Innovationsstrategie: Emerging Technologies Hype Cycle 2017

In ihrem diesjährigen „Emerging Technologies Hype-Cycle“ setzen die Analysten von Gartner das Thema „Machine Learning“ an die Spitze der Technologien, die sich durch überzogene Erwartungen auszeichnen.

Dinge wie „Augmented Reality“ und „Virtual Reality“ haben das Tal bereits durchschritten, das danach üblicherweise folgt, und stehen kurz vor der Massenanwendung.

Hype Cycles

In meinem früheren Artikel „Innovationsstrategie: Der Emerging Technologies Hype Cycle“ bin ich bereits im Detail auf die Methode des Hype Cycle eingegangen. Hier nur soviel: Gartner ordnet regelmäßig die aktuellen Technologien in einer Grafik an. Hierbei unterscheidet man auf der Y-Achse die Erwartungen die in die Technologie gesetzt werden, und auf der X-Achse trägt man die Entwicklungsphase ab, in der sich die Technologie derzeit befindet.

Üblicherweise starten neue Technologien klein und ohne große Erwartungen. Man setzt im Laufe ihres Wachstums immer größere Erwartungen in sie, bis irgendwann die Erwartungen überzogen werden, weil man sich zu viel von der Technologie verspricht.

Üblicherweise verläuft die Erwartung, die in die Technologie gesetzt wird, danach durch das Tal der Desillusion und Enttäuschung, die solange andauert, bis man endlich das Potential richtig einschätzen kann, und sich vernünftige Anwendungsfelder ergeben.

Aktuell befindet sich wohl das Thema „Machine Learning“ an dem Punkt, an dem man von überzogenen Erwartungen spricht (siehe die weiter unten verlinkten Artikel). Die Technologie hat aber gute Chancen innerhalb der nächsten ein bis zwei Jahre Eingang in viele Produkte zu finden.

Top 10 Trends 2017

Laut Gartner entwickeln sich die wesentlichsten Trends 2017 rund um die Bereiche „Intelligente Systeme“, „Digitalisierung“ und „Mesh„, d.h die dynamische Verbindung von Menschen, Dingen, Prozessen und Services innerhalb digitaler Ökosysteme.

Die intelligenten Systeme stehen hierbei weit oben auf der Liste der wichtigsten Themen. Inhaltlich handelt es sich hierbei u.a. um die Technologien der künstlichen Intelligenz und des Machine Learning. Genauso wichtig werden 2017 intelligente Apps und Geräte. Es ist also durchaus abzusehen, daß zunehmend Verfahren wichtig werden, mit deren Hilfe man Software intelligent machen kann.

Derzeit versucht man viele Aufgabenstellungen für die intelligente Software notwendig ist, über den Ansatz der neuronalen Netze zu lösen. Diese Netze sind der Funktionsweise des menschlichen Hirns nachempfunden und lernen neue Fähigkeiten auf der Basis von bereits vorhandenen Beispielen. Irgendwann sind die Systeme dann so gut trainiert, daß sie sogar Menschen überholen können.

Ein Beispiel aus der jüngeren Zeit hierfür ist der erste Computer, der Menschen in dem überaus komplexen Brettspiel „Go“ geschlagen hat.

Etwas in den Hintergrund treten hierbei andere Verfahren, die z.B mathematische Modelle benutzen, oder Optimierungsverfahren wie das Operations Research. Da der Ansatz des Machine Learning aber nur unter bestimmten Bedingungen gut funktioniert, kann man an dieser Entwicklung auch ablesen, dass an das Machine Learning derzeit vermutlich zu hohe Erwartungen gesetzt werden.

Ein weiterer Punkt sind die Datenmengen, die notwendig sind, um solche Netze zu trainieren. In vielen Anwendungsfeldern existieren die erforderlichen Datenmengen nicht – trotz der heutzutage zunehmenden Datenflut. Auch in solchen Bereichen verspricht man sich derzeit manchmal zuviel von dem Ansatz des Machine Learning, bzw wäre vielleicht besser mit algorithmischen Lösungsstrategien bedient.

Machine Learning probieren

Wenn Sie das Machine Learning trotz aller Übertreibungen ausprobieren wollen, gibt es unterschiedliche Möglichkeiten. Einmal existiert sehr leistungsfähige Hardware auf dem Markt, die auf den Prinzipien der Grafikkarten aufbaut (solche Karten prozessieren Informationen massiv parallel).

Eine andere (kostengünstigere) Möglichkeit ist die Nutzung eines passenden Cloudservice (Microsoft, IBM, Google und Amazon bieten hier unterschiedliche Lösungen an).

Darüberhinaus gibt es einige sehr leistungsfähige, und quelloffene Software, wie z.B das neulich erwähnte Apache Spark mit seiner MLlib Bibliothek.

Weiterführende Informationen

Das Original dieses Artikels ist auf →Der Produktmanager erschienen (©Andreas Rudolph). Folgeartikel zum Thema gibt es über die (→Mailingliste), oder indem Sie →mir auf Twitter folgen.

In der Online Version des Artikels finden Sie hier die versprochenen weiterführenden Links: