretation der Daten entsteht schliesslich das Datenwissen (D).
Doch auch hier geht es insbesondere wieder um Menschen, wenn wir uns betrachten, was erfolgreiche datengetriebene Unternehmen ausmacht. So sind dies wiederum 62% Kultur, 28% die zur Verfügung stehenden Ressourcen und nur lediglich 10% die Technologie. Entscheidender Erfolgsfaktor ist auch hier wieder die richtige Mischung an Fähigkeiten und Kenntnissen innerhalb eines gut aufgestellten Teams.
Let’s talk about AI
Über das Thema der Daten kommen wir schliesslich zum letzten Teil des spannenden Vormittags – dem Thema Künstliche Intelligenz. Dazu sehen wir zunächst einige Beispiele, z.B. Maschinen/ Künstlicher Intelligenz (AI), die selbst lernend ihren High Score bei definierten Spielen optimieren, bisherige Weltmeister in Schach und Atari schlagen. Marcel weist auf die fundamentalen Unterschiede zwischen dem menschlichen Gehirn und AI hin und betont die Notwendigkeit, dass zukünftig viel mehr interdisziplinär in diesem Bereich zusammengearbeitet werden muss (Hirnforscher, Psychologen usw.).
Was heisst aber nun „lernende Maschinen“ und welche Probleme ergeben sich damit?
Bei disruptiven Technologien und AI spielen Daten und Algorithmen eine wichtige Rolle. Wie wir vorher diskutiert haben, sind Daten das Ergebnis einer vorab definierten Messung, die aufbereiteten Daten führen zu Informationen. Die Interpretation der Informationen schliesslich führt zu Wissen.
Dieses Wissen kann aber nur durch Menschen generiert werden. Maschinen können lediglich die Daten visualisieren. Und sind damit nur das Abbild der Daten, mit denen sie “gefüttert” werden.
Und darin liegt auch das grundlegende Problem und der Grund warum eine Maschine niemals neutral sein kann. Die Erhebung von Daten, die Interpretation von Informationen durch Menschen wird immer durch z.B. den kulturellen Hintergrund, Lebenserfahrungen, politische und wirtschaftliche Interessen beeinflusst.
Werden Maschinen nun mit Daten, Resultaten und Regeln trainiert, übernehmen sie diese Muster und Diskriminierungen.
Über eine einfache Google Abfrage lernen wir eindrückliche Beispiele kennen, bei denen Algorithmen mit verzerrten Daten trainiert wurden. Einfach mal ausprobieren und die folgenden Begriffe eingeben:
- „professional haircut“ vs. „unprofessional haircut“ oder
- „beautiful scin“ vs. “beautiful black scin”.
Ein weiteres Beispiel der Übernahme von Mustern und “Regeln” ist das des „durchgeknallten“ Chatbot “Tay”. Nachdem dieser auf Twitter als einzigen Kontakt nur Nachrichten erhielt die beleidigend, sexistisch und diskriminierend waren, sendete er ebenfalls nur derartige Nachrichten ab. Nach nur 3 Stunden wurde der Beleidigungen twitternde Chatbot wieder abgestellt.
Wir haben die Verantwortung …
Die Diskussionen und Beispiele zeigen, dass diesem Thema kritisch zu begegnen ist. Verlässt man sich einfach “blind” und ohne jegliche Transparenz auf Maschinen besteht ein grosses Gefahrenpotenzial. Diese sind extrem beeinflusst –
„Data are a mirror of our society and machines learn from these data“.
Marcel betont in seinen den Vormittag abschliessenden Schlussworten die damit einhergehenden rechtlichen und gesellschaftlichen Probleme. Auch ein zum Schluss eingespielter Kurzfilm zum Thema Bio-Hacking zeigt, dass mit den heute diskutierten Entwicklungen auch kritisch umgegangen werden muss. Die Gesellschaft steht vor einer Wende, in der wir uns entscheiden müssen, welche Rolle Maschinen einnehmen sollen und dürfen. Wir haben die Verantwortung, die man – ohne zu viel regulieren zu wollen – definitiv nicht nur den grossen Technologieunternehmen übergeben darf. Die Probleme und Themen werden jedoch noch viel zu wenig bzw. kaum in der Politik und in der Gesellschaft diskutiert und sollten viel mehr in das Zentrum der öffentlichen Debatte rücken.