Die Fischereiindustrie ist extrem unberechenbar. Wetter, Meerestemperaturen, Fischbestände, Migrationsmuster, Klimawandel - all diese Faktoren wirken sich auf den Fischereibetrieb aus und führen zu Überschwemmungen und Versorgungsengpässen. Auch die Qualität ist unvorhersehbar und hängt oft von Umweltfaktoren, Fangmethoden, Saisonabhängigkeit, Handhabung auf See, Kühlkette und vielem mehr ab. Auch die Aquakultur unterliegt natürlichen Schwankungen. Unkontrollierbare Umweltbedingungen - wie wetterbedingte Probleme mit der Wasserqualität oder Verschmutzung und Krankheitsausbrüche - beeinträchtigen die Produktion und Qualität in Fisch- und Garnelenfarmen. Kurz gesagt, es ist ein riskantes Geschäft.

Aus diesen Gründen verspricht die künstliche Intelligenz (KI), die als "Vorhersagemaschinen" bezeichnet wird, die Meeresfrüchtebranche berechenbarer und damit rentabler zu machen.

"Vorhersage ist der Prozess, fehlende Informationen zu ergänzen", schreiben die Autoren von Prediction Machines: The Simple Economics of Artificial Intelligence". Die Vorhersage nutzt vorhandene Informationen, die oft als "Daten" bezeichnet werden, um daraus Informationen zu generieren, die nicht vorhanden sind. Neben der Generierung von Informationen über die Zukunft kann die Vorhersage auch Informationen über die Gegenwart und die Vergangenheit generieren. Dies geschieht, wenn die Vorhersage Kreditkartentransaktionen als betrügerisch klassifiziert, einen Tumor auf einem Bild als bösartig einstuft oder feststellt, ob eine Person, die ein iPhone in der Hand hält, der Besitzer ist."¹

Die Autoren - allesamt Wirtschaftsprofessoren an der University of Toronto - argumentieren, dass KI uns in die Lage versetzt, bessere Vorhersagen schneller und billiger zu treffen. Das treibt, kurz gesagt, die Gewinne und die Einführung von KI in allen Branchen voran: auch in der Meeresfrüchtebranche.

In diesem Artikel gebe ich dem Leser zunächst einen Überblick über die verschiedenen Arten von KI, ihre Funktionsweise und ihre Anwendungen. Zweitens analysiere ich, wie KI derzeit in den Lieferketten für Fisch und Meeresfrüchte eingesetzt wird, und stütze mich dabei auf eine Untersuchung von rund 365 Softwareanwendungen. Drittens werde ich untersuchen, wie KI in der Verarbeitung von Meeresfrüchten eingesetzt werden kann, einem Sektor, der derzeit nicht ausreichend von KI bedient wird. Ich werde auch über die Spitzenforschung berichten, die wir (ThisFish Inc.) derzeit betreiben, um KI in den Verarbeitungssektor zu bringen. Abschließend werde ich einige Überlegungen dazu anstellen, wie sich Fischverarbeitungsunternehmen auf die KI-Revolution vorbereiten können, um sicherzustellen, dass sie nicht den Anschluss verlieren.

Was ist KI und wie funktioniert sie?

Künstliche Intelligenz wird oft als die vierte industrielle Revolution bezeichnet. Die erste Revolution wurde durch Dampfkraft und Mechanisierung in den 1780er Jahren ausgelöst, die zweite durch Elektrifizierung und Massenproduktion in den 1870er Jahren, und die dritte begann 1969 mit der Computerelektronik. Die KI steht nun im Mittelpunkt der vierten industriellen Revolution, die oft als Industrie 4.0 bezeichnet wird. Viele der neuen Technologien wie Cloud Computing, das Internet der Dinge (IoT), intelligente Sensoren und Computerchips ermöglichen KI durch Fortschritte bei der Datenerfassung, Datenspeicherung und Rechenleistung. Auch die KI selbst ermöglicht viele neue Technologien wie autonome Roboter, selbstfahrende Autos, Augmented Reality und kognitives Computing.

Was genau ist KI? Im Kern geht es bei der KI um die Simulation menschlicher Intelligenz in Maschinen und fällt in den allgemeinen Bereich der Datenwissenschaft. Maschinelles Lernen ist ein Teilbereich der KI, bei dem Maschinen Entscheidungen treffen, ohne programmiert zu werden. Im Grunde trainieren wir Maschinen anhand von Daten. Generell gilt: Je mehr und je besser die Datenqualität, desto intelligenter die KI. Sie können das Lernen von KI "überwachen", indem Sie Daten mit Etiketten versehen, d. h. die Eingabe wird mit einer entsprechenden Ausgabebezeichnung versehen. Zum Beispiel könnte man ein Bild eines Fisches (die Eingabe) mit der richtigen Fischart (die Ausgabe) beschriften. Beim unüberwachten Lernen versucht ein Algorithmus, verborgene Muster in den Daten aufzudecken, um beispielsweise Anomalien oder Fehler zu erkennen. Die US-Lebensmittel- und Arzneimittelbehörde (FDA) setzt beispielsweise KI ein, um Muster in Importdaten von Meeresfrüchten zu erkennen und so mögliche Illegalität zu identifizieren. Eine dritte Art des Lernens ist das "verstärkte" Lernen, das auftritt, wenn die KI mit ihrer Umgebung interagiert und positive oder negative Rückmeldungen erhält. Chatbots für den Kundensupport, die Sie bitten, ihre Antworten zu bewerten, sind ein gängiges Beispiel für verstärktes Lernen.

Ein Teilbereich des maschinellen Lernens ist das so genannte "Deep Learning", bei dem neuronale Netze nach dem Vorbild der Struktur und Funktion des menschlichen Gehirns eingesetzt werden. Diese Technologie wird häufig eingesetzt, um verborgene Muster in enorm großen, komplexen oder mehrdimensionalen Datensätzen zu entdecken. Zu den gängigsten Technologien gehören das maschinelle Sehen und die Verarbeitung natürlicher Sprache.

Computer Vision ist ein Bereich der künstlichen Intelligenz, der es Maschinen ermöglicht, visuelle Daten aus der Welt zu interpretieren und Entscheidungen zu treffen. Jedem Pixel in einem Bild wird eine Zahl zugeordnet, und dann finden Algorithmen Muster, die beispielsweise einen Gelbflossenthun von einem Großaugenthun in einem Bild unterscheiden. Computer können ein Bild klassifizieren, ein Objekt erkennen, ein Bild in Komponenten aufteilen und Gesichter erkennen. Die Bildverarbeitungstechnologien verwenden eine Art neuronales Netz, um eine hohe Genauigkeit zu erreichen.

Die letzte Technologie ist die generative KI, wie z. B. das äußerst beliebte ChatGPT oder DALL-E zur Generierung von Bildern. Auch bei dieser Technologie werden neuronale Netze eingesetzt, um aus großen Datenbeständen von Bildern oder Texten Muster zu lernen und so neue Inhalte zu generieren. Große Sprachmodelle werden auf Millionen von Textseiten trainiert, damit sie menschlich klingen.

Wie können all diese KI-Technologien auf die Fischereiindustrie angewendet werden? Ein hilfreiches Instrument ist das P.A.C Framework, das von dem Unternehmer und KI-Experten Rob May entwickelt wurde. P.A.C. steht für Predict (Vorhersage), Automatic (Automatik) und Classify (Klassifizierung), also die Kernfunktionen der KI. May schlägt vor, eine einfache Tabelle zu erstellen, um zu sehen, wie sich KI auf Ihr Unternehmen anwenden lässt. "Erstellen Sie für Ihr erstes Raster drei Spalten, eine für Vorhersage, eine für Automatisierung und eine für Klassifizierung. Listen Sie dann in den Zeilen die wichtigsten Bereiche Ihres Unternehmens auf. Sie könnten zum Beispiel auflisten: Kunden, Produkt und Betrieb. In jedem Kästchen können Sie dann herausfinden, wie dieser spezifische KI-Ansatz auf diesen Bereich Ihres Unternehmens angewendet werden könnte", schreibt May.

Ich habe ein solches Raster (Tabelle 1) erstellt, das verschiedene Sektoren der Wertschöpfungskette für Meeresfrüchte wie Fischerei, Zucht, Planung, Produktion und Qualitätskontrolle berücksichtigt. Die Liste ist nicht erschöpfend, soll aber als Denkanstoß dienen, wie KI in Ihrem Unternehmen eingesetzt werden könnte. Wie wir im nächsten Abschnitt sehen werden, wird KI nun auf breiter Front im gesamten Fischereisektor eingesetzt.

Tabelle 1: P.A.C.-Rahmen, angepasst an die Fischereiindustrie

Das explosive Wachstum der KI bei Meeresfrüchten

KI ist heute in unserem Alltag allgegenwärtig: in unseren Smartphones, virtuellen Assistenten, Autos, Musikempfehlungen, Lebensmittellieferungen, Gesichtserkennung und so weiter. Das Wachstum ist auf drei Faktoren zurückzuführen. Erstens ist die Menge der digitalen Daten in den letzten 10 Jahren um das 30-fache gestiegen. KI braucht Daten, um zu lernen, und so erzeugt das Wachstum digitaler Technologien - insbesondere Cloud Computing und Smartphones - die Daten zum Trainieren von KI. Zweitens sind die KI-Algorithmen leistungsfähiger geworden. Ein Beispiel: ImageNet war ein groß angelegter Wettbewerb zur visuellen Erkennung, der in den letzten zehn Jahren einmal im Jahr stattfand. Im Jahr 2015 hat das beste KI-System zum ersten Mal die menschliche Leistung übertroffen. KI kann heute Fotos mit höherer Genauigkeit erkennen als Menschen. Und drittens werden die Computerchips immer leistungsfähiger und billiger. Sie sind entscheidend für die Verarbeitung größerer Datenmengen mit komplexeren Algorithmen.

Bei den Meeresfrüchten habe ich einen "Metatrend" ausgemacht, der erklärt, warum KI in dieser Branche so weit verbreitet ist. Ich nenne ihn den Fish n' Chips Index. Seit 1990 ist der FAO-Fischpreisindex um 60 Prozent gestiegen, während der Preis von Halbleitern oder Computerchips um mehr als 50 Prozent gesunken ist. Heute nutzt etwa ein Drittel der Software - mehr als 120 Anwendungen - in der Fischindustrie KI.

Ich habe mehr als 365 Software-Apps analysiert, die in der Fischindustrie eingesetzt werden, und sie in einem Online-Verzeichnis auf der ThisFish-Website veröffentlicht2. Es gab eine explosionsartige Zunahme neuer Tech-Start-ups für den Fischereisektor, die in den Jahren 2018-2019 ihren Höhepunkt erreichte. Allerdings wird KI in der Meeresfrüchtebranche ungleichmäßig eingesetzt.

Etwa 100 Software-Apps werden in der Wildfischerei und weitere 100 in der Aquakultur eingesetzt. Fast 70 Prozent der Aquakulturtechnologie nutzt KI, während es in der Fischerei nur 20 Prozent sind. Dafür gibt es zwei Gründe: Anreize und Vorschriften. In der Aquakultur senkt die KI zwei der größten Kostenfaktoren der Branche: die Optimierung der Fütterung und die Verringerung der Sterblichkeitsrate. Die Landwirte sind motiviert, KI einzuführen, da sie wirtschaftlich sinnvoll ist. In der Fischerei werden die meisten Technologien nicht durch die Marktdynamik angetrieben, sondern durch die Einhaltung von Vorschriften zur besseren Überwachung der Fänge. Die Fischer zögern, Technologien einzuführen, die die Überwachung verstärken, mit Ausnahme vielleicht der Verbesserung der Sicherheit auf See. Ein großer Teil der KI in der Fischerei konzentriert sich auf den Einsatz von Computer Vision, um die Überprüfung von Videos aus elektronischen Überwachungssystemen an Bord von Fischereifahrzeugen zu automatisieren.

Diese Kluft bei der Einführung von KI wird sich wahrscheinlich noch vergrößern. Laut Crunchbase haben Aquakultur-Tech-Unternehmen rund 632 Mio. USD an Investitionen aufgebracht, verglichen mit nur 19 Mio. USD für Fischerei-Tech-Unternehmen. Crunchbase berichtet, dass allein im Jahr 2022 45 Aquakultur-Start-ups 292 Mio. USD aufgebracht haben.

AI-Anwendungsfälle für die Verarbeitung von Meeresfrüchten

Der Sektor der Verarbeitung von Meeresfrüchten hinkt sowohl bei der digitalen Transformation als auch bei der Einführung von KI hinterher. Die vorherrschende Methode der Datenerfassung ist die Papieraufzeichnung, die zahlreiche Probleme wie menschliche Fehler, fehlende Echtzeit-Analysen, langsame Berichterstattung und schlechte Rückverfolgbarkeit verursacht. Es gibt 29 Softwareprodukte für diesen Sektor, doch nur vier davon bieten KI-Funktionen. Für die Qualitätsprüfung und -kontrolle gibt es 13 Softwareprodukte für Meeresfrüchte. Mehr als 50 Prozent nutzen KI, darunter Computer Vision, DNA-Tests und Chemometrie.

Trotz des geringen Einsatzes von Digitalisierung und künstlicher Intelligenz sind Verarbeiter von Meeresfrüchten wichtige Knotenpunkte in den Lieferketten, die das Angebot bündeln, die Lebensmittelsicherheit gewährleisten und den globalen Handel ermöglichen. Schätzungen zufolge sind weltweit etwa 23 000 Unternehmen in der Verarbeitung von Meeresfrüchten tätig. Sie bilden ein Nadelöhr zwischen den Millionen von Primärerzeugern und den Milliarden von Verbrauchern.

Trotz seiner großen wirtschaftlichen Bedeutung leidet der Verarbeitungssektor unter einer geringen Rentabilität. Planet Tracker analysierte 89 börsennotierte Unternehmen der Meeresfrüchteverarbeitung und stellte fest, dass ihre Gewinnspanne vor Zinsen und Steuern (EBIT) im Durchschnitt nur 3,4 Prozent beträgt.³ Künstliche Intelligenz könnte diese Margen durch Automatisierung und Optimierung verbessern und gleichzeitig die Nachhaltigkeitsziele erfüllen.

Auf der Grundlage unserer Arbeit zur Digitalisierung von Fischverarbeitungsbetrieben schätzt ThisFish Inc., dass eine durchschnittliche Thunfischkonservenfabrik, die täglich 100 Tonnen Rohmaterial verarbeitet, jährlich mehr als vier Gigabyte an digitalen Daten erzeugt, was etwa 2,7 Millionen Textseiten entspricht. Bei der Verarbeitung von gefrorenem Thunfisch und Lachs entstehen etwa ein Gigabyte an Daten oder 680 000 Seiten. Diese enorme Datenmenge könnte sich für die Fischverarbeitungsbranche als wertvoll erweisen. Historische Daten könnten zum Trainieren von Algorithmen des maschinellen Lernens verwendet werden, um Qualität und Produktionsergebnisse vorherzusagen. Im nächsten Abschnitt werde ich einige der innovativen KI-Forschungen vorstellen, die wir im Laufe der Jahre durchgeführt haben.

Maschinelles Lernen

Im Jahr 2021 entwickelten Datenwissenschaftler von ThisFish Inc. einen Konzeptnachweis zur Vorhersage der Erträge in einer Thunfischkonservenfabrik in Thailand. Die für die Analyse verwendeten Daten stammten aus etwa 22 Monaten der Produktion von Echtem Bonito, Weißem Thun und Gelbflossenthun. Die Daten bestanden aus 8 818 einzelnen Datenpunkten, für die die Erträge berechnet wurden. Eine einzelne Einheit des Rohmaterials, für die die Erträge berechnet wurden, war eine Produktionspartie. Der Ertrag wurde wie folgt berechnet:

Wir unterteilen die Variablen in zwei Kategorien: Rohstoffvariablen und Prozessvariablen. Bei den Rohmaterialvariablen handelt es sich um inhärente Eigenschaften wie Fischart, Fischgröße, Erntemethode usw. Prozessvariablen sind Variablen, die im Rahmen des Konservierungsprozesses erhoben werden, wie z. B. die Dauer der Kühllagerung, die Auftauzeit, die Auftautemperaturen, die Kochzeit, die Kochtemperaturen usw. Wir untersuchten die Auswirkungen dieser Variablen und versuchten herauszufinden, wie diese Variablen angepasst werden können, um die Ausbeute möglicherweise zu erhöhen.

Zusammenfassend lässt sich sagen, dass die wichtigsten Variablen, die den Ertrag beeinflussen, die Fischgröße, die Fischart, die Dauer der Kühllagerung, die Kochtemperatur und die Kochzeit sind. Interessanter war jedoch die Auswirkung der Dauer der Kühllagerung auf die Ausbeute, die sich um bis zu drei Prozent verringerte. Etwa 85 Prozent der Schwankungen bei den Erträgen wurden durch die Variablen im Modell erklärt, und der AI hatte ein Konfidenzniveau von 95 Prozent. Da das Rohmaterial den größten Kostenfaktor in der Produktion darstellt, könnte ein Modell zur Ertragsvorhersage einer Konservenfabrik bei der Vorhersage der Bruttomargen in der Produktion helfen.

Ein weiteres Projekt zum maschinellen Lernen konzentrierte sich auf das Abtropfgewicht bei der Thunfischkonservenherstellung. Das Abtropfgewicht wird auf den Dosen angegeben und stellt die Mindestmenge des Fleischgewichts dar, die in einer Dose verbleibt, sobald das flüssige Medium - in der Regel Öl, Salzlake oder Quellwasser - abgelassen wurde. Es ist schwierig, das Abtropfgewicht vorherzusagen, da der Thunfisch in der Dose einen Teil der Flüssigkeit aufnimmt, was als "Pick-up" bezeichnet wird. Viele Variablen können sich auf die Menge des "Pick-up" auswirken, darunter die Fischart, die Art der Flüssigkeit, die Fleischqualität, die Packungsdichte, die Dosengröße, das Verhältnis von Flocken zu Stückchen und andere. Die meisten Konservenfabriken haben Abtropfgewichtstabellen entwickelt, die den Produktionsleitern helfen, das Füllgewicht der Dosen zu bestimmen. Diese Tabellen sind jedoch vereinfacht und enthalten nur eine Reihe von Variablen. Sie berücksichtigen nicht alle relevanten Variablen und deren Wechselwirkung untereinander. Daher sind Konservenfabriken oft überrascht, wenn die Ergebnisse aus dem Abtropfgewicht-Labor zurückkommen.

Außerdem gibt es gesetzliche Grenzwerte für die zulässige Unterfüllung von Dosen, die als tolerierbarer negativer Fehler bezeichnet werden. Der Grenzwert für ein Abtropfgewicht von 102 Gramm bedeutet zum Beispiel, dass nicht mehr als 2,5 Prozent der Dosen um 4,5 Gramm unterfüllt werden dürfen, und für eine extreme Unterfüllung von mehr als 9 Gramm gibt es keine Toleranz. Da der Prozess nicht vorhersehbar ist, überfüllen die Konservenfabriken die Dosen im Durchschnitt absichtlich um 3 bis 6 Gramm, um sicherzustellen, dass sie nicht gegen die Unterfüllungsvorschriften verstoßen.

In den Jahren 2023 und 2024 arbeitete ThisFish Inc. mit zwei Thunfischkonservenfabriken in Manta, Ecuador, zusammen, um ein Modell zur Vorhersage des Abtropfgewichts zu entwickeln. Wir erhielten mehr als 100 000 Abtropfgewichtsproben und zugehörige Variablen von Eurofish S.A. und der Konservenfabrik SEAFMAN von Tri Marine. Wir trainierten zwei separate KI-Modelle, eines für jede Konservenfabrik, wobei wir die Daten aufgrund von Vertraulichkeitsanforderungen getrennt hielten.

Die ersten Ergebnisse waren vielversprechend. Im Allgemeinen verringerte die KI die Standardabweichung bei den Abtropfgewichten, was auf eine bessere Prozesskontrolle hindeutet. Die Ergebnisse deuten auch darauf hin, dass je nach der Benchmark-Leistung der Konservenfabrik bis zu drei Gramm pro Dose eingespart werden könnten. Ein Gramm Bonito entspricht etwa 500 000 USD an Rohstoffkosten pro Jahr für eine Konservenfabrik mit einer Kapazität von 100 metrischen Tonnen pro Tag. Weltweit gibt es 150 Konservenfabriken mit einer durchschnittlichen Kapazität von 100 Tonnen, was bedeutet, dass der Sektor durch AI jährlich 75 bis 225 Mio. USD an Rohstoffkosten einsparen könnte. Sobald die Leistung verbessert ist, könnte das KI-Modell anhand der besseren Daten neu trainiert werden, wodurch sich hoffentlich noch mehr Einsparungen erzielen lassen und die Kontrolle verbessert wird.

Computer Vision

In der Meeresfrüchte-Industrie gibt es viele visuelle Kontrollen von Rohmaterial, Halbfertig- und Fertigprodukten. Generell gilt: Wenn Menschen etwas sehen können, können wir KI so programmieren, dass sie es auch sieht.

Bei ThisFish Inc. haben wir mehrere Computer-Vision-Algorithmen entwickelt, um Fischfilets zu zählen und zu vermessen, Lachsfilets anhand der SalmoFan-Farbskala zu klassifizieren und fünf verschiedene Arten von Mängeln an Lachsfilets zu erkennen, darunter Lücken, Risse, Weichheit, Druckstellen und Impfnarben (bei Zuchtfischen). Wir arbeiten auch an einem Algorithmus zur Schätzung des Gewichts eines Lachses auf der Grundlage eines Bildes. Künftige Modelle könnten auch auf Felchen oder Garnelen trainiert werden.

In der Thunfischindustrie hat ein japanisches Technologieunternehmen Tuna Scope entwickelt, um die Qualität von frischem Thunfisch mit Hilfe von Computer Vision zu bewerten. ThisFish Inc. hat auch mit dem Einsatz von Computervision zur Schätzung des Salzgehalts von gefrorenem Echten Bonito experimentiert, ein Forschungsprojekt, das noch nicht abgeschlossen ist. Weitere Anwendungen sind die visuelle Inspektion von Dosennähten oder die Erkennung von Dellen und anderen Mängeln an Dosen. Die meisten Verarbeiter von Meeresfrüchten kontrollieren auch die Etiketten der fertigen Produkte, eine Aufgabe, die durch eine intelligente Kamera automatisiert werden könnte.

Computer Vision könnte die Qualitätskontrolle billiger und besser machen. Derzeit werden bei den meisten Qualitätsprüfungen Stichproben von menschlichen Inspektoren genommen, um die Qualität zu überprüfen. Durch die Automatisierung der Bildverarbeitung werden die Arbeitskosten gesenkt und die Inspektion erfolgt kontinuierlich anstelle von Stichproben. Fischereibetriebe würden enorme Mengen an Inspektionsdaten generieren, die dazu genutzt werden könnten, bessere Entscheidungen zu treffen und leichtfertige Reklamationen zu reduzieren, da die Verarbeitungsbetriebe über enorme Datenmengen verfügen würden, um zu beweisen, dass sie die Kundenanforderungen erfüllt haben.

Schlussfolgerung

In der Vergangenheit glaubten viele Fischereibetriebe, sie könnten sich einen Wettbewerbsvorteil verschaffen, indem sie Daten versteckten und keine Transparenz über ihre Produktionsprozesse oder ihre Lieferkette zeigten. Mit den wachsenden Anforderungen des Marktes an Transparenz und verantwortungsvolle Beschaffung wird diese Einstellung von Tag zu Tag anachronistischer. Im Informationszeitalter werden diejenigen Unternehmen einen dauerhaften Wettbewerbsvorteil haben, die mit Hilfe künstlicher Intelligenz verborgene Erkenntnisse und Muster in ihren Daten entdecken.

Mein Rat an Unternehmen, die ihre KI-Reise beginnen wollen, ist einfach: digitalisieren, priorisieren und lernen. Zuerst sollten Sie Ihre Daten digitalisieren. Ohne Daten gibt es keine KI. Zweitens: Setzen Sie Prioritäten, indem Sie sich auf frühe Erfolge und Kostensenkungen durch Automatisierung und Optimierungen konzentrieren. Und drittens: Lernen Sie mit der Zeit. Gehen Sie bei der Einführung neuer digitaler Technologien schrittweise vor.

KI kann die Branche nicht nur profitabler machen, sondern könnte sich auch als wertvoll für die Nachhaltigkeit erweisen, insbesondere bei der Aufdeckung und Beseitigung von Betrug mit Meeresfrüchten in den Lieferketten. Da KI für genaue Vorhersagen saubere, umfassende und vollständige Daten benötigt, wird es zunehmend kommerzielle Anreize geben, hochwertige Daten über Herkunft und Rückverfolgbarkeit zu sammeln.

Der Stanford-Professor und KI-Experte Andrew Ng hat erklärt: "Es gewinnt nicht, wer den besten Algorithmus hat. Es ist derjenige, der die meisten Daten hat". Man könnte auch sagen, dass derjenige, der die besten Daten hat, gewinnen wird.

HINWEIS: Dieser Artikel wurde zuerst in der Online-Zeitschrift InfoFish veröffentlicht. Klicken Sie hier für den Artikel.

FOTNOTEN

¹ Ajay Agrawal, Avi Goldfarb und Joshua Gans Vorhersagemaschinen: The Simple Economics of Artificial Intelligence. Harvard Business Review Press, Boston, 2028, S. 29-30

² https://this.fish/software-directory

³ François Mosnier, John Willis, Matt McLuckie. Rückverfolgbare Rückkehr. Planet Tracker. Oktober 2020.