Zwischen 2006 und 2008 war Jacomo Corbo Chef Rennstratege im Renault Formel 1 Team. «Es war die beste Zeit meines Lebens», meint der Informatiker und Mathematiker etwas wehmütig. Wie kommt ein Mathematiker zu diesem Job? Durch Daten!
Daten über alles
Rennwagen werden nicht nur durch Benzin, sondern auch durch Daten angetrieben. Bereits in den 70er-Jahren wurden die ersten Messgeräte in die Autos eingebaut. Heute überwachen hunderte von Sensoren das Fahrzeug und die Crew: Vom Luftdruck in den Reifen über die Temperatur im Motor bis zu den Kräften, die auf das Fahrgestell wirken – alles wird gemessen und per Funk an eine Zentrale übermittelt.
«Bei jeder Runde generiert das Fahrzeug zwei Gigabyte an Daten», erklärt Jacomo Corbo. Wenn der Fahrer einen Gang höher schaltet, übermittelt er hundert Datensätze. Selbst die Spezialisten an den Boxen tragen Sensoren, die den Puls überwachen, während sie die Reifen wechseln.
Lernende Maschinen
Bei der Auswertung dieser Daten spielen Computer die entscheidende Rolle: Nicht Menschen entdecken in dem Datenberg Zusammenhänge, sondern Software. Jeder Rennstall kommt so zu einem eigenen Modell, das den Strategen bei Entscheidungen wie zum Beispiel dieser hilft: Welche Reifen brauchen wir auf dieser Strecke bei Regen?
Drei Jahre lang war das Jacomo Corbos Leben: «Ich habe schöne Erinnerungen an diese Zeit», meint er. Nach dieser Erfahrung habe er gewusst, was er in Zukunft tun möchte: Praktische Probleme mit Hilfe von Daten analysieren und daraus Modelle für Prognosen entwickeln.
Warum arbeiten die so langsam?
Mit seinem Unternehmen Quantum Black löst Jacomo Corbo heute mit Hilfe von Daten und Modellen Probleme für Konzerne. Für eine internationale Ölfirma analysierte er beispielsweise, warum gewisse Teams von Ingenieuren für eine Aufgabe viel länger brauchen als andere.
Antworten lieferten ihm die Datenspuren, die jeder Angestellte im Unternehmen hinterlässt. Für seine Untersuchung wertete Jacomo Corbo etwa die anonymisierten Mailboxen von 7000 Angestellten und deren Kalender aus. Dabei interessierten ihn nicht die Inhalte der Nachrichten, sondern wer mit wem wann kommunizierte.
So stiess er auf einen interessanten Zusammenhang: Je länger die Mitglieder eines Teams in der Vergangenheit zusammengearbeitet hatten, desto effizienter das Team. Das Model ist heute so ausgreift, dass es wie beim Formel-1-Rennen für Prognosen taugt und Fragen beantworten kann: Wie lange bräuchte ein Team, wenn man ein Mitglied auswechseln würde?
Big Data oder Big Brother?
Jacomo Corbos Firma ist nicht die einzige, die mit Daten und Modellen das Personalwesen effizienter machen will. IBM etwa hat zu diesem Zweck für seine Künstliche-Intelligenz-Plattform Watson spezielle Software entwickelt, die der IT-Konzern mit markigen Worten anpreist: «Ein Personalwesen, das durch künstliche Intelligenz angetrieben wird, ist die neue Triebfeder für Wachstum.»
Intelligente Software soll Personalverantwortliche im Alltag unterstützen, etwa bei der Rekrutierung, bei der Leistungsmessung und bei der Verteilung der Boni.
Eine zentrale Frage bei maschinellem Lernen bleibt: Wie kommt der Algorithmus zu seinem Entscheid? Da sich die Software selber beibringt, welche Zusammenhänge wichtig sind, können Menschen die Logik dahinter nicht mehr nachvollziehen. Die Software selber kann es auch nicht, so wenig wie ein Mensch erklären kann, was in ihm abläuft, wenn er das Gesicht eines Freundes wiedererkennt.
