Mit der Digitalisierung der Wirtschaft wächst die Bedeutung von Analytik für das Geschäft. Die Daten gelten gemeinhin als das neue Rohöl, das mithilfe von Statistikanwendungen veredelt und für das Business verwertbar werden kann. Damit könnten für den Software-Hersteller SAS viele weitere erfolgreiche Jahre anstehen.

Allerdings muss es das Unternehmen zuerst noch schaffen, seine Speziallösungen für die breite Masse der Anwender in den Firmen brauchbar zu machen. Dabei sieht CEO und Mitgründer Jim Goodnight sich und seine Entwicklerkollegen auf einem guten Weg. Wie er SAS für die Zukunft positioniert und wie er die Konkurrenz einschätzt, erklärt Jim Goodnight im Interview mit Computerworld.

Jim Goodnight: [lacht] Ich denke schon! Was könnte ich anderes sagen? Zumindest die Vorzeichen dafür sind gut: SAS wächst weiterhin solide, unsere Anlässe wie das Global Forum [im April in Denver] und die lokalen Events wie das Schweizer SAS Forum [Ende Mai in Zürich] sind regelmässig ausgebucht. Das signalisiert mir, dass die Kunden ein grosses Interesse an unseren Lösungen haben.

Zudem sind wir durch unsere Investitionen in künst­liche Intelligenz, Machine Learning und neuronale Netze gut aufgestellt, um auch in Zukunft dem Markt voraus zu sein.

Goodnight: Google macht viele Schlagzeilen mit seinen Anwendungen zur künstlichen Intelligenz. Sie haben den grossen Vorteil, dass sie unglaublich viele Daten nutzen können, um die Systeme zu trainieren. Das kommt ihnen beispielsweise bei Spracherkennung und akustischer Textausgabe zugute. Diese Anwendungen sind hervorragend! Auch ich nehme gerne mein Smartphone in die Hand, um Google mit Fragen zu löchern. In 99 Prozent der Fälle versteht mich die Software und liefert die korrekte Antwort.

Die Stärke unserer Lösungen liegt bei der Übersetzung von Sprache zu Text. Damit erleichtern wir zum Beispiel den Agenten in Callcentern die Arbeit. Nach einem Training der fachspezifischen Fragestellungen findet die Software auto­matisch passende Antworten, die der Agent anschliessend nur noch freigeben muss.

Goodnight: Open Source ist vermutlich unser grösster Wettbewerber. Häufig wird mit Open-Source-Technologie experimentiert, um analytische Fragestellungen zu beantworten. Kaum weniger häufig kommen die Anwender anschlies­send auf SAS zu, weil sie eine Komplettlösung für ihr Prob­lem wünschen. Denn der Open-Source-Markt im Bereich Analytik und Statistik ist sehr stark fragmentiert.

Goodnight: Auf der Viya-Plattform machen wir unsere statistischen Routinen sowie unsere Algorithmen für künst­liche Intelligenz und Machine Learning in einer Hoch­leistungsumgebung verfügbar. Durch das Massively Parallel Processing können die Daten extrem schnell verarbeitet werden. Diese Umgebung kann in diverse Programmiersprachen und Tools eingebunden werden. Wer Python-Routinen für das Machine Learning verwendet, kann Viya-Algorithmen die Arbeit machen lassen und mit dem fertigen Modell anschliessend in die Produktion gehen.

Goodnight: Ich denke schon. Ein Ziel ist, die Bedienerfreundlichkeit zu erhöhen. Die Anwender sollen die Software nur mit den unbedingt notwendigen Details füttern müssen. Wenn die Maschine verstanden hat, um welche Fragestellung es geht, soll sie allenfalls die zusätzlichen Fakten selbst ermitteln und dann das Resultat liefern. Denkbar ist ausserdem, dass die Software anhand der vorhandenen Variablen selbstständig Empfehlungen für eine Auswertung liefern kann.

Goodnight: Für Lösungen wie Visual Analytics und Visual Statistics benötigen die Kunden nicht mehr zwingend einen Data Scientist, um analytische Fragestellungen zu beantworten. Auch versierte Fachanwender können mit den Anwendungen komplexe Probleme lösen. Allerdings ist es natürlich immer sinnvoll, noch einen Fachmann bei­ziehen zu können. Deshalb werden die Data Scientists und Statistiker auch in Zukunft ihre Berechtigung behalten.

Goodnight: Maschinen «lernen» streng genommen natürlich nicht. Denn sie können gar nicht «lernen». Beim Machine Learning wird vielmehr immer nur ein Modell trainiert. Mit jedem neuen Datensatz, den die Maschine zu verarbeiten hat, wird dann idealerweise das Modell immer besser. Wenn schliesslich das bestmögliche Ergebnis erzielt ist, dann ist das Modell optimal. Das hat allerdings wenig mit echtem Lernen zu tun.

Goodnight: Health Analytics ist unsere eigene Lösung. IBMs Watson war zunächst einmal eine Suchmaschine. Sie wurde mit allen relevanten Informationen beispielsweise zu Krebs gefüttert. Wenn dann nach einem spezifischen Krebssymptom gesucht wurde, lieferte die Maschine alle Antworten aus dem Pool, gepaart mit einem Relevanz-Score. Es stellte sich allerdings heraus, dass die Technologie nicht besser war als ein Dutzend Mediziner. Nur kosten die Ärzte nicht 60 Millionen US-Dollar pro Jahr nur für die Wartung.

Goodnight: [lacht] Nein, keine Suchmaschine. Wir trainieren neuronale Netze zum Beispiel mit Computertomografie-Scans von Krebspatienten. Die Maschine soll anhand der Bilder und dem Urteil der erfahrenen Ärzte lernen, Krebszellen in einem frühen Stadium zu erkennen. Oder wir lassen den Computer ermitteln, ob eine Chemotherapie das Wachstum der Krebszellen hemmt oder nicht. Bei diesen Bildvergleichen ist die Maschine weit besser als der Mensch, sodass die Software dem Mediziner bei der Diagnose helfen kann.

Goodnight: Wir wollten schlicht nie verkaufen oder an die Börse. Vielmehr lag unser grösster Fokus immer auf der Entwicklung und Forschung. Hier investieren wir noch heute rund 25 Prozent unseres Umsatzes. Diese Eigenart und die starke Einbindung der Kunden in die Entwicklung macht SAS zu einem speziellen Unternehmen.

Goodnight: Wir wollen den Kunden die Wahl überlassen. Einige Unternehmen haben bereits den Entscheid getroffen, ihre Infrastruktur in die Amazon-Cloud auszulagern. Auch dort können sie unsere Algorithmen einsetzen. Wenn der Kunde am nächsten Tag in die Google-Cloud wechseln möchte, können wir ihn ebenfalls bedienen.

Aktuell investieren wir viel Arbeit und Geld in Container-Technologie, um den Kunden auch in der Zukunft die Wahl zu lassen zwischen Cloud und On-Premises.

Goodnight: Alle Software-Unternehmungen wünschen sich, dass alle Kunden exakt die gleiche Systemumgebung verwenden. Denn dann müssten sie nur eine einzige und nicht Hunderte verschiedene Versionen unterstützen. Zum Beispiel setzen einige unserer Kunden Red Hat ein, andere bevorzugen Varianten wie Fedora oder Mandriva. Wieder andere nutzen Cloudera, die anderen Hadoop. SAS lässt sich überall einsetzen, auch wenn der Aufwand natürlich grös­ser ist als für eine einzige Umgebung.

Goodnight: Die riesigen Datenmengen, die durch die Anwendungen des Internet of Things entstehen, werden definitiv zu einer Herausforderung. Hinzu kommt die Geschwindigkeit, mit der die Datenmassen verarbeitet werden müssen. Wir haben Anwendungen gesehen, bei denen bis zu 400'000 Signale pro Sekunde analysiert werden müssen. Hier ist es sinnvoll, ein statistisches Modell zu ent­wickeln, das direkt auf den Geräten arbeiten kann, anstatt die Daten erst zu übermitteln. Wenn es zum Beispiel um den Entscheid geht, ob eine Windkraftanlage intakt ist, können in der Anlage zuerst die Messwerte analysiert werden, bevor die Maschine sich abschaltet oder Alarm schlägt.