Kommentar von Dr. Michael Zeller, Software AG

KI verwandelt Rohdaten in tatsächlichen Mehrwert

| Autor / Redakteur: Dr. Michael Zeller / Nico Litzel

Der Autor: Dr. Michael Zeller ist SVP AI Strategy & Innovation bei der Software AG
Der Autor: Dr. Michael Zeller ist SVP AI Strategy & Innovation bei der Software AG (Bild: Software AG)

Seit Jahren setzen Unternehmen auf Datenanalysen für evidenzbasierte Entscheidungen. Machine Learning und Deep Learning, die bekanntesten Verfahren der Künstlichen Intelligenz (KI), machen das bislang verborgene Potenzial von Unternehmensdaten erst richtig nutzbar. Die Algorithmen erzeugen aus Rohdaten Wissen, um intelligent und in Echtzeit zu entscheiden. Schnelle Erfolge erzielen Unternehmen dann, wenn sie bei der Implementierung auf offene Standards und skalierbare Plattformen setzen.

Laut Forrester Research haben Unternehmen, die sich mit Künstlicher Intelligenz (KI) den tiefen Einblick in ihre Datenwelt verschaffen, einen erheblichen Wettbewerbsvorteil. Unterschreiben würden die Aussage aber höchst wahrscheinlich alle Marktforschungs- und Beratungsunternehmen, die sich mit IT-Trends beschäftigen. Offensichtlich begann mit Big Data eine Entwicklung, die nun in die entscheidende Phase tritt: Unternehmen haben in Hard- und Software investiert, um Unmengen an Daten zu sammeln. Erst KI verhilft ihnen jedoch dazu, aus den Rohdaten tatsächlich Mehrwert für ihr Geschäft zu erzeugen.

Maschinelle Präzision und menschliches Lernverhalten

Allgemein versteht man unter maschinellem Lernen Verfahren, bei denen ein Algorithmus durch das Wiederholen einer Aufgabe lernt. Das System erkennt in den Daten Muster, erzeugt Wissen aus historischen Daten, lernt selbstständig dazu und trifft Vorhersagen. Deep Learnig bildet dabei eine spezielle Klasse von Algorithmen, die auf „Deep Neural Networks“ beruhen. Diese künstlichen neuronalen Netze bestehen aus zahlreichen Schichten mit jeweils vielen Neuronen, zwischen denen gewichtete Verbindungen existieren.

Im Prinzip imitieren sie das Lernverhalten des menschlichen Gehirns. Deep-Learning-Algorithmen haben insbesondere in der Bild- und Spracherkennung enorme Fortschritte hingelegt, wodurch das Interesse an KI, dem Oberbegriff für die IT-Technologie, noch stärker geweckt wurde. Das KI-Potenzial ist gewaltig, da Machine-Learnig-Algorithmen die Basis für adaptives oder autonomes Verhalten von Maschinen möglich machen. Man könnte sagen: Wenn Daten das Gold von heute sind, dann ist Machine Learning die Goldschmiede.

Erfolgsformel für KI: viele Daten, Rechen-Power und Know-how

Die Voraussetzungen, die Unternehmen erfüllen müssen, um KI anzuwenden, sind überschaubar. Sie benötigen Daten, die sie über Sensoren gewinnen, eine hohe Rechenleistung und Know-how, wie sie unter anderem die komplexe Inferenzlogik ableiten. Vielerorts wurden für Data-Analytics-Lösungen bereits Data Lakes aufgebaut, in die große Datenströme fließen und die verschiedenen Datentypen, wie Social-Media-, Audio-, Bild- und Videodaten enthalten.

Außerdem stehen mittlerweile dank Cloud-Plattformen genügend Rechenleistung, Lösungen zur Datenspeicherung und -Verarbeitung sowie leistungsstarke Prozessoren zur Verfügung, um die erweiterten Matrixoperationen der KI-Algorithmen zu verarbeiten. Allerdings fehlen Fachleute, um die passenden KI-Modelle aufzusetzen. Laut einer McKinsey-Studie aus dem Jahr 2016 werden bis 2024 allein in den USA 250.000 Data Scientists fehlen. Unternehmen, die KI in ihre Geschäftsstrategie einbinden wollen, sollten sich also frühzeitig Gedanken machen, wie sie die nötigen Talente anwerben können.

Schnelle Reaktionen sind besonders wertvoll

Der Faktor Zeit spielt in zweierlei Hinsicht eine entscheidende Rolle: KI-fähige Funktionen verlangen eine Ausführung in Echtzeit. Nur so erreichen Unternehmen die höchste Wertschöpfung, denn Daten verlieren im Laufe der Zeit an Wert. Zwei Beispiele: Um ein Stromnetz abzusichern, sollen Datenanalysen Störungen bei Transformatoren ermitteln und anzeigen. Für Analyse, Prognose und Warnung bleibt nur ein schmales Zeitfenster. Wenn Warnungen für das Wartungsteam mit Verzögerung eingehen und der Transformator bereits betroffen ist, sind die Analysen für die Ausfallsicherung wertlos. Ähnlich sieht es im Finanzsektor aus, der KI-Modelle für Betrugserkennungssysteme verwendet. Der Einsatz ist nur dann sinnvoll, wenn eine betrügerische Transaktion innerhalb von Millisekunden gefunden und gesperrt wird.

Darüber hinaus muss es schnell gelingen, ein KI-Modell zu implementieren. Erste Wahl sind dabei offene und skalierbare Plattformen, auf denen ein Machine-Learning-Algorithmus läuft. Unternehmen sichern sich so die Fähigkeit, auf etwaige Veränderungen zu reagieren. Ein wesentliches Kriterium stellt das schnelle Deployment von KI auf mehreren Plattformen dar. Außerdem muss die Plattform für die nötige Datenintegration sorgen, Geschäftsprozesse orchestrieren und Datenströme kontinuierlich analysieren. Dieses Anforderungsspektrum bewältigen KI-Anwender am besten und schnellsten, wenn sie auf offene Branchenstandards setzen.

Agil und flexibel dank Standards und offenen Plattformen

Predictive Model Markup Language (PMML) ist so ein allgemein anerkannter Standard. Er wird von allen gängigen Open-Source- und kommerziellen Data-Mining-Tools unterstützt. Eine PMML-Datei kann als XML-basierte Darstellung des gesamten Machine-Learning-Workflows betrachtet werden. Da PMML einen einheitlichen Standard und Prozess definiert, lassen sich Prognosemodelle zwischen verschiedenen Anwendungen einfach übertragen. Ein Data Scientist kann so klassische statistische Algorithmen, Support-Vector-Machines, erweiterte Modelle neuronaler Netze oder komplexe, große Modell-Ensembles mit den Data-Mining-Tools seiner Wahl entwickeln und dank PMML auf verschiedenen Plattformen implementieren.

Fokus auf IoT und Industrie 4.0

KI führt zu intelligenten Entscheidungen und letztendlich zu einem besseren Geschäft. Im Idealfall liefern KI-Modelle vollkommen automatisiert und in Echtzeit Ergebnisse. Die riesigen Datenmengen und die Rechenleistung für die Machine-Learnig-Algorithmen und neuronalen Netze sind bereits vorhanden. Genauso stehen offene Standards und Plattformen zur Verfügung, die zum freien Entwickeln von KI-Modellen und dem schnellen Implementieren der KI-Technologie befähigen. Kosten und Komplexität der nötigen IT-Infrastruktur sinken sogar. Der Weg ist also bereitet, um „KI-fähige“ Anwendungen in großem Maßstab einzusetzen – und aus Erfahrung Wissen und Umsatz zu machen.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 45301900 / Künstliche Intelligenz)