Koester Econsulting Machine Learning Mittelstand

Machine Learning im Mittelstand – ein Erfolg oder doch nur teurer Hype?

Machine Learning im Mittelstand – ein Erfolg oder doch nur teurer Hype?

Eine aktuelle Studie von der Marktforschungsfirma Loudhouse, die u. a. im CIO-Magazin (https://www.cio.de/a/wie-rechnen-sich-ml-projekte-fuer-unternehmen,3546291) veröffentlicht wurde, betrachtet den ROI (Return on Investment) von Machine Learning-Projekten.

In dieser Studie wurden 200 europäische IT-Entscheider nach dem Nutzen von Machine Learning-Projekten befragt. Nur 33 % der Teilnehmer konnte einen konkreten Nutzen benennen, weitere 34 % erwarten positive Ergebnisse, können diese aber (noch) nicht belegen. Trotzdem glauben 84 % der Teilnehmer, dass sie sich durch Machine Learning einen Wettbewerbsvorteil verschaffen können. Bei 65 % der Unternehmen herrscht Unsicherheit, wo sie die größten Effekte erzielen können.

Um die Projekte zu finden, die den größten Mehrwert für Ihr Unternehmen bieten, versuche ich zu Beginn das Thema Machine Learning in einem kurzen Absatz zu beschreiben:

Bei Machine Learning handelt es sich um eine Mustererkennung. Hierbei werden der Maschine Positiv- und Negativbeispiele zum Lernen zur Verfügung gestellt (Lernen von Daten anstatt Programmierung). Nun werden die zu prüfenden Daten (oder Fotos, Sprache, Texte) bereitgestellt und die Maschine soll rausfinden, ob es sich um ein positives oder negatives Beispiel handelt. Anhand einer Wahrscheinlichkeitsberechnung wird nun die Entscheidung in die eine oder andere Richtung getroffen. Sinnvoll ist das nur, wenn Sie wiederkehrende und eine große Anzahl von solchen Prüfungen haben.

Beispiel: Sie produzieren Bauteile, die ein Loch mit Gewinde haben. Eine Maschine dreht automatisch eine Schraube in dieses vorbereitete Loch. Nun möchten Sie mittels Machine Learning am Ende vom Produktionsprozess automatisch erkennen, ob das Bauteil diese besagte Schraube enthält oder nicht. Alle Bauteile ohne Schraube sollen vom weiteren Produktionsablauf ausgeschlossen werden. Eine Kamera am Ende des Produktionsprozesses liefert jeweils ein Foto und schickt es dem Machine Learning-Algorithmus.

Wie finden Sie die wertschöpfenden Projekte,
die mittels Machine Learning optimiert werden könnten?

  1. Ideenentwicklung: Pragmatisch handeln und prototypisch vorgehen
    Anstatt ein Projektteam aufzusetzen und Pläne zu schmieden, Lösungsanbieter auszuwählen und externe Dienstleister zu beauftragen und sich IT-Infrastruktur ins Rechenzentrum stellen, gehen Sie lieber agil vor. Suchen Sie sich vier / fünf Prozesse, die eventuell auf Grund von Häufigkeit und Relevanz für Ihr Unternehmen in Frage kommen könnten. Prüfen Sie für welchen Prozess schon die meisten klassifizierten Daten vorliegen. Welcher Prozess ist ggf. kritisch für Ihr Unternehmen und bietet die Chance, zukünftig eine Einsparung zu erzielen? Diese Parameter können meistens in einem 1-Tages-Workshop ermittelt werden. Vertrauen Sie danach auch auf Ihr Bauchgefühl und probieren Sie aus. Es gibt diverse Anbieter (z. B. Microsoft, AWS, SAP, etc.), die fertige Machine Learning-Szenarien kostenlos zum direkten Testen im Internet anbieten. Exemplarisch die Lösungssuite von Microsoft: https://azure.microsoft.com/de-de/services/cognitive-services
  2. Projektdefinition: Masse und Klasse
    Wenn der Prototyp erfolgreich war, können Sie ein konkretes Projekt aufsetzen. Prüfen Sie hier, ob Sie die richtigen Daten haben. Sind diese Daten bereits klassifiziert? Machine Learning-Projekte leben von Beispielen: Bauen Sie vor der Planung so eines Projekts Beispieldaten auf – haben Sie Positiv- und Negativbeispiele für das, was Sie in Zukunft automatisiert ermittelt haben wollen? Dazu gehört auch die Menge der Vorfälle pro Jahr: Wenn Sie von einem Material nur wenige Stücke pro Jahr herstellen, macht eine automatisierte Qualitätsprüfung keinen Sinn. Wenn Sie aber große Mengen herstellen, in der Vergangenheit vielleicht sogar mit hohen Folgeaufwänden für die Retourenbearbeitung zu kämpfen hatten, haben Sie sicherlich ein Projekt gefunden, dass es wert sein könnte. Definieren Sie konkrete messbare Ziele, die Sie durch das Projekt erreichen wollen und haben Sie den Mut das Projekt zu stoppen, wenn erkennbar ist, dass Sie dieses Ziel nicht erreichen werden.
  3. Infrastruktur: Nutzung von Cloud-Services, keine eigene Infrastruktur
    Die Entwicklungszyklen werden immer schneller, die Anforderungen immer heterogener. Wenn Sie sich die notwendigen Maschinen für eine Machine Learning-Umsetzung anschaffen und die Software selbst im Rechenzentrum betreiben wollen, werden Sie niemals fertig und brauchen eine Heerschar an Personal, das den Betrieb sicherstellt. Große Softwareanbieter wie Microsoft, Amazon, Google und SAP beschäftigen diese große Anzahl von Mitarbeitern und betreiben die Maschinen. Die Hersteller sorgen auch für die Weiterentwicklung der Lösungen und Algorithmen. Mieten Sie sich diesen Service für wenige Euro im Monat – günstiger und flexibler bekommen Sie das nicht hin. Sie haben Sicherheitsbedenken? Ich bin der Meinung, dass etwa 90 % dieser Sicherheitsbedenken kein Risiko darstellen und in den Griff zu bekommen sind.

Also setzen Sie ein Machine Learning-Projekt nicht nur um, weil es gerade „sexy“ ist, sondern weil Sie sich nach dem Prototyping auf den möglichen Nutzen und eventuelle Einsparungen konzentrieren. Die Zeit der Leuchtturmprojekte ist vorbei – die Technologien können einen Mehrwert schaffen, Sie müssen nur, die zu Ihnen passenden Prozesse finden.

Sie wollen auch zu den 33 % der IT-Entscheider gehören, die einen konkreten Nutzen benennen können? Hier geht es zur Kontaktaufnahme.

#Digitalstrategie #Digitalisierung #Mittelstand

20. Januar 2019

Das könnte Sie auch interessieren

Neue Datenschutzverwaltung in Microsoft 365

Microsoft stellt eine neue Compliance-Funktion, die das Datenschutzmanagement in verantwortlichen Unternehmen optimieren soll, in die öffentliche Vorschau.
Das Datenschutzmanagement hilft DSGVO-Verantwortlichen, die personenbezogenen Daten in Ihrer Microsoft 365 Umgebung zu verstehen und zu verwalten, potenzielle Datenschutzrisiken zu beheben und Anträge zur Umsetzung von Betroffenenrechten zu erfüllen.

mehr lesen