Archiv für den Monat April 2017

Delight Users with Animation

Kommentar verfassen

“Delight” is a word that we’re hearing and using more often to describe pleasurable moments in our products. Delight is the magic that makes us fall in love with a product. It’s a core element to strive for when designing. When it comes to providing pleasure or delight in our websites and apps, animations contribute a lot.

WHY DELIGHTFUL ANIMATION IS IMPORTANT

Digital design plays a crucial role in how customers experience a product. Modern design is highly focussed on usability, because usability allows people to easily accomplish their goals. However, designing for the user experience has a lot more to it than making a usable product. Good design is pleasurable and seductive. Good design is delightful. “At this point in experience design’s evolution, satisfaction ought to be the norm, and delight ought to be the goal,” says Stephen Anderson. Animation can help you achieve this goal.

WHEN TO USE DELIGHTFUL ANIMATION

Just like any other design element animation should contribute the user flow. Delightful animations are pleasurable for the user without detracting from the usability of the app. There are two cases when implementing delightful animation into your digital designs can strengthen UX:

  • Engaging and entertaining. Entertaining animation draws attention to our products by creating a strong first impression. It can make our products more memorable and more shareable.
  • Baking emotion in design. Showing the human side of your business or product can be a very powerful way for your audience to identify and empathize with you. The aim of emotional design is to create happiness. You want people to feel happy when they use your product.

Let’s look at a few ways animation can help create delightful moments:

1. KEEP USERS INTERESTED DURING LOADING

Loading time is an unavoidable situation for most digital products. But who says that loading should be boring? When we can’t shorten the line, we can certainly make the wait more pleasant. To ensure people don’t get bored while waiting for something to happen, you can offer them some distraction: this can be something fun or something unexpected. While animation won’t solve the problem, it definitely makes waiting less of a problem: fine animation can distract your users and make them ignore long loading times.

001
Credits: Dribbble

2. MAKE A GREAT FIRST IMPRESSION

First impressions count: people judge things based on how they look. Good animation throughout the onboarding flow has a strong impact on how first-time users will engage with the app. A good first impression isn’t just about usability, it’s also about personality. If your first few app screens look a little different from similar products, you’ve shown the user that your entire product experience will likely be different too. For example, animating an illustration for a new feature can educate the user about the feature in a memorable way.

002
Credits: Dribbble

3. MAKE YOUR INTERFACES FEEL MORE ALIVE

Creative animation can make your user experience truly delightful: they can transform familiar interactions into something much more enjoyable and have the power to encourage users to actually interact. Attention to fine movements can increase the level of usability and therefore desirability of the product.

4. INCORPORATE EMOTIONAL INTERACTIONS

Focusing on user emotions plays a huge role in UI interactions. As Aarron Walter said in his book Designing for Emotion: “Personality is the mysterious force that attracts us to certain people and repels us from others.” Using animation you can establish an emotional connection with your users, and remind them that there are real humans behind the design. An example of animation from ReadMe is full of emotions.

5. HELP USER RECOVER FROM UNEXPECTED ERRORS

‘Errors’ happen. They happen in our apps and they happen in our life. Sometimes they happen because we made mistakes. Sometimes because an app failed. Whatever the cause, these errors — and how they are handled — can have a huge impact on the way user experiences your app. A well-crafted error handling can turn a moment of failure into a moment of delight. When displaying an unexpected error, use it as an opportunity to delight with animation.

003
Credits: Dribbble

6. MAKE A COMPLEX TASK FEEL EASIER

Animation is able to transform a complex task into an inviting experience.  Let’s take a MailChimp case for inspiration. What makes MailChimp awesome is its smooth functionality wrapped in cheeky humor and friendly animation. When you’re about to send out your first campaign, the accompanying animation shows how stressful it is. Mailchimp brings empathy to the design: by combining animated cartoons with tongue-in-cheek messages like “This is your moment of glory,” MailChimp softens the nervousness of sending your first emails.

7. BREATHE FUN INTO THE INTERACTIONS

People love to discover treats in interfaces just as they do in real life. The joy is more than the treat, it’s the discovery of the treat and the feeling that someone took the time to think of you.

index
Credits: Dribbble

People will forget what you said, people will forget what you did, but people will never forget how you made them feel.—Maya Angelou

Never underestimate the power of delight to improve the user experience. The difference between products we love and those we simply tolerate is often the delight we have with them.

Of course, before your application can create an emotional connection with the user it must get the basics right.  Thus, make your product a joy to use by connecting feelings with features!

https://www.webdesignerdepot.com/2017/04/7-ways-to-delight-users-with-animation

Werbung

How Banks Can Compete Against an Army of Fintech Startups

Kommentar verfassen

It’s been more than 25 years since Bill Gates dismissed retail banks as “dinosaurs,” but the statement may be as true today as it was then. Banking for small and medium-sized enterprises (SMEs) has been astonishingly unaffected by the rise of the Internet. To the extent that banks have digitized, they have focused on the most routine customer transactions, like online access to bank accounts and remote deposits. The marketing, underwriting, and servicing of SME loans have largely taken a backseat. Other sectors of retail lending have not fared much better. Recent analysis by Bain and SAP found that only 7% of bank credit products could be handled digitally from end to end.

The glacial pace at which banks have moved SME lending online has left them vulnerable. Gates’ original quote contended that the dinosaurs can be ”bypassed.” That hasn’t happened yet, but our research suggests the threat to retail banks from online lending is very real. If U.S. banks are going to survive the coming wave in financial technology (fintech), they’ll need to finally take digital transformation seriously. And our analysis suggests there are strategies that they can use to compete successfully online.

Lending to small and medium-sized businesses is ready to move online

Small businesses are starting to demand banking services that have engaging web and mobile user experiences, on par with the technologies they use in their personal lives. In a recent survey from Javelin Research, 56% of SMEs indicated a desire for better digital banking tools. In a separate, forthcoming survey conducted by Oliver Wyman and Fundera (where one of us works), over 60% of small business owners indicated that they would prefer to apply for loans entirely online.

In addition to improving the experience for business owners, digitization has the potential to substantially reduce the cost of lending at every stage of the process, making SME customers more profitable for lenders, and creating opportunities to serve a broader swath of SMEs. This is important because transaction costs in SME lending can be formidable and, as our research in a recent HBS Working Paper indicates, some small businesses are not being served. Transaction costs associated with making a $100,000 loan are roughly the same as making a $1,000,000 loan, but with less profit to the bank, which has led to banks prioritizing SMEs seeking higher loan amounts. The problem is that about 60% of small businesses want loans below $100,000. If digitization can decrease costs, it could help more of these small businesses get funded.

New digital entrants have spotted the market opportunity created by these dynamics, and the result is an explosion in online lending to SMEs from fintech startups. Last year, less than $10 billion in small-business loans was funded by online lenders, a fraction compared to the $300 billion in SME loans outstanding at U.S. banks. However, the current meager market share held by online lenders masks immense potential: Morgan Stanley estimates the total addressable market for online SME lenders is $280 billion and predicts the industry will grow at a 47% annualized rate through 2020. They estimate that online lenders will constitute nearly a fifth of the total SME lending market by then. This finding confirms what bankers fear: digitization upends business models, enabling greater competition that puts pressure on incumbents. Sometimes David can triumph over Goliath. As JPMorgan Chase’s CEO, Jamie Dimon, warned in a June 2015 letter to the bank’s shareholders, “Silicon Valley is coming.”

Can banks out-compete the disruptors?

Established banks have real advantages in serving the SME lending market, which should not be underestimated. Banks’ cost of capital is typically 50 basis points or less. These low-cost and reliable sources of funds are from taxpayer-insured deposits and the Federal Reserve’s discount window. By comparison, online lenders face capital costs that can be higher than 10%, sourced from potentially fickle institutional investors like hedge funds. Banks also have a built-in customer base, and access to proprietary data on depositors that can be used to find eligible borrowers who already have a relationship with the bank. Comparatively, online lenders have limited brand recognition, and acquiring small business customers online is expensive and competitive.

But banks’ ability to use these strengths to build real competitive advantage is not a forgone conclusion. The new online lenders have made the loan application process much more customer-friendly. Instead of walking into a branch on Main Street and spending hours filling out paperwork, borrowers can complete online applications with lenders like Lending Club and Kabbage in minutes and from their laptop or phone at any hour of the day. Approval times are cut to days or, in some cases, a few minutes, fueled by data-driven algorithms that quickly pre-qualify borrowers based on a handful of data points such as personal credit scores, Demand Deposit Account (DDA) data, tax returns, and three months of bank statements. Moreover, in instances where borrowers want to shop and compare myriad options in one place, they turn to online credit brokers like Fundera or Intuit’s QuickBooks Financing for a one-stop shopping experience. By contrast, banks — particularly regional and smaller banks — have traditionally relied on manual, paper-intensive underwriting processes, which draw out approval times to as much as 20 days.

The questions banks should ask themselves

We see four broad strategies that traditional banks could pursue to compete or collaborate with emerging online players—and in some cases do both simultaneously. The choice of strategy depends on how much investment of time and money the bank is willing to make to enter the new marketplace, and the level of integration the bank wants between the new digital activities and their traditional operations.

Two of the four options are low-integration strategies in which banks contract for new digital activities in arms-length agreements, or pursue long-term corporate investments in separate emerging companies. This amounts to putting a toe in the water, while keeping current operations relatively separate and pristine.

On the other end of the spectrum, banks choose higher-integration strategies, like investing in partnership arrangements, where the new technologies are integrated into the bank’s loan application and decision making apparatus, sometimes in the form of a “white label” arrangement. The recent partnership between OnDeck and JPMorgan Chase is such an example. Some large and even regional banks have made even more significant investment to build their own digital front ends (e.g. Eastern Bank). And as more of the new fintech companies become possible acquisition targets, banks may look to a “build or buy” strategy to gain these new digital capabilities.

For banks that choose to develop their own systems to compete head-on with new players, significant investment is required to automate routine aspects of underwriting, to better integrate their own proprietary account data, and to create a better customer experience through truly customer-friendly design. The design and user experience aspect is especially out of sync with bank culture, and many banks struggle with internal resistance.

Alternatively, banks can partner with online lenders in a range ways – from having an online lender power the bank’s online loan application, to using an online lender’s credit model to better underwrite and service bank loan applications. In these options, the critical question is whether the bank wants to keep its own underwriting criteria or use new algorithms developed by its digital partner. Though the new underwriting is fast and uses intriguing new data, such as current bank transaction and cash flows, it’s still early days for these new credit scoring methods, and they have largely not been tested through an economic downturn.

Another large downside of partnering with online lenders is the significant level of resources required for compliance with federal “third party” oversight, which makes banks responsible for the activities of their vendors and partners. In the U.S., at least three federal regulators have overlapping requirements in this area, creating a dampening effect that regulatory reform in Washington could serve to mitigate.

Banks that prefer a more “arm’s-length” arrangement have the option to buy loans originated on an alternative lender’s platform. This allows a bank to increase their exposure to SME loans and pick the credits they wish to hold, while freeing up capital for online lenders. This type of partnership is among the most prolific in the online small business lending world, with banks such as JPMorgan Chase, Bank of America, and SunTrust buying assets from leading online lenders.

The familiar David vs. Goliath script of the scrappy, internet-fueled startup vanquishing the clunky, brick-and-mortar-laden incumbent is repeated so often in startup circles that it is sometimes treated as inevitable. But in the real world, sometimes David wins, other times Goliath wins, and sometimes the right solution involves a combination of both. SME lending can remain a big business for banks, but only with deliberate choices about where to play and how to win. Banks must focus on areas where they can build a distinct competitive advantage, and find ways to partner with or learn from the new innovators.

https://hbr.org/2017/04/how-banks-can-compete-against-an-army-of-fintech-startups

The evidence is piling up — Silicon Valley is being destroyed

Kommentar verfassen

Silicon Valley is the story of overthrowing entrenched interests through innovation.

Children dream of becoming inventors, and scientists come to Silicon Valley from all over the world.

But something is wrong when Juicero and Theranos are in the headlines, and bad behavior from Uber executives overshadows actual innovation.

$120 million in venture funding from Google Ventures and Kleiner Perkins, for a juicer? And the founder, Doug Evans, calling himself himself Steve Jobs „in his pursuit of juicing perfection?“ And how is Theranos’s Elizabeth Holmes walking around freely?

Eventually, the rhetoric of innovation turns into …. a Google-backed punchline.

These stories are embarrassing, yes. But there’s something deeper going on here. Silicon Valley, an international treasure that birthed the technology of our age, is being destroyed.

Monopolies are now so powerful that they dictate the roll-out of new technology, and the only things left to invest in are the scraps that fall off the table.

Sometimes those scraps are Snapchat, which managed to keep alive, despite what Ben Thompson calls ‚theft‚ by Facebook.

Sometimes it’s Diapers.com, which was destroyed and bought out by Amazon through predatory pricing. And sometimes it’s Juicero and Theranos.

It’s not that Juicero and Theranos that are the problem. Mistakes — even really big, stupid ones — happen.

juicero 8Business Insider/Alyson Shontell

It’s that there is increasingly less good stuff to offset the bad. Pets.com was embarrassing in 2000, but that was also when Google was getting going. Today it’s all scraps.

When platform monopolies dictate the roll-out of technology, there is less and less innovation, fewer places to invest, less to invent. Eventually, the rhetoric of innovation turns into DISRUPT, a quickly canceled show on MSNBC, and Juicero, a Google-backed punchline.

This moment of stagnating innovation and productivity is happening because Silicon Valley has turned its back on its most important political friend: antitrust. Instead, it’s embraced what it should understand as the enemy of innovation: monopoly.

As Barry Lynn has shown, Silicon Valley was born of anti-monopoly.

Elizabeth Holmes TheranosElizabeth Holmes, CEO of Theranos.Larry Busacca/Getty

In 1956, a Republican administration and AT&T signed a consent decree forbidding AT&T from competing in any but common carrier communications services. The decree also forced AT&T to license its patents in a non-discriminatory manner to all comers.

One of those patents was for something called the transistor, which two small companies — Texas Instruments and Motorola — would commercialize.

In the 1960s and 1970s, an antitrust suit against IBM caused the company to unbundle its hardware and software, leading to the creation of the American software industry. It treated suppliers for its new personal computing business with kid gloves, including a small company called Micro-Soft. In the 1990s, a suit against Microsoft allowed another startup named Google to offer an innovative search engine

and ad business without fear that Microsoft would use its control of the browser to strangle it.

The great business historian Alfred Chandler, in his book on the electronic century, called antitrust regulators the „Gods“ of creation. Antitrust was originally understood as a uniquely American „charter of economic liberty“.

But there hasn’t been a Sherman Act Section 2 anti-monopolization case for 15 years. And the anti-merger Clayton Act is not being enforced. Neither Bush, nor Obama, nor Trump (so far), has seen fit to stop the monopolists from buying their way into dominance and blocking innovation.

Take Google.

Sergey BrinSergey Brin is the President of Alphabet, Google’s parent company.Robert Galbraith/Reuters

Yes, the company created an amazing search engine over fifteen years ago. Since then, the company bought YouTube, Doubleclick, Maps, and Admob; it buys a company a week at this point. And it often shuts down products that don’t reach 100M+ users, while investing in luxury juicing machines. Surely Google is creating cool technology. But is that technology really being deployed? Or is it locked away, as patents were in AT&T’s 1956 vault before the government stepped in?

What once were upstarts and innovators are now enthroned. For instance, the iPhone is ten years old. Innovation means waiting to see if Apple will offer a bigger screen.

Innovation means waiting to see if Apple will offer a bigger screen.

It’s almost as thrilling as seeing yet another press release about how self-driving cars are almost working. I’m on the edge of my seat.

This is a ridiculous situation. Silicon Valley helped created the personal computer! It commercialized the internet! Popularized email!

Its scientists and engineers change the world. We have such amazing technology, and such big problems. But our liberty to address those problems in the commercial world must be protected by a democracy in the form of antitrust rules and suits, or Silicon Valley will die.

American flag phone iphoneMark Wilson/Getty Images

Is that what Silicon Valley scientists and business leaders really want? To invest in and produce subpar juicers while everything cool waits on Jeff Bezos’s whim? Is that what they dreamed when they were young? Is that why they admired astronauts and entrepreneurs? Was their goal really to create „anti-competitive juice packet lock-in“?

That is where a lack of democracy has brought us, and Silicon Valley.

It is time for leaders in Silicon Valley to start demanding from our government the birthright of every American, which is an open market for commerce, innovation, and personal liberty.

It is time to demand antitrust, so that what once were innovative upstarts, and are now Kings, do not stop the next wave of innovation. Then there will be so much more to invest in, so much more to invent, and so much more to actually create.

Matt Stoller is a fellow at the Open Markets Program at New America. He first shared a version of this story on Twitter. The original tweets are below.

stoller 2Screenshot/Twitter

stollerScreenshot/Twitter

/end of story 🙂

http://www.businessinsider.de/the-evidence-is-piling-up-silicon-valley-is-being-destroyed-2017-4

TV May Actually Die Soon

Kommentar verfassen

FANG (Facebook, Amazon, Netflix, Google/YouTube) is about to take a huge bite out of traditional network TV (ABC, NBC, CBS and Fox), and the media business will never be the same.

To understand the profound implications of the recently announced NFL on Amazon Prime or YouTube TV, it may help to understand the economic engine that drives traditional commercial television.

The goal of the commercial TV business is to package a specific, targeted audience and sell it to the highest bidder. The more precise the targeting, the higher the fee; the bigger the targeted audience, the bigger the fee.

TV is data-poor

Because the broadcast television industry is data poor (it only offers metrics about itself), this model has never been a complete solution for brand or lifestyle advertisers. In practice, an advertiser needs to translate ratings and demographic information from Nielsen into knowledge and insights it can link to its key performance indicators (KPIs). Because content is distributed across so many non-TV platforms, this process gets more difficult every day. How effective was your broadcast TV buy? Was there an increase in sales that could be attributed to it? Could we have spent this portion of our advertising budget differently?

FANG is data-rich

There are four data sets that help define each of us: attention, consumption, passion and intention. While traditional broadcast TV tries to measure or attribute some of these to TV viewership, FANG has actionable data that drives KPIs.

Facebook knows what you are paying attention to. You post and share the things you care about, and your Facebook profile makes your attention actionable.

Amazon knows what you consume and what you’re thinking about consuming. If you’ve bought it or are planning to buy it, Amazon knows it and can act on that data.

Netflix knows your passions. You demonstrate how you can be reached on an emotional level every time you watch a video. Netflix knows more about the kind of entertainment that ignites your passions than you do. It continually acts on that data.

Google/YouTube knows your intentions. You never intend to go to Google and stay there; you search for what you intend to do. Your Google profile indicates, with a very high degree of accuracy, what you are likely to do in the near-term future. This is some of the clearest, most actionable data in the world.

We’ll still have four major networks, just not the familiar four

People often reminisce about the „good ol‘ days“ when there were four major networks: ABC, NBC, CBS and Fox. We are transitioning to a world where there will still be four networks, just not the four networks you’re used to. FANG is delivering actionable data to advertisers in ways that traditional broadcasters simply can’t.

The power of Amazon Prime to a fast-moving consumer goods company may be less significant than the power of Amazon Prime to a consumer electronics manufacturer, but Amazon is becoming a complete solution for all types of b-to-c — and many types of b-to-b — advertisers. Its size, scale and efficacy are truly stunning.

If YouTube TV and other over-the-top skinny bundles start to get traction, we are going to see a dramatic shift toward the data-rich, brand-safe, internet giants. (Yes, Facebook and Google will deal with their current content adjacency and brand safety problems, and you will forget they had them.) FANG will not be alone. Apple is going to get into this game, and there are international powerhouses like Alibaba and QQ that are already well on their way.

What does this really mean?

For today: Advertisers are spending, traditional networks are making money and all of this sounds like stuff you’ve heard before. But we’re only talking about timing. Traditional (linear) TV audiences are declining at a significant rate, and they are practically aged out of key demographics. Cable customers are also declining. So, the question is when this shift will make a difference, not if.

For consumers: More choice, more fun. Consumers don’t care about content transport mechanisms or broadcast business models, they just want their content.

For advertisers: Brands have never wanted to buy CPMs (cost per thousand impressions) or GRPs (gross rating points); they want to sell stuff. The data-rich FANG and other tech giants are offering data that can be turned directly into sales.

For networks: It’s just a matter of time before media without actionable data will be impossible to monetize. Can traditional TV catch up? Adapt or die!

http://adage.com/article/digitalnext/tv-die-stay-tuned/308618

Machine Learning – Basics – Einsatzgebiete – Technik

Kommentar verfassen
Machine Learning, Deep Learning, Cognitive Computing – Technologien der Künstlichen Intelligenz verbreiten sich rasant. Hintergrund ist, dass heute die Rechen- und Speicherkapazitäten zur Verfügung stehen, die KI-Szenarien möglich machen. Ein Überblick.
 
  • Machine Learning hilft, Muster in großen Datenbeständen zu erkennen und daraus Erkenntnisse zu gewinnen
  • Die Einsatzszenarien reichen von der Spamanalyse über Stauprognosen bis hin zur medizinischen Diagnostik
  • Technische Grundlage ist eine Cloud-basierte Digital Infrastructure Platform

http://www.computerwoche.de/a/machine-learning-darum-geht-s,3330413
http://www.computerwoche.de/a/machine-learning-das-haben-deutsche-unternehmen-vor,3330418
http://www.computerwoche.de/a/machine-learning-die-technik,3330420

Künstliche Intelligenz und Machine Learning (ML) sind keine neuen Technologien, doch im praktischen Einsatz spielen sie erst jetzt eine wichtige Rolle. Woran liegt das? Wichtigste Voraussetzung für lernende Systeme und entsprechende Algorithmen sind ausreichende Rechenkapazitäten und der Zugriff auf riesige Datenmengen – egal ob es sich um Kunden-, Log- oder Sensordaten handelt. Sie sind für das Training der Algorithmen und die Modellbildung unverzichtbar – und sie stehen mit Public- und Private-Cloud-Infrastrukturen zur Verfügung.

Bildanalyse und -erkennung ist das wichtigste Machine-Learning-Thema, doch die Spracherkennung und -verarbeitung ist schwer im Kommen.
Bildanalyse und -erkennung ist das wichtigste Machine-Learning-Thema, doch die Spracherkennung und -verarbeitung ist schwer im Kommen.
Foto: Crisp Research, Kassel

 

Die Analysten von Crisp Research sind im Rahmen einer umfassenden Studie gemeinsam mit The unbelievable Machine Company und Hewlett-Packard Enterprise (HPE) der Frage nachgegangen, welche Rolle Machine Learning heute und in Zukunft im Unternehmenseinsatz spielen wird. Dabei zeigt sich, dass deutsche Unternehmen hier schon recht weit fortgeschritten sind. Bereits ein Fünftel setzt ML-Technologien aktiv ein, 64 Prozent beschäftigen sich intensiv mit dem Thema und vier von fünf Befragten sagen sogar, ML werde irgendwann eine der Kerntechnologien des vollständig digitalisierten Unternehmens sein.

Muster erkennen und Vorhersagen treffen

ML-Algorithmen helfen den Menschen, Muster in vorhandenen Datenbeständen zu erkennen, Vorhersagen zu treffen oder Daten zu klassifizieren. Mit mathematischen Modellen können neue Erkenntnisse auf Grundlage dieser Muster gewonnen werden. Das gilt für viele Lebens- und Geschäftsbereiche. Oftmals profitieren Internet-Nutzer längst davon, ohne über die Technologie im Hintergrund nachzudenken.

Das Spektrum der Anwendungen reicht von Musik- und Filmempfehlungen im privaten Umfeld bis hin zur Verbesserung von Marketing-Kampagnen, Kundenservices oder auch Logistikrouten im geschäftlichen Bereich. Dafür steht ein breites Spektrum an ML-Verfahren zur Verfügung, darunter Lineare Regression, Instanzenbasiertes Lernen, Entscheidungs-Baum-Algorithmen, Bayesche Statistik, Clusteranalyse, Neuronale Netzwerke, Deep Learning und Verfahren zur Dimensionsreduktion.

Die Anwendungsbereiche sind vielfältig und teilweise bekannt. Man denke etwa an Spam-Erkennung, die Personalisierung von Inhalten, das Klassifizieren von Dokumenten, Sentiment-Analysen, Prognosen der Kundenabwanderung, E-Mail-Klassifizierung, Analyse von Upselling-Möglichkeiten, Stauprognosen, Genomanalysen, medizinische Diagnostik, Chatbots und vieles mehr. Für nahezu alle Branchen und Unternehmenstypen ergeben sich also Gelegenheiten.

Moderne IT-Plattformen unterstützen KI

Machine Learning ist laut Crisp Research idealerweise Bestandteil einer modernen, skalierungsfähigen und flexiblen IT-Infrastruktur – einer „Digital Infrastructure Platform“. Diese zeichnet sich durch Elastizität, Automatisierung, eine API-basierte Architektur und Agilität aus. Eine solche Plattform ist in der Regel Cloud-basiert aufgesetzt und dient als Grundlage für die Entwicklung und den Betrieb neuer digitaler Anwendungen und Prozesse. Sie bietet eine offene Architektur, Programmierschnittstellen (APIs), um externe Services zu integrieren, die Unterstützung von DevOps-Konzepten sowie moderne Methoden für kurze Release- und Innovationszyklen.

Die Verarbeitung und Analyse großer Datenmengen ist eine Kernaufgabe einer solchen Digital Infrastructure Platform. Deshalb müssen die IT-Verantwortlichen Sorge tragen, dass ihre IT mit unterschiedlichen Verfahren der Künstlichen Intelligenz umgehen kann. Server-, Storage- und Netzwerk-Infrastrukturen müssen auf neue ML-basierte Workloads ausgelegt sein. Auch das Daten-Management muss vorbereitet sein, damit ML-as-a-Service-Angebote in der Cloud genutzt werden können.

Im Kontext von ML haben sich in den vergangenen Monaten auch alternative Hardwarekomponenten durchgesetzt, etwa GPU-basierte Cluster von Nvidia, Googles Tensor Processing Unit (TPU) oder IBMs TrueNorth-Prozessor. Unternehmen müssen sich entscheiden, ob sie hier selbst investieren oder die Angebote entsprechender Cloud-Provider nutzen wollen.

Einer der großen Anwendungsbereiche für ML ist die Spracherkennung und -verarbeitung. Amazons Alexa zieht gerade in die Haushalte ein, Microsoft, Google, Facebook und IBM haben hier einen Großteil ihrer Forschungs- und Entwicklungsgelder investiert sowie spezialisierte Firmen zugekauft. Es lässt sich absehen, dass natürlichsprachige Kommunikation an der Kundenschnittstelle selbstverständlicher wird. Auch die Bedienung von digitalen Produkten und Enterprise-IT-Lösungen wird via Sprachbefehl möglich sein. Das hat sowohl Auswirkungen auf das Customer-Frontend als auch auf das IT-Backend.

Niedrige Einstiegshürden in Machine Learning

Da die großen Cloud-Anbieter ML-Services und -Produkte in ihr Leistungsportfolio aufgenommen haben, ist es für Anwender relativ einfach, einen Einstieg zu finden. Amazon Machine Learning, Microsoft Azure Machine Learning, IBM Bluemix und Google Machine Learning erlauben einen kostengünstigen Zugang zu entsprechenden Diensten über die Public Cloud. Anwender brauchen also keinen eigenen Supercomputer, kein Team von Statistikexperten und kein dediziertes Infrastruktur-Management mehr. Mit ein paar Kommandos über die APIs der großen Public-Cloud-Provider können sie loslegen.

Anwender brauchen vor allem Hilfe bei der Datenexploration.
Anwender brauchen vor allem Hilfe bei der Datenexploration.
Foto: Crisp Research, Kassel

 

Sie finden dort unterschiedliche Machine-Learning-Verfahren sowie Dienste und Tools wie etwa grafische Programmiermodelle und Storage-Dienste vor. Je mehr sie sich darauf einlassen, desto größer wird allerdings das Risiko eines Vendor-Lock-ins. Deshalb sollten sich Anwender vor dem Start Gedanken über ihre Strategie machen. IT-Dienstleister und Managed-Service-Provider können ebenso ML-Systeme und Infrastrukturen bereitstellen und betreiben, so dass Unabhängigkeit von den Public-Cloud-Providern und ihren SLAs ebenso möglich ist.

Verschiedene Spielarten der KI

Machine Learning, Deep Learning, Cognitive Computing – derzeit kursieren eine Reihe von KI-Begriffen, deren Abgrenzung voneinander nicht ganz einfach ist. Crisp Research wählt dafür die Dimensionen „Clarity of Purpose“ (Orientierung am Einsatzweck) und „Degree of Autonomy“ (Grad der Autonomie). ML-Systeme sind derzeit größtenteils auf Einsatzzwecke hin entwickelt und trainiert. Sie erkennen beispielsweise im Fertigungsprozess fehlerhafte Produkte im Rahmen einer Qualitätskontrolle. Ihre Aufgabe ist klar umrissen, es gibt keine Autonomie.

Deep-Learning-Systeme hingegen sind in der Lage, mittels Neuronaler Netze eigenständig zu lernen. Simulierte Neuronen werden in vielen Schichten übereinander modelliert und angeordnet. Jede Ebene des Netzwerks erfüllt dabei eigenständig bestimmte Aufgaben, etwa das Erkennen von Kanten. Diese Information wird eigenständig an die nächste Ebene weitergegeben und fließt dort in die Verarbeitung ein. Im Zusammenspiel mit großen Mengen an Trainingsdaten lernen solche Netzwerke, bestimmte Aufgaben zu erledigen – etwa das Identifizieren von Krebszellen in medizinischen Bildern.

Deep-Learning-Systeme arbeiten autonomer

Deep-Learning-Systeme arbeiten also deutlich autonomer als ML-Systeme, da die Neuronalen Netzwerke darauf trainiert werden, selbständig zu lernen und Entscheidungen zu treffen, die von außen nicht unbedingt nachvollziehbar sind.

Als dritte Spielart der KI gilt das Cognitive Computing, das insbesondere von IBM mit seiner Watson-Technologie propagiert wird. Solche Systeme zeichnen sich dadurch aus, dass sie in einer Assistenzfunktion oder gar als Ersatz des Menschen Aufgaben übernehmen und Entscheidungen treffen und dabei mit Ambiguität und Unschärfe umgehen können. Als Beispiele können das Schadensfall-Management in einer Versicherung dienen, eine Service-Hotline oder die Diagnostik im Krankenhaus.

Auch wenn hier bereits ein hohes Maß an Autonomie erreicht werden kann, ist der Weg zu echter Künstlicher Intelligenz mit autonomen kognitiven Fähigkeiten noch weit. Die Wissenschaft beschäftigt sich aber intensiv damit und streitet darüber, ob und wann dieses Ziel erreicht werden kann. Derweil sind Unternehmen gut beraten, sich mit den machbaren Use Cases zu beschäftigen, von denen es bereits eine Menge gibt.

Im Zuge des Digitalisierungstrends kommt in vielen Unternehmen Analytics auf die Tagesordnung – und damit auch Machine Learning und Deep Learning. Jetzt geht es darum, den Datenschatz zu heben.
  • Viele Unternehmen haben Data Lakes mit strukturierten und unstrukturierten Daten aufgebaut. Jetzt gilt es, etwas daraus zu machen
  • Einsatzgebiete für Machine Learning sind etwa Prozessverbesserungen sowie eine bessere Kundenansprache und ein möglichst effizienter Support
  • In vielen Branchen ist der Abstand zwischen Vorreitern und Nachzüglern riesig

Die Phantasien und Visionen rund um die digitale Zukunft kennen derzeit keine Grenzen. Vollautomatisierte Produktionsstraßen, autonome Verkehrssysteme, intelligente digitale Assistenten – es vergeht kaum ein Tag, an dem nicht neue Szenarien diskutiert werden. Dadurch fühlen sich viele Firmen unter Druck gesetzt. Sie arbeiten am „digitalen Unternehmen“ und entdecken ihre Daten als Grundlagen für neue Geschäftsmodelle und Services. So gewinnt Analytics an Bedeutung – und mit der Analytics-Strategie kommen KI und Machine Learning (ML) auf die Tagesordnung.

Aus diesen Gründen beschäftigen sich Anwender mit Machine Learning.
Aus diesen Gründen beschäftigen sich Anwender mit Machine Learning.
Foto: Crisp Research

 

IT- und Digitalisierungsentscheider vermuten ein enormes Potenzial hinter dem Thema Machine Learning. Eine Umfrage, die das Analystenhaus Crisp Research unterstützt von The unbelievable Machine Company und Hewlett-Packard Enterprise (HPE) auf den Weg gebracht hat, zeigt, dass nur drei Prozent der knapp 250 Befragten ML für einen Marketing-Hype halten. Ein Drittel bezeichnet ML-Verfahren in begrenzten Einsatzbereichen als sinnvoll, sogar 43 Prozent sind überzeugt davon, dass ML ein wichtiger Aspekt künftiger Big-Data- und Analytics-Strategien wird.

Wie die Initiatoren der Studie feststellen, ist das kein überraschendes Ergebnis. Die meisten Unternehmen haben im großen Stil in Big-Data-Infrastrukturen und eigene Data Lakes investiert, um ihre Unternehmensdaten zusammenzuführen und auswertbar zu machen. ML ermöglicht einen hohen Automationsgrad in der Datenanalyse und hilft somit, den verborgenen Schatz zu heben. Daten gelten als großes Asset, doch den Beweis dafür haben viele Firmen noch nicht gebracht. Technologien und Use Cases rund um Machine Learning versprechen Abhilfe.

Immenses Innovationspotenzial

Immerhin 16 Prozent der befragten sehen ML sogar als neue „Kerntechnologie eines vollständig digitalen Unternehmens“. Das Innovations- und Gestaltungspotenzial scheint also immens, wenngleich viele Probleme rund um Datenqualität, Governance, API-Management, Infrastruktur und vor allem Personal den Trend noch bremsen.

Rund 34 Prozent der Befragten beschäftigen sich mit ML, weil sie ihre internen Prozesse in der Produktion, Logistik oder im Qualitätsmanagement verbessern wollen. Sie erheben beispielsweise Daten im Produktionsablauf, um ihre Fertigung optimieren zu können. Fast ebenso viele wollen Initiativen rund um die Customer Experience vorantreiben – etwa in E-Commerce, Marketing oder im Bereich der Portale und Apps. Sie versprechen sich davon beispielsweise eine personalisierte Kundenansprache, um Produkte oder Dienste zielgerichteter an den Konsumenten bringen zu können. Mit 19 Prozent ist die Gruppe derer, die Wartungs- und Supportleistungen optimieren wollen (Predictive Maintenance), etwas kleiner. Hinzu kommen Betriebe, die sich grundsätzlich mit neuen Technologien beschäftigen (28 Prozent) oder durch Berater und Analysten auf das Thema aufmerksam geworden sind (27 Prozent).

Elementar für selbstfahrende Autos

Das Nutzungsverhalten von ML ist nicht nur zwischen, sondern auch innerhalb der Branchen sehr unterschiedlich ausgeprägt. In der Automobilbranche etwa gibt es große Abstände zwischen den Vorreitern und den Nachzüglern. Für die Entwicklung und Produktion selbstfahrender Autos sind Bild- und Videoanalyse in Echtzeit sowie statistische Verfahren und mathematische Modelle aus Machine Learning und Deep Learning weit verbreitet. Einige Verfahren werden auch dazu verwendet, Fabrikationsfehler in der Fertigung zu erkennen.

Der Anteil der Innovatoren, die ML bereits in weiten Teilen einsetzen, ist in der Automobilbranche mit rund 20 Prozent am größten. Demgegenüber stehen allerdings 60 Prozent, die sich zwar mit ML beschäftigen, aber noch in der Evaluierungs- und Planungsphase stecken. So zeigt sich, dass in der Autobranche einige Leuchttürme das Bild prägen, von einer flächendeckenden Adaption aber nicht die Rede sein kann.

Status der Branchen bei der Einführung von Machine-Learning-Technologien
Status der Branchen bei der Einführung von Machine-Learning-Technologien
Foto: Crisp Research

 

Auch die Maschinen- und Anlagenbauer stecken noch zur Hälfte (53 Prozent) in der Evaluierungs- und Planungsphase. Ein knappe Drittel nutzt ML in ausgewählten Anwendungsbereichen produktiv und 18 Prozent bauen derzeit Prototypen. Weiter sind die Handels- und Konsumgüterfirmen, die zu 44 Prozent dabei sind, ML in ersten Projekten und Prototypen zu erproben. Das überrascht insofern nicht, als diese Firmen in der Regel gute gepflegte Datenbestände haben und viel Erfahrung mit Business Intelligence und Data Warehouses besitzen. Gelingt es ihnen, Preisstrategien, Warenverfügbarkeiten oder Marketing-Kampagnen messbar zu verbessern, wird ML als willkommenes Innovationsinstrument bestehender Big-Data-Strategien gesehen.

Gleiches gilt für die IT-, TK- und Medienbranche: Dort kommen ML-Verfahren etwa zum Ausspielen von Online-Werbung, Berechnen von Kaufwahrscheinlichkeiten (Conversion Rates) oder dem Personalisieren von Webinhalten und Einkaufsempfehlungen längst zum Einsatz. Bei den professionellen Dienstleistern spielen das Messen und Verbessern der Kundenbindung, der Dienstleistungsqualität und der Termintreue eine wichtige Rolle, sind das doch die wettbewerbsdifferenzierenden Faktoren.

IT-Abteilungen sind zuständig

Knapp 60 Prozent der befragten Entscheider gaben an, ihre IT-Abteilung sei federführend zuständig, wenn es um ML-Projekte gehe. Den Studienautoren von Crisp zufolge liegt das an der hohen technologischen Komplexität des Themas. Neben mathematischen und statistischen Skills ist demnach auch eine große Bandbreite an Fertigkeiten im Bereich der IT-Operations gefragt. Hinzu kommen die BI- und Analytics-Fähigkeiten, die hier oftmals angesiedelt sind.

Doch auch Fachabteilungen wie Logistik und Produktion sind mit im Boot, weil sie in der Regel die Prozessverbesserungs- und IoT-Szenarien vorantreiben. Die großen Mengen an Maschinen-, Produktions-, Logistik- sowie sonstigen Sensor- und Log-Daten müssen auf Muster und Korrelationen hin abgefragt werden – eine Aufgabe für Fertigung und Logistik.

Und schließlich sind auch Kundenservice und -support führende Instanzen, wenn es um die Einführung von ML geht. Sie wollen die personalisierte Kundeninteraktion vorantreiben und sammeln in ihren Bereichen die Text-, Bild- und Audiodaten, die das Potenzial für Analysen bieten. Interessant an der Umfrage ist indes, dass Marketing und Kommunikation von ML oft nichts wissen wollen, obwohl sie reichlich Einsatzszenarien hätten. Sie könnten etwa Kundenbeziehungen auswerten und die Kundenbindung verbessern, automatisiertes Medien-Monitoring vorantreiben oder das Social Web mit Sentiment-Analysen bearbeiten. All das findet aber relativ selten statt, was Crisp Research mit der traditionell „passiven, technologieagnostischen Rolle“ dieser Abteilungen begründet. Marketing- und Kommunikationsabteilungen treten demnach meist als „Anforderer“ und interne Kunden auf, nicht als diejenigen, die tiefer in Technologien einsteigen.

Welche Machine-Learning-Funktionen benötigen Unternehmen wofür? Und wann kommen welche Lernstile, Frameworks, Programmiersprachen und Algorithmen zum Einsatz? Meistens beginnen Firmen mit Bildanalyse und -erkennung.
 
  • Bild- und Spracherkennung sind die wichtigsten Anwendungen im Bereich Machine Learning
  • Geht es um die Plattformauswahl, wird die Public Cloud zunehmend wichtig
  • Grafikprozessoren setzen sich im Bereich Deep Learning durch

Wie die Analysten von Crisp Research im Rahmen einer umfassenden Studie gemeinsam mit The unbelievable Machine Company und Hewlett-Packard Enterprise (HPE) schreiben, gibt die Mehrheit der rund 250 befragten IT-Entscheider an, mit der Bildanalyse und -erkennung in das komplexe Thema Machine Learning (ML) einzusteigen. So werden beispielsweise in Industrieunternehmen Fremdkörper auf Förderbändern identifiziert, fehlerhafte Einfärbungen von Produkten entdeckt oder von autonomen Fahrzeugen Straßenschilder erkannt.

Diese Machine-Learning-Funktionen nutzen die Anwender.
Diese Machine-Learning-Funktionen nutzen die Anwender.
Foto: Crisp Research, Kassel

 

Wichtig sind ML-Verfahren auch zur Sprachsteuerung und -erkennung (42 Prozent). Eng damit verbunden sind Natural Language Processing und Textanalyse – also das semantische Erfassen von Sprachinhalten und Texten. Heute beschäftigen sich 35 Prozent der Unternehmen damit, Tendenz steigend. Hintergrund ist, dass konversationsbasierte Benutzerschnittstellen derzeit einen Aufschwung erleben.

Chatbots, Gesichtserkennung, Sentiment-Analyse und mehr

Machine Learning kommt außerdem bei rund einem Drittel der Befragten im Zusammenhang mit der Entwicklung digitaler Assistenten, sogenannter Bots zum Einsatz. Weitere Einsatzgebiete sind Gesichtserkennung, die Sentiment-Analyse und besondere Verfahren der Mustererkennung – oft in einem unternehmens- oder branchenspezifischen Kontext. Die Spracherkennung ist vor allem für Marketingentscheider interessant, da digitale Assistenten für die Automatisierung von Call-Center-Abläufen oder die Echtzeit-Kommunikation mit dem Kunden an Bedeutung gewinnen. Auch die Personalisierung von Produktempfehlungen ist ein wichtiger Use-Case.

Ein Blick auf die Nutzungsszenarien von ML-Technologien zeigt, dass Bildanalyse und -erkennung heute weit vorne rangieren, doch die Zukunft gehört eher der Sprachsteuerung und – erkennung, ebenso der Textanalyse und Natural Language Processing (NLP). Insgesamt werden ML-Technologien auf breiter Front an Bedeutung gewinne, auch etwa im Bereich der Videoanalyse, der Sentiment-Analyse, der Gesichtserkennung sowie beim Einsatz intelligenter Bots.

Schaut man auf die einzelnen Unternehmensbereiche, so wird deutlich, dass sich die für Customer Experience Management zuständigen Einheiten ML-Technologien vor allem im Bereich der Kundensegmentierung, der personalisierten Produktempfehlung, der Spracherkennung und teilweise auch der Gesichtserkennung bedienen. IT-Abteilungen treiben damit E-Mail-Klassifizierung, Spam-Erkennung, Diagnosesysteme und das Klassifizieren von Dokumenten voran. Die Produktion ist vor allem auf Prozessverbesserungen aus, während Kundendienst und Support ihre Diagnoseysteme vorantreiben und an automatisierten Lösungsempfehlungen arbeiten. Auch Call-Center-Gespräche werden bereits analysiert, teilweise auch mit der Absicht, positive und negative Äußerungen der Kunden zu erkennen (Sentiment-Analyse).

Auch die Bereiche Finance und Human Resources sowie das Management generell nutzen vermehrt ML-Technologien. Wichtigstes Einsatzgebiet sind hier das Risiko-Management sowie Forecasting und Prognosen. Im HR-Bereich werden auch Trainingsempfehlungen automatisiert erstellt, Lebensläufe überprüft und das Talent-Management vorangetrieben. Im zentralen Einkauf und dem Management der Lieferanten ist die Digital Supply-Chain-Verbesserung das Kernaufgabengebiet von ML-technologie. Vermehrt werden hier auch Demand Forecastings ermittelt, Risiken im Zusammenhang mit bestimmten Lieferanten analysiert und generell Entscheidungsprozesse digital unterstützt.

Machine-Learning-Plattformen und -Produkte

Geht es um die Auswahl von Plattformen und -Produkten, spielen Lösungen aus der Public Cloud eine zunehmend wichtige Rolle (Machine Learning as a Service). Um Komplexität aus dem Wege zu gehen und weil die großen Cloud-Provider auch die maßgeblichen Innovatoren auf diesem Gebiet sind, entscheiden sich viele Anwender für diese Cloud-Lösungen. Während 38,1 der Befragten Lösungen aus der Public-Cloud bevorzugen, wählen 19,1 Prozent proprietäre Lösungen ausgesuchter Anbieter und 18,5 Prozent Open-Source-Alternativen. Der Rest verfolgt entweder eine hybride Strategie (15,5 Prozent) oder hat sich noch keine Meinung dazu gebildet (8,8 Prozent).

Welche Cloud-Angebote zu Machine Learning sind im Einsatz?
Welche Cloud-Angebote zu Machine Learning sind im Einsatz?
Foto: Crisp Research

 

Unter den Cloud-basierten Lösungen hat AWS den höchsten Bekanntheitsgrad: 71 Prozent der Entscheider geben an, dass ihnen Amazon in diesem Kontext bekannt sei. Auch Microsoft, Google und IBM sind den Umfrageteilnehmern zu mehr als zwei Drittel im ML-Umfeld ein Begriff. Interessanterweise nutzen aber nur 17 Prozent der befragten die AWS-Cloud-Dienste im Kontext der Evaluierung, Projektierung sowie im produktiven Betrieb für ML. Jeweils rund ein Drittel der Befragten beschäftigt sich indes mit IBM Watson, Microsoft Azure oder der Google Cloud Machine Learning Plattform.

Die Analysten nehmen an, dass dies viel mit den Marketing-Anstrengungen der Hersteller zu tun hat. IBM und Microsoft investieren demnach massiv in ihre Cognitive- beziehungsweise KI-Strategie. Beide haben einen starken Mittelstands- und Großkundenvertrieb und ein großes Partnernetzwerk. Google indes verdanke seine Position dem Image als gewaltige daten- und Analytics-Maschine, die den Markt durch viele Innovationen treibe – etwa Tensorflow, viele ML-APIs und auch eigene Hardware. Schließlich zähle aber auch HP Enterprise mit „Haven on Demand“ zu den relevanten ML-Playern und werde von 14 Prozent der Befragten genutzt.

Deep Learning ist schwieriger

Bereits in den 40er Jahren des vergangenen Jahrhunderts wurden die ersten neuronalen Lernregeln beschrieben. Die wissenschaftlichen Erkenntnisse wuchsen rasch, die Anzahl der Algorithmen ebenfalls – doch es fehlte an der notwendigen Rechenleistung, um „Rückgekoppelte Neuronale Netzwerke“ in der Fläche zu nutzen. Heute sind diese unter dem Begriff Deep Learning in aller Munde, sie könnten Bereiche wie Handschriftenerkennung, Spracherkennung, maschinelles Übersetzen oder auch automatische Bildbeschreibungen revolutionieren.

Hintergrund ist, dass eine Präzision erreicht werden kann, die menschliche Fähigkeiten im jeweiligen Zusammenhang weit übertrifft. Dabei spannen neuronale Netze Ebenen von unterschiedlicher Komplexität auf. Je mehr Daten so einem neuronalen Netz zum Trainieren zur Verfügung stehen, desto besser werden die Ergebnisse beziehungsweise die trainierte Künstliche Intelligenz. So lernt ein System beispielsweise, wie anhand einer Computer-Tomografie Krebsgeschwüre diagnostiziert werden können, die das menschliche Auge nicht so einfach sieht.

Grafikprozessoren bieten die nötige Performance

Im Bereich des Deep Learning haben sich hardwareseitig Grafikprozessoren (GPUs) wegen ihre hohen Performance als besonders geeignet erwiesen. Förderlich waren außerdem die schier unbegrenzte Rechenpower, die sich aus den Public-Cloud-Ressourcen ergibt, sowie die Verfügbarkeit großer Mengen von Daten aus den verschiedensten Anwendungsgebieten. Unternehmen nutzen bereits Deep-learning-Algorithmen, im bestimmte Merkmal in Bildern aufzuspüren, Videoanalysen vorzunehmen, Umweltparameter beim autonomen Fahren zu verarbeiten oder automatische Sprachverarbeitung voranzutreiben.

In der Crisp-Umfrage geben 48 Prozent der Teilnehmer an, von Deep Learning zumindest gehört oder gelesen zu haben. Weitere 21 Prozent sind bereits in einer konkreten Evaluationsphase. Sie haben Erkenntnisse gesammelt und arbeiten nun an konkreten Prototypen, um ihr gewünschtes Einsatzszenario zu validieren. Weitere fünf Prozent sind sogar noch einen Schritt weiter und haben bereits Deep Learning im Einsatz. Vor allem Startups und Konzerne – auch hier wieder vor allem aus dem Automotive-Sektor – haben hier die Nase vorn.

Unter den Frameworks und Bibliotheken, die für das Implementieren von Deep-Learning-Algorithmen eine Rolle spielen, spielen unter anderem Microsofts „Computational Network Toolkit“ (CNTK) sowie jede Menge Public-Cloud- und Open-Source-Lösungen eine Rolle (eine Übersicht gibt es hier http://deeplearning.net/software_links/).

Machine Learning macht Analysen besser

Kommentar verfassen

Zuerst analysierten lernende Maschinen das Nutzerverhalten in Suchmaschinen, um passende Werbung anzuzeigen. Heute optimieren sie Verkehrsflüsse, die Stahlherstellung und planen die Flugzeugwartung. Experten von Allianz, Trip Advisor, GfK und Boeing erklären, wie ihnen Machine Learning hilft.

http://www.computerwoche.de/a/machine-learning-soll-analysen-besser-machen,3217540

Bei der Münchener Allianz Versicherung ist Andreas Braun, Head of Global Data and Analytics, zufrieden mit den Ergebnissen seiner Experimente mit den neuen Analytics-Ansätzen aus der künstlichen Intelligenz. „Wir haben bei uns ein Ökosystem aus verschiedenen Bestandteilen im Einsatz. Big-Data-Technologien und Machine Learning bieten uns bessere Möglichkeiten, mit unseren Daten umzugehen, und liefern konsistent gute Ergebnisse“, sagte er auf der Konferenz der Yandex Data Factory zum Thema „Machine Learning and Big Data“ in Berlin. Zum Beispiel im Gebäude-Management: Zusammen mit Studenten der TU München hat die Versicherung eine App entwickelt, die eine Vielzahl von Gegenständen über Sensoren vernetzt.

„Das System kalibriert sich selbst, lernt normales Verhalten im Haus, und kann so einen Einbruch von anderen ungewöhnlichen, aber unkritischen Vorfällen unterscheiden.“ Außerdem wollen die Experten die Bilderkennung weiter verbessern. Eingereichte Fotos sollen bei Versicherungsschäden automatisch durch Maschinen beurteilt werden.

Die Experten, die der russische Suchmaschinen-Anbieter Yandex nach Berlin eingeladen hatte, tauschten sich unter dem Motto „Business Challenges“ auch über die Schwierigkeiten und Risiken rund um Machine Learning aus. Jeff Palmucci, Director of Machine Intelligence beim Reiseportal Trip Advisor, schilderte, wie sein Unternehmen maschinelles Lernen in die Geschäftsprozesse implementiert. So hilft die Technik, Restaurants und Hotels automatisiert mit passenden Tags wie „romantisch“ oder „charmant“ zu versehen, damit Suchende schnell das richtige Angebot finden. Auch um Betrug etwa bei den Bewertungen rasch zu erkennen, setzt das Portal Machine Learning ein.

Menschliches Verhalten vorhersagen

Machine Learning stellt Unternehmen vor vielfältige Herausforderungen. Nicht alle Branchen eignen sich gleich gut, erklärte Jane Zavalishina, CEO der Yandex Data Factory: „Es geht vor allem darum, menschliches Verhalten vorherzusagen.“ Bei Ergebnissen, die auf Machine Learning basieren, könne man aber durch die hohe Komplexität und die großen Datenmengen nie genau nachvollziehen, wie sie zustande gekommen sind. In der Praxis müsse man mit den Empfehlungen experimentieren, um herauszufinden, ob sie der bisherigen Vorgehensweise überlegen sind. Das gehe aus ethischen und praktischen Gründen allerdings nicht immer.

Jane Zavalishina CEO, Yandex Data Factory „Viele Unternehmen befinden sich aber noch an dem Punkt, an dem sie versuchen, Big Data Analytics überhaupt zu verstehen.“
Jane Zavalishina CEO, Yandex Data Factory „Viele Unternehmen befinden sich aber noch an dem Punkt, an dem sie versuchen, Big Data Analytics überhaupt zu verstehen.“
Foto: Yandex

In Echtzeit Web-Inhalte zu personalisieren oder Vorhersagen zu treffen, ist für die russische Suchmaschine Yandex nichts Neues. Das Wissen des Konzerns, das aus der Suchtechnik und dem kontextuellen Einspielen passender Werbung entstanden ist, und die dafür entwickelten Algorithmen stellt sie seit 2014 auch extern zur Verfügung. Zunächst probierte das Tochterunternehmen Yandex Data Factory, das Firmensitze in Moskau und Amsterdam unterhält, die Techniken maschinellen Lernens in der Wissenschaft aus – zum Beispiel, um Big-Data-Probleme des europäischen Kernforschungszentrums CERN zu lösen.

Inzwischen besprechen die Datenexperten mit Firmen, die viele Kunden und große Datenmengen haben, wie sich deren Services, Prozesse und Produkte ver­bessern lassen. „Die Anwendungsmöglichkeiten für maschinelles Lernen in Unternehmen sind fast unbegrenzt“, sagte Zavalishina. „Viele Unternehmen befin­den sich aber noch an dem Punkt, an dem sie versuchen, Big Data Analytics überhaupt zu verstehen.“

Eine der ersten Firmen, die Wissen und Technologie von Yandex nutzte, war die russische Straßenverwaltungsbehörde Rosavtodor, die Vorhersagen zur Verkehrsdichte und zu Unfällen benötigte. Im Stahlwerk Magnitogorsk Iron and Steel Works optimieren heute Algorithmen die Stahlproduktion. Zu wenige Zusätze ergeben eine schlechte Qualität, zu viele treiben die Kosten in die Höhe. Bisher nutzten die Stahlkocher für ihre Mischungsvorhersagen komplizierte Modelle. Yandex Data Factory verwendete zur Optimierung historische Daten aus den zurückliegenden zehn Jahren. Vergleichsweise einfach scheint es dagegen, mit Machine Learning Websites zu optimieren und Online-Werbung auszusenden.

Business ist datengetrieben

„Wir sind ein komplett datengetriebenes Business“, sagt Norbert Wirth, Global Head of Data and Science beim Marktforschungsinstitut GfK, „Machine-Learning-Algorithmen sind für uns ein Werkzeug im Kanon mit anderen, das aber für die Vorhersage und für Klassifizierungsprobleme zunehmend wichtiger wird.“ GfK nutzt es derzeit vor allem für die Analyse von Social-Media-Daten und um Marktanteile und Marktperformance vorherzusagen.

„Wir setzen es ein, wenn nicht die Frage nach dem Warum entscheidend ist, sondern die Qualität der Vorhersage“, so Wirth. Sind Aussagen über eine Marke tendenziell eher positiv oder negativ? Und um welche Themen geht es? Bei kleineren Datenbeständen könne man das noch selbst herausfinden, wird es jedoch umfangreicher, seien die Algorithmen „extrem spannend – und sie werden immer leistungsfähiger“. Das sei kein Hype, sagt der Marktforscher, „Machine Learning wird an Bedeutung zunehmen. Mit wachsender Computerpower kann man damit jetzt wirklich arbeiten.“ Die eine Sache sei ein toller Algorithmus, die andere, ob man die dafür nötigen Maschinen auch am Start habe.

In Zukunft werden Analysten laut Wirth zusätzliche Daten verwenden, um Algorithmen zu trainieren und die Modelle leistungsfähiger zu machen. „Es geht in die Richtung, im Analyseprozess mit mehreren Datenquellen zu arbeiten. Natürlich mit solchen, die auch legal genutzt werden dürfen.“ Data Privacy sei ein sehr wichtiges Thema rund um Machine Learning – aber auch die Stabilität und die Qualität der Daten.

Der Flugzeughersteller Boeing nutzt Machine Learning, um seine Services und die interne Produktion zu verbessern, berichtete Sergey Kravchenko, President Russia and CIS von Boeing. Das Flugzeug 787 verfüge über mehr als zehntausend mit dem Internet verbundene Sensoren, die den Mechanikern am Boden schon während des Fluges melden, wenn zum Beispiel eine Lampe oder eine Pumpe ausgetauscht werden muss. So können Fluggesellschaften ihre Wartungskosten reduzieren und im Betrieb effizienter arbeiten.

Boeing arbeitet mit Big Data und Machine Learning, um den Fluggesellschaften mit den während eines Flugs gesammelten Daten zu helfen, Treibstoffkosten zu senken und die Piloten bei schlechtem Wetter zu unterstützen. Nun werden die Daten auch in der Produktion verwendet, um etwa für bestimmte Prozesse die besten Ingenieure zu finden. Daten der Personalabteilung würden genutzt, um zu verstehen, wie die Lebensdauer und die Qualität der Flugzeuge mit dem Training und der Mischung der Menschen im Produktionsteam korrelieren. Gibt es bei Prozessen, die aufwendige Nacharbeiten erfordern, Zusammenhänge mit den bereitgestellten Werkzeugen oder mit dem Team? Kravchenko will mit Big-Data-Analysen den gesamten Zyklus von Design, Produktion und Wartung verbessern.

Ein neues Big-Data-Projekt ist die Flight Training Academy, die 2016 eröffnet werden soll. Hier werden Daten der drei Flugsimulatoren gesammelt und ausgewertet, um die Gestaltung des Cockpits und das Design der Flugzeug­software zu verbessern. Kravchenko will seinen russischen Kunden auch anbieten, in Zukunft Daten auszutauschen und sie gemeinsam auszuwerten.

Experten müssen zusammenpassen

Die Fertigungsindustrie stehe bei der Anwendung von Machine Learning – verglichen etwa mit Telcos und dem Handel – noch am Anfang. Sie werde aber schnell von ihnen und auch von Firmen wie Amazon und Google, lernen. Wer Erfolg haben wolle, müsse die besten Flugzeug- und IT-Experten zusammenbringen. Das Problem: „Die kommen von verschiedenen Planeten.“

Die Zusammenarbeit kann dennoch gelingen – wenn sich alle auf eine gemeinsame Terminologie einigen. „Die Datenexperten müssen etwas mehr von Flugzeugen und Airlines verstehen und die Flugzeugspezialisten mehr über Data Analytics lernen. Sie müssen sich die Werkzeuge teilen, sich gegenseitig vertrauen und ein gemeinsames Team aufbauen“, sagt der Flugzeugbauer. Ein weiteres Problem sei die Relevanz der Daten. „Hier muss die Industrie ihre riesigen Datenmengen anschauen und entscheiden, welche Daten wirklich wichtig sind, um bestimmte Probleme zu lösen. Das ist nicht einfach, dafür brauchen wir Zeit, Trial and Error, und wir müssen von anderen Branchen lernen.“ Die richtige Auswahl der Daten und die Interpretation der Ergebnisse seien dabei wichtiger als der Algorithmus selbst.

Google built its own computer chip specifically for running deep neural networks, called the Tensor Processing Unit, or TPU

Kommentar verfassen
Google server racks loaded with TPUsGOOGLE
GOOGLE OPERATES WHAT is surely the largest computer network on Earth, a system that comprises custom-built, warehouse-sized data centers spanning 15 locations in four continents. But about six years ago, as the company embraced a new form of voice recognition on Android phones, its engineers worried that this network wasn’t nearly big enough. If each of the world’s Android phones used the new Google voice search for just three minutes a day, these engineers realized, the company would need twice as many data centers.

At that time, Google was just beginning to drive its voice recognition services with deep neural networks, complex mathematical systems that can learn particular tasks by analyzing vast amounts of data. In recent years, this form of machine learning has rapidly reinvented not just voice recognition, but image recognition, machine translation, internet search, and more. In moving to this method, Google saw error rates drop a good 25 percent. But the shift required a lot of extra horsepower.

Rather than double its data center footprint, Google instead built its own computer chip specifically for running deep neural networks, called the Tensor Processing Unit, or TPU. “It makes sense to have a solution there that is much more energy efficient,” says Norm Jouppi, one of the more than 70 engineers who worked on the chip. In fact, the TPU outperforms standard processors by 30 to 80 times in the TOPS/Watt measure, a metric of efficiency.

GoogleChipInline.jpg

GOOGLE

A Neural Network Niche

Google first revealed this custom processor last May, but gave few details. Now, Jouppi and the rest of his team have a released a paper detailing the project, explaining how the chip operates and the particular problems it solves. Google uses the chip solely for executing neural networks, running them the moment when, say, someone barks a command into their Android phone. It’s not used to train the neural network beforehand. But as Jouppi explains, even that still saves the company quite a bit. It didn’t have to build, say, an extra 15 data centers.

The chip also represents a much larger shift in the world of computer processors. As Google, Facebook, Microsoft, and other internet giants build more and more services using deep neural networks, they’ve all needed specialized chips both for training and executing these AI models. Most companies train their models using GPUs, chips that were originally designed for rendering graphics for games and other highly visual applications but are also suited to the kind of math at the heart of neural networks. And some, including Microsoft and Baidu, the Chinese internet giant, use alternative chips when executing these models as well, much as Google does with the TPU.

The difference is that Google built its own chip from scratch. As a way of reducing the cost and improving the efficiency of its vast online empire, the company builds much of its own data center hardware, including servers and networking gear. Now, it has pushed this work all the way down to individual processors.

In the process, it has also shifted the larger market for chips. Since Google designs its own, for instance, it’s not buying other processors to accommodate the extra load from neural networks. Google going in-house even for specialized tasks has wide implications; like Facebook, Amazon, and Microsoft, it’s among the biggest chip buyers on Earth. Meanwhile the big chip makers—including, most notably, Intel—are building a new breed of processor in an effort to move the market back in their direction.

Focused But Versatile

Jouppi joined Google in late 2013 to work on what became the TPU, after serving as a hardware researcher at places like HP and DEC, a kind of breeding ground for many of Google’s top hardware designers. He says the company considered moving its neural networks onto FPGAs, the kind of programmable chip that Microsoft uses. That route wouldn’t have taken as long, and the adaptability of FPGAs means the company could reprogram the chips for other tasks as needed. But tests indicated that these chips wouldn’t provide the necessary speed boost. “There’s a lot overhead with programmable chips,” he explains. “Our analysis showed that an FPGA wouldn’t be any faster than a GPU.”

In the end, the team settled on an ASIC, a chip built from the ground up for a particular task. According to Jouppi, because Google designed the chip specifically for neural nets, it can run them 15 to 30 times faster than general purpose chips built with similar manufacturing techniques. That said, the chip is suited to any breed of neural network—at least as they exist today—including everything from the convolutional neural networks used in image recognition to the long-short-term-memory network used to recognize voice commands. “It’s not wired to one model,” he says.

Google has used the TPU for a good two years, applying it to everything from image recognition to machine translationto AlphaGo, the machine that cracked the ancient game of Go last spring. Not bad—especially considering all the data construction it helped avoid in the process.

https://www.wired.com/2017/04/building-ai-chip-saved-google-building-dozen-new-data-centers

Introverts tend to be better CEOs — and other surprising traits of top-performing executives

Kommentar verfassen

So what did make CEOs successful?
After analyzing all of their data, the researchers found that roughly half of the candidates earning an overall ‚A‘ rating in their database, when evaluated for a CEO job, had distinguished themselves in more than one of four management traits.

(Only five percent of the weakest performers, meanwhile, had done the same.)

The four were:

  • reaching out to stakeholders;
  • being highly adaptable to change;
  • being reliable and predictable rather than showing exceptional, and perhaps not repeatable, performance;
  • and making fast decisions with conviction, if not necessarily perfect ones.

New research finds that better performing CEOs are slightly more likely to be introverts, rarely hold Ivy League degrees, often have career failures on their resume – and have several traits in common, including their ability to make fast decisions. (iStock)

The image most people have of a straight-from-central-casting CEO is usually something like the following: An extroverted, charismatic, confident executive who climbed a mistake-free ladder to the top with a degree from an elite school.

But a new 10-year study from a leadership advisory firm and economists from two business schools, published in this month’s Harvard Business Review, finds that the most successful chief executives often don’t fit that mold.

The researchers behind the study, called the CEO Genome Project, used a database of assessments — comprehensive performance appraisals and extensive biographical information — of 17,000 C-suite executives, including 2,000 CEOs. The database, created by the consultancy ghSmart, includes everything from career history to behavioral patterns to how the executives performed in past jobs, decisions they’ve made and demographic information.

Their analysis, which included help from statisticians, data scientists and financial analysts, examined a sample of 930 of those CEOs to come up with the traits and patterns that most predicted which ones became a CEO. They also gathered information on the performance of 212 of them to compare how top-performers‘ behaviors lined up with the traits that tend to get CEOs hired.

What they found surprised them. A little more than half of the CEOs who did better than expected in the minds of investors and directors were actually introverts, not the usual gregarious CEO known for glad-handing customers.

„The biggest aha, overall, is that some of the things that make CEOs attractive to the board have no bearing on their performance,“ said Elena Lytkina Botelho, a partner at ghSmart and a co-founder of the project. „Like most human beings, they get seduced by charismatic, polished presenters. They simply do better in interviews.“

[This big change was supposed to make performance reviews better. Could it be making them worse?]

Botelho says she doesn’t necessarily think introverts are always better performers, but that they may be more prevalent, and do better in her sample, because boards are so attracted to them.

„I’ve been in the room and had directors express the concern — ‚this person is such a strong introvert, how will they really lead?‘ “ she said. Similarly, candidates who displayed a lot of confidence had more than double the chance of being chosen as CEO, the study found, even though particularly confident CEOs were no more likely to show better performance once they got the job.

Meanwhile, only 7 percent of the best-performing CEOs — who ran companies from Fortune 10 behemoths to those with just $10 million in annual sales — had an Ivy League degree, despite the conventional wisdom that pedigree matters. „There was zero correlation between pedigree and ultimate performance,“ she said, acknowledging that number could be higher if they were just looking at large Fortune 500 firms.

Another misconception boards make when picking their next CEO is to choose candidates who have an impeccable career trajectory, with nothing but a resume full of achievements lining their path from MBA to the boardroom. But nearly all of the executives in their sample who were candidates for a CEO job had some kind of major mistake, the project found, such as overpaying for an acquisition or making a wrong hire, in their assessment. Nearly half of them also had what the researchers called a career „blowup“ that pushed them out of a job or cost the business a large amount of money — and three-quarters of that group went on to actually become a CEO.

https://www.washingtonpost.com/news/on-leadership/wp/2017/04/17/introverts-tend-to-be-better-ceos-and-other-surprising-traits-of-top-performing-executives

Securing Driverless Cars From Hackers Is Hard, according to Charlie Miller, Ex-NSA’s Tailored Access Operations Hacker

Kommentar verfassen

Securing Driverless Cars From Hackers Is Hard. Ask the Ex-Uber Guy Who Protects Them

Two years ago, Charlie Miller and Chris Valasek pulled off a demonstration that shook the auto industry, remotely hacking a Jeep Cherokee via its internet connection to paralyze it on a highway. Since then, the two security researchers have been quietly working for Uber, helping the startup secure its experimental self-driving cars against exactly the sort of attack they proved was possible on a traditional one. Now, Miller has moved on, and he’s ready to broadcast a message to the automotive industry: Securing autonomous cars from hackers is a very difficult problem. It’s time to get serious about solving it.

Last month, Miller left Uber for a position at Chinese competitor Didi, a startup that’s just now beginning its own autonomous ridesharing project. In his first post-Uber interview, Miller talked to WIRED about what he learned in those 19 months at the company—namely that driverless taxis pose a security challenge that goes well beyond even those faced by the rest of the connected car industry.

Miller couldn’t talk about any of the specifics of his research at Uber; he says he moved to Didi in part because the company has allowed him to speak more openly about car hacking. But he warns that before self-driving taxis can become a reality, the vehicles’ architects will need to consider everything from the vast array of automation in driverless cars that can be remotely hijacked, to the possibility that passengers themselves could use their physical access to sabotage an unmanned vehicle.

Charlie MillerWHITNEY CURTIS FOR WIRED

“Autonomous vehicles are at the apex of all the terrible things that can go wrong,” says Miller, who spent years on the NSA’s Tailored Access Operations team of elite hackers before stints at Twitter and Uber. “Cars are already insecure, and you’re adding a bunch of sensors and computers that are controlling them…If a bad guy gets control of that, it’s going to be even worse.”

At A Computer’s Mercy

In a series of experiments starting in 2013, Miller and Valasek showed that a hacker with either wired or over-the-internet access to a vehicle—including a Toyota Prius, Ford Escape, and a Jeep Cherokee—could disable or slam on a victim’s brakes, turn the steering wheel, or, in some cases, cause unintended acceleration. But to trigger almost all those attacks, Miller and Valasek had to exploit vehicles’ existing automated features. They used the Prius’ collision avoidance system to apply its brakes, and the Jeep’s cruise control feature to accelerate it. To turn the Jeep’s steering wheel, they tricked it into thinking it was parking itself—even if it was moving at 80 miles per hour.

Their car-hacking hijinks, in other words, were limited to the few functions a vehicle’s computer controls. In a driverless car, the computer controls everything. “In an autonomous vehicle, the computer can apply the brakes and turn the steering wheel any amount, at any speed,” Miller says. “The computers are even more in charge.”

An alert driver could also override many of the attacks Miller and Valasek demonstrated on traditional cars: Tap the brakes and that cruise control acceleration immediately ceases. Even the steering wheel attacks could be easily overcome if the driver wrests control of the wheel. When the passenger isn’t in the driver’s seat—or there is no steering wheel or brake pedal—no such manual override exists. “No matter what we did in the past, the human had a chance to control the car. But if you’re sitting in the backseat, that’s a whole different story,” says Miller. “You’re totally at the mercy of the vehicle.”

Hackers Take Rides, Too

A driverless car that’s used as a taxi, Miller points out, poses even more potential problems. In that situation, every passenger has to be considered a potential threat. Security researchers have shown that merely plugging an internet-connected gadget into a car’s OBD2 port—a ubiquitous outlet under its dashboard—can offer a remote attacker an entry point into the vehicle’s most sensitive systems. (Researchers at the University of California at San Diego showed in 2015 that they could take control of a Corvette’s brakes via a common OBD2 dongle distributed by insurance companies—including one that partnered with Uber.)

“There’s going to be someone you don’t necessarily trust sitting in your car for an extended period of time,” says Miller. “The OBD2 port is something that’s pretty easy for a passenger to plug something into and then hop out, and then they have access to your vehicle’s sensitive network.”

Permanently plugging that port is illegal under federal regulations, Miller says. He suggests ridesharing companies that use driverless cars could cover it with tamper-evident tape. But even then, they might only be able to narrow down which passenger could have sabotaged a vehicle to a certain day or week. A more comprehensive fix would mean securing the vehicle’s software so that not even a malicious hacker with full physical access to its network would be able to hack it—a challenge Miller says only a few highly locked-down products like an iPhone or Chromebook can pass.

“It’s definitely a hard problem,” he says.

Deep Fixes

Miller argues that solving autonomous vehicles’ security flaws will require some fundamental changes to their security architecture. Their internet-connected computers, for instance, will need “codesigning,” a measure that ensures they only run trusted code signed with a certain cryptographic key. Today only Tesla has talked publicly about implementing that feature. Cars’ internal networks will need better internal segmentation and authentication, so that critical components don’t blindly follow commands from the OBD2 port. They need intrusion detection systems that can alert the driver—or rider—when something anomalous happens on the cars’ internal networks. (Miller and Valasek designed one such prototype.) And to prevent hackers from getting an initial, remote foothold, cars need to limit their “attack surface,” any services that might accept malicious data sent over the internet.

Complicating those fixes? Companies like Uber and Didi don’t even make the cars they use, but instead have to bolt on any added security after the fact. “They’re getting a car that already has some attack surface, some vulnerabilities, and a lot of software they don’t have any control over, and then trying to make that into something secure,” says Miller. “That’s really hard.”

That means solving autonomous vehicles’ security nightmares will require far more open conversation and cooperation among companies. That’s part of why Miller left Uber, he says: He wants the freedom to speak more openly within the industry. “I want to talk about how we’re securing cars and the scary things we see, instead of designing these things in private and hoping that we all know what we’re doing,” he says.

Car hacking, fortunately, remains largely a concern for the future: No car has yet been digitally hijacked in a documented, malicious case. But that means now’s the time to work on the problem, Miller says, before cars become more automated and make the problem far more real. “We have some time to build up these security measures and get them right before something happens,” says Miller. “And that’s why I’m doing this.”

https://www.wired.com/2017/04/ubers-former-top-hacker-securing-autonomous-cars-really-hard-problem/

Delete Signal’s texts, or the app itself, and virtually no trace of the conversation remains.

Kommentar verfassen

Delete Signal’s texts, or the app itself, and virtually no trace of the conversation remains. “The messages are pretty much gone

Suing to See the Feds’ Encrypted Messages? Good Luck

The recent rise of end-to-end encrypted messaging apps has given billions of people access to strong surveillance protections. But as one federal watchdog group may soon discover, it also creates a transparency conundrum: Delete the conversation from those two ends, and there may be no record left.

The conservative group Judicial Watch is suing the Environmental Protection Agency under the Freedom of Information Act, seeking to compel the EPA to hand over any employee communications sent via Signal, the encrypted messaging and calling app. In its public statement about the lawsuit, Judicial Watch points to reports that EPA staffers have used Signal to communicate secretly, in the face of an adversarial Trump administration.

But encryption and forensics experts say Judicial Watch may have picked a tough fight. Delete Signal’s texts, or the app itself, and virtually no trace of the conversation remains. “The messages are pretty much gone,” says Johns Hopkins crypotgrapher Matthew Green, who has closely followed the development of secure messaging tools. “You can’t prove something was there when there’s nothing there.”

End-to-Dead-End

Signal, like other end-to-end encryption apps, protects messages such that only the people participating in a conversation can read them. No outside observer—not even the Signal server that the messages route through—can sneak a look. Delete the messages from the devices of two Signal communicants, and no other unencrypted copy of it exists.

In fact, Signal’s own server doesn’t keep record of even the encrypted versions of those communications. Last October, Signal’s developers at the non-profit Open Whisper Systems revealed that a grand jury subpoena had yielded practically no useful data. “The only information we can produce in response to a request like this is the date and time a user registered with Signal and the last date of a user’s connectivity to the Signal service,” Open Whisper Systems wrote at the time. (That’s the last time they opened the app, not sent or received a message.)

Even seizing and examining the phones of EPA employees likely won’t help if users have deleted their messages or the full app, Green says. They could even do so on autopilot. Six months ago, Signal added a Snapchat-like feature to allow automated deletionof a conversation from both users’ phones after a certain amount of time. Forensic analyst Jonathan Zdziarski, who now works as an Apple security engineer, wrote in a blog post last year that after Signal messages are deleted, the app “leaves virtually nothing, so there’s nothing to worry about. No messy cleanup.” (Open Whisper Systems declined to comment on the Judicial Watch FOIA request, or how exactly it deletes messages.)

Still, despite its best sterilization efforts, even Signal might leave some forensic trace of deleted messages on phones, says Green. And other less-secure ephemeral messaging apps like Confide, which has also become popular among government staffers, likely leave more fingerprints behind. But Green argues that recovering deleted messages from even sloppier apps would take deeper digging than FOIA requests typically compel—so long as users are careful to delete messages on both sides of the conversation and any cloud backups. “We’re talking about expensive, detailed forensic analysis,” says Green. “It’s a lot more work than you’d expect from someone carrying out FOIA requests.”

For the Records

Deleting records of government business from government-issued devices is—let’s be clear—illegal. That smartphone scrubbing, says Georgetown Law professor David Vladeck, would blatantly violate the Federal Records Act. “It’s no different from taking records home and burning them,” says Vladeck. “They’re not your records, they’re the federal government’s, and you’re not supposed to do that.”

Judicial Watch, for its part, acknowledges that it may be tough to dig up deleted Signal communications. But another element of its FOIA request asks for any EPA information about whether it has approved Signal for use by agency staffers. “They can’t use these apps to thwart the Federal Records Act just because they don’t like Donald Trump,” says Judicial Watch president Tom Fitton. “This serves also as an educational moment for any government employees, that using the app to conduct government business to ensure the deletion of records is against the law, and against record-keeping policies in almost every agency.”

Fitton hopes the lawsuit will at least compel the EPA to prevent employees from installing Signal or similar apps on government-issued phones. “The agency is obligated to ensure their employees are following the rules so that records subject to FOIA are preserved,” he says. “If they’re not doing that, they could be answerable to the courts.”

Georgetown’s Vladeck says that even evidence employees have used Signal at all should be troubling, and might warrant a deeper investigation. “I would be very concerned if employees were using an app designed to leave no trace. That’s smoke, if not a fire, and it’s deeply problematic,” he says.

But Johns Hopkins’ Green counters that FOIA has never been an all-seeing eye into government agencies. And he points out that sending a Signal message to an EPA colleague isn’t so different from simply walking into their office and closing the door. “These ephemeral communications apps give us a way to have those face-to-face conversations electronically and in a secure way,” says Green. “It’s a way to communicate without being on the record. And people need that.”

https://www.wired.com/2017/04/suing-see-feds-encrypted-messages-good-luck/