Für die faszinierende (neue) Welt von Künstlicher Intelligenz (KI) und besonders von Machine Learning (ML) interessiert sich Knut Höngesberg bereits seit einigen Jahren. Dies gilt insbesondere für die spannenden Anwendungsbereiche im unternehmensnahen Umfeld.

Dabei geht es ihm nicht um die teilweise populistisch geführten Diskussionen zu "selbstständig denkenden Roboterwesen, die die Menschheit übernehmen", sondern um die schier unerschöpflich erscheinenden Potenziale von unterstützender und automatisierender KI/ML, also jene, die danach streben das Leben von Menschen zu vereinfachen, Lebensqualität für Menschen massiv zu steigern, sowie den Effizienzsteigerungs-Möglichkeiten in Unternehmen. Letztere haben seiner Meinung nach die Kraft, die im historischen Vergleich der damaligen Einführung mechanischer Webstühle oder der Industrialisierung entsprechen.

Akademische Ausbildung:

In den Jahren 2019 und Anfang 2020 hat Knut Höngesberg seinen Wissensstand zu dem Thema zusätzlich noch auf ein akademischeres Fundament gestellt. Zu diesem Zweck hat er unter anderem über mehrere Monate hinweg das von der Stanford University in Kalifornien/USA autorisierte Kursmaterial "Machine Learning" studiert. Dabei hat er auch an sämtlichen zugehörigen dargebotenen Prüfungen teilgenommen, und diese mit einer Bewertung von 98% bestehen können (Kurszertifikat "Machine Learning", angeboten von Coursera.org, und autorisiert durch die Stanford University)

Schwerpunkte:

Knut Höngesberg fokussiert sich auf unterstützende KI und automatisierende KI (zur Abgrenzung: also nicht der autonomen KI). Er bedient dabei mit seinen Antworten das typische diesbezügliche Spannungsfeld von Unternehmen in diesen Zeiten - einerseits intelligent und ideenreich mit der "Datenüberflutung" umgehen zu müssen, aber andererseits auch wohl wissend, dass es ohne Daten keine Intelligenz geben kann.

Er nutzt dabei insbesondere Machine Learning (ML) inklusiv Deep Learning (DL) und Neuronaler Netzwerke (NN). Teilweise besteht dabei naturgemäß auch eine Überlappung mit den Themen des Data Science (DS), die im Vergleich zu ML ihre Erkenntnisse aber ja mehr aus Logik und weniger aus Daten beziehen. Bei Machine Learning deckt er kompetenzmäßig sowohl die Themen des überwachten Lernens (supervised learning), wie auch des nicht-überwachten Lernens (unsupervised learning) ab.

Folgende Methoden und Modelle setzt er dabei u.a. derzeit aktiv ein:

• Klassifikations- und Regressionsmodelle
• Lineare Regressionen, auch mit vielen hundert Variablen (i.e. multivariate linear Regression)
• Logistische Regressionen (vorrangig mit Sigmoid), und dabei mit linearen sowie nicht-linearen komplexen Grenzen
• Neuronale Netzwerke, die den Ansätzen des menschlichen Gehirns nachempfunden sind (natürlich inklusive feedforward Propagation sowie Backpropagation)
• Support Vector Maschinen (SVM)
• Unsupervised Learning mit u.a. K-Means und Gruppierungsvarianten (z.B. "Downstream" aus geschäftspolitischen oder vermarktungstechnischen Aspekten heraus)
• Statusermittlung und Umgang mit der Überangepasstheit mathematischer Modelle (Overfitting), dem Gegenteil (Underfitting), Regularisation (regularization), u.ä.
• Methoden der Dimensionalitätsreduzierung, z.B. zur Visualisierung
• Anomalienerkennungen
• Kollaboratives Filtern (Recommender Systems, collaborative Filtering)
• KI/ML Systemdiagnosen (z.B. Sanity Check), Umgang mit dem "Cocktail-Party-Problem", u.ä.
• Machine Learning Pipelines mit Deckeneffekten (i.e. Ceiling Analysen)
• und aus Performance- bzw. Kostengründen natürlich auch die Disziplin der Linearen Algebra mit Vektoren- und Matrizenrechnungen, stochastische Methoden, Mini-Batches, Parallelisierungen, u.ä.

Zusammenfassung:

Wie bei seinen anderen IT-nahen Themen, hat Knut Höngesberg den "Brückenschlag" zwischen Business und IT/Technik/Software im Fokus, so dass auch bei KI/ML für ihn strategische KI-Einsatzaspekte, zugehöriges Projektmanagement oder ein Digital Transformation Board im Vordergrund stehen.

Gleichzeitig ist für ihn aber auch in diesem Themenumfeld ein durchgängiges Verständnis bis zur (technischen) Detailebene spannend und erfolgsentscheidend. Bei Erlernen und Verständnisaufbau deckt er daher auch alle Design-, Prototyping- und Umsetzungsebenen mit ab, bis hin zu Umsetzungsrollen als Machine Learning Engineer, KI Produktmanager, Data Scientist, Data Engineer, o.ä. Er ist daher auch selbst in der Lage exemplarisch eigenes ML-Coding und Prototyping zu erstellen (z.B. mit einem Prototyping-Tool wie Octave)

Weiterführende Lesetipps:

Ende 2019 konnte ich am Kongress des eco Verband der Internetwirtschaft e.V. teilnehmen, der unter dem Motto "FAST.FORWARD.FUTURE" das Kernthema "Mit künstlicher Intelligenz das Internet der Zukunft gestalten" aufgerufen hatte. Bitte finden Sie bei Interesse hier einige Notizen und Kernerkenntisse aus meiner Teilnahme.

Die Zukunft kann man am besten voraussagen, wenn man sie mit gestaltet.
(Knut Höngesberg in Anlehnung an Alan Kay)