aktien Magazin

Künstliche Intelligenz vor dem breiten Einsatz: Das sind die potenziellen Gewinner-Unternehmen des Megatrends

Blog, Kommentare aktien Magazin 782 Leser

Dank steigender Rechnerleistung, wachsender Datenmengen und langfristiger staatlicher Finanzierung ist nun die Zeit für den breiten Einsatz von künstlicher Intelligenz gekommen. Künstliche Intelligenz gilt als Grundlagentechnologie und wird deshalb nicht nur die Wirtschaft, sondern auch die gesellschaftlichen Strukturen insgesamt verändern. Das zumindest prognostiziert die Schweizer Bank Julius Bär in einer aktuellen Studie.

Die Ausarbeitung beginnt dabei zunächst mit dem Hinweis darauf, dass Künstliche Intelligenz älter sei, als man glaubt. Zwar sei Künstliche Intelligenz (KI) erst heute in aller Munde, allerdings habe sich KI nicht parallel zum technischen Fortschritt auf diesem Gebiet zunehmend im kollektiven Bewusstsein etabliert, sondern seit der Prägung des Begriffs 1956 Phasen extremer Hypes und tiefer Desillusionierung durchlaufen. Der Aufstieg von auf Deep Learning basierenden Modellen seit den frühen 2010er-Jahren habe KI zu ihrem jüngsten Frühling verholfen. Damit stellt sich für Julius Bär-Analyst Alexander Ruchti die Frage, ob jetzt ein KI-Sommer oder ein weiterer KI-Winter kommt.

Die 3 Triebkräfte von KI

Laut Ruchtig hat man intern 3 treibende Kräfte identifiziert, die eine Anwendung bestehender Deep-Learning-Modelle und anderer KI-Lösungen ermöglichen und das Potenzial haben, über künftige praktische Anwendungen Wertschöpfung auf breiter Basis zu erzeugen: Computer, Daten und Regierungen. Aus diesem Grund rechnet man in nächster Zeit nicht mit einem weiteren KI-Winter.

Befassen man sich zunächst mit Computern, so zeige sich, dass Algorithmen, die zu einem großen Teil das mathematische Fundament von Deep Learning bilden, erstaunlich alt seien. Der erste funktionierende allgemeine Lernalgorithmus sei bereits 1965 veröffentlicht worden. Dass Algorithmen bis in die jüngere Vergangenheit weitgehend ignoriert wurden, liege an ihrem Bedarf an Rechenressourcen. Ein Deep-Learning-Modell müsse «trainiert» werden, was in Bezug auf die Rechenleistung sehr aufwendig sei.

Bis vor nicht allzu langer Zeit sei es aufgrund der komplexen mathematischen Zusammenhänge praktisch nicht umsetzbar oder auch nur denkbar gewesen, komplizierte Deep-Learning-Modelle anhand umfangreicher Datensätze zu trainieren. Inzwischen sei jedoch die Rechenleistung massiv gestiegen und mit weiteren Fortschritten in dieser Richtung würden Deep-­Learning-Lösungen kostengünstiger, weil die Energieeffizienz der Rechnereinheiten steige und der Preis pro Rechnereinheit sinke. Ein weiterer Anstieg der Rechenleistung sollte auch dazu führen, dass Deep-Learning-Lösungen rascher zum Einsatz kommen können, weil sich die für das Training eines Modells benötigte Zeit verkürze.

ki-triebkrafte01

Die zweite Triebkraft von KI sei die Verfügbarkeit von Daten. Algorithmen für maschinelles Lernen, die anhand umfangreicherer und vollständigerer Datensätze trainiert werden, lieferten in der Regel bessere Ergebnisse. Grafik 2 verdeutlicht, wie sich die Genauigkeit verschiedener Algorithmen verbessert, wenn diese auf grösseren Datensätzen trainiert werden.

Die Fähigkeiten von KI-Lösungen zur Generierung von Erkenntnissen seien nicht 1:1 skalierbar, weil sie mit den verfügbaren Daten definitiv nicht Schritt halten könnten. Diese Daten würden zu einem gewissen Teil entweder zu unstrukturiert sein oder keine zusätzlichen Einblicke liefern. Dennoch werde das rasante Datenwachstum dazu führen, dass viele Lösungen leistungsfähiger und genauer werden.

ki-triebkrafte02

Viele bahnbrechende technologische Neuerungen seien durch staatliche Förderung möglich geworden. Diese betrachtet Julius Bör als die dritte Triebkraft hinter KI. Das Internet, der digitale Bildsensor, Touchscreen-Displays und GPS (Global Positioning System) seien alle unmittelbar aus staatlich geförderten Forschungsprojekten hervorgegangen. Bei KI dürfte das kaum anders sein. Alle großen Volkswirtschaften der Welt hätten Programme zur vorrangigen Finanzierung von KI.

KI-Anwendungen

Künstliche Intelligenz gilt laut Julius Bär als Grundlagentechnologie. Grundlagentechnologien hätten aber das Potenzial, nicht nur die Wirtschaft, sondern auch die gesellschaftlichen Strukturen insgesamt weitreichend zu verändern. Andere Beispiele für Grundlagentechnologien seien die Dampfmaschine, Elektrizität, die Druckerpresse, die Eisenbahn und das Internet. Da die stark vereinfachte Funktion von KI – die Generierung von Erkenntnissen aus Datensätzen – weitgehend branchenunabhängig ist, sei das Feld der derzeit aufkommenden und vorstellbaren Umsetzungen extrem breit.

Zur Untermauerung dieser These verweist Ruchti auf 2 Beispiele:
  • Erste Experimente deuteten bereits darauf hin, dass KI mit größerer Genauigkeit als ein Dermatologe das Vorhandensein von Hautkrebs erkennen könne (95% Genauigkeit versus 86%).
  • Derzeit liefen in Botswana Versuche zur automatisierten Überwachung von Wildreservaten mit Drohnen, die mit KI-Bilderkennungstechnologie ausgerüstet sind. Man erhoffe sich, damit mehr Wilderer zu erwischen.
ki-triebkrafte03

Aus Anlegersicht bleibt damit die Frage, wer von der skizzierten Entwicklung profitiert. Nach Überzeugung von Julius Bär werden mittel- bis langfristig die meisten Branchen vom Einsatz von KI-Technologie profitieren. Die potenziell größten Nutznießer seien stark digitalisierte Unternehmen und solche, bei denen die Umwandlung von Daten und die Generierung von Erkenntnissen zum Kern der internen Wertschöpfungskette gehörten. Konkret als Aktienempfehlungen rund um dieses Megathema streicht Julius Bär die Aktien von Adobe, Alphabet, Baidu, Facebook, Microsoft, Salesforce und SAP heraus. Zudem hat Julius Bär eine Liste (siehe nachfolgend) mit Unternehmen erstellt, die allgemein dem KI-Universum zuzurechnen sind.

ki-triebkrafte04ki-triebkrafte05ki-triebkrafte06Quellen: Bloomberg Finance L.P., Julius Baer



Bildherkunft: © AndSus – stock.adobe.com