Die Machine Learning Akquisitionen der Big Five – Smarte Produkte werden Standard

Nicht erst seit heute ist Machine Learning ein heißes Thema. Die Anwendungsmöglichkeiten sind vielfältig und reichen von der Bilderkennung über Predictive Analytics bis hin zu Computer Vision. Im Zeitraum von 2015 bis Mitte 2016 gab es über 120 Akquisitionen im Bereich Machine Learning. Crisp Research hat mal genauer hingeschaut und beleuchtet in diesem Analyst View vergangene und aktuelle Trends.

Von der Theorie in den Mainstream

Der Begriff Machine Learning wurde schon Mitte des zwanzigsten Jahrhunderts verwendet, ist also keineswegs neu. Vereinfacht geht es darum, einen Computer aus Daten lernen zu lassen, ohne dass man das Wissen explizit im einem Algorithmus codiert. Ein klassischer Anwendungsfall ist das Kategorisieren von Informationen. Hierbei wird der Computer durch die Analyse von Beispiel-Datensätzen trainiert, erkennt Gemeinsamkeiten und kann dann für neue Datensätze selbst eine Kategorisierung vornehmen (Supervised Learning).

Was anfangs ein eher theoretisches Thema für die Forschung war, wurde aufgrund der zunehmenden Digitalisierung, dem Erfolg des Internets und dem Einzug von Big Data in den letzten 15 Jahren immer populärer. Suchmaschinen wollten nicht mehr nur wissen, welche Begriffe auf einer Webseite zu finden sind, sondern verstehen, um welche Art von Inhalten es sich handelt. Im Online Shopping stellte sich heraus, dass sich Vorschläge zu anderen Produkten positiv auf den Umsatz auswirken können. Im Online Marketing ging der Trend zunächst in Richtung Realtime Analytics und entwickelt sich inzwischen verstärkt hin zu Predictive Analytics. Unternehmen wollen besser verstehen, was in Ihrer Organisation vor sich geht. Die Anwendungsfälle von Machine Learning sind vielfältig. Sinkende Kosten für Datenspeicherung sowie die flexible Verfügbarkeit von Rechenkapazität durch Cloud Technologien beschleunigen die Entwicklung.

Heute ist Machine Learning bereits in einer ganzen Reihe von Anwendungsfällen im Einsatz:

  • Recommendations & Content Discovery (Amazon, Netflix)
  • Ad Technology (Google, Adobe, Yahoo)
  • Personalized Marketing
  • Gestenerkennung
  • Intrusion Detection: IT Security (Cisco, F5 Networks, IBM, McAfee)
  • Fraud Detection (CSC, SAS)
  • Identification: Fingerprint, Gesichtserkennung (Risk Ident)
  • Self Driving Cars (Google, Tesla Autopilot)
  • Brand Monitoring: Natural Language Processing, Sentiment Analyse (Sysomos, Radian6)
  • Dynamic Pricing (Blue Yonder, IBM)
  • Bilderkennung (Google, Apple, Microsoft, IBM, BMW, VW, Daimler, NVIDIA)
  • Email-Spamfilter (Google, Microsoft, Yahoo)
  • ...

Viele der Anwendungsfälle, die in der jüngeren Vergangenheit eine starke Popularität erreicht haben, kommen aus dem Bereich der Mensch-Maschine-Interaktion. Mit dem Aufkommen von Personal Assistants wie Siri, wo die Interaktion primär über die Spracheingabe stattfindet, wurde Speech Recognition immer wichtiger. Im Zeitalter von Bots und immer anspruchsvoller (oder bequemer) werdenden Nutzern reicht eine einfache Keyword Suche nicht mehr aus. Die Eingaben des Nutzers müssen stattdessen verstanden und interpretiert werden: Die Antworten müssen semantisch zur Anfrage passen.

Die Folge: Unternehmen - allen voran die großen Digital Players - investieren mehr in Machine Learning und reine Machine Learning Startups drängen mit neuen Lösungen auf den Markt.

Überblick Teilbereiche

Künstliche Intelligenz Fähigkeiten, die menschlichen ähneln wie z.B. Lernen und eigenständige Problemlösung. Generelle künstliche Intelligenz als “Heiliger Gral”. HAL 9000, Nummer 5
Cognitive Computing

Übernahme von Aufgaben, die derzeit hauptsächlich von Menschen ausgeführt werden und die Ambiguität und Unschärfen beinhalten sowie Spracherkennung, Wissensbildung, Lernen, Verstehen, Urteilen, Emotionen, und Mimik deuten können.

 

Case Management, Krebsdiagnose, Support Call Center
Deep Learning Software versucht die Aktivitäten in Schichten von Neuronen im Neocortex nachzuahmen, wo das Denken beim Menschen stattfindet. Die Software lernt, Muster in der digitalen Darstellung von Bildern, Tönen und anderen Daten zu erkennen.

 

Echtzeit Sprachübersetzung, Molekül -Identifizierung

 

Machine Learning Verarbeitung, Auswertung und Prognose von Daten auf Basis verschiedener statistischer und neuro-wissenschaftlicher Verfahren. Gliedert sich in automatisches Machine Learning (aML) und interaktives Machine Learning (iML). Letzteres basiert auf Interaktionen mit - teils menschlichen - Agenten. Mustererkennung IoT-Logdaten, Predictive Maintenance

 

Akquisitionen der großen Internetfirmen

Die großen Tech-Giganten haben in den letzten zwei Jahren eine Vielzahl von Akquisitionen getätigt. Da mittlerweile Machine Learning in sehr vielen Anwendungen zum Einsatz kommt, werden im Folgenden nur diejenigen Akquisitionen betrachtet, die einen klaren Bezug zum Machine Learning haben.

Amazon

Amazon hat im Dezember 2015 mit Obeus Technologie im Bereich Deep Learning eingekauft. Die Anwendungsbereiche der Technologie sind Bilderkennung, Gesichtserkennung (inkl. Emotionen) und VideIndexierung. Bildinhalte können erkannt und kategorisiert werden.

Im September 2016 hat man sich mit Safaba Technologie gekauft zum automatisierten Übersetzen von Texten.

Ein weiterer Zukauf war Shoefitr im April 2015. Eine Firma die sich darauf spezialisiert hat, Vorschläge zu Schuhen und insbesondere der passenden Größe basierend auf der Schuhform zu geben.

Apple

Im August 2016 kaufte Apple die Firma Turi, die es Entwicklern leichter macht, künstliche Intelligenz in Ihre Produkte einzubauen.

Das im Januar 2016 von Apple gekaufte Unternehmen Emotient hatte sich auf die Erkennung von Emotionen anhand von Gesichtsausdrücken in Bildern spezialisiert.

Ein weiterer Zukauf, der mit Bilderkennung zu tun hat, ist Perceptio. Ein Startup mit Technologie, die Bilderkennung auf Smartphones unter Einsatz von Deep Learning ermöglicht, das im September 2015 von Apple akquiriert wurde.

Fortschrittliche Technologie zur Erkennung von Sprache, insbesondere kontextueller Zusammenhänge, wurde mit dem Kauf von VocallIQ im September 2015 dazu geholt.

Mit Spotsetter wurde zudem im Juni 2014 ein Startup gekauft, das sich auf die Empfehlungen von Orten (insbesondere Restaurants) spezialisiert hatte und hierfür auf ein Social Layer zurückgriff.

Facebook

Mit Pebbles (Juli 2015) und Surreal Vision (Mai 2015) hat Facebook gleich zwei Firmen aus dem Bereich Computer Vision akquiriert. Pebbles bringt Technologie für Gesten- und Objekterkennung für den Einsatz im Virtual Reality Segment. Surreal Vision hat eine Realtime Szenen Erkennung entwickelt (Erkennung der Umgebung → virtuelles Abbild). Wit.ai hat eine Web-Plattform entwickelt, die es App und Bot-Entwicklern erlaubt, Spracherkennungsfunktionalität auf einfachste Art und Weise via API in Ihre Software zu integrieren. Wit.ai übernimmt dabei die Übersetzung gesprochener Sprache in konkrete Anfragen an die Software. Im Januar 2015 wurde Wit.ai von Facebook akquiriert.

Google (bzw. Alphabet)

Nach diversen Zukäufen im Bereich Robotik im Jahr 2013 gab es in den Jahren 2014 und 2015 fünf Akquisitionen mit Machine Learning-Bezug. Google hat hier insbesondere in den Bereichen Künstliche Intelligenz und Deep Learning investiert. Besonders spannend ist der Zukauf von Deep Mind Technologies das anschließend in Google DeepMind umbenannt wurde, da die DeepMind Technologie auf eine generelle künstliche Intelligenz abzielt - also nicht für konkrete Anwendungsfälle entwickelt wird. Die Akquisitionen von Dark Blue Labs (natural language, geschrieben und gesprochen) und The Vision Factory (visual recognition) im Oktober 2014 brachte nochmal zusätzliches Know How und Technologie in Google DeepMind. Im Jahr 2015 gewann das Programm AlphaGo, welches auf DeepMind Technologie basiert, gegen den europäischen Meister im Spiel Go. Bereits im August 2014 hatte Google durch den Kauf von Jetpac Inc. im Bereich Objekterkennung in Bildern weitere Expertise dazu geholt.

Im Bereich Advertising hat Google mit spider.io im Februar 2014 einen Zukauf für Erkennung von Klickbetrug durchgeführt.

Microsoft

Im Juni 2016 hat Microsoft mit Wand Labs ein Unternehmen mit Fokus auf Conversational Intelligence (intelligente Kommunikation zwischen Mensch und Maschine) gekauft.

Mit Touch Type Ltd. hat Microsoft im Februar 2016 die intelligente Smartphone Keyboard App SwiftKey mit mehreren Millionen Nutzern gekauft. SwiftKey analysiert den Schreibstil des Nutzers und passt die Wortvorschläge entsprechend an, sodass diese besser zum Anwender passen.

Das im Januar 2015 von Microsoft gekaufte Unternehmen Revolution Analytics bietet kommerziellen Support für eine eigene Distribution, der von Data Scientists geschätzen R Plattform an, welche unter anderem für Predictive Analytics genutzt werden kann..

Mit Equivio gab es Januar 2015 einen Zukauf im Bereich Textanalyse mit Fokus auf Legal und Compliance. Die Lösung hilft Unternehmen dabei, relevante Dokumente schneller zu finden.

Die Technologie von Aorato hilft beim Aufspüren ungewöhnlicher Aktivitäten im Unternehmensnetzwerk inklusive Hybrid-Cloud Setups und wurde im November 2014 eingekauft.

Top Akquisitionen der Big Five im Zeitraum Anfang 2014 bis Mitte 2016

Aquiriert von Name Sektor / Technologie Zeitpunkt
Amazon Shoefitr Schuh Empfehlungen April 2015
Amazon Safaba Maschinelle Text-Übersetzung September 2015
Amazon Orbeus Deep Learning, Text, Bild, Video Dezember 2015
Apple Spotsetter Personalisierung, Social Search Juni 2014
Apple VocallIQ Künstliche Intelligenz, gesprochene Sprache September 2015
Apple Perceptio Bilderkennung September 2015
Apple Emotient Gesichtserkennung, Emotionserkennung Januar 2016
Apple Turi Künstliche Intelligenz August 2016
Facebook Wit.ai Spracherkennung, API Januar 2015
Facebook Surreal Vision Computer Vision, Augmented Reality Mai 2015
Facebook Pebbles Computer Vision, Augmented Reality Juli 2015
Google Deep Mind Technologies Künstliche Intelligenz, Deep Learning Januar 2014
Google spider.io Erkennung von Klickbetrug bei Werbeanzeigen Februar 2014
Google Jetpac Künstliche Intelligenz, Bilderkennung, Empfehlung von Orten August 2014
Google The Vision Company Künstliche Intelligenz Oktober 2014
Google Dark Blue Labs Künstliche Intelligenz Oktober 2014
Microsoft Aorato Enterprise Security, Machine Learning November 2014
Microsoft Equivio Text Analyse, eDiscovery Januar 2015
Microsoft Revolution Analytics Statistics, Big Data, Predictive Analytics Januar 2015
Microsoft MileIQ Künstliche Intelligenz, Machine Learning, smartes Fahrtenbuch November 2015
Microsoft Touch Type Ltd. Künstliche Intelligenz, Keyboard App Februar 2016
Microsoft Wand Labs Conversational Intelligence, Künstliche Intelligenz, Text Juni 2016

Ausrichtung der Big Player

Es zeigt sich, dass von den Big Five jeder Zukäufe im Bereich Machine Learning getätigt hat. Die Wahl der Akquisitionsziele mit Machine Learning-Bezug lässt Rückschlüsse auf die unterschiedlichen Bedürfnisse der Unternehmen zu. Während Google zwar auch Akquisitionen für das Kerngeschäft tätigte, lag der Fokus doch eher auf der Bildung eines mächtigen technischen Fundaments für zukünftige Produkte. Amazon hingehen scheint konkret in Technologien investiert zu haben, die kurz bis mittelfristig das Potential haben, dass eigene Shopping-Portal aufzuwerten. Facebook hat seine Kompetenz im Augmented-Realtity-Bereich weiter ausgebaut. Der größte Trend der Akquisitionsaktivitäten im Bereich des Machine Learning ist sicherlich der Einkauf von Technologien, die Informationen aus Quellen extrahieren, die klassisch nicht als maschinenlesbar bezeichnet wurden - also Bilder (auch Bewegtbild) und gesprochene Sprache. Anwender erwarten smarte Services. Spracheingabe ist fast schon selbstverständlich geworden. Der Endnutzer von heute hat deutlich höhere Ansprüche als noch vor ein paar Jahren. Smarte Produkte sind auf dem Vormarsch. Es ist daher kein Wunder, dass die großen Internetkonzerne kräftig investieren um vorne dabei zu bleiben.

Interessant ist, dass viele der gekauften Unternehmen bisher keinen großen Kundenstamm hatten. Es wurden also eher Technologien und Know How gekauft als Unternehmen, die bereits ordentliche Gewinne abwerfen.

“We've been investing in machine learning and AI for years, but I think we're at an exceptionally interesting tipping point where these technologies are really taking off”

- Sundar Pichai, CEO, Google (April 2016) -

Das Zitat stammt aus einem Earnings Call mit Investoren. Es spricht einiges dafür, dass es jetzt erst richtig los geht mit Machine Learning und den verwandten Technologien. Ein Faktor ist sicher die Verfügbarkeit von öffentlichen und privaten Daten, deren Potential noch nicht ausgeschöpft ist. Viele Use Cases wie Internet Of Things und Industrie 4.0 nehmen erst noch an Fahrt auf. Und nicht zuletzt sind die Einstiegsbarrieren noch nie so niedrig gewesen.

Ausblick

Die Adaption von Cloud Technologien wird die Entwicklung weiter beschleunigen, denn flexible Rechenkapazitäten und Managed Services machen den Einsatz von Machine Learning einfacher. Cloud Anbieter wie Amazon Web Services (Machine Learning Service), Google (Prediction API, Cloud Natural Language API, Cloud Speech API, Cloud Vision API) und IBM (Watson Developer Cloud) bieten Machine Learning per Webservice (API) an. Durch Open Source-Projekte wie Prediction.io (Machine Learning Server) oder TensorFlow (Machine Intelligence Library) steht Technologie frei zur Verfügung, auf die man aufsetzen kann.

Für Produktverantwortliche sollte klar sein: Digital und Connected Products müssen smart sein. Machine Learning wird zu einem wesentlichen Produktbestandteil. Daher muss man sich heute mit wichtigen Fragestellungen auseinandersetzen:

  • Wie integriere ich Machine Learning in meine Produkte?
  • Welche Verfahren und welche Technologien sind die Richtigen für mich?

Der War-On-Talent der großen Technologieunternehmen, sowie der mit viel Risikokapital ausgestatteten Startups, wird mit seinen Auswüchsen wie den sogenannten Acqui-Hires weitergehen. Dies macht es dem Mittelstand und den Konzernen schwer, gutes Personal zu finden. Unternehmen müssen sich Strategien überlegen, wie sie gute Mitarbeiter für sich gewinnen können. Das führt zu den folgenden Fragen:

  • Was sind die relevanten Skills und Rollen?
  • Was genau und wen brauche ich?
  • Wo finde ich gutes Personal?
  • Wie kann ich im Wettbewerb um Talente mit den “coolen” Technologiefirmen bestehen?

Da Machine Learning in modernen Unternehmen ein zentraler Use Case wird, gibt es auch in Bezug auf die Infrastruktur einiges zu bedenken. Machine Learning Workloads benötigen viel Rechenleistung und werden somit einen signifikanten Anteil der verfügbaren Ressourcen beanspruchen.

Die folgenden Fragen müssen sich CIOs stellen:

  • Welche Hardware wird benötigt: Standard Server vs. GPU vs. spezialisierte Computer?
  • Sollen die Workloads im eigenen Rechenzentrum oder in der Public Cloud laufen?
  • Welche Skills braucht meine Organisation dafür?

Mehr zu den Themen API Big Data Bots Cloud Technologien Deep Learning Digitalisierung IoT IT Security Machine Learning Online Marketing Online-Shop Predictive Analytics Speech Recognition Supervised Learning

Share on:


Über den Autor:

VP System Design & Site Reliability Engineering

Daniel KlemmDaniel Klemm ist VP System Design & Site Reliability Engineering bei Crisp Research. Als erfahrener Cloud- und Plattform-Architekt berät er Kunden bei Planung, Design und Betrieb von geschäftskritischen Plattformen und digitalen Lösungen. Seine Schwerpunktthemen sind Platform & Microservices Architecture, Cloud Native Application Design, API Management, Multi Cloud Operations, Infrastructure-as-Code und Site Reliability Engineering. Daniel Klemm verfügt über mehr als 15 Jahre Berufserfahrung im Technologie- und Startup-Bereich. So sammelte er operative Erfahrung als CTO eines Internet-Startups im Media- und eCommerce-Umfeld, im Scientific Computing bei der Modellierung von Decision Support Systems sowie zuletzt als Senior Analyst bei Crisp Research in der Beratung von CIOs und IT-Entscheidern im Kontext der Cloud-Transformation. Daniel Klemm ist aktives Mitglied der Cloud Native Computing Community und einer der Initiatoren der Amazon Web Services User Group in München sowie der Cloud Native User Group Kassel.