kirill_makarov - stock.adobe.com
Vier Voraussetzungen für rentable Machine-Learning-Projekte
Viele Unternehmen denken darüber nach, wie sie mit Machine Learning ihre Produktivität steigern können. In diesem Artikel erfahren Sie, wie Sie die Umsetzung strategisch angehen.
Lange Zeit galt Machine Learning als vielversprechende Technologie, deren praktischer Einsatz jedoch in weiter Ferne lag. Mittlerweile rückt sie weltweit immer mehr in das Zentrum der Aufmerksamkeit. Ob im Gesundheitswesen, in der Landwirtschaft, für Fintech, Sport, Medien und Unterhaltung – überall verspricht das maschinelle Lernen große Chancen.
Cerner, ein weltweit führender Anbieter von IT-Technologien im Gesundheitswesen nutzt beispielsweise schon jetzt Verfahren des Machine Learning (ML), um seine Patienten besser zu versorgen: Proaktives Handeln ist oft einfacher und effizienter als reaktives. So ist maschinelles Lernen in der Lage, eine Herzinsuffizienz fünfzehn Monate früher zu erkennen, als es ein Arzt mit einer klinischen Diagnose vermocht hätte.
Intuit, ein weltweiter Anbieter von Geschäfts- und Finanzsoftware, erfasst betrügerische Transaktionen mit Unterstützung von maschinellem Lernen. Und die National Football League (NFL) setzt ML in der Cloud ein, um typische Szenarien für Verletzungen zu erkennen und zu testen, wie unterschiedliche Spielregeln oder Ausrüstung das Risiko beeinflussen. Die künstliche Intelligenz überprüft außerdem den Einfluss von Rehabilitationsbehandlungen auf die Genesung.
Bei all diesen Beispielen handelt es sich um große Organisationen mit beträchtlichem Kapital. Viele Unternehmen und IT-Teams fühlen sich durch die hohen Einstiegshürden für die ML-Technologie entmutigt. Doch es führt kein Weg daran vorbei, ML und das dazugehörige Bewusstsein im Unternehmen weiterzuentwickeln.
In der Studie Insights State of AI in Enterprise hat Deloitte im Jahr 2019 rund 2.700 IT- und Branchenunternehmen in Industrienationen weltweit befragt, die bereits künstliche Intelligenz (KI) einsetzen. 67 Prozent dieser Unternehmen nutzen Machine Learning und 97 Prozent planen Projekte in diesem Bereich. IDC schätzt in seinem Worldwide Artificial Intelligence Spending Guide, dass bis 2024 Unternehmen weltweit 110 Milliarden US-Dollar für künstliche Intelligenz und andere kognitive Technologien ausgeben werden.
Viele Organisationen sind schon über die Frage hinaus, ob sie eine ML-Strategie brauchen. Sie fragen sich eher, wie sie diese so schnell und effektiv wie möglich auf den Weg bringen können.
Dieser Artikel basiert vor allem auf der Erfahrung, die Amazon im eigenen Unternehmen, aber auch mit Kunden beim Implementieren von Machine Learning sammeln konnte. Personalisierung, Lieferkettenmanagement (Supply Chain Management, SCM) oder Prognosesysteme für Fulfillment-Prozesse sind typische Einsatzgebiete für die Technologie. Machine Learning lässt sich nicht von heute auf morgen unternehmensweit ausrollen, ohne einen Umbruch in Unternehmenskultur und Technologie. Auch kleinere Unternehmen können daraus wichtige Tipps für ihre Machine-Learning-Strategie ableiten.
Voraussetzung eins: Ordnung schaffen
Die meisten Unternehmen, die sich bereits mit maschinellem Lernen befassen, betrachten die vorhandene Datenlandschaft als die wichtigste Herausforderung. Viele verbringen erfahrungsgemäß mehr als die Hälfte der Arbeitszeit im ML-Projekt nicht mit dem Aufbau der zugehörigen Technologie, sondern mit dem Aufbereiten und Vorverarbeiten ihrer Daten. Ohne eine konsequente Strategie sind neu angeworbene Experten einen Großteil ihrer Zeit damit beschäftigt, Informationsbestände zu bereinigen und zu verwalten – statt neue Algorithmen zu entwickeln.
Dabei stellen sich drei wichtige Fragen: Welche Informationen sind aktuell verfügbar? Welche können verfügbar gemacht werden? Und: Welche Daten können zurückgelassen werden, ohne dass das Team sie vermisst?
Viele Teams wollen Informationen für sich behalten oder nur mit den Kollegen teilen, mit denen sie am engsten zusammenarbeiten, nicht jedoch mit anderen Abteilungen. Solche Empfindsamkeiten muss das Unternehmen überwinden, wenn diese Daten für die Machine-Learning-Strategie erheblich sind: einige Informationssilos werden weichen müssen. Ein Überblick über die vorhandene Datenlandschaft entscheidet über den Langzeiterfolg des ML-Projekts. Auf dem Weg dahin müssen Unternehmen zudem eine geeignete Zugriffskontrolle und Verwaltung sicherstellen.
Ebenso wichtig ist eine Strategie, um Daten bestmöglich zu speichern. Frühzeitige Investitionen in Werkzeuge für die De-Identifikation beziehungsweise Anonymisierung können notwendig sein. Das spielt besonders dann eine Rolle, wenn sensible Daten, zum Beispiel Gesundheitsakten oder Finanzinformationen, verarbeitet werden sollen.
Voraussetzung zwei: geeignete Einsatzgebiete identifizieren
Unternehmen müssen genau festlegen, wofür und wie sie maschinelles Lernen einsetzen wollen. Dabei sollten die Verantwortlichen die möglichen Einsatzfelder unter folgenden Gesichtspunkten bewerten: Liegen Daten verwendungsbereit vor? Wie groß sind die Auswirkungen des ML-Einsatzes? Wie lässt sich ML anwenden und wie hoch sind die Erfolgschancen, wenn man die Fähigkeiten der jeweiligen Teams berücksichtigt?
Die Geschwindigkeit, in der sich ein ML-Projekt vorrausichtlich durchführen lässt und seine Relevanz für das Geschäft sollten dabei dasselbe Gewicht erhalten. So kann es von Vorteil sein, einzelne kleinere Anwendungen innerhalb von sechs bis zehn Monaten erfolgreich zu implementieren, statt ein großes Projekt mit einer geschätzten Dauer von drei Jahren in Angriff zu nehmen. Zunächst sollten auch die Bereiche mit der größten Menge an ungenutztem Wissen identifiziert werden.
Im nächsten Schritt untersuchen die Verantwortlichen, ob diese von ML tatsächlich profitieren würden oder ob die vermuteten Probleme gar keine sind. Viele der sich scheinbar aufdrängenden Einsatzbereiche bieten bei näherer Betrachtung keinen klaren Mehrwert für das Geschäft oder erschöpfen sich in einmaligen Experimenten, die dann niemals zur Produktreife kommen.
Bevor beispielsweise die Formel Eins mit AWS ihre Machine-Learning-Strategie umsetzen konnte, war es wichtig für das Unternehmen abzuklären, von welchen Informationen jeweils Rennteams und Zuschauer am meisten profitieren. Dadurch ließ sich entscheiden, welche Sensoren verbaut werden sollten und welche historischen Daten überhaupt als Grundlage dienen konnten.
Voraussetzung drei: eine Machine-Learning-Kultur schaffen
Für den Schritt von vereinzelten Pilotprojekten zu einem skalierbaren ML-Einsatz ist eine neue Kultur nötig. Entscheider und Entwickler müssen kontinuierlich überlegen, wie sich die Technologie für verschiedene Probleme einsetzen lässt. Das ist kein einfacher, sondern oft ein schmerzhafter Weg. Aber ML wird letzten Endes im Verlauf der Anwendung und mit den dabei gewonnenen Erfahrungen besser. Eine Fehlerkultur ist daher ebenso wichtig wie die langfristige Bewertung der Möglichkeiten.
Viele Unternehmen begehen den Fehler, ein Team aufzubauen, welches nur aus Technologie-Experten besteht. In einem solchen Silo entstehen dann ML-Modelle meistens als Konzeptnachweis. Diese bieten aber keine realistische Lösung des Geschäftsproblems. Stattdessen sollten Unternehmen technische und fachliche Experten zusammenbringen, um das Problem aus der Kundenperspektive anzugehen. Die richtige Mischung der relevanten Mitarbeiter hilft, kulturelle Barrieren bei der Anwendung beiseitezuschieben und das Projekt auf Managementebene erfolgreich zu präsentieren.
Außerdem sollten Entscheider kontinuierlich Wege suchen, um ihren Entwicklern die Arbeit mit maschinellem Lernen zu erleichtern. Eine Infrastruktur für ein skalierbares ML aufzubauen, ist ein arbeitsintensiver Prozess, der Innovation oft verlangsamt.
Die Verantwortlichen sollten ihre Teams aber auch ermutigen, bei der Anschaffung der Bausteine für ihre ML-Modelle überlegt vorzugehen. Werkzeuge, die alle Phasen, also das Erstellen, das Trainieren und das Anwenden von ML-Modellen abdecken, können eine produktive, schnellere, effizientere und letztlich günstigere Umsetzung unterstützen. Mit solchen Universalwerkzeugen lassen sich außerdem Vorgehensweisen vom Projekt in einem Geschäftsbereich auf das in einem anderen übertragen.
Voraussetzung vier: Teams weiterentwickeln
Für die notwendige Kultur spielt der Aufbau von Teamkompetenzen eine wichtige Rolle – und das betrifft nicht nur die Ingenieure. Auch die Entscheider in den einzelnen Geschäftsbereichen brauchen mehr Training und Sensibilisierung, um Machine Learning zu verstehen. Erfahrene Experten selbst einzustellen, ist in einem umkämpften Personalmarkt oft zu kostspielig. Unternehmen sind daher gut beraten, auch eigene Talente weiterzuentwickeln.
„ML wird letzten Endes im Verlauf der Anwendung und mit den dabei gewonnenen Erfahrungen besser. Eine Fehlerkultur ist daher ebenso wichtig wie die langfristige Bewertung der Möglichkeiten.“
Swami Sivasubramanian, AWS
Viele Anbieter von Machine Learning bieten breit aufgestellte interne Fortbildungsprogramme. Sie helfen nicht nur, Mitarbeiter auf den Wandel im Unternehmen vorzubereiten, sondern auch dabei, Talente für sich zu gewinnen oder zu halten.
Zu einem erfolgreichen Einsatz von maschinellem Lernen gehört weit mehr als das Entwickeln von Algorithmen. Nur ein mehrstufiger Prozess garantiert, dass die Technologie zum Erfolgsfaktor wird. Neben der Inventur und der Bewertung der verfügbaren Daten sowie dem Aufbau der nötigen Kompetenzen im Unternehmen geht es auch um eine neue Unternehmenskultur: Eine Einstellung, die offen dafür ist, sämtliche Prozesse im Unternehmen durch maschinelles Lernen zu verbessern und die Möglichkeiten dafür im laufenden Betrieb zu erkennen und zu untersuchen.
Über den Autor:
Swami Sivasubramanian ist Vice President of Amazon Machine Learning bei Amazon Web Services (AWS). Sein Team beschäftigt sich mit Technologien der künstlichen Intelligenz und des maschinellen Lernens auf allen Ebenen. Dazu gehören Frameworks, Schnittstellen, Plattformdienste wie Amazon SageMaker und Anwendungsdienste.
Vor seiner Berufung zum Vice President war Sivasubramanian General Manager für NoSQL- und Big-Data-Dienste bei AWS. Hier übernahm er die Entwicklung, das Produktmanagement und die Abläufe für Kern-Datenbank-Dienste von AWS, wie unter anderen Amazon DynamoDB, Amazon ElastiCache, Amazon QuickSight sowie Amazon SimpleDB. Er hält über 200 Patente, hat rund vierzig häufig zitierte wissenschaftliche Aufsätze und Beiträge verfasst und nimmt regelmäßig an Hochschulkonferenzen teil.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
