Sie sind hier: Startseite » Markt » Tipps und Hinweise

Mangelware: Komplexe Machine Learning-Anwendungen


Selbst IT-Fachleute wissen oft nicht, was unter Machine Learning zu verstehen ist
Acht Gründe, warum es maschinelles Lernen in Unternehmen schwer hat



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. Die Application-Intelligence-Experten von AppDynamics nennen dafür acht Gründe.

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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: ra)

eingetragen: 19.06.18
Newsletterlauf: 03.07.18

AppDynamics: Kontakt und Steckbrief

Der Informationsanbieter hat seinen Kontakt leider noch nicht freigeschaltet.


Meldungen: Tipps und Hinweise

  • Mythos der maßgeschneiderten Entwicklung

    Der gezielte und flexible Einsatz von Technologie ist ein zentraler Erfolgsfaktor für Unternehmen. Digitalisierung ist für viele Unternehmen weiterhin eine Priorität, der sie eine substantielle Menge an Ausgaben einräumen: Einem Bericht des IDC zufolge, werden die weltweiten Investitionen in IT-Transformationsinitiativen voraussichtlich 4 Billionen US-Dollar bis 2027 übersteigen. Jedoch erreichen weniger als die Hälfte (48?Prozent) aller Digitalisierungsprojekte die angestrebten Ziele. Laut McKinsey scheitern sogar sieben von zehn Unternehmenstransformationen.

  • Migration in lokale Cloud-Rechenzentren

    Digitale Souveränität in und mit der Cloud - dafür sind Unternehmen gefordert, die entscheidenden Weichen zu stellen. Aus der Projekterfahrung von Yorizon, Vorreiterin für Open Source Edge-Cloud-Services, sind es fünf entscheidende Faktoren, die eine unabhängige und zukunftsfähige Cloud-Strategie sicherstellen.

  • Agentische KI im Retail-Bereich

    KI revolutioniert wie wir Ideen und Produkte entwickeln, Handel treiben und Informationen sammeln. Die menschliche Genialität bekommt dabei einen Kompagnon: die KI. Doch obwohl die generative KI häufig den größten Hype erzeugt, wird es die agentische KI sein, die Händlern den größten Nutzen bringt.

  • IT-Resilienz als Überlebensfaktor

    Angesichts der vom Bundesamt für Sicherheit in der Informationstechnik als "besorgniserregend" eingestuften Cybersicherheitslage gewinnen automatisierte Ansätze für die Stärkung der IT-Resilienz zunehmend an Bedeutung, wie aktuelle Implementierungen zeigen.

  • Backup-Lücke von Microsoft 365

    Unternehmen nutzen Microsoft 365 als Grundlage für ihre Produktivität. Doch neben den Vorteilen solcher Produktivitätsplattformen wird immer wieder eine Lücke in der Datenschutzstrategie übersehen: das Prinzip der geteilten Verantwortung. Diese Nachlässigkeit setzt wichtige Geschäftsinformationen erheblichen Risiken aus, die sich in Ausfallzeiten und wirtschaftlichen Verlusten niederschlagen können.

  • KI und digitale Souveränität

    Die europaweite Debatte rund um digitale Souveränität fokussiert sich in den vergangenen Wochen überwiegend auf das Thema "KI" (AI-Gigafactory etc.). Dabei gerät ein anderer Aspekt gerade etwas in den Hintergrund: Cyberresilienz und die Kontrolle über kritische Daten innerhalb Europas.

  • DMS und digitale Souveränität

    Die Welt ordnet sich neu und Europa steht unter wachsendem Druck, seine digitale Unabhängigkeit zu stärken. Laut einer Bitkom-Studie (2025) fordern 84 Prozent der Unternehmen, dass die neue Bundesregierung der digitalen Souveränität höchste Priorität einräumt. Gerade im Umgang mit vertraulichen Dokumenten und geschäftskritischen Informationen zeigt sich, wie entscheidend die Kontrolle über digitale Prozesse ist. Die easy software AG beleuchtet, welche Rolle das Dokumentenmanagement dabei spielt - und worauf es jetzt ankommt.

  • MDR - meist mehr Schein als Sein

    Managed Detection and Response (MDR) ist der neue Hype der IT-Sicherheitsbranche. Kaum ein Systemhaus, das nicht plötzlich MDR im Portfolio hat. Was sich hinter diesem Label verbirgt, ist oft enttäuschend: vollautomatisierte EDR- oder XDR-Lösungen mit dem Etikett "Managed", das in Wahrheit kaum mehr bedeutet, als dass ein Dienstleister Herstellerlösungen lizenziert - nicht aber selbst Verantwortung übernimmt.

  • Einblicke in die Sichtweise der Kunden

    Online-Händler erhalten täglich eine unzählige Menge an Anfragen. Ein Großteil davon wird mit KI-Agenten gelöst, da sie immer wieder ähnliche Themen wie Lieferzeiten, Rücksendungen oder Produktspezifikationen betreffen. Zum einen sind KI-Agenten damit eine Arbeitserleichterung bei wiederkehrenden Anfragen, besonders wenn diese Lösungen einfach zu bedienen sind, und den Unternehmen schnellen Mehrwert bieten. Doch hinter diesen Wiederholungen verbirgt sich zum anderen auch eine bislang oft ungenutzte Quelle strategischer Erkenntnisse: die Daten, die bei jeder einzelnen Interaktion entstehen.

  • Modernisierung birgt auch ein Risiko

    Der Trend zur Cloud-Migration setzt Vermögensverwalter zunehmend unter Druck, ihre digitale Transformation voranzutreiben. Einer der strategischen Pfeiler einer Cloud-Strategie ist dabei der Wechsel von On-Premise- zu SaaS-Lösungen. Für größere, traditionelle Institutionen stellt sich jedoch die Frage: Sollten sie direkt auf SaaS umsteigen oder lieber einen mehrstufigen Ansatz über PaaS wählen? Alberto Cuccu, COO von Objectway, erklärt, warum ein schrittweiser Migrationsprozess für bestimmte Geschäftsfälle eine sinnvolle Option sein kann, welche Rolle DORA dabei spielt und welche typischen Fehler Banken bei ihrer IT-Transformation machen.

Wir verwenden Cookies um unsere Website zu optimieren und Ihnen das bestmögliche Online-Erlebnis zu bieten. Mit dem Klick auf "Alle akzeptieren" erklären Sie sich damit einverstanden. Erweiterte Einstellungen