Beim Verkaufen heißt es AI, beim Bauen Machine Learning
(theaiunderwriter.substack.com)- Nachdem ChatGPT in nur zwei Monaten 100 Millionen Nutzer gewonnen hatte, dürfte die Zahl der Sales-Phrasen vom Typ „AI for X“ weiter steigen; da sich echte Technik und Übertreibung mischen, wird die Einordnung schwieriger
- Der Sieg von AlphaGo 2016 und das Transformers-Paper von 2017 waren wichtige Fortschritte, garantieren aber nicht, dass hinter dem heutigen AI-Hype bei jedem Produkt echte technische Substanz steckt
- Im Vertrieb wurden teils Algorithmusnamen falsch verwendet, if-then-Anweisungen als AI verpackt und sogar von Menschen erledigte Arbeit wie NLP verkauft
- Bei der Bewertung von Anbietern sollte man Kategorie des Machine Learning, Algorithmus, Vorhersageausgabe, Zielfunktion, Leistungsmetriken, Änderungszyklus des Modells und den Anteil menschlicher Eingriffe direkt prüfen
- Wenn die Benutzeroberfläche nur ein dünner Wrapper um die GPT-API ist, können lediglich Zusatzkosten entstehen und der Nutzen gering sein; wichtiger als das Label AI sind daher Funktionsweise und Prüfkriterien
Warum Sales-Phrasen wie „AI for X“ zunehmen
- Generative AI zeigt bereits starke Fähigkeiten bei der Beantwortung von Fragen, beim Lernen sowie bei der Bild- und Videogenerierung und verbessert sich rasant
- AlphaGos Sieg im Go-Spiel 2016 war beeindruckend, blieb aber ein Beispiel für den Einsatz maschineller Intelligenz auf ein begrenztes Problem
- 2017 erschien das Transformers paper
- 2023 gewann ChatGPT in nur zwei Monaten 100 Millionen Nutzer
- Mit dem technischen Fortschritt wächst auch der Hype, sodass im Fahrwasser des GPT-Booms noch mehr Verkaufsformulierungen wie „AI for X“ auftauchen könnten
- Rund um den Uber-IPO wurden unzählige Startup-Pitches vom Typ „Uber for X“ präsentiert; einige waren erfolgreich, noch mehr scheiterten jedoch
- Nach dem Abschwung bei Kryptowährungen war auch zu beobachten, wie sich „crypto expert“ schnell in „AI expert“ verwandelte
- Der Name AI allein garantiert keine technische Substanz
- Es gab Pitches mit angeblicher AI-Expertise, in denen Algorithmusnamen falsch bezeichnet wurden
- Es gab Fälle, in denen ein „AI driven“-Produkt in Wirklichkeit mit if-then-Anweisungen arbeitete
- Es gab Fälle, in denen behauptet wurde, Dokumente und Wissen würden per NLP zerlegt und neu zusammengesetzt, während die eigentliche Verarbeitung in Wirklichkeit von Menschen in südostasiatischen Büros an Tastaturen erledigt wurde
- Einen Namen zu kennen ist noch kein Wissen, und einen Namen zu verkaufen bedeutet nicht immer, echte Technik zu verkaufen
Fragen zur Prüfung der Vertrauenswürdigkeit von Anbietern
- Man sollte fragen, welche breite Kategorie von Machine Learning im Produkt steckt
- Zum Beispiel: überwachtes Lernen, unüberwachtes Lernen, bestimmte neuronale Netzwerkarchitekturen usw.
- Man sollte den Namen des Algorithmus hinter der AI prüfen
- Zum Beispiel: XGBoost, BERT usw.
- Man sollte prüfen, was das Modell tatsächlich vorhersagt
- Man sollte fragen, ob die reale Vorhersageausgabe 1/0, yes/no oder eine Zahl ist
- Man sollte die Zielfunktion prüfen, die das Modell optimiert
- Sie wird auch als Loss Function oder Kostenfunktion bezeichnet; gefragt wird also, welchen Fehler das Modell zu minimieren versucht
- Man sollte prüfen, mit welchen Metriken der Nutzen des Modells gemessen wird
- Das hängt mit der Frage zusammen, wie gut das Modell auf unbekannte Daten generalisiert
- Man sollte fragen, wie oft das Modell geändert wird und warum
- Man sollte prüfen, wie stark Menschen in die „AI-Lösung“ eingreifen
- Man sollte prüfen, ob die GUI für Nutzer nur ein dünner Wrapper um die GPT-API ist
- In solchen Fällen könnte es sich um „GPT as a service“ handeln, bei dem der Dienst lediglich Zusatzkosten erzeugt und keinen zusätzlichen Nutzen bietet
Sich nicht von Begriffen einschüchtern lassen
- Machine Learning ist mächtig, doch neben guten AI-Produkten können auch minderwertige Produkte oder AI-Produkte im Schafspelz auftauchen
- Auch große Begriffe aus dem AI-Bereich lassen sich in intuitive Erklärungen zerlegen; man muss sich also von technisch klingenden Aussagen weder einschüchtern noch verwirren lassen
- Menschen, die tatsächlich etwas bauen, nennen es in der Regel machine learning; Käufer sollten deshalb eher nach der Funktionsweise und den Prüfkriterien fragen als nach dem Namen
1 Kommentare
Meinungen auf Hacker News
Ich weiß nicht, von wem es stammt, aber es gibt ein großartiges Zitat, das ich mag: „Man nennt es nur so lange AI, bis es funktioniert. Siehe Autocomplete.“
Wenn ein Unternehmen sagt, es „macht AI“, klingt das für Software Engineers so, als wisse es kaum, wohin es mit dieser AI will und welchen Service es anbieten möchte.
Deshalb bin ich vorsichtig bei dem „Der Zweck heiligt die Mittel“-Ansatz, der AI-Projekte oft begleitet. Das kann natürlich jeder anders sehen.
Meine Beratungsfirma mappt Ideen, die sich mit Machine-Learning-Frameworks lösen oder nutzen lassen, auf digitale Services oder Lösungen.
Das Endergebnis wird selten „AI“ genannt, aber am Ende nutzen wir trotzdem AI/Machine Learning. Wir sind schon etwas länger dabei als der aktuelle AI-Hype, und diese Nische ist ziemlich spannend.
Heute würde man es einen hartcodierten if-else-Block nennen, aber vor 40 Jahren war es State of the Art in AI, und vor 20 Jahren war es noch lehrbuchwürdig.
Sie starten mit der Lösung AI und suchen dann ein Problem dafür; idealerweise sollte es genau umgekehrt sein.
Es ist fast sicher, dass sie viel Geld verbrennen, indem sie hektisch sinnlose Ansätze wiederholen. So etwas scheint bei jeder neuen Basistechnologie zu passieren, und während der Dotcom-Blase gab es vermutlich viele solcher Firmen.
Passt gut zu dem klassischen Witz: „Machine Learning wird normalerweise in Python geschrieben, AI in PowerPoint.“
„Kurz vor Ubers Börsengang 2019 waren Venture-Capital-Firmen voll mit Startup-Pitches für ‚Uber für X‘. Etwa Uber für Parkplätze.“
Uff. Der aktuelle französische Präsident hat bekanntermaßen vorgeschlagen, die Wirtschaft zu „uberisieren“, was prekäre Jobs bedeutete, die Arbeitgeber weniger kosten.
Auch die C-Level-Leute an meinem Arbeitsplatz reden schon ununterbrochen über Dinge wie generative AI. Ich freue mich nicht darauf, in naher Zukunft noch mehr Marketing-Bullshit darüber zu hören, alles zu AI-isieren.
Lustig ist, dass das, was man „AI“ nennt, sich offenbar von dem entfernt hat, was wir tatsächlich meinen, wenn wir Menschen als „intelligent“ bezeichnen, hin zu Dingen, die wir niemals als Teil von Intelligenz ansehen würden.
Bei den Robotern von Boston Dynamics etwa halten wir Menschen nicht für intelligent, weil sie Katzen von Stühlen unterscheiden, laufen ohne hinzufallen oder Backflips machen können.
Wir halten sie aber für intelligent, wenn sie ihre Daten und körperlichen Fähigkeiten kreativ nutzen können, um Probleme zu lösen.
Wenn wir bei Robotern oder Ähnlichem über „AI“ staunen, liegt diese AI nach meinem Verständnis größtenteils in der Wahrnehmung (von rohen Sensordaten zu einem gelabelten Weltmodell) und in der Antriebs-/Bewegungssteuerung (Anweisungen wie „einen Meter vorwärts bewegen“ oder „Backflip“ in tatsächliche Abfolgen von Aktuatorbewegungen übersetzen).
Die eigentliche „Intelligenz“, also die Entscheidung, eine Tür zu öffnen, in einen anderen Raum zu gehen und Erdnussbutter und Brot zu holen, um die Aufgabe „Mach mir ein Erdnussbutter-Sandwich“ abzuschließen, kommt meist aus klassischer if-then-Logik oder von einem menschlichen Operator.
Bei Dingen wie ChatGPT sehe ich ein ähnliches Muster. Die Fähigkeit eines Schülers, ein Lehrbuch auswendig zu lernen und perfekt wiederzugeben, kann beeindruckend sein, aber man würde diesen Schüler nicht „intelligent“ nennen.
Ein intelligenter Schüler ist jemand, der, selbst wenn er den Beweis eines Satzes oder die exakte Definition eines Begriffs vergessen hat, bei einem neuen Problem kreativ zur richtigen Lösung finden kann. „Papagei-Schüler“ scheitern hier normalerweise kläglich.
Vor einiger Zeit habe ich auf YouTube ein altes Video über ein sehr primitives Automatisierungssystem gesehen, vermutlich für einen Flughafen-Kontrollturm. Es war wohl aus den 70ern, und die Person nannte es AI.
Sie erklärte im Detail, was die Software tat, und zeigte sogar Code; es war buchstäblich eine Menge if/else-Anweisungen.
Wenn wir uns an Dinge wie ChatGPT gewöhnen, wird man sie vielleicht auch nicht mehr AI nennen, oder man wird für das nächste Ziel breiter von „Artificial General Intelligence“ sprechen.
Bis vor Kurzem war ich eher der Meinung, man solle es nicht AI nennen, wenn es keine Artificial General Intelligence ist, aber ehrlich gesagt: Wen kümmert’s. Wörter sind nur Werkzeuge, um Gedanken zu vermitteln.
Wenn die meisten Menschen das, was wir heute bauen, AI nennen wollen, ist das in Ordnung und auch nicht falsch. Es ist nicht empfindungsfähig, aber nach manchen Maßstäben kann man argumentieren, dass es intelligent ist, und künstlich ist es ganz sicher. Wenn wir einander verstehen, reicht das.
Intelligenz ist nicht nur Schlussfolgern. Schon quer durch den Raum zu gehen und etwas aufzuheben erfordert erhebliche Hirnleistung.
In den 90ern hatte ich einen Staubsauger, auf dem „Fuzzy Logic“ stand, damals ein cooles Tech-Buzzword.
Wer weiß, was er tatsächlich tat. Vermutlich bedeutete es nur, dass es zwischen Ein und Aus eine mittlere Leistungsstufe gab.
Zwischen etwas warm und sehr warm scheint es kleine Abstufungen zu geben, aber zwischen etwas kühl und etwas warm gibt es einen klaren Schalter.
Manchmal möchte ich einfach Luft mit Innenraumtemperatur nur per Lüfter bewegen, ohne dass sie heiß oder kalt ist.
Bemerkenswert finde ich, dass Apple weiterhin Machine Learning dazu sagt.
AI war immer ein Consumer-Begriff. In Spielen zum Beispiel wurde vieles schon lange „AI“ genannt.
Im Grunde waren die Leute damit zufrieden, alles Mögliche AI zu nennen[1], und erst wenn AI in Bereichen wie natürlicher Sprache wirklich gut wird, erfinden sie die Sprache neu, um es herabzustufen.
Solange ich lebe, bezeichnete AI jede Software, die auch nur einen kleinen Aspekt menschenähnlicher Entscheidungsfindung imitiert.
Außerdem: Was soll der Punkt sein? Wenn man sich weigert, es AI zu nennen, ändert das an seinen Fähigkeiten nichts, weder im Guten noch im Schlechten.
Es ändert auch nichts daran, dass die führenden Capability-Labs außer FAIR tatsächlich versuchen, echte allgemeine Intelligenz zu schaffen, und selbst FAIR heißt nicht ohne Grund Fundamental AI Research Lab.
[1] Beispiel: Pacmans Ghost AI — ein völlig sinnvoller Ausdruck für etwas, das sich auf ein paar Codezeilen zusammenfassen lässt, die auf einem Z80 laufen. Wikipedia: „Each of the four ghosts has its own unique artificial intelligence (A.I.), or "personality": ...“
Entwickler müssen Game AI oft ziemlich dumm machen, damit sie für Spieler fair wirkt, und gleichen das dann mit Boni aus.
Zum Beispiel hat Game AI oft unbegrenzte Munition, aber diese Kugeln richten beim Spieler keinen großen Schaden an.
Irgendwo in meinem Sony-TV ist angeblich auch AI verstreut, aber ich habe keine Ahnung, was sie tut. Eigentlich brauche ich nur ein großes dummes Display.
Könnte man die beiden nicht versöhnen und es „statistisches Lernen“ nennen?
„Wer es in Python schreibt, nennt es Machine Learning; wer es in PowerPoint schreibt, nennt es AI.“
Menschen bezahlen nicht für den Bohrer, sondern für das Loch.