Daten monetarisieren mit AI-as-a-Service So verkauft ein Unternehmen Daten, ohne dass diese es verlassen

Anbieter zum Thema

Connected Industry - Verein für datengestützte Produktion & Logistik

netfiles GmbH

Hyland Software Germany GmbH

Cloudgermany.de GmbH

Daten zu Geld machen funktioniere nicht? Oder sei unmoralisch? Ganz im Gegenteil, denn in der Tat können Unternehmen die Daten, die im Unternehmen entstehen oder auch nur durch das Unternehmen hindurch fließen, tatsächlich verkaufen und die Gesellschaft dabei voranbringen.

Wer „Daten verkaufen“ nur hört, mag womöglich als erstes an die Steuer-CDs denken, die der deutsche Staat bereits mehrfach, teilweise unter dubiosen Umständen, erworben hatte, zuletzt wieder 2021 aus Dubai. Oder vielleicht fällt der Gedanke auch zuerst auf die vielen kostenlosen Social-Media-Plattformen, die in ihren AGBs zumindest für geduldige Leser keinen Hehl daraus machen, wem die hochgeladenen Daten ab dem Moment der Nutzung gehören. Nichts ist kostenlos, nur das Zahlungsmittel muss nicht unbedingt Geld sein, denn auch Daten haben einen bewertbaren Gegenwert.

Auf diese selbst in der Allgemeinheit bereits im Bewusstsein angelangten Weisheiten möchten wir hier jedoch nicht weiter eingehen. Der Handel mit persönlichen Daten sollte kein Teil unserer Kultur werden. Dennoch gibt es eine legale und gesellschaftsfördernde Möglichkeit, wie ein Unternehmen Daten zum valuable Asset machen.

Daten verkaufen, ohne sie dabei herausgeben zu können

Insbesondere unternehmensinterne Daten haben einen hohen Wert, weil nur diese Detailinformationen über Produkte und Prozesse bieten. Dazu zählen insbesondere Transaktions- bzw. Bewegungsdaten, oft getränkt in Personenbezogenheit und Betriebsgeheimnissen. Diese Daten können in aller Regel keinesfalls zum Kauf angeboten werden, da sie nicht in falsche Hände geraten dürfen – und das sind oft mehr als nur direkte Mitbewerber.

Und wenn es um persönliche Daten von Menschen geht, ist dies ohne direkte Einwilligung aller einzelnen Beteiligten sowieso ausgeschlossen. Der Verkauf von Daten – und somit auch die Monetarisierung der Datenwerte – scheint daher unmöglich zu sein.

Daten zu Gold machen mit AI as a Service

Daten, die nicht verkauft werden können, können dennoch für Dritte nutzbar gemacht werden. Verkauft werden dann jedoch nicht die Daten selbst, sondern Generalisierungswissen, das aus diesen Daten – aus der Menge und Vielfalt an einzelnen Datensätzen – gewonnen wurde.

Prädiktionsmodelle aus dem überwachten maschinellen Lernen speisen sich aus Datenhistorien, um bestimmte Vorhersagen aus diesen abzuleiten. Diese Prädiktionsmodelle können unter Einsatz von klassischen Verfahren des maschinellen Lernens oder mit Deep Learning erstellt werden. Deep Learning umfasst künstliche neuronale Netze, eine Unterkategorie des Machine Learnings, beides ist Teil der Künstlichen Intelligence (KI) bzw. Artificial Intelligence (AI). Die AI-Modelle werden über sogenannte Trainings aus den Daten gereift und lernen Zusammenhänge.

Diese vortrainierten Modelle können dann gegen Service-Gebühr zur Nutzung angeboten werden (AI-as-a-Service) oder in besonderen Fällen und Beachtung gewisser Voraussetzungen sogar ganz verkauft werden.

Die Nutzer der vortrainierten Modelle können diese dann entweder direkt nutzen oder mit ihren eigenen Daten nachtrainieren und somit auf ihre eigenen, jedoch ähnlichen Anwendungsszenarien anpassen. Bei Nutzung von Deep Learning ist es sogar möglich, die bereits vortrainierten AI-Modelle in ihrer Netz-Neuronen-Architektur anzupassen, um diese noch mehr auf ihren neuen Zweck auszurichten. Das Konzept dahinter nennt sich Transfer Learning.

Knowledge Transfer ist ein Boost für Konjunktur und Gesellschaft

Von Unternehmen gesammelte Daten repräsentieren eine betriebliche Erfahrung über Vorgänge und deren Ergebnisse. Mit Transfer Learning übertragene AI nährt sich von dieser Erfahrung und gibt sie anderen Unternehmen derselben oder anderer Branchen weiter. Unternehmen, die erst in vielen Jahren – wenn überhaupt – Zugang zu so einer Erfahrung bekommen würden, können sich diese nun für einen marktgerechten Preis einkaufen und ihre betrieblichen Fähigkeiten somit erweitern. Daten ermöglichen es heutzutage, Abkürzungen in der Erfahrungsgewinnung einzuschlagen und das Spiel am Markt gewissermaßen zu cheaten.

AI-as-a-Service dient dabei nicht nur wirtschaftlichen Interessen, auch in der Medizin profitieren wir von trainierter AI, die aus einer Vielzahl von Behandlungs- und Medikationsdaten wirksame Schlüsse für die individuelle Behandlung von Patienten ziehen kann.

Aktuelle Einsatzgebiete von AI-as-a-Service und Transfer Learning

Einsatzgebiete für die Wissensübertragung durch AI-as-a-Service gibt es bereits nahezu unzählige in der industriellen Produktion genauso wie in Handel, Logistik, Immobilien-, Versicherungs- und Finanzdienstleistungen.

Industrielle Trends für AI-as-a-Service finden sich vor allem im Werkzeugmaschinenbau und in der Automatisierungstechnik. Hier bieten die Anbieter der Maschinensysteme beispielsweise mitgelieferte Prognosemodelle für den Energieverbrauch, die Output-Qualität sowie der idealen Instandhaltungszeitpunkte. Insbesondere der letztgenannte Anwendungsfall, auch als Predictive Maintenance bekannt, ist ein wichtiges Zusatzgeschäft im Werkzeugmaschinenbau.

Im Handel wird AI-as-a-Service bereits eingesetzt, um mit Absatz- und Lagerprognosen den Einkauf und Working Capital zu optimieren sowie zur Retouren-Prädiktion und der besseren Aussteuerung von Marketing-Kampagnen (ohne dabei Retouren zu provozieren). Auch Modelle für die dynamische Preisgestaltung kommen zur Anwendung.

Im Finanzierungs- und Versicherungsgeschäft werden mit vortrainierten Modellen die relevanten Daten aus Berichten von Antragstellern, Maklern und Gutachten gezielt extrahiert, mit enormen Effizienzgewinn. Versicherungsbedarfe für Gebäude oder Schäden an Fahrzeugen können mit AI bereits über Foto-Erkennung bestimmt werden. Versicherungen und Partner-Unternehmen trainieren diese Modelle vor und bieten sie anderen Unternehmen an.

Vorsicht: Data Leaks verhindern!

Transfer Learning ist ein mächtiges Werkzeug für Unternehmen, AI-Modelle wiederverwenden zu können, aber wo Licht ist, ist auch Schatten. Die mit teilweise sensiblen Daten trainierten Prädiktionsmodelle müssen nachweislich so abgesichert sein, dass diese keinerlei Rückschlüsse auf einzelne Datensätze ermöglichen. Zwar ist es nicht einfach, Ursprungsdaten aus trainierten Modellen wieder zu rekonstruieren – zumindest, wenn die Modelle tatsächlich generalisieren.

In Zukunft ist hier jedoch mit Hacker-Angriffen auf Deep-Learning-Modelle zu rechnen, die auf das Re-Engineering von sensiblen Daten abzielen und das Thema ist noch weniger umfassend erforscht als so mancher Machine Learning Engineer zugeben mag. Mit Erfahrung und Know-how, das über einen Einführungskurs in Deep Learning hinausgeht, lässt sich das Risiko jedoch auf ein akzeptables Minimum reduzieren.

Trainierte Modelle sollten grundsätzlich nicht direkt an einen Käufer übergeben werden, sondern selbst gehostet und hinter einer API-Wall versteckt gehalten werden, sodass der Käufer das Modell nur über die API abfragen kann, folglich als AI-as-a-Service.

* Benjamin Aunkofer ist Chief Data Scientist und Gründer von Datanomiq.

(ID:48727032)