Mit Digital Analytics und Machine Learning den nächsten Produktivitätsschub realisieren

„Big Data Analytics“ und das „Machine Learning“ sind wichtige Schlüsseltechnologien auf dem Weg zur Industrie 4.0. Richtig eingesetzt, unterstützen sie Unternehmen dabei, den nächsten großen Produktivitätsschub zu realisieren.

Derzeit wird viel darüber geschrieben, und es ist deshalb nicht leicht, den Einstieg in das Thema zu schaffen. Daher fasse ich hier Leseempfehlungen zusammen.

Produktivität 4.0

Die beiden (anliegenden) Verweise auf die Artikel „Ops 4.0: Fueling the next 20 percent productivity rise with digital analytics“ und „The age of analytics: Competing in a data-driven world“ führen Sie auf die Business Insights der Firma McKinsey.

Dort wird dann gezeigt, wie „Analytik“ in der Industrie 4.0 über den Einsatz von Cyber-Physical Systems dazu beitragen wird, die Produktivität der Firmen signifikant zu steigern. Dabei kommen Technologien und Verfahren zum Einsatz, die es heute schon gibt (Data Driven Predictive Maintenance oder Automation mit enger Mensch-Maschine Kooperation sind zwei Beispiele).

Letztendlich wird klar, dass in den Massendaten, die mittlerweile in den Firmen gesammelt werden, ein riesiges Potential steckt. Dies gilt insbesondere dann, wenn es gelingt, diese Daten mit Menschen und digitalen Technologien zu verknüpfen – wie das folgende Zitat zeigt:

„Combining people, novel digital technologies, and advanced analytics can yield a new breakthrough in productivity if companies learn to weave them all together.“

Die Quintessenz lautet, dass Analytik und intelligenten Anwendungen wohl die geschäftliche Zukunft gehören wird.

Machine Learning

Intelligente Anwendungen, oder besser „Anwendungen, die mit eigener Intelligenz ausgestattet sind“ stehen hierbei im besonderen Fokus des Interesses. Solche Anwendungen nutzen hierbei die Mittel des Machine Learnings (ML), um intelligentes Verhalten nachzubilden.

Doch was ist ML genau?

Einführung in die Technik

Unter dem Titel „Machine Learning – What it is and why it matters“ stellt die Softwarefirma SAS die wesentlichsten Elemente auf ihrer Homepage dar. Die Übersicht erklärt die Geschichte des ML, und erklärt die Bedeutung der Technik. Weiterhin erläutert sie typische Anwendungen und zeigt Anwendungsgebiete auf. Die Zusammenstellung wird abgerundet mit einer leichtverständlichen Einführung in die Algorithmen des ML.

Man macht deutlich, dass ML eine Wissenschaft für sich selbst ist, die den Entwicklern großes Fachwissen abverlangt, wenn sie die Modelle und Anwendungen entwickeln (Meiner Erfahrung nach kommt hinzu, daß hierbei Wissen in Data Science notwendig ist, den viele Entwickler nicht haben).

Der Pfad

Die Firma „Intel“ stellt u.a. Hardware für das ML her. Man stellt auf der themenbezogenen Homepage unter dem Titel „Your Path to Deeper Insight“ eine ähnliche Übersicht bereit, wie SAS, konzentriert sich aber besonders auf die Bibliotheken und Tools, die benötigt werden, um intelligente Anwendungen zu entwickeln.

Caffe, theano oder Spark MLlib sind typische Beispiele für solche Tools. Ich persönlich habe Erfahrungen mit Spark MLlib gesammelt, und bin überwältigt von dem Funktionsreichtum, dem einen diese (teilweise) freien Bibliotheken liefern.

Die Homepage referenziert Artikel und Lernressourcen aus der eigenen Community („IT Peer Network“) und man erhält hier wertvolles Know How für eigene Produkte und Projekte. Durchschauen lohnt.

So erklärt beispielsweise das Dokument „Machine Learning Becomes Mainstream: How to Increase Your Competitive Advantage“ die inhaltliche Vorgehensweise in einem ML Projekt, und zeigt auf, in welchen Fällen sich ML Verfahren besonders eignen, um die eigene Wettbewerbsfähigkeit zu verbessern.

Beispiele hierfür sind:

In Fällen in denen es keine menschliche Erfahrungen in einem Wissensgebiet gibt.
Dort wo Menschen Ihre Erfahrungen nur schwer erklären können.
Wenn sich Anwendungen an geänderte Rahmenbedingungen anpassen müssen.
Wenn keine Lösung der anderen gleicht (z.B. Expertensysteme).

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: