Gastbeitrag: Als Teil ihrer digitalen Transformation interessieren sich immer mehr Unternehmen für den Einsatz von maschinellem Lernen. Die Verwendung von dieser Technologie muss allerdings gut geplant sein. Vier Ratschläge für eine erfolgreiche Einführung von Machine Learning im Unternehmen gibt Johann Füchsl.
 AWS.jpg)
Foto: AWS
Der Autor Johann Füchsl ist Solutions Architect bei Amazon Web Services (AWS)
Maschinelles Lernen (ML), ein Teilgebiet der Künstlichen Intelligenz (KI) hat sich in den letzten Jahren von einer Nischen-Technologie zu einem zentralen Baustein in der Digitalisierungsstrategie vieler Unternehmen entwickelt. In einer Deloitte Studie gaben 57 Prozent der Entscheidungsträger an, dass KI ihre Organisation in den nächsten drei Jahren transformieren würde.
Der von ML versprochene Nutzen beinhaltet einerseits die Effizienzsteigerung von bestehenden Prozessen, andererseits ermöglicht ML die Entwicklung innovativer Angebote zur Erschließung neuer Umsatzquellen.
Doch aller Anfang ist schwer, und das gilt auch für ML. Die folgenden Tipps helfen dabei, schnell erste Erfolge in der Anwendung von ML im Unternehmen zu erzielen und die Basis für ML in der digitalen Transformation zu legen.
Zu Beginn eines ML Projektes muss immer ein Geschäftsziel stehen, das durch den Einsatz dieser Technologie erreicht werden soll. Das kann zum Beispiel die Effizienzsteigerung der Lieferketten durch bessere Prognosen des Bedarfs sein, oder die Entwicklung von datengetriebenen Zusatzangeboten für bestehende Produkte. Mit dem Geschäftsnutzen als Basis fällt es leichter genaue Anforderungen für den Einsatz von ML zu definieren und Erfolgskriterien festzulegen.
Gerade bei den ersten ML Anwendungen ist die Zusammenarbeit mit Partnern sinnvoll. Unternehmen wie Data Reply oder Zühlke besitzen technische Expertise und Erfahrung mit ML Technologien und kombinieren diese auch mit Fachwissen in der jeweiligen Industrie. Partner können damit den Wissensaufbau innerhalb des Unternehmens beschleunigen und die Erfolgsaussichten von Projekten erhöhen.
Auch bei ML gilt, dass man das Rad nicht neu erfinden muss. Für gängige Anwendungsfälle können vorgefertigte Lösungen eingesetzt werden, die kein spezifisches Fachwissen voraussetzen.
Das von Amazon Web Services (AWS) angebotene Amazon Personalize bietet zum Beispiel die Möglichkeit Anwendungen mit der gleichen ML-Technologie zu entwickeln, die Amazon.com für individuelle Empfehlungen in Echtzeit nutzt. In der Fertigungsindustrie kann Amazon Lookout for Vision für die automatisierte Erkennung von Produktfehlern in der Qualitätsprüfung eingesetzt werden. Der Motorradhersteller KTM setzt unter anderem auf diesen Dienst um Schweißspritzer am Motorradrahmen automatisch zu erkennen, mit dem Ziel aufwendige Nachbearbeitung zu minimieren.
Walter Sieberer, Geschäftsführer der Pierer Innovation GmbH, welche die Forschung und Entwicklung für KTM betreibt, bestätigt: “AWS bietet eine beeindruckende Breite und Tiefe an KI-Services, die unsere höchst unterschiedlichen KI-Anwendungsfälle individuell unterstützen. Die Überführung von prototypischen Anwendungsfällen in den Produktiveinsatz fällt auf AWS leicht und kann kaufmännisch flexibel gestaltet werden.”
Unternehmen die den Weg der ML Transformation erfolgreich beschreiten, denken Groß und haben eine klare Vision, wie ML dazu genutzt werden kann die digitale Transformation voranzutreiben und dabei einen Mehrwert für das Unternehmen zu schaffen. Daraus lassen sich kleinere Projekte ableiten, die im Umfang überschaubar und klar definiert sind. Diese Vorgangsweise stellt sicher, dass das Risiko minimiert wird, schnell erste Erfolge mit ML gefeiert werden können und somit die Unterstützung von seitens der Führungsebene gestärkt wird. Zusätzlich wird damit erreicht, dass der Einsatz von ML mit der Unternehmensstrategie abgestimmt ist und diese mitträgt.
