Machine Learning – Erfahrungen der Fast Movers

Dafür, daß es sich derzeit um eines der meistbesprochenen fachlichen Themen in der IT handelt, blicken die Techniken des maschinellen Lernens auf eine erstaunlich lange Geschichte zurück.

Die Economist Intelligence Unit hat zusammen mit der Firma SAP eine Studie veröffentlicht, die zeigt, wie erfolgreiche Firmen diese Technologie heutzutage einsetzen.

Maschinelles Lernen – Abriss

Wie in Wikipedia (siehe Link in der Anlage) nachzulesen ist, sind die Grundideen zum maschinellen Lernen schon viel älter, als man gemeinhin annimmt. So wurden die Grundlagen für die Entwicklung des Bayes Theorem bereits im Jahre 1763 gelegt (Dieses Theorem hat im Bereich des statistischen Rechnens eine große Bedeutung. Das statistische Rechnen wird im Bereich des maschinellen Lernens häufig verwendet).

Die ersten neuronalen Netze gab es bereits 1951. Das Nearest Neighbor – Verfahren wurde 1967 entwickelt, und die Recurrent Neural Networks stammen aus 1982, um nur einige Meilensteine zu nennen.

Im Verlauf seiner Geschichte gab es auch schon mehrere Phasen, bzw Hypes, in der sich die Menschheit große Dinge von den Verfahren des maschinellen Lernens versprochen hat. Und bereits mehrfach folgte auf den Jubel eine Phase der Ernüchterung, als sich herausstellte, daß es an der Umsetzbarkeit in konkrete Lösungen haperte.

Heute sind die Voraussetzungen anders, da es mehrere Entwicklungen gibt, die sich in frühen Phasen als limitierend herausgestellt hatten:

Die Algorithmen sind weiterentwickelt worden, und sind inzwischen optimiert und ausgefeilt.
Es gibt Hardware (und Cloud Lösungen) zu erschwinglichen Preisen, die die erforderlichen Rechenoperationen leisten kann, die man zum Anlernen eines Netzes benötigt.
Mit Apache Spark oder Google Tensorflow, und anderen, gibt es in der Zwischenzeit sehr mächtige und quelloffene Bibliotheken zur Entwicklung der Modelle.
Man hat Daten im Überfluss, und verfügt über Technologien, um „Big Data“ Realität werden zu lassen (Ohne Daten kein maschinelles Lernen).

Es ist also stark anzunehmen, daß das maschinelle Lernen und entsprechende Produkte in wenigen Jahren nicht mehr aus dem Alltag wegzudenken sind. Und man kann schon sehen, daß derzeit viele konkrete Produkte entstehen (Siri vonApple und Hey Google nur als Beispiel).

Es stellt sich deshalb die Frage, was sich in Zukunft ändern wird, und wie erfolgreiche Firmen überhaupt vorgehen, um auf den Zug aufzuspringen. Hierfür hat die Economist Intelligence Unit eine Studie veröffentlicht, und hierzu stellt die Firma SAP in Ihrem Magazin „The Digitalist“ umfangreiche Informationen bereit.

Der Markt

Die USA und China sind weltweit führend auf dem Gebiet der Digitalisierung – zu dem das maschinelle Lernen gehört. Europa ist fast ein wenig abgeschlagen. Um nicht im Wettbewerb ganz abgehängt zu werden, ist es umso wichtiger, daß Firmen und Staat mehr tun, als bisher.

In der Anlage finden Sie Links zu den entsprechenden Veröffentlichungen, die einen Beitrag dazu leisten, Ihnen den Einstieg zu erleichtern. Sie erfahren dort, wie erfolgreiche Firmen in ihren Projekten vorgehen, und welche Faktoren besonders wichtig sind, damit die Projekte erfolgreich sind.

Dazu hat das Videoformat der Studie auch unterhaltenden Charakter, und es lohnt sich ein Besuch auch aus visuellen Gesichtspunkten.

SAP führt die Studie wie folgt ein:

„In our latest white paper, conducted by the Economist Intelligence Unit and written in collaboration with SAP, find out how 68% of companies surveyed use machine learning to enhance processes. Along with other transformative technologies, like the kind found in SAP Leonardo, learn how machine learning has changed from business buzz to strategic imperative.“

Weitere Artikel und Studien befassen sich mit verwandten Themen, z.B. der Predictive Analytics, die eingesetzt wird, um optimale Wartungszeitpunkte für Maschinen anhand konkreter Messdaten zu berechnen.

Die Links finden Sie weiter unten im Anhang.

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: