Herausforderungen und Chancen von Machine Learning in Unternehmen

Maschinelles Lernen wird zunehmend zum Mainstream und findet mehr und mehr Eingang in Produkten und Lösungen. So nutzt beispielsweise der Streaming-Service Netflix die Technik um Nutzern passende Serien und Filme vorzuschlagen. Trotz der vermehrten Präsenz von intelligenten Programmen in unserem Alltag sind komplexe Machine Learning-Applikationen im Unternehmensfeld weiterhin Mangelware. Das hat vielfältige Ursachen und Gründe.

Unklarheit über Begriff und Nutzen

Über die Begrifflichkeit sowie den Nutzen des maschinellen Lernen herrscht sogar unter IT-Fachleuten noch immer Unklarheit. Im Wesentlichen ist unter Machine Learning das mathematische Verfahren, mit dem Programme große Datenmengen nach Mustern durchsuchen, zu verstehen. Aus den gemeinsamen Eigenschaften und Gesetzmäßigkeiten werden neue Regeln aufstellt, oder Lösungen entwickelt. Der Computer generiert folglich analog wie ein Mensch selbstständig Wissen aus Erfahrung.
Die Stärke der Algorithmen liegt darin, sich ohne menschliche Hilfe an Systeme, die sich verändern, anpassen zu können und einen Unterschied zwischen erwarteten und anormalen Verhaltensmuster zu erkennen.
Einsatz findet maschinelles Lernen in vielen Bereichen wie beispielsweise Sprachsteuerung, Gesichts- und Bilderkennung sowie zur Personalisierung von Online-Werbung.

Unsicherheit über Implementierung und Verwendung

Eine weitere Hürde kann der richtige Einstieg sein, denn in Unternehmen herrscht oft Unsicherheit über die richtige Implementierung von Machine Learning. Diese erfolgt oft durch die eigenständige Nutzung von ML durch die Mitarbeiter oder durch die Anschaffung einer Lösung, die ML-Algorithmen nutzt, durch das Unternehmen.
Zum richtigen Umgang müssen Daten zuvor aggregiert und um fehlende Informationsbestände ergänzt werden. Die Informationen müssen darüber hinaus in der richtigen Reihenfolge und ohne „Datenmüll“ vorliegen.

Hohe Kosten der Projekte

Datensätze müssen „gelabelt“ sein, um Maschine-Learning-Systeme zu trainieren. Solche Informationsbestände sind allerdings nur begrenzt verfügbar und erschweren die ersten Schritte eines Unternehmen bei der Initiierung eines ML-Projekts.
ML-Spezialisten sind meist Mathematiker, die sich zwar mit den Algorithmen, allerdings oftmals nicht mit der Unternehmensbranche und den jeweiligen IT-Systemen und Daten auskennen. Um die perfekte Kombination aus Algorithmus und Problemstellung zu finden, ist die Zusammenarbeit des Fachmanns mit einem Domain-Experten aus dem Unternehmen erforderlich. Dies erhöht jedoch die Kosten der Projekte.

Fehlende Regeln und Richtlinien

Fehlende Regeln und Maßstäbe, wie Resultate gewonnen werden, sind ein weiteres Problem bei Machine-Learning-Projekten in Unternehmen. Durch die Verwendung unterschiedlicher Daten-Samples und Definitionen der Eingabewerte entstehen Silos, die zu verfälschten Ergebnissen führen. Diese Diskrepanzen haben erhöhten Recherche-Aufwand, doppelter Arbeit oder sogar Zweifel am Nutzen von ML zur Folge.

Ist Machine Learning den Aufwand wert?

Der Einsatz von Machine Learning birgt zunächst einmal einige Herausforderungen. Dennoch sollten Unternehmen auf maschinelles Lernen, Deep Learning und künstliche Intelligenz setzen – Technologien, die weiterhin rasant an Bedeutung gewinnen. Empfehlenswert ist es, sich schon jetzt mit der Marterie auseinanderzusetzen, um Geschäftsprozesse zu vereinfachen und zu automatisieren und auf lange Sicht nicht an Wettbewerbsfähigkeit einzubüßen.

Quelle des Titelbild: Unsplash/ Markus Spiske