Thought Leadership
Maschinelles Lernen (ML) leistet einen enormen Beitrag zur Weiterentwicklung von Künstlicher Intelligenz (KI) und kognitiven Systemen und entwickelt sich zunehmend zum ökonomisch und strategisch relevanten Faktor für Unternehmen. Dank dieser Technologie lassen sich große Datensätze klassifizieren, in der Cloud analysieren, Vorhersagen und Maßnahmen ableiten.
Dass diese Möglichkeiten zunehmend Anklang finden, zeigt, dass die Umsatzprognose für Unternehmensanwendungen im Bereich künstliche Intelligenz 2023 bei rund 17 Milliarden US-Dollar liegt soll – Trend rapide steigend.
Dennoch zeigen sich deutsche Unternehmen im globalen Vergleich noch zögerlich bei der Anwendung und Integration von ML und KI. Thomas Schröder, Vice President Zentraleuropa bei Teradata, erläutert im Folgenden Möglichkeiten, wie die deutsche Industrie mit Cloud-fähigen Analyseplattformen, maschinellem Lernen (ML) und künstlicher Intelligenz (KI) wettbewerbsfähiger werden kann.
Groß denken – Analysieren und automatisieren mit der Cloud
Mittels Cloud Analytics werten Algorithmen Daten in Clouds nach definierten Kriterien aus und erkennen Muster. Daraus gewinnen Unternehmen wertvolle Erkenntnisse und können Schlüsse zum Verbessern ihres Geschäftsbetriebs ziehen. Grundlage dessen sind gute Modelle, die wiederum eine gute Datengrundlage benötigen. Auf Basis der gewonnen Erkenntnisse und gezogenen Schlüsse kann „Large-scale Automation“ umgesetzt werden. Das bedeutet, im großen Stile zu automatisieren und kontinuierlich neue Funktionen zu integrieren.
Ganz konkret kann das so aussehen: Ein Zulieferer von Autoteilen reduziert auf der einen Seite durch Predictive Maintenance Ausfallzeiten bei den eigenen Maschinen, zusätzlich verringert er durch KI-basierte Qualitätskontrolle Ausschuss. Mittels KI-basierter Supply-Chain-Analyse optimiert er den Einkauf und findet so selbst bei Lieferengpässen eine Lösung, um Verzögerungen oder sogar Stillstand in der Produktion zu vermeiden. Darüber hinaus kann er durch smarte Gebäudeautomation den Energieverbrauch in Arbeitsstätten senken und so Energiekosten sparen.
Mithilfe von Machine Learning und Künstlicher Intelligenz können Unternehmen also schnell und flexibel agieren, Störungen im Betrieb verringern und ihren Kunden hochwertige Anwendungen bereitstellen, mit denen sie ihre Herausforderungen gut und schnell lösen. Konsequente Unternehmen nutzen „Large-scale Automation“, um Prozesse kontinuierlich zu verbessern und geschäftlich erfolgreicher zu werden – von der Detailaufgabe bis zum komplexen Prozess. Es geht darum, eine allumfassende Strategie für die Nutzung von ML und KI im Unternehmen zu etablieren, nicht lediglich ein paar wenige isolierte Einzelprojekte durchzuführen. So können Unternehmen den größten wirtschaftlichen Wert aus den neuen Technologien ziehen.
Neue Werte schaffen in der Cloud
Eine allumfassende Strategie für den Einsatz von Machine Learning und der Cloud hilft Unternehmen auch, neue Produkte zu entwickeln oder durch neue Services zusätzliche Märkte zu erschließen. Mit maschinellem Lernen können Unternehmen Daten in einem Umfang verarbeiten, der für ihre Analysen ideal ist. Ein Beispiel dafür ist Natural Language Processing – eine Machine-Learning-Plattform oder -Applikation, die in der Lage ist, menschliche Sprache zu verstehen und darauf einzugehen. Wir kennen diese Technologie bereits von Sprachassistenten wie Siri oder Alexa sowie aus zahlreichen Fahrzeugen. Doch auch in der Transkription kann diese Technologie gute Dienste leisten. Zum Beispiel ermöglicht es die automatische Transkription in Online-Meetings gehörlosen Menschen, besser an Besprechungen oder Trainings teilzunehmen.
Für die Analyse von Bildern oder Videos steht Unternehmen die KI-basierte Technologie „Computer Vision“ zur Verfügung. Dabei verarbeiten und analysieren Machine-Learning-Algorithmen digitale Video- oder Bilddaten in einer für den Menschen nicht mehr erreichbaren Geschwindigkeit – mit erstaunlich hoher Genauigkeit. Die Algorithmen können sogar Handlungsempfehlungen geben oder einleiten. Diese Technologie ist entscheidend für selbstfahrende Automobile. Auch in der Qualitätskontrolle wird sie bereits erfolgreich eingesetzt, etwa um fehlerhafte Produkte in der Fertigung zügig auszusortieren.
Voraussetzungen für erfolgreiche ML-Projekte
Für das Durchführen dieser Analyseprozesse bietet die Cloud eine hilfreiche Umgebung, denn in ihr können Unternehmen Daten so verwalten, verarbeiten und speichern, dass ML-Anwendungen sie immer schneller analysieren können.
Mit den Erkenntnissen, die Unternehmen aus den Datenanalysen ziehen, können sie Maßnahmen wie Automatisierungsaufgaben so implementieren, dass sie kontinuierlich erfolgreicher werden. Um den größtmöglichen Nutzen aus ML-Anwendungen zu ziehen, müssen Unternehmen diese jedoch sorgfältig überwachen.
Wichtige Kriterien dabei sind:
- Vermeiden von Verzerrungen
- Pflegen hoher Datenqualität
- Prüfen der Programmierung auf Sorgfalt
- Sorgfältiges Verwalten der Daten, die in den Projekten erzeugt werden oder damit in Verbindung stehen
Nicht zögern – mit der Cloud Herausforderungen meistern
Um ML-Projektdaten integrieren und verwalten zu können, braucht es Cloud-fähige Analyseplattformen. Diese stellen Cloud-Ressourcen wie Objektspeicher bereit, die besonders flexibel, skalierbar und kosteneffizient sind. Für die Datenmengen, die bei maschinellem Lernen anfallen, erweist sich das als ideal. Außerdem ermöglicht eine Cloud-fähige Analyseplattform die notwendige Kontrolle und Sichtbarkeit, um eine einzige Quelle der analytischen Wahrheit zu schaffen – selbst wenn Projektdaten vor Ort bleiben.
Ob Energiesparen, Produktionsausschuss vermeiden oder die Entwicklung neuer Produkte – deutsche Unternehmen sehen sich heute vor einer Vielzahl an Herausforderungen, die sie überwinden müssen. Die Zeit des Zögerns ist daher nun vorbei. Der strategische Einsatz von ML und KI mit Cloud-basierten Analysetools ist ein wichtiger Schritt, diese Hürden zu meistern und zur Wertschöpfung des Unternehmens beizutragen.
www.teradata.de
