Anzeige

Anzeige

VERANSTALTUNGEN

SAMS 2019
25.02.19 - 26.02.19
In Berlin

Plutex Business-Frühstück
08.03.19 - 08.03.19
In Hermann-Ritter-Str. 108, 28197 Bremen

INTERNET WORLD EXPO
12.03.19 - 13.03.19
In Messe München

secIT 2019 by Heise
13.03.19 - 14.03.19
In Hannover

ELO Solution Day Hannover
13.03.19 - 13.03.19
In Schloss Herrenhausen, Hannover

Anzeige

Anzeige

KI ML Tafel Shutterstock 705165757 700

Maschinelles Lernen (ML) hat deutliche Fortschritte gemacht. Der Streaming-Service Netflix nutzt diese Technik beispielsweise, um seinen Nutzern maßgeschneiderte TV-Angebote zu servieren, und Googles App "Arts & Culture" ist dank ML in der Lage, die Doppelgänger von Smartphone-Nutzern in weltbekannten Kunstwerken aufzuspüren. 

Doch wenn es um den Einsatz von Machine Learning in Unternehmen geht, sieht die Sachlage anders aus. Umfassende, komplexe Machine Learning-Applikationen sind im Unternehmensumfeld nach wie vor Mangelware.  AppDynamics nennen dafür acht Gründe:

Unklarheit, was maschinelles Lernen ist

Selbst IT-Fachleute wissen oft nicht, was unter Machine Learning zu verstehen ist. De facto heißt ML, dass mathematische Verfahren eingesetzt werden, um große Datenmengen nach Mustern zu durchsuchen. Die Algorithmen entfernen dazu störendes "Rauschen" (Noise) aus den Daten-Samples.

Nutzen ist nicht offenkundig

Die Stärke von ML-Algorithmen ist, dass sie sich ohne Zutun von Menschen an Systeme anpassen können, die sich verändern. Dabei sind sie in der Lage, zwischen erwarteten und anormalen Verhaltensmustern zu unterscheiden. Deshalb lässt sich maschinelles Lernen in vielen Bereichen einsetzen, etwa im Gesundheitswesen und in Sicherheitsapplikationen. Gleiches gilt für Anwendungen, die Daten klassifizieren oder Nutzern Empfehlungen geben, etwa welche Waren ihren Geschmack treffen könnten. Ein weiteres Einsatzfeld ist die Sprach- und Bilderkennung.

Den richtigen Einstieg finden

Unternehmen wissen oft nicht, wie sie Machine Learning implementieren sollen. Oft erfolgt das auf zwei Arten: Mitarbeiter beginnen eigenständig damit, ML für die Datenanalyse zu nutzen. Oder ein Unternehmen schafft eine Lösung an, in die ML-Algorithmen integriert sind, etwa eine Lösung für das Performance-Management von Anwendungen.

Daten aufbereiten

Einfach Daten zu sammeln und einen ML-Algorithmus "darüber zu jagen", funktioniert nicht. Vielmehr müssen die Daten zuvor aggregiert und um fehlende Informationsbestände ergänzt werden. Zudem ist es notwendig, "Datenmüll" zu entfernen und Informationen in die richtige Reihenfolge zu bringen.

Mangel an öffentlich verfügbaren, klassifizierten Daten

Erste Schritte in Richtung Machine Learning wären einfacher, würden genügend "gelabelte" Datensätze zur Verfügung stehen. Solche Informationen sind notwendig, um Machine-Learning- und Deep-Learning-Systeme zu trainieren. Leider sind solche Informationsbestände nur begrenzt verfügbar. Daher sind Unternehmen oft zu einem "Kaltstart" gezwungen, wenn sie ein ML-Projekt initiieren.

Domain Knowledge ist gefragt

Im Idealfall ist maschinelles Lernen die perfekte Kombination eines Algorithmus und einer Problemstellung. Das bedeutet jedoch, dass ein Machine-Learning-Fachmann "Domain Knowledge" benötigt. Das sind beispielsweise spezielle Kenntnisse über die Branche, in der ein Unternehmen aktiv ist, oder über eingesetzte Fertigungstechnologien. Auch Wissen über IT-Systeme und die Daten, die sie generieren, zählt dazu.

Datenspezialisten sind kein Allheilmittel

Die meisten Data Scientists sind Mathematiker. Daher verfügen sie nicht in jedem Fall über die Domain Knowledge, die für ihren Arbeitgeber relevant ist. Solche Spezialisten sollten daher mit Analysten und Domain-Experten aus dem Unternehmen zusammenarbeiten. Das erhöht jedoch die Kosten von Machine-Learning-Projekten.

Es fehlt eine gemeinsame "Sprache"

Bei Machine-Learning-Projekten in Unternehmen gibt es häufig keine Regeln, auf welche Weise Resultate gewonnen werden sollen. Deshalb entstehen "Silos", weil Mitarbeiter unterschiedliche Daten-Samples und Definitionen der Eingabewerte verwenden. Das wiederum hat zur Folge, dass ML-Analysen höchst unterschiedliche Ergebnisse produzieren. Solche Diskrepanzen können Zweifel am Nutzen von ML schüren.

Fazit: Keine Angst vor Machine Learning!

Unternehmen, die Machine Learning einsetzen wollen, müssen somit etliche Klippen umschiffen. Dennoch sollten sie sich mit maschinellem Lernen, Deep Learning und künstlicher Intelligenz (KI) beschäftigen. Denn diese Technologien spielen bereits heute eine wichtige Rolle in Unternehmensanwendungen – und sie werden drastisch an Bedeutung gewinnen. Eine zögerliche Haltung ist somit keine gute Strategie. Denn wer den Anschluss verliert, wird dies teuer bezahlen: durch eine sinkende Wettbewerbsfähigkeit.

appdynamics.de  

GRID LIST
KI Concept

Acht Leitlinien für die Künstliche Intelligenz

Erlangt eine neue Technologie eine solche Relevanz, wie es momentan bei künstlicher…
Roboter KI

Wir müssen die KI-Technologie demokratisieren

Deutschland will an die Weltspitze – so haben es die deutschen Politiker*innen bei der…
Thought Leadership KI

Introducing „Thought Leadership”

Mit der Rubrik Thought Leadership taucht erstmalig in den IT-Medien eine Rubrik auf die…
Digitale Transformation

Digitale Transformation leicht gemacht

Evolution ist für einen Organismus notwendig, damit er wachsen kann und anpassungsfähig…
Digital Globe

Die Zukunft der IT

Forrester prognostiziert, dass eine mutigere, immersivere Version der IT eine Reihe neuer…
Digitalisierung in 0-1-Optik vor Wolkenkratzern

Digitalisierung muss aus einem Guss sein

Cognitive Computing, Big Data & Business Analytics, Industrie 4.0, IoT, Smart Factory,…
Smarte News aus der IT-Welt