AutoML: Automatisiertes maschinelles Lernen erklärt

Jun 18, 2023

Automatisierung ist zu einem gängigen Schlagwort in der laufenden Diskussion über künstliche Intelligenz geworden, da Software das Potenzial zeigt, die Arbeit von Buchhaltern, Fabrikarbeitern, Schriftstellern und sogar Therapeuten zu übernehmen. Jetzt beginnt die KI sogar, sich selbst zu automatisieren, in einem Prozess, der als automatisiertes maschinelles Lernen bekannt ist.

Beim automatisierten maschinellen Lernen, kurz AutoML, übernehmen im Wesentlichen Algorithmen den Prozess der Erstellung eines Modells für maschinelles Lernen. Es übernimmt die alltäglicheren, sich wiederholenden Aufgaben des maschinellen Lernens und verspricht, sowohl den KI-Entwicklungsprozess zu beschleunigen als auch die Technologie zugänglicher zu machen.

In den letzten Jahren ist das Interesse am Potenzial von autoML zur Vereinfachung der ansonsten komplexen Welt des maschinellen Lernens gestiegen. DataRobot gilt oft als eines der ersten Unternehmen, das es bereits 2013 ins öffentliche Bewusstsein gebracht hat. Seitdem bezeichnet Meta AutoML als „Rückgrat“ seiner KI, und Salesforce hat das Datenanalyse-Startup BeyondCore übernommen, um seine eigene Einstein AutoML-Bibliothek zu erstellen. Mittlerweile haben große Technologieriesen wie Google, Microsoft und Amazon ihre eigenen Low-Code-Tools für maschinelles Lernen auf den Markt gebracht, die AutoML-Techniken nutzen.

Eine solch breite Branchenakzeptanz ist von Bedeutung, wenn man bedenkt, dass das Fachwissen, das für den Aufbau hochmoderner KI-Systeme erforderlich ist, so knapp ist – selbst bei Unternehmen wie diesen.

„Für mich sehe ich keinen anderen Weg nach vorne als diese stärker automatisierten Ansätze“, sagte Sarah Aerni, Vizepräsidentin für maschinelles Lernen und Engineering bei Salesforce, gegenüber Built In. „Es gibt zu viele Möglichkeiten für KI und einfach nicht genug Leute, um sich in das Unternehmen einzuarbeiten, sich in die Technologie einzuarbeiten, sie in der Produktion einzusetzen, zu überwachen und weiter zu iterieren. Für mich ist AutoML der Punkt, an dem das als Lösung ins Spiel kommt.“ Skalierung.“

Obwohl es das Konzept des automatisierten maschinellen Lernens schon seit fast einem Jahrzehnt gibt, ist es noch immer in Arbeit. Wenn KI ihr volles Potenzial entfaltet, könnte sie über die Grenzen von Technologieunternehmen hinaus eingesetzt werden und in Bereichen wie dem Gesundheitswesen, dem Finanzwesen und der Bildung eine entscheidende Rolle spielen.

„Praktisch jeder, der maschinelles Lernen nutzt, wird auch automatisiertes maschinelles Lernen nutzen“, sagte Lars Kotthoff, Assistenzprofessor und Forscher an der Informatikabteilung der University of Wyoming, gegenüber Built In. „Irgendwann wird das wirklich überall dort zum Einsatz kommen, wo maschinelles Lernen und KI zum Einsatz kommen.“

Tauchen Sie tiefer ein. Die Automatisierung wird weitreichende Auswirkungen auf die Wirtschaft haben. Das können Sie erwarten

Auf den ersten Blick mag automatisiertes maschinelles Lernen etwas überflüssig erscheinen. Schließlich geht es beim maschinellen Lernen bereits darum, den Prozess der Identifizierung von Mustern in Daten zu automatisieren, um Vorhersagen zu treffen. Der Prozess, der auf Algorithmen und statistischen Modellen basiert, erfordert keine konsistente oder explizite Programmierung. Sobald ein Modell für maschinelles Lernen erstellt ist, kann es durch Versuch und Irrtum und Feedback weiter optimiert werden, was bedeutet, dass die Maschine durch Erfahrung und erhöhte Datenexposition lernen kann – ähnlich wie Menschen.

In der Praxis ist ein Großteil der Arbeit, die zur Erstellung eines Modells für maschinelles Lernen erforderlich ist, ziemlich mühsam und erfordert, dass Datenwissenschaftler viele verschiedene Entscheidungen treffen. Sie müssen entscheiden, wie viele Schichten sie in neuronale Netze einbeziehen, welche Gewichtungen sie den Eingaben an jedem Knoten zuweisen, welche Algorithmen sie verwenden und vieles mehr. Es ist eine große Aufgabe, und es erfordert viel Fachwissen und Intuition, um sie richtig zu erledigen.

Je komplexer das Modell, desto komplexer die Arbeit. Und einige Experten sagen, dass die Automatisierung einiger dieser Arbeiten notwendig sein wird, da KI-Systeme immer komplexer werden. AutoML zielt also darauf ab, das Rätselraten für Menschen zu eliminieren, indem es die Entscheidungen übernimmt, die Datenwissenschaftler und Forscher derzeit bei der Gestaltung ihrer Modelle für maschinelles Lernen treffen müssen.

Letztendlich besteht das Ziel darin, den Punkt zu erreichen, an dem eine Person eine Frage zu ihren Daten stellen, ein AutoML-Tool darauf anwenden und das gewünschte Ergebnis erhalten kann, ohne übermäßig technische Fähigkeiten zu benötigen. Und obwohl es immer mehr Unternehmen gibt, die maschinelles Lernen durch AutoML demokratisieren möchten, ist diese Technologie größtenteils nur Menschen mit KI- und Datenwissenschaftskenntnissen vorbehalten. Es ist ein Tool, keine bestimmte Plattform; Laut Kjell Carlsson, dem Leiter der Abteilung Data Science Strategy and Evangelism bei Domino Data Lab, handelt es sich um ein Tool mit relativ begrenzten Einsatzmöglichkeiten.

Carlsson berät Kunden dabei, wie sie ihre Data-Science-Strategie skalieren und KI effektiver nutzen können, und er beschreibt AutoML als eine Art „Booster“ oder „Beschleuniger“ für Datenwissenschaftler.

„Dadurch können sie die Funktionen, die sie verwenden möchten, schneller erkennen. Dadurch können sie die Algorithmen, die sie verwenden möchten, schneller eingrenzen. Und sie können dabei hilfreich sein, einige Probleme mit Ihren Daten frühzeitig zu erkennen.“ „, sagte er gegenüber Built In. „Es kann für die Proof-of-Concept-Phase sehr nützlich sein, um herauszufinden, ob das machbar ist.“

Holen Sie sich die Meinung eines Insiders. Wut gegen das maschinelle Lernen: Mein Krieg mit Empfehlungsmaschinen

Beim automatisierten maschinellen Lernen, so Carlsson, gehe es „hauptsächlich“ um überwachtes maschinelles Lernen, was bedeutet, dass es Benutzern Informationen über das Ergebnis liefert, das sie vorhersagen möchten, indem ein Modell erstellt wird, das Muster in gekennzeichneten Daten identifiziert.

Es gibt viele Arten des maschinellen Lernens, aber beim überwachten Lernen werden markierte Eingabe- und Ausgabedaten ständig in von Menschen trainierte Systeme eingespeist und bieten Vorhersagen mit zunehmender Genauigkeit, nachdem jeder neue Datensatz in das System eingespeist wird.

Wenn ein Unternehmen beispielsweise vorhersagen möchte, ob jemand sein Produkt kaufen wird oder nicht, muss es zunächst über einen Datensatz früherer Kunden verfügen, geordnet nach Käufern und Nichtkäufern. Dann muss es in der Lage sein, anhand dieses Datensatzes vorherzusagen, wofür sich eine ganz neue Gruppe von Kunden entscheiden wird. Oder wenn Sie möchten, dass ein Computer eine Katze in einem Video identifizieren kann, müssen Sie ihn zunächst trainieren, indem Sie ihm andere Videos mit Katzen zeigen, damit er eine Katze in einem Video, das er zuvor noch nicht gesehen hat, genau identifizieren kann.

Automatisiertes maschinelles Lernen automatisiert die Auswahl verschiedener Variablen in einem bestimmten Datensatz, die in einem Modell verwendet werden sollen, sowie der Algorithmen, die zum Erstellen dieses Modells erforderlich sind.

Im Falle der Vorhersage, ob eine Person kaufen wird oder nicht, würde AutoML verwendet, um die Tausenden von Datenpunkten zu analysieren, die das Unternehmen über diese Person hat, und um zu entscheiden, welche Informationen für eine genaue Vorhersage verwendet werden sollten. Es automatisiert auch die Auswahl selbst und entscheidet, welches Modell am sinnvollsten ist. Dies könnte ein logistisches Regressionsmodell, ein Random-Forest-Modell, eine Art Ensemble-Modell usw. sein – was auch immer für den Geschäftsanwendungsfall am besten geeignet ist.

Da AutoML-Algorithmen auf einer Abstraktionsebene oberhalb der zugrunde liegenden Modelle für maschinelles Lernen arbeiten und sich nur auf die Ergebnisse dieser Modelle als Leitfaden verlassen, können sie auch auf vorab trainierte Modelle angewendet werden, um neue Erkenntnisse zu gewinnen, ohne dass bestehende Forschungsarbeiten wiederholt oder Berechnungen verschwendet werden müssen Leistung.

Wie lange AutoML genau benötigt, hängt vollständig von der Datenmenge ab, die in das Modell eingespeist wird, sowie davon, wie viele verschiedene Modelltypen angewendet werden. Für standardmäßige, strukturierte Datensätze (wie zum Beispiel Kundendaten in einem CRM) kann die Ausführung eines AutoML-Modells laut Carlsson „superschnell“ sein – in nur wenigen Sekunden. Bei größeren Datensätzen, bei denen der Benutzer viele verschiedene Modellpermutationen unterschiedlicher Algorithmen ausprobieren möchte, kann dies Tage oder sogar Wochen dauern.

Erfahren Sie mehr über maschinelles Lernen mit integriertem maschinellen Lernen im Built In Learning Lab

Welche AutoML-Tools sind also verfügbar? Dies sind nur einige beliebte Optionen, die von Geschäftsleuten zur Automatisierung maschineller Lernprozesse genutzt werden.

Die KI-Lösungssuite von Aible dient der Automatisierung von Data-Science- und Data-Engineering-Aufgaben in mehreren Branchen. Seine Produkte können wichtige Datenbeziehungen erkennen, die Datenbereitschaft für die Modelleingabe bewerten sowie Datenanalysen und Empfehlungen ergänzen. Aible stellt aus Gründen der Datensicherheit eine direkte Verbindung zur Cloud her und kann in andere Tools wie Salesforce und Tableau integriert werden.

AutoKeras ist eine Open-Source-Bibliothek und ein AutoML-Tool, das auf Keras, einer Python-API für maschinelles Lernen, basiert. Das Tool kann Klassifizierungs- und Regressionsaufgaben in Deep-Learning-Modellen für Bilder, Text und strukturierte Daten automatisieren. AutoKeras nutzt weitgehend die Suche nach neuronaler Architektur, um das Schreiben von Code, die Auswahl von Algorithmen für maschinelles Lernen und das Pipeline-Design zu optimieren.

Auto-PyTorch basiert auf der PyTorch-Bibliothek für maschinelles Lernen in Python und ermöglicht vollständig automatisierte Deep-Learning-Aufgaben (autoDL). Es automatisiert die Algorithmenauswahl und Hyperparameter-Optimierung für tiefe neuronale Netzwerkarchitekturen und kann Tabellen- und Zeitreihendatensätze unterstützen. Auto-PyTorch wendet Bayes'sche Optimierung, Meta-Learning und Ensemble-Konstruktion zur Automatisierung an.

Auto-Sklearn ist ein Open-Source-AutoML-Tool, das auf der Scikit-Learn-Bibliothek für maschinelles Lernen in Python basiert. Das Tool automatisiert die überwachte Pipeline-Erstellung für maschinelles Lernen und kann als direkter Ersatz für Scikit-Learn-Klassifikatoren in Python verwendet werden. Wie Auto-PyTorch nutzt Auto-Sklearn Meta-Learning, Ensemble-Lernen und Bayesianische Optimierung, um bei Vorlage eines neuen Datensatzes automatisch nach Lernalgorithmen zu suchen.

Google Cloud AutoML ist eine von Google entwickelte Suite von AutoML-Tools, mit denen benutzerdefinierte Modelle für maschinelles Lernen erstellt werden können. An der Spitze der Suite steht Vertex AI, eine Plattform, auf der Modelle für Ziele wie Klassifizierung, Regression und Prognose in Bild-, Video-, Text- und Tabellendaten erstellt werden können. Vertex AI bietet vorab trainierte APIs und unterstützt alle Open-Source-Frameworks für maschinelles Lernen, einschließlich PyTorch, TensorFlow und scikit-learn.

AutoML kann bei fortgeschrittenen Anwendungen der künstlichen Intelligenz oder bei einfachen Problemen eingesetzt werden, die häufig in herkömmlichen Unternehmen auftreten, denen einfach nicht die Menschen zur Verfügung stehen, um alles zu erledigen.

Salesforce hat Tausende von Kunden, die eine Vielzahl von Dingen vorhersagen möchten, von der Kundenabwanderung über E-Mail-Marketing-Klicks bis hin zu Geräteausfällen. Und all dies erfordert viele umfangreiche Daten, die nur für ihr spezifisches Unternehmen gelten und die zur Erstellung maßgeschneiderter Modelle für maschinelles Lernen verwendet werden können. Salesforce konzentriert sich darauf, die Erstellung dieser Modelle durch automatisiertes maschinelles Lernen einfach und für jedermann zugänglich zu machen.

„Um diese Daten zu nutzen“, erklärte Aerni, „ist [Salesforce] nicht in der Lage, sie anzuzeigen. Daher müssen wir automatisierte maschinelle Lernansätze verwenden, um auf dem Datensatz dieses Kunden zu trainieren und diese Daten umzuwandeln.“ Dies erstreckt sich auf verschiedene Phasen des maschinellen Lernprozesses, von der Datenvorbereitung über das Training bis hin zur Auswahl der am besten geeigneten Modelle und Algorithmen – alles erfolgt vollständig automatisiert.

Arijit Sengupta, der Gründer von BeyondCore, das nach der Übernahme zum Einstein von Salesforce wurde, gründete ein Unternehmen namens Aible mit dem Ziel, jedem beim Aufbau eines KI-Modells zu helfen, das Mehrwert schafft. Sein Ziel: „Wie befähigen wir jeden, mithilfe von KI einen Mehrwert aus seinen Daten zu ziehen?“

Aible tut dies, indem es eine Suite von Software anbietet. Ein Tool konzentriert sich auf Augmented Data Engineering, ein anderes auf Augmented Analytics und bietet Unternehmen wichtige Einblicke in ihre Daten in einer für sie verständlichen Sprache. Und ein drittes Angebot ist Augmented Data Science und maschinelles Lernen, wo es die Erstellung von Vorhersagemodellen übernimmt und gleichzeitig alle Vorteile richtiger Vorhersagen und die Kosten falscher Vorhersagen berücksichtigt.

Zum Beispiel: „Welchen Vorteil hat es, Ihnen richtig zu sagen, dass jemand kaufen wird? Wie hoch sind die Kosten, Ihnen fälschlicherweise zu sagen, dass jemand kaufen wird, obwohl er es nicht tun würde? Und wie viel Kapazität haben Sie, um diese Interessenten zu verfolgen?“ er erklärte. „Und dann generiert unser System automatisch eine KI oder einen Satz KI, die angesichts Ihres einzigartigen Unternehmens den größten wirtschaftlichen Wert schaffen würde.“

Sangupta sagte, er wolle das Unternehmen von dem distanzieren, was traditionell als automatisiertes maschinelles Lernen gilt, vor allem weil er traditionelles AutoML für „völlig nutzlos“ hält.

„Das Problem bei traditionellem AutoML besteht darin, dass es nicht von der Geschäftsrealität ausgeht“, sagte Sangupta. „Es probiert einfach verschiedene Parameter und eine Reihe von Modellen aus und sagt dann: ‚Hier ist das beste Modell‘.“ Und das ist wirklich völlig nutzlos.

Hier ein Beispiel: Stellen Sie sich vor, dass der Nutzen eines Verkaufs in Ihrem Unternehmen 100 US-Dollar beträgt und die Kosten für die Verfolgung eines Leads 1 US-Dollar betragen. Möglicherweise ist es für Sie in Ordnung, sich auf ein maschinelles Lernmodell zu verlassen, das Ihnen 99 falsche Vorhersagen für jede einzelne Person liefert, die ein Produkt im Wert von 100 US-Dollar kauft. Aber nehmen wir an, Ihre Vertriebskapazität erlaubt nur 20 Anrufe. Das führt zu einer ganzen Reihe neuer Einschränkungen.

„Das Problem mit AutoML besteht darin, dass es so leistungsstark ist, dass man nicht genau darüber nachdenkt, was man zu tun versucht, und wenn man die Auswirkungen dieses Modells auf das Unternehmen, das man verstehen möchte, nicht erklären kann „Wenn man eine Sprache verwendet, die Geschäftsanwender verstehen können“, sagte Sangupta, „kann man sich wirklich verletzen.“

Das ist vielleicht das größte Manko des automatisierten maschinellen Lernens: der Mangel an Geschäftsintuition. AutoML wird sicherlich schneller ein produktionsreifes Modell erstellen, aber es wird einem Benutzer nicht unbedingt sagen, warum er ein bestimmtes Modell verwenden sollte oder was die geschäftliche Rechtfertigung ist – ganz zu schweigen davon, dass es ein vertretbares Problem zur Lösung inmitten einer riesigen Datenmenge bietet.

„Es war eine Lösung, die schon seit geraumer Zeit nach einem Problem sucht“, sagte Carlsson von Domino Data Lab.

Ein weiteres Problem besteht darin, dass es keinen festgelegten Standard dafür gibt, wie ein „gutes“ KI-Modell aussieht. Basiert es nur auf Genauigkeit? Trägt Geschwindigkeit dazu bei? Oder seine Lernfähigkeit? Wie auch immer, Carlsson sagte, dass diese Kennzahlen nur sehr selten mit dem tatsächlichen Geschäftsproblem übereinstimmen.

„Der Witz ist, dass wir alle ein Modell erstellen können, das terroristische Aktivitäten mit einer Genauigkeit von 99,99 Prozent vorhersagt – wir sagen einfach voraus, dass es niemals Terrorismus gibt“, sagte er. „Terrorismus passiert so selten, dass ich, wenn ich einfach vorhersage, dass Terrorismus nie passiert, dieses supergenaue Modell habe. Aber es ist ein nutzloses Modell.“ Wenn man inzwischen ein Modell erstellen würde, das mit einer Genauigkeit von 50,1 Prozent vorhersagt, ob ein Spieler bei einem Blackjack-Spiel eine weitere Karte nehmen sollte oder nicht, „würde mich das phänomenal reich machen“, fügte er hinzu.

Kurz gesagt: Es ist alles relativ und AutoML-Modelle können nicht sagen, ob ihre eigenen Vorhersagen nutzlos sind oder nicht. Und egal wie komplex automatisiertes maschinelles Lernen ist, es bietet nicht das „Warum“ seines Entscheidungsprozesses, nach dem sich die meisten von uns sehnen, wenn es um Vertrauen geht.

Aber Kotthoff von der University of Wyoming sagte, es sei „eine ziemliche Herausforderung“, dies tatsächlich zu erreichen, insbesondere im Fall von AutoML, „aufgrund der Komplexität dieser gesamten Maschinerie und der vielen Entscheidungen, die automatisch unter der Haube getroffen werden.“

AutoML automatisiert auch keine Ethik. Es gibt kein eingebautes Konzept von Fairness. Sie können verschiedene Einschränkungen auferlegen, um fair zu sein – etwa gleiche Ablehnungsrate, gleiche Akzeptanzrate, gleiche Erfolgswahrscheinlichkeit – und dann sicherstellen, dass die KI dieser Definition von Fairness entspricht, aber Sangupta sagt, dass dies außerhalb des Rahmens von autoML liegt ist dazu in der Lage, weil der Mensch diese Einschränkungen festlegen muss.

„Die Gefahr bei AutoML besteht darin, dass Sie am Ende die falschen geschäftlichen und ethischen Dinge tun, weil das AutoML-System nur die Daten versteht“, sagte er.

Mehr zur KI-Ethik KI-Ethik: Ein Leitfaden zur ethischen KI

Abgesehen davon gibt es bestimmte Probleme, die sich wirklich gut für automatisiertes maschinelles Lernen eignen. Dies sind die Probleme, die die Erstellung Hunderttausender Modelle und die anschließende regelmäßige Aktualisierung dieser Hunderttausende Modelle erfordern.

Häufiger werden diese genannten Modelle als Prognosemodelle klassifiziert, sagte Carlsson. Wenn ein Gesundheitsdienstleister beispielsweise die Nachfrage nach verschiedenen Einheiten in seinem Krankenhausnetzwerk vorhersagen möchte, müsste er nicht nur unterschiedliche Modelle für jedes Krankenhaus, sondern auch die verschiedenen Einheiten innerhalb dieser Krankenhäuser sowie unterschiedliche Zeitrahmen (einen) erstellen eine Woche, drei Monate usw. Am Ende erhält man Tausende von Modellen, deren Erstellung und Umschulung für einen menschlichen Datenwissenschaftler einen immensen Arbeitsaufwand erfordert.

„AutoML-Modelle funktionieren in solchen Fällen wirklich sehr, sehr gut“, sagte Carlsson.

Und AutoML neigt im Allgemeinen nicht zu derselben Art von Vergesslichkeit oder Kurzsichtigkeit wie wir Menschen – insbesondere wenn wir mit großen, komplexen Problemen konfrontiert werden.

„Die Verwendung dieser automatisierten Ansätze führt tendenziell zu besseren Ergebnissen als Menschen, einfach weil die Maschine keine Fehler macht. Sie nimmt alle diese Informationen, die ich auf prinzipielle Weise gesammelt habe, und trifft dann darauf basierende Entscheidungen, wo Menschen anfällig sind.“ Dinge zu vergessen“, sagte Kotthoff.

Aber der größte Vorteil des automatisierten maschinellen Lernens bestehe natürlich darin, dass Datenwissenschaftler nicht mehr die harte, eintönige Arbeit der manuellen Erstellung von ML-Modellen erledigen müssten, fügte er hinzu. „Es ist wirklich etwas, das es den Menschen am Ende ermöglichen wird, besser zu arbeiten und mehr Arbeit in kurzer Zeit zu erledigen, weil sie die mühsamen Teile nicht erledigen müssen.“

Wie alle Aspekte der Automatisierung ist auch autoML nicht immun gegen die anhaltenden Spekulationen, dass es menschliche Mitarbeiter ersetzen könnte, insbesondere diejenigen, die als Datenwissenschaftler arbeiten. Tatsächlich war die „Demokratisierung der Datenwissenschaft“ das Schlagwort, als DataRobot diese Technologie zum ersten Mal öffentlich bekannt machte, und es wurde von allen, von Salesforce bis Google, wiederholt. Aber die Idee, dass ein Unternehmen diese Technologie völlig ohne die Unterstützung von Datenwissenschaftlern nutzen könnte, hat sich laut Carlsson nicht ganz durchgesetzt.

„Weil die Leute nicht wissen, was Datenwissenschaftler tun, herrscht die Ansicht: ‚Wenn wir die richtigen Tools haben, kann das jeder und wir brauchen keine Datenwissenschaftler mehr.‘ Ich habe wirklich nie erlebt, dass das wahr ist“, sagte er und fügte hinzu, dass er eher gesehen habe, dass sich die Leute in die entgegengesetzte Richtung bewegten. Unternehmen stellen mehr Datenwissenschaftler ein. Und wir bilden mehr Datenanalysten aus, damit sie Datenwissenschaftler werden können.

Tatsächlich, sagt Carlsson, wird AutoML nicht nur Datenwissenschaftler nicht ersetzen, sondern Datenwissenschaftler sind auch tatsächlich die einzigen Menschen, die überhaupt von dieser Technologie profitieren. Und selbst dann ist es für sie nur „inkrementell vorteilhaft“, vor allem weil sie so viel zusätzliche Anleitung benötigen.

„Der Einsatz dieser automatisierten Ansätze führt tendenziell zu besseren Ergebnissen als Menschen, einfach weil die Maschine keine Fehler macht.“

„Wenn man in der Welt der Datenwissenschaftler tätig ist, ist die eigentliche Erstellung des Modells nur ein kleiner Teil davon“, sagte Carlsson. Datenteams nutzen AutoML am Anfang möglicherweise ein wenig, um explorative Analysen durchzuführen, aber wenn es darauf ankommt, das „reale Modell“ zu erstellen, werden sie es von Grund auf selbst erstellen, fügte er hinzu. „Es stellt sich heraus, dass Sie tatsächlich Leute brauchen, die die Daten verstehen, wissen, wie man die Verteilung dieser Daten betrachtet und analysiert und wie man die Ergebnisse dieser Daten – die Validierung der Daten – analysiert, um etwas zu erstellen ein Modell, das tatsächlich Sinn macht.“

Und Aible-Gründer Sangupta sagt, dass die Leute, die befürchten, dass AutoML die Datenwissenschaftler völlig ersetzen könnte, den Punkt völlig verfehlen. Er glaubt nicht, dass wir Datenwissenschaftler überhaupt abschaffen müssen, wenn wir jedem die Möglichkeit geben, ein KI-Modell zu entwickeln, das Mehrwert schafft. Stattdessen vergleicht er das, was Aible tut, mit dem, was der Netscape-Browser in den 1990er-Jahren zur weiten Verbreitung des Internets beitrug – er machte diese fremde und unglaublich komplexe neue Welt für normale Menschen zugänglicher.

„Jede Technologie durchläuft diese Phase, in der es zunächst diese Experten gibt und nur die Experten es tun können. Aber das wahre Potenzial entsteht, wenn jeder in der Lage ist, es zu nutzen. Das wird mit der KI passieren. Das muss passieren.“ Sagte Sangupta. Andernfalls wird das Machtgefälle zwischen „KI-Besitzenden und KI-Besitzenden“ weiter zunehmen.

Tatsächlich unterscheiden sich die Möglichkeiten künstlicher Intelligenz heute erheblich von denen noch vor wenigen Jahren und haben enorme Auswirkungen auf die Art und Weise, wie Unternehmen geführt werden. Gewöhnliche Chatbots bestehen den Turing-Test, KI hält mit der immer raffinierteren Cyberkriminalität Schritt und Vertriebsteams arbeiten präziser und informierter als je zuvor.

„Unsere Welt verändert sich so schnell, dass man ohne KI nicht konkurrieren kann“, sagte Sangupta. „Als die Internetrevolution kam, sind viele Unternehmen, die nicht mitgemacht haben, ausgestorben. Ich glaube tatsächlich, dass die KI-Revolution weitaus disruptiver sein wird, als es die Internetrevolution jemals war.“