00:00:08 Die bittere Wahrheit darüber, dass Data-Science-Projekte 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 des Kaggle-Mindsets in Data Science.
00:08:01 Diskussion darüber, wie technologische Innovation in der realen Welt funktioniert.
00:09:01 Beispiel dafür, wie Amazon den E-Commerce revolutionierte.
00:10:01 Erklärung, dass die Mehrheit der Data-Science-Abteilungen in akademischen Denkweisen feststeckt.
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 bei autonomen Fahrzeugen ist erstaunlich, aber die Frage ist, ob er industrialisiert werden kann.
00:16:17 Der Diskussionsverlauf verlagert sich auf den Einsatz von Technologie in supply chains und Finanzen.
00:17:37 Ein Lackmustest, um festzustellen, ob das Data-Science-Team eines Unternehmens für dessen Überleben bedeutend genug ist.
00:20:07 Die Wichtigkeit, dass Führungskräfte “mechanical sympathy” besitzen, um Data Science effektiv in ihrem Unternehmen einzusetzen.
00:22:34 Die Vorstellung, junge Absolventen einzustellen, um ein Unternehmen zu revolutionieren, ist Wunschdenken und intellektuelle Faulheit.
Zusammenfassung
Im Interview mit Kieran Chandler spricht Joannes Vermorel darüber, wie die meisten Unternehmen das volle Potenzial von Data Science nicht ausschöpfen, da sie sich auf bestehende statistische Modelle konzentrieren, anstatt neue zu entwickeln. Er ist der Ansicht, dass Unternehmen ihre Prozesse neu erfinden und innovative statistische Methoden einführen sollten. Vermorel hebt die Bedeutung hervor, technische Fähigkeiten zu nutzen und sie auf der Führungsebene durch “mechanical sympathy” einzubinden. Er argumentiert, dass es nicht ausreicht, junge Ingenieure einzustellen, um ein Unternehmen zu transformieren, und dass Führungskräfte mechanical sympathy besitzen müssen, um neue Technologien wirklich zu nutzen. Erfolgreiche Unternehmer sind entweder sehr jung oder erfahren, wobei letzteres oft durch die Gründung neuer Unternehmen erworben wird. Sich auf frische Absolventen zur 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 Data Science und darüber, wie Unternehmen ihren Ansatz 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 es mit Data Science wirklich ernst meinen, wie Google, Microsoft und Amazon, überdenken jedoch die Natur statistischer Methoden und erfinden neue, anstatt lediglich bestehende Modelle anzuwenden.
Er argumentiert, dass die derzeitige Auffassung von Data Science in den meisten Unternehmen zu simpel ist und vergleicht sie mit der Einführung des Elektromagnetismus im 19. Jahrhundert. Damals sah man ihn nur als ein nützliches Werkzeug für spezielle Aufgaben, wie etwa die Qualitätssicherung. Sobald die Elektrizität jedoch nutzbar gemacht wurde, revolutionierte sie ganze Industriezweige. Auf dieselbe Weise ist Vermorel der Meinung, dass Data Science das Potenzial hat, Unternehmen zu revolutionieren – allerdings nur, wenn diese einen anderen Ansatz verfolgen.
Er kritisiert den gängigen Ansatz in der Data Science, der darin besteht, Daten zu sammeln und zu bereinigen, statistische Modelle anzuwenden und Ergebnisse zu liefern. Seiner Meinung nach ist diese Methode, die oft durch die Kaggle-Community repräsentiert wird, zu simpel und konzentriert sich zu sehr darauf, das beste Modell für einen bestimmten Datensatz und ein gegebenes Problem zu finden, anstatt die zugrunde liegenden Daten und deren potenzielle Anwendungen wirklich zu verstehen.
Stattdessen schlägt Vermorel vor, dass Unternehmen Data Science als Mittel zur Neuerfindung ihrer Prozesse betrachten sollten, ähnlich wie die Elektrizität die Industrie revolutionierte. Dies erfordert einen Mentalitätswandel – weg vom bloßen Anwenden bestehender Modelle hin zur Entwicklung neuer statistischer Methoden und Ansätze, die das volle Potenzial von Data Science erschließen können.
Joannes Vermorel argumentiert, dass die meisten Unternehmen das volle Potenzial von Data Science nicht ausschöpfen, weil sie sich darauf konzentrieren, bestehende statistische Modelle anzuwenden, anstatt neue zu entwickeln. Um wirklich von Data Science zu profitieren, müssen Unternehmen ihren Ansatz 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. Vielmehr müssen Unternehmen einen kontinuierlichen Dialog mit neuen Technologien führen, Erkenntnisse gewinnen und ihre zukünftigen Bedürfnisse basierend auf den Möglichkeiten dieser Technologien prognostizieren.
Vermorel nennt das Beispiel der Entwicklung des E-Commerce durch Amazon und hebt hervor, wie das Unternehmen die Zukunft des Handels neu denken, Anforderungen definieren und innovative Lösungen entwickeln musste. Er betont, dass der Schlüssel zu erfolgreicher Innovation darin liegt, das Problem klar zu verstehen und die richtigen Fragen zu stellen.
Auf die Frage, warum viele Data-Science-Abteilungen immer noch akademischen Ansätzen folgen, nennt Vermorel Faulheit als einen Hauptgrund. Unternehmen wählen oft einen “Buzzword-Ansatz”, investieren in die neuesten Trends, ohne zu bedenken, wie diese Technologien ihre Geschäftsmodelle grundlegend verändern könnten. Vermorel schlägt vor, dass sich Unternehmen darauf konzentrieren sollten, die tiefgreifenden Veränderungen zu verstehen, die neue Technologien in ihre Organisationen bringen können, anstatt nur oberflächliche Verbesserungen anzustreben.
Chandler fragt, ob das Risiko der Einführung neuer Technologien und der Veränderung von Geschäftsmodellen der Grund für die Widerstandsfähigkeit gegen Veränderungen sein könnte. Vermorel erkennt das inhärente Risiko an, weist jedoch auch auf das Risiko der Veralterung für Unternehmen hin, die nicht innovativ sind. Er teilt seine Erfahrungen von vor einem Jahrzehnt und warnte Einzelhändler vor Amazons disruptivem Potenzial. Obwohl Amazon zunächst als unbedeutend abgetan wurde, sehen sich viele dieser Einzelhändler nun im Wettbewerb mit dem E-Commerce-Riesen.
Vermorel zufolge deutet das anhaltende Wachstum von Amazon und Alibaba trotz der diseconomies of scale , mit denen sie konfrontiert sind, darauf hin, dass sie ihrer Konkurrenz Lichtjahre voraus sind. Während Führungskräfte versucht sein könnten, den Status quo aufrechtzuerhalten, um Risiken zu minimieren, warnt Vermorel, dass dies langfristig zum Untergang eines Unternehmens führen kann. Stattdessen sollten Unternehmen aktiv mit neuen Technologien arbeiten und ihre Modelle anpassen, um im Angesicht von disruption wettbewerbsfähig zu bleiben.
Sie diskutieren die Rolle fortschrittlicher statistischer Techniken, die Zukunft des supply chain management und wie Unternehmen eine datengesteuerte Kultur in ihren Teams etablieren können.
Zunächst spricht Vermorel die Denkweise von Unternehmen an, die die Bedeutung fortschrittlicher statistischer Techniken herunterspielen. Er argumentiert, dass Unternehmen die Risiken, die sich ergeben, wenn sie nicht in neue Technologien investieren, nicht übersehen sollten, und führt als Beispiel Firmen an, die sich in den frühen 90er-Jahren nicht an das Internet angepasst haben. Er betont, dass Unternehmen das Risiko eingehen müssen, neue Technologien zu adaptieren, oder sonst Gefahr laufen, irrelevant zu werden.
Auf die Frage nach der zukünftigen Relevanz von KI und deep learning verweist Vermorel auf die beeindruckenden Errungenschaften von Unternehmen wie Google, Amazon und Microsoft in Bereichen wie Schach und autonomen Fahrzeugen. Er ist der Ansicht, dass diese Technologien sich weiterentwickeln und eine wesentliche Rolle im supply chain management spielen werden. Er zieht eine Parallele zwischen der Optimierung von supply chains und quantitativem Handel im Finanzbereich, wobei letzterer bereits seit Jahrzehnten praktiziert wird.
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, stünde es dann vor existenzieller Gefahr oder müsste innerhalb eines Jahres Insolvenz anmelden? Wenn die Antwort nein lautet, dann nimmt das Data-Science-Team wahrscheinlich nicht genügend Risiken in Kauf. Er vergleicht dies mit den frühen Tagen des Internets, in denen Unternehmen erhebliche Risiken mit Webentwicklern eingingen, obwohl die Technologie scheinbar den traditionellen Methoden unterlegen war. Diese Risikobereitschaft ermöglichte es den Unternehmen, sich anzupassen und im digitalen Zeitalter zu gedeihen.
Sie diskutierten die Bedeutung, dass Unternehmen technische Fähigkeiten nutzen und eine Strategie verfolgen, die diese Aspekte auf Führungsebene integriert. Er betont das Konzept der “mechanical sympathy”, bei dem Führungskräfte ein tiefes Verständnis für die technischen Elemente besitzen, was ihnen ermöglicht, fundierte Entscheidungen in Zusammenarbeit mit Ingenieuren zu treffen.
Vermorel argumentiert, dass es nicht ausreicht, junge, brillante Ingenieure einzustellen, um ein Unternehmen zu revolutionieren. Vielmehr ist es entscheidend, dass Führungskräfte “mechanical sympathy” besitzen, um das Potenzial neuer Technologien wirklich zu nutzen. Er hebt hervor, dass das typische Muster erfolgreicher Unternehmer entweder darin besteht, sehr jung zu sein oder über umfangreiche Erfahrung und Weisheit zu verfügen, die oft durch die Gründung neuer Unternehmen erworben wird. Vermorel schließt daraus, dass das Vertrauen auf frische Hochschulabsolventen zur Transformation eines Unternehmens Wunschdenken und intellektuelle Faulheit ist.
Vollständiges Transkript
Kieran Chandler: Heute bei LokadTV werden wir über das klassische statistische Modellieren hinausblicken und diskutieren, warum Data-Science-Abteilungen mehr tun müssen, als nur Daten zu sammeln, zu manipulieren und Ergebnisse zu liefern. Also, Joannes, die meisten von uns haben das klassische statistische Modellieren noch nicht ganz verinnerlicht. Was ist die zentrale Idee heute?
Joannes Vermorel: Es gibt mehrere Ideen. Zunächst verwende ich den Begriff “statistical modeling”, wie ich es für diese Episode vorgeschlagen habe, denn wenn man die Data-Science-Praktiken in den meisten Unternehmen betrachtet, handelt es sich schlicht um glorifiziertes statistisches Modellieren. Für das allgemeine Publikum, falls es Sie interessiert: Wenn es darum geht, Muster zu extrahieren oder einen Aspekt menschlicher Intelligenz zu replizieren, haben wir derzeit im Wesentlichen nur Statistiken. Diese statistischen Methoden können schicke Namen wie deep learning tragen, und manche Leute bezeichnen sie als AI, aber im Grunde genommen haben wir statistische Modelle.
Vor einigen Jahrzehnten gab es Versuche, AI mit nicht-statistischen Ansätzen zu betreiben, wie etwa dem symbolischen Ansatz, der nahezu keine praktischen Ergebnisse lieferte. Dieser Zweig starb aus, sodass der statistische Ansatz als einziger übrig blieb, der bis heute in einem sinnvollen Umfang existiert. Mit anderen Worten: Alles, was wir für ausgefeilte Arbeiten mit Daten haben, sind statistische Methoden.
Das Interessante ist: Was machen die Teams in den meisten Unternehmen, die tatsächlich Data Science betreiben? Nun, sie arbeiten mit statistischen Modellen. Dem stelle ich das gegenüber, was Leute, die es wirklich ernst meinen – wie Google, Microsoft und Amazon – tun. Sie betreiben nicht einfach nur statistical modeling; sie überdenken die eigentliche Natur der nächsten statistischen Methode, so wie das Erfinden von deep learning im Gegensatz zum bloßen Umgang mit deep learning. Es geht darum, die nächste Stufe von gradient boosted trees zu erfinden, anstatt gradient boosted trees, ein statistisches Modell, zu nehmen und es einfach auf einen anderen Datensatz anzuwenden.
Kieran Chandler: Das gängige Verständnis ist also, dass diese Teams hereingehen, Daten sammeln, bereinigen, ihre statistischen Modelle anwenden und Ergebnisse liefern. Was machen die Googles und Amazons, das so viel besser ist?
Joannes Vermorel: Ich denke, um diese Frage zu beantworten, müssen wir ein wenig in die Vergangenheit gehen und, sagen wir mal, das 19. Jahrhundert neu betrachten, als der Elektromagnetismus dieses brandneue Phänomen war.
Kieran Chandler: Wenn man ein wenig Geschichte liest und sieht, wie die Menschen damals an das herangegangen sind, würde man sagen: “Oh, da ist Elektromagnetismus. Er ist so unglaublich interessant.” Stellen Sie sich vor, Sie sind ein Industrieunternehmen der damaligen Zeit, ein vorindustrielles Unternehmen. Sie haben einen Hersteller, der halbmanuell arbeitet, und dann gibt es diesen Elektromagnetismus, der interessant wird, und Sie denken: “Oh, ich finde es wirklich lohnenswert, ein kleines Team zu haben, das sich damit beschäftigt.” Und vielleicht, zur Qualitätssicherung, haben wir ein paar Messungen, bei denen wir die Leitfähigkeit testen können, und das ist sehr vielversprechend. Und wir werden ein paar Dinge tun, die von Interesse sind, denn ja – die Leitfähigkeit zu testen, ist eine hervorragende Methode, um bei einigen unserer Produkte die Qualität zu sichern.
Joannes Vermorel: Wenn man das ein Jahrhundert später betrachtet, würde man sagen, das ist Unsinn. Mit Elektrizität kann man Motoren, elektrische Beleuchtung, Heizung, Kühlung und sogar das Schmelzen von Metall betreiben. Sie ersetzt alle Notwendigkeiten, eine offene Flamme im Hersteller zu haben. Sobald man Elektrizität in großem Maßstab hat, kann man buchstäblich fast alles in der Art, wie man es bisher gemacht hat, neu erfinden. Fakt ist, dass Data Science so gesehen wird, als sei sie ein schickes Gadget, und die Leute halten sich strikt an den Rahmen, wie sich das Problem präsentiert.
Kieran Chandler: In der Wissenschaft wird das Problem so dargestellt, als hätte man einen klar definierten Datensatz, eine Reihe von Modellen und Genauigkeitsmetriken irgendeiner Art, weil man eine Vorhersage treffen möchte. Und wir werden die verschiedenen Modelle erkunden und nach dem Modell suchen, das am besten abschneidet. Das spiegelt sich buchstäblich in den Kaggle-Wettbewerben wider, die wir zuvor diskutierten.
Joannes Vermorel: Man hört oft: “Nun, alles ist vorgegeben; es gibt einen bestimmten Datensatz, ein Problem mit einer bestimmten Metrik und dann eine endlose Sammlung von Modellen.” Die meisten davon lassen sich sogar auf vielfältige Weise zusammensetzen, und man kann die vorhandenen Features potenziell so umgestalten, dass der Datensatz im Hinblick auf das jeweilige Modell besser wird. Das ist Data Science.
Kieran Chandler: Was ist so falsch an dieser Art von Kaggle-Mentalität? Ist sie einfach zu vereinfachend und vermittelt lediglich den Eindruck, dass man nur ein Ergebnis erzielen wird, das akkurat ist, oder warum ist sie falsch?
Joannes Vermorel: Wenn man einen Blick in die Geschichte wirft und bedenkt, dass man so etwas in der Vergangenheit nur einmal sieht, wird es offensichtlich. Aber in der Gegenwart, wenn man am Rande steht, ist es schwer zu erkennen. Sobald es zur Norm geworden ist, ist es so offensichtlich. Wenn ich also auf Data Science zurückkomme, sehe ich, dass Unternehmen unweigerlich Haustierprojekte starten, eine spezielle Anwendung, eine Art ausgefallenes numerisches Gadget, bei dem ein bisschen KI eingeknüpft wurde. Wahrscheinlich sind die Chatbots das, was absurd nutzlos ist. Aber ich weiß, dass es viele Menschen 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 richtigen Inputs eingespeist wurden. Und das ist schlichtweg Unsinn.
Kieran Chandler: Zurück dazu: Das Problem ist, dass wenn man darüber nachdenkt, was eine neue Technologie mit sich bringt, es kein einseitiger Prozess ist. Man stellt sich vor, Universitäten entdecken etwas, lehren es an Studierende, und Studenten, die nun mit Ingenieurabschlüssen, Informatikabschlüssen etc. graduiert haben, in Unternehmen die Innovation einführen. Aber so funktioniert die reale Welt absolut nicht.
Joannes Vermorel: In der realen Welt hat zum Beispiel Amazon im Grunde genommen das erfunden, was gleich zum e-commerce werden sollte, zusammen mit einigen anderen wie eBay und weiteren Pionieren. Sie haben das durch ihre Innovation definiert. Es war nicht so, dass Jeff Bezos in den frühen 90ern irgendwohin ging und sagte: “Ich werde einfach Webmaster einstellen und eine Website bauen.” Sie mussten buchstäblich darüber nachdenken, wie die Zukunft des Handels aus der Ferne aussehen würde, und das war etwas grundlegend anderes als alles, was bisher gemacht worden war.
Also, Data Science, sehen Sie, das Problem ist, dass man denkt, es ginge darum, einen Rahmen zu haben, in dem kluge Ingenieure die Lösung ausrollen. Tatsächlich ist der Prozess jedoch viel mehr ein fortlaufender Dialog, bei dem das Unternehmen Einblicke in neue technische Fähigkeiten gewinnt und sich dann in das projiziert, was das Geschäft der Zukunft sein sollte. Anschließend werden die Anforderungen definiert, was technisch fehlt, um dies tatsächlich umzusetzen, und in der Regel stellt man fest, dass der Großteil der Innovation aus den Anforderungen stammt. Sobald Sie einen klaren Überblick darüber haben, was benötigt wird, ist die Lösung nicht so schwer zu entwickeln, sobald Sie wissen, welche Frage gestellt werden muss.
Kieran Chandler: Und warum sagen Sie, dass die meisten Data-Science-Abteilungen immer noch in diesen akademischen Denkweisen feststecken? Ich meine, warum sind nicht mehr von ihnen wie die Amazons der Welt?
Joannes Vermorel: Erstens, weil wenn man ein Unternehmen einer bestimmten Größe ist und diese Schlagworte sieht, der faule Weg darin besteht, im Budget eine Zeile einzufügen, in der ein paar Millionen pro Jahr für den aktuellen Buzzword-Ansatz ausgegeben werden. Handelt es sich um ein Data-Science-Team, ja, machen wir das. Ist Blockchain in Mode, ja, dann gründen wir auch ein Blockchain-Team. Sie werden routinemäßig etwas einführen, das das Buzzword des Tages ist, und etwas ersetzen, das aus dem Hype geraten ist. Es ist einfach das übliche Geschäftsmodell.
Meine Botschaft lautet, dass wenn Sie etwas tun wollen, das Substanz hat, Sie sich wirklich fragen müssen, was die tiefgreifende Veränderung in Ihrem Unternehmen durch diese ausgefallenen numerischen Methoden wäre. Wenn die einzige Veränderung kosmetischer Natur ist, wie das automatische Berechnen der ABC-Klassen auf eine bessere Weise, wird sich für Ihr Unternehmen nichts ändern. Aber sicherlich ist es eine andere Geschichte, wenn das gesamte Geschäftsmodell eines Unternehmens geändert wird, um sich an irgendeine neue Technologie anzupassen.
Kieran Chandler: Ist es von Natur aus riskant, und würden Sie nicht sagen, dass genau deshalb so viel Widerstand gegen diese Art von Veränderung besteht? Liegt es daran, dass, wenn die Menschen es nicht verstehen, viele Risiken damit verbunden sind, weil es sich um eine neue Technologie handelt? Daher ist es viel sicherer, es einfach so zu belassen und vielleicht ein wenig in Forschung und Entwicklung zu investieren?
Joannes Vermorel: Das Problem ist das allgegenwärtige Risiko, aus dem Geschäft zu geraten, nur weil man veraltet ist. Für die meisten Unternehmen ist dieses Risiko ziemlich real. Ich habe über ein Jahrzehnt mit vielen Einzelhändlern diskutiert, und buchstäblich vor zehn Jahren führte ich surreale Gespräche, in denen ich ihnen sagte, dass dieses Unternehmen, Amazon, kommt und ihnen das Mittagessen wegessen wird. Sie müssen etwas unternehmen. Und die Leute sagten zu mir: “Oh, aber schau, es ist so klein. Ja, es wächst, aber es hat nicht einmal einen Prozent Marktanteil. Das interessiert uns nicht.” Heutzutage, wenn man sich Amazon und Alibaba ansieht, sind sie absolut gigantisch und wachsen immer noch, was verrückt ist. Angesichts der Mengen an Skaleneffekten, die sie erleiden, weiß man, dass wenn man eine bestimmte Größe überschreitet, man keine Skaleneffekte mehr erzielt, sondern Skalennachteile bekommt. Amazon ist weit über die Phase von Skalennachteilen hinaus, sodass sie massive Nachteile bei allem haben, was sie tun, weil sie solche Skalennachteile haben. Wenn sie überhaupt noch ein Prozent Wachstum erreichen wollen, müssen sie absolut gewaltige Skalennachteile überwinden. Das bedeutet, dass sie nichts tun, was nur marginal besser ist als das, was die meisten anderen Unternehmen machen; sie sind einfach Lichtjahre voraus. Also ist es in der Tat für einen Führungskraft, nichts zu tun oder den Status quo niemals herauszufordern, die sicherste Karte, die man spielen kann, ohne 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 tolerieren, dass diese Denkweise in Ihrem Unternehmen vorherrscht? Sehen Sie kein Problem am Horizont aufziehen? Wenn nicht, würde ich sagen, dass sich niemand über die Tatsache die Tränen vergießen wird, dass Sie wie der Dodo ausgestorben sind.
Kieran Chandler: Also, diese fortgeschrittenen statistischen Techniken sind momentan sehr der letzte Schrei, und die Leute reden ständig über Schlagwörter wie KI und Deep Learning. Aber wie viel Vertrauen kann man haben, dass dies auch in zehn Jahren 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 haben wir den Sprung von Programmen gemacht, die Schwierigkeiten hatten, einen Schachgroßmeister zu schlagen, zu etwas, das nun den Schachweltmeister besiegt. Wenn Sie sich die neuesten Arbeiten von Google ansehen, können sie in vier Stunden von null zu unvorstellbar, übermenschlich gut im Schach werden. Sie können ein Programm aufsetzen, das Schachspielen lernt und in vier Stunden einen Punkt erreicht, an dem es buchstäblich übermenschlich ist, indem es jeden einzelnen lebenden Menschen schlägt. Die Art und Weise, wie der Computer das Spiel spielt, ist einfach unbegreiflich, weil sie nicht annähernd sinnvoll erscheint. Also, es gibt zweifellos beeindruckende Leistungen, allerdings für sehr enge, klar definierte Probleme. Aber wenn man sich autonome Fahrzeuge ansieht, ist es ebenfalls absolut beeindruckend; es funktioniert wirklich.
Kieran Chandler: Die Frage ist, ob es industrialisiert werden kann. Wir haben zwar noch einige Bedenken, aber der Fortschritt ist buchstäblich beeindruckend.
Joannes Vermorel: Die Tatsache, dass man diesen Vertrauensvorschuss geben und sagen kann, nun, es gibt diese Technologien, die in einer langen Reihe von Fällen bewiesen haben, dass sie funktionieren, ist ein sehr nachvollziehbarer Glaube. Es ist durchaus vernünftig anzunehmen, dass die Wahrscheinlichkeit ziemlich hoch ist, 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 Sie sich Lokad ansehen, befürworten wir diese Vision der Quantitative Supply Chain. Aber wenn Sie sich anschauen, was heutzutage in Banken und im Finanzwesen gemacht wird, dreht sich alles um quantitatives Trading. Dort gibt es Quants, und es ist nicht einmal die Zukunft – es ist bereits da, schon seit zwei Jahrzehnten oder länger. Die Idee ist also, dass dieser Ansatz der supply chain zwei oder drei Jahrzehnte zu spät kommt, aber im Finanzwesen bereits seit Jahrzehnten etabliert ist.
Kieran Chandler: Falls jemand das hier sieht und sich fragt, was zu tun ist, um diese Art von Kultur in seinen Data Science-Teams zu verankern, welche Schritte sollten unternommen werden? Wie sollten sie ihre Teams dazu drängen, mehr Risiko einzugehen und etwas bahnbrechender zu sein und gegen die einfachen Status-Quo-Optionen anzugehen?
Joannes Vermorel: Ich denke, man kann einen einfachen Lackmustest anlegen: Wenn das Unternehmen über Nacht alle Data Scientists entlassen würde, würde das Unternehmen in existenzielle Schwierigkeiten geraten? Wäre es innerhalb eines Jahres bankrott? Und wenn die Antwort nein lautet, dann sind diese Leute wahrscheinlich unbedeutend, und alles, was Sie mit diesen Leuten machen, ist egal. Man könnte sagen: “Oh, aber es ist so riskant, es ist so brutal.” Aber betrachten Sie noch einmal die Situation von Amazon in den frühen 90ern mit dem Web. Die Leute würden sagen: “Oh, aber wir sind so abhängig von diesen Webentwicklern. Es ist verrückt, von dieser Technologie, die super mickrig aussieht, abhängig zu sein. Sie haben dieses Modem, das extrem langsam ist, es dauert drei Minuten, bis die Verbindung hergestellt ist. Das ist ein Haufen Mist auf einem Haufen Mist. Und dann gibt es noch Bilder mit einer Auflösung, die so schlecht ist. Ich meine, zuerst wartet man eine Minute, um das Bild seines Produkts zu erhalten, und dann ist es super mickrig. Dieser Papier-Katalog ist so viel besser. Echtzeit-Zugang zu allen Produkten, hochauflösende Bilder. Dieses Web-Ding ist einfach ein riesiger Haufen Unsinn. Warum sollten wir ein Risiko eingehen, eine unternehmensweite harte Abhängigkeit von diesen Webentwicklern zu haben?” Die Antwort ist: Wenn Sie das nicht tun, gibt es in zehn, zwanzig Jahren niemanden mehr.
Offensichtlich spreche ich mit dem Rückblick. Die Dinge sind jetzt viel offensichtlicher. Es fällt mir schwer, das zu vermitteln, aber Tatsache ist, dass, denke ich, viele Unternehmen das erkannt haben und deshalb diese Data Scientists eingestellt haben. Aber sie merken nicht, dass die Frage lautet, ob sie eine Strategie haben, bei der die Führungskräfte ihre technischen Fähigkeiten optimal einsetzen – und das erfordert strategisches Denken.
Kieran Chandler: Also, haben Sie mechanisches Einfühlungsvermögen, das es Ihnen ermöglicht, eine intelligente, gebildete Diskussion mit den Ingenieuren zu führen, die den Motor Ihres Unternehmens bauen? Würden Sie sagen, dass dies einer der wirklichen großen Hemmschuhe im Bereich Data Science in Unternehmen ist, nämlich dass Führungskräfte wahrscheinlich derzeit nicht über das notwendige Maß an mechanischem Einfühlungsvermögen verfügen?
Joannes Vermorel: Ehrlich gesagt, wenn man Unternehmen neu erfinden könnte, indem man 24-Jährige einstellt und sie die Magie wirken lässt, wäre das fantastisch. Aber wenn man die Geschichte von Unternehmen betrachtet, kommt es sehr selten vor, dass ein brillanter Ingenieur eingestellt wird, der zufällig ein 50 Jahre altes Unternehmen von innen völlig revolutioniert. Das dominierende Muster sind entweder sehr junge Leute oder solche über 45, da sie in der Regel etwas Kapital, Erfahrung und vielleicht auch ein gewisses Maß an Weisheit besitzen. Es braucht ein neues Unternehmen, um das zu erreichen.
Mein Rat wäre: Wenn Sie denken, dass die Einstellung von frisch absolvierten Hochschulabsolventen Ihr Unternehmen revolutionieren wird, dann sind Sie träumerisch. Es ist nicht seriös und, würde ich sagen, höchstens intellektuell faul.
Kieran Chandler: Gut, wir müssen es hier beenden, aber danke für Ihre Zeit. Das war also alles für diese Woche. Vielen Dank fürs Einschalten, und wir sehen uns in der nächsten Episode wieder. Vielen Dank fürs Zuschauen.
