Fabian Silberer im Interview

„Die Lernkurve für klassische Entwickler ist bei KI-Themen deutlich höher als bei einer neuen Programmiersprache“
Keine Kommentare

Wie kann man dabei vorgehen, künstliche Intelligenz im Unternehmen einzubinden? Was sind die Hürden und wie geht man mit ihnen um? Wir haben mit Fabian Silberer, Gründer und Geschäftsführer von sevDesk, über seine Erfahrungen bei der Entwicklung einer Buchhaltungs-KI gesprochen.

Fabian Silberer ist Gründer und Geschäftsführer von sevDesk, einer cloudbasierten Buchhaltungssoftware für Selbstständige und Kleinunternehmer. Im Interview haben wir mit ihm über die Einbindung künstlicher Intelligenz in den Entwicklungsprozess und die Vorteile von KI, aber auch über deren Hürden und Grenzen gesprochen.

Entwickler: Du hast dich dazu entschieden, in deinem Unternehmen auf künstliche Intelligenz zu setzen. Was hat dich auf diese Idee gebracht?

Man denkt zwar, dass man entwickeln kann, doch Machine Learning basiert auf Statistik.

Fabian Silberer: Meine Ambition war es immer, einfache Software zu entwickeln, die Mehrwert stiftet und das Leben simpler macht. Buchhaltung war ein Thema, bei dem noch kein gutes Cloud-Produkt am deutschen Markt vorhanden war. Deshalb haben wir nach Möglichkeiten gesucht, die alte, langweilige Buchungskonten-Thematik mit smarten Datenstrukturen und guter User Experience aufzubrechen. So stießen wir auf das Thema künstliche Intelligenz, das im Jahr 2014 gerade an Fahrt aufnahm. Schnell stellten wir fest, dass es in dem Bereich „Erkennung von Dokumenten“ und „OCR“ (Optical Character Recognition) schon Ansätze gab, Texte auch semantisch zu verstehen. Auch Buchhalter versuchen letztendlich, den Text zu verstehen, zu interpretieren und in einem Buchungskonto abzubilden. Zur Abbildung der Buchungslogik fiel unsere Wahl auf Entscheidungsbäume.

Zum Interpretieren des Textes experimentierten wir anschließend mit weiteren Lösungen, bevor wir schließlich bei Deep Learning landeten. Ich kann mich noch genau erinnern, wie ich an einem Samstag in meiner Küche saß und ein wenig mit OCR und TensorFlow experimentierte. Es war wirklich ein ganz triviales Modell und basierte auf einem Tutorial. Als es dann funktionierte, einen Beleg vollautomatisiert zu verbuchen, war das schon ein magischer Moment für mich.

Entwickler: Welche Fähigkeiten muss eine KI für die Anwendung in der Buchhaltung besitzen?

Fabian Silberer: Die Grundvoraussetzung ist das Verstehen und Vorhersagen von Sachverhalten und Datenreihen. In unserem ersten Fall hatten wir es mit Belegen zu tun, die meist auf nicht strukturiertem Papier vorliegen. Wenn man einen Beleg abscannt, erhält man zunächst ein Bild. Dieses Bild, welches Text beinhaltet, muss verstanden und interpretiert werden: Wer hat geliefert? Was wurde geliefert? Wie ist die Umsatzsteuerthematik dahinter? Aus welchem Land kommt das Produkt? In welches Zielland geht es? Zusammenfassend muss unsere Buchungs-KI also folgende Eigenschaften besitzen: Sie muss verstehen, interpretieren und entscheiden.

Inzwischen setzen wir KI nicht nur für das Produkt ein, sondern für alle möglichen Prozesse im Unternehmen.

Um das eingescannte Bild in strukturierter Art und Weise zu verstehen, verwenden wir mittlerweile Deep Learning mit TensorFlow. Danach entscheiden wir, in welche Konten der Beleg verbucht wird und wie die Umsatzsteuerthematik dahinter gehandelt wird. Dazu verwenden wir unterschiedliche Algorithmen, die zusammengefasst und nebeneinandergelegt werden (Bagging, Boosting und Stacking). So kommen bis zur Buchung eines Belegs mehr als 30 Algorithmen zum Einsatz.

Entwickler: Wie seid ihr im Unternehmen dabei vorgegangen, die KI in den Entwicklungsprozess zu integrieren?

Fabian Silberer: Bei uns war es tatsächlich „Learning by Doing“. In der Entwicklung probiert man häufig neue Themen aus, um zu sehen, ob sie sinnvoll sind. Entscheidet man sich dann für eine neue Technologie, sollte man zunächst versuchen, mit einem MVP-Ansatz (Minimum Viable Product) zum Erfolg zu gelangen. Leider ist die Lernkurve für klassische Entwickler bei KI-Themen deutlich höher als beispielsweise bei einer neuen Programmiersprache. Dennoch ist es meiner Meinung nach wichtig, regelmäßig zu experimentieren und zu schauen, welche neuen Möglichkeiten es gibt und inwieweit diese für das eigene Produkt oder Unternehmen von Nutzen sein können. Wenn ein Test erfolgreich verläuft, kann man neue Bestandteile gegebenenfalls in die bestehenden Prozesse integrieren. Wenn auch das funktioniert, kann iterativ versucht werden, sie in die Kernprozesse zu integrieren und zu verbessern. Womöglich findet man auch noch andere Bereiche der Software, in denen die neue Lösung implementiert werden kann.

Entwickler: Wie lange dauerte es, bis die KI im laufenden Betrieb eingesetzt werden konnte?

Bei uns war es tatsächlich „Learning by Doing“.

Fabian Silberer: Vom Test am oben erwähnten Küchentisch bis zur Umsetzung dauerte es nur 1 bis 2 Wochen. Zuvor verbrachten wir allerdings einige Monate mit der Einarbeitungs- und Evaluierungsphase. Mittlerweile arbeiten wir auch an größeren Projekten, die Wochen bis Monate brauchen, bis sie voll eingesetzt werden können. Trotzdem müssen alle Projekte so heruntergebrochen werden, dass sie in den normalen Sprintzyklen von 2 Wochen gehandelt werden können. Für den Einsatz von KI haben wir damals vorhandene Frameworks wie beispielsweise TensorFlow, Keras, scikit-learn, OpenCV etc. genutzt. Vieles davon verwenden wir nach wie vor.

Inzwischen setzen wir KI nicht nur für das Produkt ein, sondern für alle möglichen Prozesse im Unternehmen: Churn-Prediction (welche Kunden wandern ggf. ab), Lead-Scoring (welche Leads werden wahrscheinlich zu Kunden) oder Forecast von KPIs (Key Performance Indicators) für Business Operations und Finance. Aktuell schauen wir uns die Vorhersage der Liquidität für unsere Kunden an, wofür wir auch KI verwenden.

Entwickler: Was war für dich persönlich die größte Schwierigkeit im Entwicklungsprozess und wie bist du damit umgegangen?

Fabian Silberer: Wenn man sich als klassischer Entwickler zum ersten Mal mit dem Thema Machine Learning und KI auseinandersetzt, stellt man schnell fest, dass das etwas komplett anderes ist. Man fühlt sich ein wenig in die Schule oder das Studium zurückversetzt. Man denkt zwar, dass man entwickeln kann, doch Machine Learning basiert auf Statistik. Klassische Anwendungsentwickler beschäftigen sich täglich mit Datenstrukturen und logischem Denken, aber kaum mit tiefer Statistik. Ich war auch nicht der Beste in Statistik, obwohl es mir immer Spaß gemacht hat. Man muss sich daher noch einmal hinsetzen und die Basics lernen: Wie funktioniert Regression? Wie funktioniert Lineare Algebra? Wie funktioniert Wahrscheinlichkeitsverteilung? Ich habe mich damals mit Online-Kursen von Udemy weitergebildet und parallel einige Bücher gelesen. Wenn man tiefgehende Statistikkenntnisse beherrscht und gleichzeitig noch das Handwerkszeug eines guten Entwicklers mitbringt, ist man extrem wertvoll aufgestellt.

ML Conference 2019

Workshop: Machine Learning 101++ using Python

mit Dr. Pieter Buteneers (Chatlayer.ai)

Honey Bee Conservation using Deep Learning

mit Thiago da Silva Alves, Jean Metz (JArchitects)

Entwickler: Für welche Aufgaben ist der Einsatz künstlicher Intelligenz geeignet, für welche eher nicht?

Fabian Silberer: Zum einen funktioniert künstliche Intelligenz dort gut, wo Entscheidungen auf komplizierte, scheinbar komplexe Weise getroffen werden müssen. Wobei kompliziert hier schwierig nachvollziehbar und komplex schon nicht mehr ganz nachvollziehbar bedeutet. Entscheidungen sind zwar teilweise für den Menschen komplex, nicht aber für eine Maschine. Ein Beispiel dafür ist bei Online-Shops die Kategorie „Diese Produkte könnten Ihnen auch gefallen“. Diese Entscheidung ist für den Menschen durchaus komplex, aber nicht für eine Maschine. Wie natürlich im Einzelfall die Qualität ist, sei mal dahingestellt, aber grundsätzlich ist es einfach.

Bei wirklich komplexen Themen oder wenn Kreativität gefragt ist, funktioniert künstliche Intelligenz nicht gut genug.

Zum anderen eignet sich KI gut, um Dinge vorherzusagen oder Muster in sehr großen Datenmengen zu erkennen. Die Voraussetzung dafür ist dementsprechend eine große Datenmenge. Gerade Deep Learning benötigt extrem viele Trainingsdaten. Mindestens 6-stellig, besser aber 7- oder 8-stellig. Das ist auch ein Thema, das uns sehr stark bewegt, denn Trainingsdaten sind ein richtiges „Brot-und-Butter-Geschäft“: Man braucht viele Menschen, die das Labeling durchführen, also die Trainingsdaten erstellen. Deep Learning ist jedoch meiner Meinung nach nicht immer der beste Ansatz. Zum einen ist es extrem aufwendig, die Trainingsdaten für Deep Learning zu erstellen und zum anderen liefern die „einfacheren“ Algorithmen wie Entscheidungsbäume, Regression und Support-Vector-Machines auch bessere Ergebnisse. Teilweise reichen hier sogar schon 30 Trainingsdaten.

Bei wirklich komplexen Themen oder überall dort, wo Kreativität gefragt ist, funktioniert künstliche Intelligenz nicht, bzw. nicht gut genug. Zwar gibt es in dieser Hinsicht einige Sachverhalte und Regeln, aber um so richtig kreativ zu überlegen, welche Lösungen funktionieren, unterstützt KI bisher noch nicht im alltäglichen Leben. Ich weiß auch nicht, wie schnell das funktionieren wird. Ebenso verhält es sich mit komplexen Entscheidungen wie: „Gehe ich strategisch in diese oder die andere Richtung?“ Dort brauchen wir Menschen und ihre Intuition. Jahrelang gesammelte Erfahrungen kann bisher, und auch in naher Zukunft, keine künstliche Intelligenz ersetzen oder abbilden.

Entwickler: Vielen Dank für das Interview!

Fabian Silberer programmiert seit er zwölf ist, zunächst vor allem Webseiten. Dort lag auch sein späterer Fokus, aber auch im Bereich ERP. Als Entwickler ließ Ihn die Idee nicht los, ob man Buchhaltung, Rechnungserstellung aber auch die Steuererklärung an KI übergeben kann. Heute ist er Gründer und Geschäftsführer von sevDesk, einer cloudbasierten Buchhaltungssoftware für Selbstständige und Kleinunternehmer. Im Jahr 2013 gründete er zusammen mit seinem damaligen Studienfreund Marco Reinbold das Offenburger Software-Startup, welches heute mehr als 80.000 Kunden und 70 Mitarbeiter vorweisen kann.
Unsere Redaktion empfiehlt:

Relevante Beiträge

Hinterlasse einen Kommentar

Hinterlasse den ersten Kommentar!

avatar
400
  Subscribe  
Benachrichtige mich zu:
X
- Gib Deinen Standort ein -
- or -