Führen im Zeitalter des Algorithmus (eBook)

Wie man smart bleibt, wenn die Maschinen smarter sind als man selbst

Mike Walsh (Autor)

eBook Download: EPUB

2020 | 1. Auflage
223 Seiten
Vahlen (Verlag)
978-3-8006-6168-8 (ISBN)

Infos

'Erst hat mich dieses Buch zutiefst verunsichert, dann hat es mich begeistert. Genau wie wir alle kämpfe ich in einer zunehmend komplizierten und verwirrenden Welt um meinen Erfolg. Die alten Regeln funktionieren einfach nicht mehr. Mike Walshs 10 Prinzipien, die auf realen Erfahrungen und gründlichem Nachdenken beruhen, weisen in die Zukunft.'
Michael Bungay Stanier, Autor des Wall-Street-Journal-Bestsellers
The Coaching Habit. Reden Sie weniger & fragen Sie mehr


Dieses Buch beruht auf zehn Prinzipien, die Mike Walsh in drei Phasen einer Transformation eingeteilt hat. Am Anfang geht es um Ihre persönliche Einstellung, dann um die Menschen, mit denen Sie zusammenarbeiten, und schließlich um Ihr Umfeld:
I Ändern Sie Ihre Einstellung
II (Ver)ändern Sie Ihre Arbeit
III Verändern Sie die Welt


Die zehn Prinzipien sind:
10 Arbeiten Sie zielorientiert, nicht profitorientiert
9 Im Zweifel fragen Sie einen Menschen
8 Wenn die Antwort X ist, fragen Sie nach Y
7 Automatisieren und Aufwerten
6 Arbeiten Sie nicht, gestalten Sie Arbeit
5 Machen Sie Ihre Firmenkultur zum Betriebssystem
4 Begrüßen Sie Unwägbarkeiten
3 Denken sie berechnend
2 Streben sie nach Verzehnfachung, nicht nach 10 Prozent
1 Denken Sie zurück aus der Zukunft


Am Ende jedes Kapitels finden Sie eine kurze Zusammenfassung und eine Frage, die Sie dazu auffordern soll, sich im Kern den Veränderungen zu stellen, die in Ihrer Organisation nötig sind. Es ist allzu leicht, über grundsätzliche Veränderungen zu lesen, ohne sich mit der erschreckenden Möglichkeit auseinander zu setzen, dass das, was sich eigentlich verändern muss, nicht Ihre Firma oder Ihre Branche ist - sondern Sie.

Textauszug

34Beginnen Sie mit den Algorithmen

Stellen Sie sich vor, wie das Leben in zehn Jahren aussehen könnte.

Vielleicht haben Sie ganze Flotten selbstfahrender Autos vor Augen, Drohnen, die Pakete liefern, komplett automatisierte Fabriken und dünnere, schickere und schnellere Geräte. All das ist realistisch, stellt jedoch keine dramatische Veränderung gegenüber unserem Alltagsleben heute dar. Unsere technische Hardware wird sich im kommenden Jahrzehnt nicht unbedingt radikal verändern, aber gibt es eine Sache, die das bestimmt tun wird: unsere Erfahrungen.

Alle unsere Erfahrungen, wie wir die Dinge tun – kommunizieren, einkaufen, Liebe oder Arbeit finden, bezahlt werden, verreisen – werden sich vermutlich unter dem Einfluss von Algorithmen verändern. In der Zukunft werden wir mithilfe von KI und neuen Rechenverfahren immer besser in der Lage sein, Daten zu erheben. Die algorithmischen Plattformen, die unsere Welt prägen, werden sich exponentiell verbessern. Und genau in diesem Bereich – und nicht im Bereich veränderter Betriebsabläufe – werden vermutlich die größten Wertzuwächse entstehen.

Lassen Sie uns zunächst einen verbreiteten Irrglauben ausräumen: Algorithmen sind keine von Rechnern generierte Beschwörungsformel, um Maschinen zum Leben zu erwecken. Vielmehr ähneln sie einem Backrezept: Sie beschreiben einen Prozess Schritt für Schritt (Zutaten mischen), um ein Problem zu lösen (Sie brauchen einen Kuchen für den Geburtstag Ihres Sohnes).

Die Idee des Algorithmus ist um mehrere Tausend Jahre älter als der moderne Computer. Sie lässt sich zu den Gelehrten der Antike zurückverfolgen, die ebenfalls Algorithmen verwendeten, um schwierige Probleme zu lösen.

Stellen Sie sich beispielsweise vor, Sie haben einen angenehm schattigen, rechteckigen Hof hinter Ihrem Haus, den Sie mit quadratischen Steinplatten auslegen wollen. Ihr Lieferant fragt Sie, welche Plattengröße er bestellen soll, und jetzt haben Sie ein Problem. Welches ist das größte Format, das Sie wählen können, um die gesamte Fläche von 38 × 16 Fuß gleichmäßig auszulegen?

Der griechische Mathematiker Euklid verfügte über ein Verfahren, um dieses Dilemma zu lösen. Ihren Hof zu pflastern ist ein mathematisches Problem, das sich mithilfe des größten gemeinsamen Teilers zweier Zahlen lösen lässt – das heißt mit der größten Zahl, die beide Zahlen ohne Rest teilt. Das euklidische Verfahren, um diese Berechnung durchzuführen, von ihm erstmals in seinen Elementen (um 300 v.Chr.) beschrieben, ist einer der ältesten Algorithmen, die wir heute noch verwenden.

35Der euklidische Algorithmus, wie er auch genannt wird, besteht aus einer Reihe von Schritten, bei denen jeweils das Ergebnis des einen Schrittes in den nächsten eingegeben wird. Treten wir also in den Hof unserer Vorstellung und schauen wir uns um!

Gehen wir davon aus, dass Ihr Hof mit zwei Quadraten in den Maßen 16 × 16 Fuß gepflastert wird Dann bleibt ein Rest von 6 x 16 Fuß. Um die Größe der Platten zu ermitteln, mit denen alles einheitlich gepflastert werden kann, müssen wir diesen Rest aufteilen.

Glücklicherweise kann man aus der kleineren Fläche zwei Quadrate von der Größe 6 × 6 ausgliedern. Wieder bleibt ein kleinerer Rest übrig. Diesen Rest können Sie sich einmal mehr als Rechteck vorstellen, dieses Mal mit einer Fläche von 4 x 6 Fuß. Davon teilen wir ein Quadrat in der Größe 4 × 4 ab. Am Ende bleibt ein winziges Rechteck von 2 x 4 Fuß übrig. Dieses Rechteck in zwei wunderschöne Sandsteinplatten zu zerteilen, sollte kein Problem sein. Jetzt haben wir die Lösung für den gesamten Hof. Mathematisch betrachtet ist der größte gemeinsame Teiler von 16 und 38 die Zahl 2. Pragmatisch gesehen können Sie Ihrem Gartengestalter jetzt die genaue Größe der Platten mitteilen, mit denen Ihr Hof einfach perfekt wird. Er muss Platten der Größe 2 x 2 kaufen. Mit keinem anderen, größeren Format wäre es möglich, den Hof ohne Lücken oder Überschneidungen zu pflastern.

Die einzelnen Schritte des euklidischen Algorithmus lassen sich wie folgt auflisten:

 

38 : 16 = 2 Rest 6

16 : 6 = 2 Rest 4

6 : 4 = 1 Rest 2

4 : 2 = 2 Rest 0

 

Bei jedem Schritt nehmen wir den vorangegangenen Divisor und teilen ihn durch den früheren Rest, bis wir zur Null gelangen. Die Zahl, die da steht, ist der größte gemeinsame Teiler GGT.

Natürlich gibt es andere algorithmische Möglichkeiten, zu dieser Antwort zu gelangen. Beispielsweise könnten wir die Primfaktoren beider Zahlen auflisten und dann die gemeinsamen Faktoren auswählen:

 

38 = 2 x 19

16 = 2 x 2 x 2 x 2

 

Auch in diesem Fall ist der GGT 2.

36Keine Angst, das ist das letzte mathematische Beispiel in diesem Buch. Ich möchte nur einen einfachen Punkt illustrieren: Algorithmen haben Eingabewerte und Ausgabewerte. Jeder Schritt führte zu einem Ergebnis, das wiederum in den nächsten Schritt eingegeben wird.

Wenn wir dieses Grundprinzip in einen größeren Zusammenhang übertragen, erlauben uns Algorithmen, komplexe Problemstellungen in der realen Welt zu bearbeiten. Denken Sie beispielsweise an ein klassisches Problem der Informatik, das Problem des Handlungsreisenden. Es geht folgendermaßen: Ein Handelsvertreter, der Nachschlagewerke verkauft, muss verschiedene Orte auf seiner Liste aufsuchen. Welcher kürzestmögliche Rundweg führt ihn an jeden Ort, ohne dass er eine Strecke zweimal zurücklegen muss? Die Antwort zu finden ist schwieriger, als Sie denken, und dabei ein Problem, mit dem Logistikfirmen Tag für Tag zu tun haben, wenn sie ihre Pakete so effizient wie möglich ausliefern wollen. UPS beispielsweise verwendet ein Programm zur Routenoptimierung, das ORION (On-Road Integrated Optimization and Navigation) heißt, damit Ihre Pakete pünktlich ankommen.

Wir sind von Algorithmen umgeben. Wenn Sie an einem Automaten Bargeld abheben, online etwas kaufen und es nach Hause schicken lassen, wenn Sie Ihr Handy mithilfe der Gesichtserkennung entsperren, sich die Fotos Ihrer Freunde auf Instagram anschauen, durch eine personalisierte Playlist Ihres Musikdienstes blättern oder bei Netflix ein Video aus der Empfehlungsliste wählen, arbeiten im Hintergrund Algorithmen, um Ihre Wünsche vorwegzunehmen oder darauf zu reagieren.

Verstehen, warum Maschinen so schlau werden

Algorithmen gibt es, wie gesagt, seit Tausenden von Jahren, aber heute leben wir im algorithmischen Zeitalter, weil die Fortschritte beim maschinellen Lernen so enorm sind.

Maschinelles Lernen bedeutet, dass Computer selbstständig lernen – aus Datensätzen, die millionenfachen Input und Output enthalten, der ihnen ermöglicht „weiterzukommen“. Anstatt also auf Dauer einer unveränderlichen Grundanweisung zu folgen, etwa dem Rezept Ihrer Großmutter für Nudelsoße (das Sie niemals verändern würden), passen Systeme, die auf Algorithmen für maschinelles Lernen beruhen, ihre Aufgabenstellungen ständig an. Überspitzt könnte man sagen, Maschinen können heute ihre Arbeitsanweisungen selbst schreiben.

Wann hat sich das verändert? Für manche liegt der Wendepunkt im Dezember 2012, als das Team von der Universität Toronto mit seinem 37SuperVision-Algorithmus den Wettbewerb ImageNet Large-Scale Visual Recognition Challenge gewann. Der ImageNet-Wettbewerb findet seit 2010 alljährlich statt und ist ein Softwarewettbewerb, bei dem die teilnehmenden Gruppen Softwareprogramme entwickeln sollen, die Objekte und Szenen auf Bildern korrekt klassifizieren und erkennen. Die Gewinner Geoffrey Hinton, Alex Krizhevsky und Ilya Sutskever entwickelten ein neuronales Netzwerk, das sie AlexNet nannten. Es beruhte auf einem sogenannten Deep Convolutional Neural Network, einem künstlichen neuronalen Netz, das von biologischen Prozessen inspiriert ist.

Einige Daten, um ihren Sieg besser einordnen zu können: 2010 hatten die Gewinner eine Fehlerrate von 28,2 Prozent. Das SuperVision-Team gewann 2012 mit einer Fehlerrate von 16,4 Prozent. Die Nächstbesten erreichten 26,2 Prozent. Seither hat sich die Fähigkeit von Maschinen, Bilder zuverlässig zu erkennen, dramatisch verbessert. 2017 hatte das siegreiche Team aus China nur noch eine Fehlerrate von 2,25 Prozent. Das liegt vermutlich deutlich über dem, was Sie, ein hochgradig intelligentes menschliches Wesen, jemals erreichen würden.

Ähnlich wie das menschliche Gehirn bestand das Convolutional Neural Network von AlexNet aus kleinen Ansammlungen von Neuronen in mehreren Schichten, die jeweils einen Teil des Bildes untersuchten und wichtige Merkmale extrahierten. Die Ergebnisse aller neuronalen Gruppen in einer Schicht wurden übereinandergelegt, um einen Eindruck des Gesamtbildes zu erhalten. Das Gleiche wiederholte sich eine Schicht tiefer und so weiter. So konnte der Algorithmus verstehen, was abgebildet war.

AlexNet veranschaulicht den Unterschied zwischen tiefem Lernen und allgemeinem Maschinenlernen. Beim traditionellen Maschinenlernen werden die Algorithmen so programmiert, dass sie nach bestimmten Merkmalssätzen suchen. Beim tiefen Lernen kann das neuronale Netzwerk selbst Merkmale definieren, indem es die Daten aus der Eingabeschicht analysiert.

Heute sind Convolutional Neural Networks überall im Einsatz und erledigen verschiedenste Aufgaben: Fotos automatisch beschriften, Videoaufzeichnungen analysieren, selbstfahrende Autos bauen und steuern und Aufgaben in der Forschung übernehmen. Aber diese Entwicklung ist noch jung, weil große, billige Rechenkapazitäten noch nicht lange zu haben sind. Erst sie machen...

Produkt-Details

• Erscheint lt. Verlag: 22.4.2020
• Übersetzer: Ute Mareik
• Sprache: deutsch
• Themenwelt: Wirtschaft ► Betriebswirtschaft / Management ► Unternehmensführung / Management
• Schlagworte: Algorithmus • Automatisierung • Businessplan • Führung • Management
• ISBN-10: 3-8006-6168-3 / 3800661683
• ISBN-13: 978-3-8006-6168-8 / 9783800661688