Jenseits des statistischen Modellierens

00:00:08 Die harte Wahrheit über das Scheitern von Data-Science-Projekten, die keinen Einfluss auf den täglichen Geschäftsbetrieb haben.
00:00:55 Das allgemeine Verständnis von Data Science in den meisten Unternehmen als glorifiziertes statistisches Modellieren.
00:02:17 Der Unterschied zwischen klassischem statistischem Modellieren und dem, was Unternehmen wie Google, Microsoft und Amazon tun.
00:03:51 Die Geschichte des Elektromagnetismus und der Vergleich mit Data Science.
00:07:04 Das Problem mit der Kaggle-Mentalität in der Data Science.
00:08:01 Diskussion darüber, wie Technologieinnovationen in der realen Welt funktionieren.
00:09:01 Beispiel dafür, wie Amazon den E-Commerce revolutioniert hat.
00:10:01 Erklärung, dass die Mehrheit der Data-Science-Abteilungen in akademischen Denkweisen stecken geblieben ist.
00:12:34 Erklärung, dass das größte Risiko für Unternehmen darin besteht, obsolet zu werden.
00:14:06 Diskussion über die zukünftige Bedeutung von KI und Deep Learning in Unternehmen.
00:16:01 Der Fortschritt autonomer Fahrzeuge ist beeindruckend, aber die Frage ist, ob er industrialisiert werden kann.
00:16:17 Die Diskussion verlagert sich auf die Anwendung von Technologie in Lieferketten und Finanzen.
00:17:37 Ein Lackmustest, um festzustellen, ob das Data-Science-Team eines Unternehmens für das Überleben des Unternehmens ausreichend bedeutend ist.
00:20:07 Die Bedeutung von Führungskräften, die “mechanisches Verständnis” haben, um Data Science effektiv in ihrem Unternehmen einzusetzen.
00:22:34 Die Idee, junge Menschen direkt nach dem College einzustellen, um ein Unternehmen zu revolutionieren, ist Wunschdenken und intellektuell faul.

Zusammenfassung

Im Interview mit Kieran Chandler diskutiert Joannes Vermorel, wie die meisten Unternehmen das volle Potenzial von Data Science nicht nutzen und sich stattdessen auf bestehende statistische Modelle konzentrieren. Er ist der Meinung, dass Unternehmen Prozesse neu erfinden und innovative statistische Methoden übernehmen sollten. Vermorel betont die Bedeutung der Integration technischer Fähigkeiten auf Führungsebene durch “mechanisches Verständnis”. Er argumentiert, dass die Einstellung junger Ingenieure für die Transformation eines Unternehmens nicht ausreicht und dass Führungskräfte mechanisches Verständnis haben müssen, um neue Technologien wirklich zu nutzen. Erfolgreiche Unternehmer sind entweder sehr jung oder erfahren, wobei letztere oft durch die Gründung neuer Unternehmen erlangt wird. Sich auf frische Absolventen für die Transformation eines Unternehmens zu verlassen, ist Wunschdenken und intellektuelle Faulheit.

Erweiterte Zusammenfassung

In diesem Interview spricht Kieran Chandler mit Joannes Vermorel, dem Gründer von Lokad, über die Mängel des klassischen statistischen Modellierens in der Data Science und wie Unternehmen ihre Herangehensweise überdenken müssen, um in diesem Bereich erfolgreich zu sein.

Vermorel erklärt, dass die meisten Unternehmen Data Science als glorifiziertes statistisches Modellieren betrachten und bestehende statistische Modelle auf Daten anwenden. Unternehmen, die jedoch wirklich ernsthaft an Data Science interessiert sind, wie Google, Microsoft und Amazon, überdenken die Natur statistischer Methoden und erfinden neue, anstatt nur bestehende Modelle anzuwenden.

Er argumentiert, dass die derzeitige Vorstellung von Data Science in den meisten Unternehmen zu einfach ist und vergleicht sie mit der Einführung des Elektromagnetismus im 19. Jahrhundert. Damals sahen die Menschen es nur als nützliches Werkzeug für bestimmte Aufgaben, wie Qualitätskontrolle. Sobald jedoch die Elektrizität genutzt wurde, veränderte sie ganze Branchen. Auf die gleiche Weise glaubt Vermorel, dass Data Science das Potenzial hat, Unternehmen zu revolutionieren, aber nur, wenn Unternehmen es anders angehen.

Er kritisiert den gängigen Ansatz der Data Science, der das Sammeln und Bereinigen von Daten, das Anwenden statistischer Modelle und das Bereitstellen von Ergebnissen umfasst. Er argumentiert, dass diese Methode, die oft von der Kaggle-Community repräsentiert wird, zu einfach ist und sich zu sehr darauf konzentriert, das beste Modell für einen bestimmten Datensatz und ein bestimmtes Problem zu finden, anstatt die zugrunde liegenden Daten und ihre potenziellen Anwendungen wirklich zu verstehen.

Stattdessen schlägt Vermorel vor, dass Unternehmen Data Science als Möglichkeit betrachten sollten, ihre Prozesse neu zu erfinden, ähnlich wie die Elektrizität die Industrie revolutioniert hat. Dies erfordert eine Veränderung der Denkweise, weg vom bloßen Anwenden bestehender Modelle auf Daten hin zur Entwicklung neuer statistischer Methoden und Ansätze, die das volle Potenzial der Data Science freisetzen können.

Joannes Vermorel argumentiert, dass die meisten Unternehmen das volle Potenzial der Data Science nicht nutzen, da sie sich darauf konzentrieren, bestehende statistische Modelle anzuwenden, anstatt neue zu entwickeln. Um wirklich von Data Science zu profitieren, müssen Unternehmen ihre Herangehensweise überdenken und sich darauf konzentrieren, ihre Prozesse neu zu erfinden und innovative statistische Methoden zu entwickeln.

Vermorel argumentiert, dass die Einführung neuer Technologien kein linearer Prozess ist, bei dem Unternehmen einfach von Universitäten lernen und Innovationen umsetzen. Stattdessen müssen Unternehmen in einen fortlaufenden Dialog mit neuen Technologien eintreten, Erkenntnisse gewinnen und ihre zukünftigen Bedürfnisse basierend auf den Möglichkeiten dieser Technologien projizieren.

Vermorel verwendet das Beispiel der Entwicklung des E-Commerce bei Amazon und hebt hervor, wie das Unternehmen die Zukunft des Handels überdenken, Anforderungen festlegen und innovative Lösungen finden musste. Er betont, dass der Schlüssel zu erfolgreicher Innovation darin besteht, das Problem klar zu verstehen und die richtigen Fragen zu stellen.

Auf die Frage, warum viele Data Science-Abteilungen immer noch akademische Ansätze verfolgen, nennt Vermorel Faulheit als Hauptfaktor. Unternehmen entscheiden sich oft für einen “Buzzword”-Ansatz und investieren in die neuesten Trends, ohne zu berücksichtigen, wie diese Technologien ihre Geschäftsmodelle grundlegend verändern könnten. Vermorel schlägt vor, dass Unternehmen sich darauf konzentrieren sollten, die tiefgreifenden Veränderungen zu verstehen, die neue Technologien in ihre Organisationen bringen können, anstatt kosmetische Verbesserungen anzustreben.

Chandler fragt, ob das Risiko der Einführung neuer Technologien und der Änderung von Geschäftsmodellen der Grund für die Widerstand gegen Veränderungen sein könnte. Vermorel erkennt das inhärente Risiko an, weist jedoch auch auf das Risiko der Obsoleszenz für Unternehmen hin, die sich nicht innovativ zeigen. Er teilt seine Erfahrungen von vor einem Jahrzehnt und warnt Einzelhändler vor dem disruptiven Potenzial von Amazon. Obwohl viele dieser Einzelhändler Amazon anfangs als unbedeutend abtaten, haben sie nun Schwierigkeiten, mit dem E-Commerce-Riesen zu konkurrieren.

Laut Vermorel deutet das anhaltende Wachstum von Amazon und Alibaba trotz der diseconomies of scale, mit denen sie konfrontiert sind, darauf hin, dass sie ihren Wettbewerbern um Lichtjahre voraus sind. Während Führungskräfte versucht sein könnten, den Status quo beizubehalten, um das Risiko zu minimieren, warnt Vermorel davor, dies kontinuierlich zu tun, da dies zum Untergang eines Unternehmens führen kann. Stattdessen sollten Unternehmen sich aktiv mit neuen Technologien auseinandersetzen und ihre Modelle anpassen, um im Angesicht von Disruption wettbewerbsfähig zu bleiben.

Sie diskutieren die Rolle fortschrittlicher statistischer Techniken, die Zukunft des Supply Chain Managements und wie Unternehmen eine datengetriebene Kultur in ihren Teams etablieren können.

Vermorel geht zunächst auf die Denkweise von Unternehmen ein, die die Bedeutung fortschrittlicher statistischer Techniken nicht erkennen. Er argumentiert, dass Unternehmen die Risiken einer Nichtinvestition in neue Technologien nicht übersehen sollten und verwendet das Beispiel von Unternehmen, die sich in den frühen 90er Jahren nicht an das Internet angepasst haben. Er betont, dass Unternehmen das Risiko der Einführung neuer Technologien eingehen müssen, um nicht irrelevant zu werden.

Auf die Frage nach der zukünftigen Relevanz von KI und Deep Learning verweist Vermorel auf die beeindruckenden Leistungen von Unternehmen wie Google, Amazon und Microsoft in Bereichen wie Schach und autonome Fahrzeuge. Er glaubt, dass diese Technologien weiterhin fortschreiten und eine wesentliche Rolle im Supply Chain Management spielen werden. Er zieht eine Parallele zwischen der Optimierung der Supply Chain und dem quantitativen Handel in der Finanzbranche, wo letzterer bereits seit Jahrzehnten im Einsatz ist.

Um eine Kultur der Innovation und Risikobereitschaft in Data-Science-Teams zu etablieren, schlägt Vermorel einen Lackmustest vor: Wenn ein Unternehmen über Nacht alle seine Data Scientists entlassen würde, wäre das Unternehmen dann in Lebensgefahr oder würde es innerhalb eines Jahres bankrottgehen? Wenn die Antwort nein lautet, nimmt das Unternehmen wahrscheinlich nicht genügend Risiken mit seinem Data-Science-Team auf sich. Er vergleicht dies mit den Anfangstagen des Internets, als Unternehmen trotz der scheinbar unterlegenen Technologie erhebliche Risiken mit Webentwicklern eingingen. Dieses Risikoeingehen ermöglichte es diesen Unternehmen, sich im digitalen Zeitalter anzupassen und erfolgreich zu sein.

Sie diskutierten die Bedeutung, dass Unternehmen technische Fähigkeiten annehmen und eine Strategie entwickeln, die diese Aspekte auf Führungsebene integriert. Er betont das Konzept der “mechanischen Sympathie”, bei dem Führungskräfte ein tiefes Verständnis der technischen Elemente haben und so in Zusammenarbeit mit Ingenieuren fundierte Entscheidungen treffen können.

Vermorel argumentiert, dass es nicht ausreicht, junge, brillante Ingenieure einzustellen, um ein Unternehmen zu revolutionieren. Vielmehr ist es entscheidend, dass Führungskräfte eine mechanische Sympathie haben, um das Potenzial neuer Technologien wirklich zu nutzen. Er hebt hervor, dass das gängige Muster für erfolgreiche Unternehmer entweder sehr jung oder mit umfangreicher Erfahrung und Weisheit ist, die oft durch die Gründung neuer Unternehmen gewonnen wurde. Vermorel kommt zu dem Schluss, dass es Wunschdenken und intellektuelle Faulheit ist, sich auf frischgebackene Hochschulabsolventen zu verlassen, um ein Unternehmen zu transformieren.

Vollständiges Transkript

Kieran Chandler: Heute bei LokadTV schauen wir über die klassische statistische Modellierung hinaus und diskutieren, warum Datenwissenschaftsabteilungen mehr tun müssen, als nur Daten zu sammeln, zu manipulieren und Ergebnisse zu liefern. Also Joannes, die meisten von uns haben immer noch Schwierigkeiten mit der klassischen statistischen Modellierung. Was ist die Hauptidee heute?

Joannes Vermorel: Es gibt mehrere Ideen. Zunächst verwende ich den Begriff “statistische Modellierung”, wie ich für diese Episode vorgeschlagen habe, weil es, wenn man sich die Datenwissenschaftspraktiken ansieht, wie sie in den meisten Unternehmen vorgesehen sind, nur glorifizierte statistische Modellierung ist. Für das allgemeine Publikum, falls Sie sich fragen, wenn es darum geht, Muster zu extrahieren oder einen Aspekt der menschlichen Intelligenz zu replizieren, haben wir derzeit nur Statistik. Diese statistischen Methoden können schicke Namen wie Deep Learning haben, und manche Leute bezeichnen sie als KI, aber wörtlich haben wir statistische Modelle.

Vor einigen Jahrzehnten gab es Versuche, KI mit nicht-statistischen Ansätzen wie dem symbolischen Ansatz durchzuführen, der jedoch fast keine praktischen Ergebnisse lieferte. Dieser Zweig starb aus und ließ den statistischen Ansatz als einzigen zurück, der noch in nennenswertem Maße existiert. Also alles, was wir mit Daten machen können, sind statistische Methoden.

Das Interessante ist, was machen diese Teams in den meisten Unternehmen, die tatsächlich Datenwissenschaft betreiben? Nun, sie spielen mit statistischen Modellen. Ich stelle das dem gegenüber, was zum Beispiel Google, Microsoft und Amazon tun. Sie machen nicht nur statistische Modellierung; sie überdenken die Kernnatur der nächsten statistischen Methode, wie die Erfindung von Deep Learning im Vergleich zum Spielen mit Deep Learning. Es geht darum, die nächste Stufe der Gradient Boosted Trees zu erfinden, anstatt Gradient Boosted Trees, ein statistisches Modell, einfach auf einen anderen Datensatz anzuwenden.

Kieran Chandler: Die gängige Vorstellung ist, dass diese Teams reingehen, Daten sammeln, sie bereinigen, ihre statistischen Modelle anwenden und Ergebnisse liefern. Was machen Google und Amazon so viel besser als das?

Joannes Vermorel: Um diese Frage zu beantworten, müssen wir ein wenig zurückgehen und ein wenig über das 19. Jahrhundert nachdenken, als Elektromagnetismus etwas völlig Neues war.

Kieran Chandler: Wenn man ein wenig Geschichte liest, wie die Menschen damals damit umgingen, würde man sagen: “Oh, da ist Elektromagnetismus. Das ist unglaublich interessant.” Stellen Sie sich vor, Sie sind ein Industrieunternehmen dieser Zeit, ein vorindustrielles Unternehmen. Sie haben einen halbmanuellen Hersteller und dann haben Sie diese Sache mit dem Elektromagnetismus, die interessant wird, und Sie sagen: “Oh, ich denke, es lohnt sich wirklich, ein kleines Team zu haben, das damit einige ausgefallene Dinge macht.” Und vielleicht haben wir zur Qualitätssicherung ein paar Dinge, mit denen wir die Leitfähigkeit testen können, und das ist sehr vielversprechend. Und wir werden ein paar Dinge tun, die interessant sind, weil das Testen der Leitfähigkeit eine großartige Möglichkeit ist, die Qualitätssicherung für ein paar Dinge, die wir produzieren, durchzuführen.

Joannes Vermorel: Wenn man darüber ein Jahrhundert später nachdenkt, würde man denken, dass das Unsinn ist. Ich meine, mit Elektrizität kann man Motoren, elektrische Beleuchtung, Heizung, Kühlung und sogar Metall schmelzen. Es wird alle Bedürfnisse ersetzen, die man für eine offene Flamme in Ihrem Hersteller hat. Also, wenn Sie einmal Elektrizität im großen Maßstab haben, können Sie praktisch alles in der Art und Weise, wie Sie es tun, neu erfinden. Das Problem ist, dass die Art und Weise, wie Data Science konzipiert ist, etwas ist, das ein ausgefallenes Gadget ist, und die Menschen halten sich an den Rahmen, in dem sich das Problem präsentiert.

Kieran Chandler: Also, wie es in der akademischen Welt gemacht wird, ist es, das Problem so darzustellen, als hätten Sie einen klar definierten Datensatz, eine Reihe von Modellen und Genauigkeitsmetriken irgendeiner Art, weil Sie eine Vorhersage machen wollen. Und wir werden die verschiedenen Modelle erkunden und nach dem Modell suchen, das am besten funktioniert. Und das wird buchstäblich in den Kaggle-Wettbewerben verkörpert, über die wir zuvor gesprochen haben.

Joannes Vermorel: Die Leute sagen: “Nun, alles wurde eingerahmt; es gibt einen gegebenen Datensatz, ein Problem mit einer gegebenen Metrik und dann gibt es eine endlose Sammlung von Modellen.” Die meisten von ihnen können sogar auf viele Arten zusammengesetzt werden, und Sie können potenziell die Merkmale neu gestalten, die Sie haben, um den Datensatz schöner im Hinblick auf das Modell zu machen, das Sie haben. Das ist Data Science.

Kieran Chandler: Was ist so falsch an dieser Art von Kaggle-Denkweise? Ist es einfach zu vereinfacht und sagt Ihnen nur, dass Sie ein Ergebnis haben werden, das genau ist, oder warum ist es so falsch?

Joannes Vermorel: Wenn man sich die Geschichte ansieht, und wieder einmal ist es etwas, das man nur einmal in der Vergangenheit sieht, wird es offensichtlich. Aber zurzeit, wenn man an der Grenze steht, ist es schwer zu erkennen. Sobald es zur Norm geworden ist, ist es so offensichtlich. Also, wenn ich jetzt auf Data Science zurückblicke, sehe ich Unternehmen, die unweigerlich Pet-Projekte übernehmen, eine Art ausgefallenes numerisches Gadget, in das sie ein wenig KI eingebaut haben. Wahrscheinlich sind die am absurdesten nutzlosen Dinge die Chatbots. Aber ich weiß, dass es viele Leute gibt, die viel Geld aufgebracht haben, um großartige Unternehmen zu entwickeln, die dynamisch lernen können, wie man auf Twitter diskutiert und in 48 Stunden zu Nazis werden, nur weil die Leute die richtigen Eingaben gemacht haben. Und das ist einfach Unsinn.

Kieran Chandler: Zurück zu dem Problem, wenn man darüber nachdenken möchte, was eine neue Technologie mit sich bringt, ist es kein Einbahnprozess. Die Leute denken, dass Universitäten Dinge entdecken, sie den Studenten beibringen und die Absolventen mit Ingenieur- und Informatikabschlüssen in Unternehmen gehen und die Innovation einführen. Aber das ist absolut nicht die Art und Weise, wie die reale Welt funktioniert.

Joannes Vermorel: Die reale Welt ist zum Beispiel Amazon, das praktisch das erfunden hat, was E-Commerce werden sollte, zusammen mit einigen anderen wie eBay und anderen Pionieren. Sie haben das durch ihre Innovation definiert. Es war nicht Jeff Bezos, der in den frühen 90er Jahren irgendwohin ging und sagte: “Ich werde einfach Webmaster einstellen und eine Website erstellen.” Sie mussten buchstäblich darüber nachdenken, wie die Zukunft des Handels auf Distanz aussehen würde, und das war etwas völlig anderes als das, was bisher getan worden war.

Also, Data Science, sehen Sie, das Problem ist, dass Sie denken, es geht darum, ein Framework zu haben, in dem intelligente Ingenieure die Lösung umsetzen können. Nun, tatsächlich ist der Prozess viel mehr eine fortlaufende Diskussion, bei der das Unternehmen Einblicke in neue technische Möglichkeiten gewinnt und sich dann in das Geschäft ihrer Zukunft hineinprojiziert. Sie legen dann die Anforderungen fest, was technisch fehlt, um das tatsächlich umzusetzen, und in der Regel stellt man fest, dass die meisten Innovationen aus den Anforderungen kommen. Sobald man eine klare Vorstellung davon hat, was man braucht, ist die Lösung nicht mehr so schwer zu finden, wenn man weiß, welche Frage man stellen muss.

Kieran Chandler: Und warum würden Sie sagen, dass die Mehrheit der Data-Science-Abteilungen immer noch in diesen akademischen Denkweisen feststeckt? Warum sind nicht mehr von ihnen wie die Amazons dieser Welt?

Joannes Vermorel: Erstens, weil wenn Sie ein Unternehmen einer bestimmten Größe sind und diese Buzzwords sehen, ist der bequeme Weg, eine Zeile in ihrem Budget hinzuzufügen, wo sie ein paar Millionen im Jahr für den buzzwordartigen Ansatz des Tages ausgeben werden. Wenn es ein Data-Science-Team ist, ja, machen wir das. Wenn Blockchain angesagt ist, ja, haben wir auch ein Blockchain-Team. Sie werden routinemäßig etwas einführen, das das Buzzword des Tages ist, und etwas aus der Hype-Phase herausnehmen. Es ist einfach das Geschäft wie üblich.

Meine Botschaft ist, dass wenn Sie etwas tun wollen, das Substanz hat, müssen Sie sich wirklich fragen, welche tiefgreifende Veränderung in Ihrem Unternehmen aufgrund dieser ausgefallenen numerischen Methoden stattfinden würde. Wenn die einzige Veränderung eine kosmetische Sache ist, wie zum Beispiel die automatische Berechnung der ABC-Klassen auf eine bessere Weise, wird sich nichts für Ihr Unternehmen ändern. Aber sicherlich ist es eine andere Geschichte, das gesamte Geschäftsmodell eines Unternehmens zu ändern, um sich an irgendeine Art von neuer Technologie anzupassen.

Kieran Chandler: Ist es grundsätzlich riskant, und würden Sie nicht sagen, dass das der Grund ist, warum es so viel Widerstand gegen diese Art von Veränderung gibt? Liegt es daran, dass es, wenn die Leute es nicht verstehen, mit vielen Risiken verbunden ist, weil es eine neue Technologie ist? Also ist es viel sicherer, es so zu lassen, wie es ist, und vielleicht ein wenig in Forschung und Entwicklung zu investieren?

Joannes Vermorel: Das Problem ist das allgegenwärtige Risiko, pleite zu gehen, nur weil man veraltet ist. Für die meisten Unternehmen ist dieses Risiko sehr real. Ich habe seit über einem Jahrzehnt mit vielen Einzelhändlern diskutiert, und vor zehn Jahren hatte ich surreale Diskussionen, in denen ich ihnen sagte, dass dieses Unternehmen, Amazon, kommt und euch das Geschäft wegnehmen wird. Ihr müsst etwas tun. Und die Leute sagten mir: “Oh, aber schau, es ist so klein. Ja, es wächst, aber es hat noch nicht einmal einen Prozent Marktanteil. Es ist uns egal.” Heutzutage, wenn man sich Amazon und Alibaba ansieht, sind sie absolut gigantisch und wachsen immer noch, was verrückt ist. Angesichts der Menge an Skaleneffekten, unter denen sie leiden, weiß man, dass man, wenn man eine bestimmte Größe überschreitet, keine Skaleneffekte mehr erhält, sondern Skalennachteile. Amazon ist längst über die Phase der Skalennachteile hinaus, daher haben sie massive Nachteile bei allem, was sie tun, weil sie solche Skalennachteile haben. Wenn sie auch nur ein Prozent Wachstum haben wollen, müssen sie absolut massive Skalennachteile überwinden. Das bedeutet, dass sie nicht etwas tun, das nur marginal besser ist als die meisten anderen Unternehmen; sie sind einfach Lichtjahre voraus. Also, in der Tat, als Führungskraft ist es die sicherste Karte, nichts zu tun oder den Status quo nie in Frage zu stellen, da gibt es keine Frage. Das Problem ist, dass, wenn man diese Karte über mehrere Jahrzehnte hinweg spielt, das Unternehmen einfach überholt wird. Meine Botschaft an den CEO wäre: Können Sie es tolerieren, dass diese Denkweise in Ihrem Unternehmen vorherrscht? Sehen Sie keine Probleme auf Sie zukommen? Wenn nicht, würde ich sagen, dass niemand Tränen vergießen wird, wenn Sie den Weg des Dodos gehen.

Kieran Chandler: Diese fortgeschrittenen statistischen Techniken sind derzeit sehr beliebt, und die Leute reden immer von Buzzwords wie KI und Deep Learning. Aber wie viel Vertrauen können Sie haben, dass dies in zehn Jahren immer noch ein wichtiges Thema für diese Unternehmen sein wird?

Joannes Vermorel: Das ist eine gute Frage. Zunächst einmal sind die Leistungen von Unternehmen wie Google, Amazon oder Microsoft mit diesen Technologien einfach atemberaubend. Zum Beispiel sind wir von Programmen, die große Schwierigkeiten hatten, einen Schachgroßmeister zu übertreffen, zu etwas gekommen, das jetzt den Schachweltmeister schlägt. Wenn man sich die neuesten Arbeiten von Google ansieht, kann man in vier Stunden von Null auf unmöglich gut im Schach werden. Sie können ein Programm einrichten, das lernen wird, Schach zu spielen, und in vier Stunden einen Punkt erreichen, der buchstäblich unmenschlich ist, wo es jeden einzelnen lebenden Menschen schlagen wird. Die Art und Weise, wie der Computer das Spiel spielt, ist einfach unverständlich, weil es nicht einmal annähernd Sinn ergibt. Also, es gibt beeindruckende Leistungen, natürlich für sehr enge, klar definierte Probleme. Aber wenn man sich autonome Fahrzeuge ansieht, ist es auch absolut beeindruckend; es funktioniert.

Kieran Chandler: Die Frage ist, ob es industrialisiert werden kann. Wir haben immer noch einige Bedenken, aber der Fortschritt ist buchstäblich atemberaubend.

Joannes Vermorel: Die Tatsache, dass man diesen Glaubenssprung machen kann und sagen kann, nun ja, es gibt diese Technologien, die sich in einer langen Reihe von Fällen bewährt haben. Es ist eine sehr vernünftige Überzeugung zu sagen, dass die Chancen ziemlich hoch sind, dass diese Dinge die Art und Weise, wie Supply Chains durchgeführt werden, komplett neu erfinden werden. Übrigens, im Fall der Supply Chain wird es nicht einmal sehr neu sein, denn wenn man sich Lokad ansieht, vertreten wir diese Vision der quantitativen Supply Chain. Aber wenn man sich ansieht, was heutzutage in Banken und der Finanzbranche gemacht wird, geht es alles um quantitatives Trading. Sie haben Quants, und es ist nicht einmal die Zukunft, es ist bereits da, es gibt es schon seit zwei Jahrzehnten oder mehr. Also ist die Idee jetzt, dass dieser Ansatz zwei oder drei Jahrzehnte zu spät in der Supply Chain kommt, aber er ist bereits seit Jahrzehnten in der Finanzbranche etabliert.

Kieran Chandler: Wenn jemand das hier sieht und sich fragt, was er tun muss, um diese Art von Kultur in seinen Data-Science-Teams zu etablieren, welche Schritte sollten sie unternehmen? Wie sollten sie ihre Teams dazu bringen, mehr Risiken einzugehen und etwas bahnbrechender zu sein und sich gegen die einfachen Status-quo-Optionen zu bewegen?

Joannes Vermorel: Ich denke, man kann einen einfachen Lackmustest machen: Wenn das Unternehmen über Nacht alle Data Scientists entlassen würde, wäre das Unternehmen in verzweifelter Not? Würde das Unternehmen in einem Jahr bankrott gehen? Und wenn die Antwort nein ist, dann sind diese Leute wahrscheinlich unbedeutend, und was auch immer man mit diesen Leuten macht, spielt keine Rolle. Man würde sagen: “Oh, aber das ist so viel Risiko, das ist so brutal.” Aber noch einmal, überdenken Sie die Situation von Amazon in den frühen 90er Jahren mit dem Web. Die Leute würden sagen: “Oh, aber wir sind so abhängig von diesen Web-Entwicklern. Es ist verrückt, von dieser Technologie abhängig zu sein, die super schlecht aussieht. Sie haben dieses Modem, das super langsam ist, es dauert drei Minuten, um die Verbindung herzustellen. Das ist ein Haufen Mist auf einem Haufen Mist. Und dann haben Sie Bilder, die eine Auflösung haben, die so schlecht ist. Ich meine, erst warten Sie eine Minute, um das Bild Ihres Produkts zu haben, und dann ist es super schlecht. Dieser Papierkatalog ist so viel besser. Echtzeit-Zugriff auf alle Produkte, hochauflösende Bilder. Diese Web-Sache ist einfach ein großer Haufen Unsinn. Warum sollten wir irgendein Risiko eingehen und eine harte Abhängigkeit im ganzen Unternehmen von diesen Web-Entwicklern haben?” Nun, die Antwort ist, weil Sie sonst in zehn Jahren, zwanzig Jahren nicht mehr existieren.

Also offensichtlich spiele ich hier mit dem Wissen im Nachhinein. Die Dinge sind jetzt viel offensichtlicher. Es fällt mir schwer, das zu vermitteln, aber die Sache ist die, dass ich denke, viele Unternehmen haben das erkannt, und deshalb haben sie diese Data Scientists eingestellt. Aber sie erkennen nicht, dass die Frage ist, ob Sie eine Strategie haben, bei der die Kernführungskräfte diese technischen Fähigkeiten wirklich optimal nutzen. Und das erfordert strategisches Denken.

Kieran Chandler: Also, haben Sie mechanisches Verständnis, das es Ihnen ermöglichen würde, eine intelligente, fundierte Diskussion mit den Ingenieuren zu führen, die den Motor für Ihr Unternehmen bauen? Würden Sie sagen, dass dies einer der großen Blocker ist, wenn es um Data Science in Unternehmen geht, dass die Führungskräfte wahrscheinlich derzeit nicht dieses Maß an mechanischem Verständnis haben, das sie benötigen?

Joannes Vermorel: Ehrlich gesagt, wenn Sie Unternehmen neu erfinden könnten, indem Sie 24-Jährige einstellen und sie ihre Magie wirken lassen, wäre das fantastisch. Aber wenn Sie sich die Geschichte der Unternehmen anschauen, ist es sehr selten, dass Dinge auf diese Weise passieren - dass man einen brillanten Ingenieur einstellt, der zufällig ein 50 Jahre altes Unternehmen von innen heraus komplett revolutioniert. Das dominierende Muster sind entweder sehr junge Menschen oder solche im Alter von 45 Jahren oder älter, da sie in der Regel etwas Kapital, Erfahrung und vielleicht auch eine gewisse Weisheit haben. Dafür braucht es ein neues Unternehmen.

Mein Rat wäre: Wenn Sie glauben, dass die Einstellung von Hochschulabsolventen Ihr Unternehmen revolutionieren wird, sind Sie wunschdenkend. Es ist nicht ernsthaft und, würde ich sagen, intellektuell faul, bestenfalls.

Kieran Chandler: Okay, wir müssen hier abschließen, aber vielen Dank für Ihre Zeit. Das war alles für diese Woche. Vielen Dank fürs Zuschauen und wir sehen uns in der nächsten Folge wieder. Vielen Dank fürs Einschalten.