- Deutsche Wirtschaft powered by KI – Immer mehr Unternehmen beschäftigen sich mit Machine Learning-Prototypen und dem Einsatz von künstlicher Intelligenz im IT- und Business-Alltag.
- Machine Learning ist mehr als reine Technologie – Unternehmen müssen die Rahmenbedingungen für den Einsatz schaffen.
- Kompetenzen sind gefragt – Fehlende Skills und Personalressourcen stellen Unternehmen vor große Herausforderungen.
- In seiner zweiten Machine Learning Studie im Auftrag der The unbelievable Machine Company (*um) und Dell EMC hat Crisp Research erneut untersucht, welchen Einfluss Machine Learning auf die deutsche Wirtschaft und die Unternehmen nimmt und welche Meilensteine in nur gut einem Jahr überwunden wurden.
Machine Learning ist angekommen
Immer mehr Unternehmen wollen von der intelligenten und automatisierten Datenanalyse und -verarbeitung profitieren. Damit zielen sie mitunter auf mehr Umsatz, weniger Personaleinsatz, bessere Entscheidungsfindung oder einen höheren Automatisierungsgrad ab. Die Bereiche, in denen Machine Learning-Technologien dabei Einsatz finden, werden immer breiter und die Anzahl der Proof of Concepts und Projekte nimmt in Deutschland rasant zu.
Die Studie “Machine Learning in deutschen Unternehmen” ist eine Fortsetzung der Machine Learning-Studie aus dem vergangenen Jahr und unterstreicht die zunehmende Durchdringung deutscher Unternehmen im Bereich der künstlichen Intelligenz.
Im Jahr 2017 glaubten noch 36 Prozent der befragten Entscheider, sich weder heute noch zukünftig mit dem Einsatz von Machine Learning-Technologien zu beschäftigen. In 2018 hat sich dieser Anteil fast um die Hälfte reduziert – nur noch 19 Prozent sind der Ansicht, die Nutzung von Machine Learning nicht evaluieren zu müssen. Ein Großteil der Entscheider (37 Prozent) befasst sich zur Zeit in Implementierungsprojekten mit einem gezielten Einsatz von Machine Learning in Produkten und Diensten. Das ist ein Plus von zwölf Prozent gegenüber dem letzten Jahr und damit ein deutliches Zeichen, dass Machine Learning in den Unternehmen angekommen ist. Dies signalisiert auch, dass die Reife der Tools und Frameworks ausreicht, um für einen produktiven Einsatz im Unternehmen in Frage zu kommen. Die Sichtweise im Markt hat sich deutlich verlagert. Unternehmen sehen zunehmend mehr Potential für Anwendungsbereiche in eigener Sache und beschäftigen sich zunehmend aktiv mit Machine Learning-Prototypen und mit einem potentiellen Einsatz in produktiven Umgebungen. Überzeugt wurden also im Vergleich zum Vorjahr die bisher Unentschlossenen, denn die Anzahl der Entscheider, die Machine Learning bereits produktiv nutzen, ist mit einem Anstieg um einen Prozentpunkt auf fünf Prozent, nahezu gleich geblieben.
Infolgedessen ist das Thema Machine Learning ein wichtiger Baustein innerhalb der IT-Strategie eines Unternehmens geworden. Die Vielzahl neuer Use Cases und die im Rahmen von Big Data anfallenden Datenmengen gilt es zu beherrschen, kosteneffizient zu verarbeiten und zu analysieren. Ob Smart Farming, Predictive Maintenance oder Smart Manufacturing – die Anwendungsfälle sind mannigfaltig. Über alle Branchen hinweg steigt mit zunehmender Digitalisierung auch der wertschöpfende Anteil der IT.
In der Landwirtschaft beispielsweise sind die Automatisierung und Digitalisierung bereits seit Längerem relevante Themen. Der smarte Bauernhof ist hochgradig vernetzt. Software sammelt Sensordaten und überwacht bzw. steuert die eingesetzten Landmaschinen. Das Ganze mit dem Ziel der Optimierung. So laufen alle Daten in Echtzeit zusammen und bieten tiefe Einblicke in den aktuellen Zustand.
Fast die Hälfte der Entscheider (44 Prozent) geht davon aus, dass bis 2020 Machine Learning mehr als 20 Prozent der Wertschöpfung der neuen digitalen Produkte und Dienstleistungen ausmachen wird. Industrieunternehmen werden so immer mehr zu IT- und Softwareunternehmen.
Expertise und Machine Learning Skills – Festhalten und Weitersuchen
Um ein Projekt im Bereich Machine Learning oder Künstliche Intelligenz erfolgreich umzusetzen, benötigt man also entsprechend gut geschulte personelle Ressourcen. Dazu zählen in der Regel die Data Scientists, die Data Engineers und die Platform Operators.
Platform Operator sind für den Betrieb der IT-Landschaft verantwortlich. Dazu gehören alle bekannten Tätigkeiten rund um den operativen Betrieb von Plattformen und Rechenzentren.
Der Data Engineer erfüllt zunächst eine wichtige Aufgabe im Bereich der Data Pipelines oder auch ETL-Prozesse. Ohne Daten in einem Data Lake nämlich, kann auch ein Experte keine Modelle erstellen. Daher kümmert sich der Data Engineer um die Prozesse des Datenmanagements inklusive des Lifecycle Managements, der Big-Data-Plattform und der verteilten Algorithmen und Systeme, wenn die Modelle dann entsprechend verteilt und skalierbar implementiert werden müssen. Zudem besitzt der Data Engineer ein tiefgehendes Wissen in den Bereichen Software Engineering, verteilte Systeme und Algorithmen.
Der Data Scientist bedient sich der aufbereiteten und zur Verfügung gestellten Daten, erstellt Analysen, wertet Sachverhalte aus und generiert schlussendlich die Modelle für die Produkte und Dienste. Dazu müssen tiefe mathematische Kenntnisse vorhanden sein und ein profundes Wissen im Bereich Künstliche Intelligenz.
Die beste Machine Learning-Soft- und Hardware nutzt nichts ohne die entsprechenden Experten und Fachkräfte, die sich damit auskennen und dafür sorgen, dass die richtigen Ergebnisse rauskommen. Das die Suche nach den richtigen Human Resources keine leichte Aufgaben ist, ist wohl allgemein bekannt. Gute Fachkräfte zu finden – ob in den eigenen Reihen oder von extern, die über die entsprechenden Fähigkeiten und im besten Falle auch noch über einschlägige Erfahrung im Bereich Machine Learning verfügen, ist umso schwerer. Mehr als ein Drittel (35 Prozent) der befragten Entscheider sehen dies genauso und nennen die fehlenden Skills und Personalressourcen im Unternehmen als hauptsächlichste Herausforderung beim Betrieb von Machine Learning Workloads und Plattformen.
So haben sich die befragten Entscheider für eine umfangreiche Sourcing-Strategie entschieden und stellen die benötigten Ressourcen für ihre Projekte aus eigenen Teams, externen Dienstleistern und anderen verfügbaren Ressourcen zusammen.
Der hohe Anteil (51 bzw. 53 Prozent) interner Ressourcen ist besonders sinnvoll für eine kontinuierliche Weiterentwicklung der Produkte und Lösungen, aber auch, um das aufgebaute Know-how möglichst langfristig im Unternehmen zu halten und im Idealfall sogar noch zu streuen. Dabei sollte der Wissenstransfer von den internen Ressourcen frühzeitig Teil der Sourcing-Strategie sein. Externe Dienstleister kommen bei den befragten Entscheidern aktuell mit 36 Prozent und zukünftig mit 35 Prozent zum Einsatz und werden im Zusammenspiel mit den internen Ressourcen einen Großteil der Arbeit stemmen. Ist also ein verlässlicher Dienstleister mit den entsprechenden Skills einmal gefunden, wird die Zusammenarbeit i.d.R. auch langfristig fortgesetzt. Besonders wichtig wird die Hilfe von Außen vor allem für den Erwerb der unternehmenseigenen Kompetenzen über interne BI-/Analytics-Abteilungen und/ oder Unternehmens-IT. Mehr als die Hälfte (57 Prozent) der befragten Unternehmen konzentriert sich also zukünftig auf den Aufbau der eigenen Machine Learning-Expertise.
In der Studie “Machine Learning in deutschen Unternehmen” erhalten Sie weitere fundierte Einblicke zu Betrieb und Anwendung von künstlicher Intelligenz. Die empirische Studie wurde von Crisp Research, The unbelievable Machine Company (*um) und Dell EMC erstellt und aggregiert Einschätzungen und Planungen von 154 IT- und Business-Entscheidern aus Unternehmen verschiedener Branchen und Größen. Damit liefert sie CIOs spannenden Input und unterstützt sie bei der Aufgabe rund um den Betrieb von Machine Learning-Technologien im Unternehmen.