Machine Learning: Branchen, Anwendungen, Szenarien 2019

Machine Learning ist in deutschen Unternehmen angekommen: Aktuell beschäftigt sich bereits die Hälfte der deutschen Unternehmen (50 Prozent) aktiv mit Machine Learning. Vor zwei Jahren lag der Anteil noch bei 28 Prozent. Mehr als jedes fünfte Unternehmen (22 Prozent) setzt bereits Machine Learning produktiv im Unternehmen ein. Festgestellt hat das die empirische Studie 'Machine Learning in deutschen Unternehmen' von Crisp Research in Zusammenarbeit mit Dell EMC   und The unbelievable Machine Company   , die iBusiness vorab exklusiv vorliegt.

In einer Prognose zur digitale Wertschöpfung von Machine Learning hat Crisp Research   den Wertschöpfungsanteil von Machine Learning berechnet. Fast die Hälfte der befragten Entscheider (44 Prozent) geht davon aus, dass bis 2020 Machine Learning mehr als 20 Prozent der Wertschöpfung der neuen digitalen Produkte und Dienstleistungen ausmachen wird. Dies entspricht allein für die 100 umsatzstärksten Unternehmen in Deutschland rund 61 Milliarden Euro im Jahr 2020. Machine Learning und Künstliche Intelligenz werden 2022 ein Viertel der digitalen Wertschöpfung ausmachen.


Nicht nur wegen dem vermuteten großen Anteil an der industriellen Wertschöpfung ist Machine Learning und Künstliche Intelligenz zum Pflichtprogramm für CEOs großer Unternehmen geworden. Lediglich 19 Prozent der von den Studienautoren befragten Entscheider in Deutschland sind aktuell der Ansicht, keinen Einsatz und auch keine Planung von Machine-Learning-Technologien im eigenen Unternehmen für sinnvoll zu erachten. 37 Prozent befassen sich derzeit in Implementierungsprojekten mit einem gezielten Einsatz von Machine Learning in Produkten und Diensten. Und bei knapp einem Viertel sind ML-Anwendungen bereits im produktiven Einsatz. Allerdings: Der Großteil der befragten Entscheider stammt aus dem größeren Mittelstand oder aus Großunternehmen. Mehr als zwei Drittel sogar aus Unternehmen mit mehr als 1.000 Beschäftigten.

Dennoch sind die Entwicklungen für die gesamte deutsche Industrie richtungsweisend. Weil die Mehrheit der befragten Unternehmen (55 Prozent) Machine-Learning-Projekte über SaaS nutzt, wird es nur eine Frage der Zeit sein, bis ML-Services auch für kleine und mittelständische Unternehmen preiswerter als heute zur Verfügung stehen.

Datenhunger und Rechenpower treiben den Machine-Learning-Markt

Am Beispiel der Schachprogramme wird deutlich, wie stark Künstliche Intelligenz und Maschinenlernen von der zur Verfügung stehenden Rechenleistung abhängt. Die ersten Schachprogramme der 80er Jahre waren spielschwach, weil die Rechengeschwindigkeit nicht ausreichte, mittels "Brute Force" ("roher Gewalt") alle möglichen Zugbäume einer Partie zu berechnen - geschweige denn aus der riesigen Datenmenge von archivierten Schachpartien optimale Algorithmen zu berechnen. bezeichnen Experten den Ansatz hinter der lernenden Maschine. Es dauerte bis 1996, bis sich der damalige Schachweltmeister Gari Kasparow sich erstmals einer Maschine - dem auf IBM-Großrechner laufende Schachprogramm "Deep Blue" - geschlagen geben. Und erst 2017 gelang es einem Computer, den Weltmeister im deutlich komplexeren Go zu schlagen. "Wir brechen aktuell einen Weltrekord nach dem anderen", jubelt Klaas Bollhoefer , der Gründer von Birds on Mars   schon vor drei Jahren. "Und das nicht dank neuer Techniken, sondern dank alter Algorithmen und exorbitanter Rechenpower, die so erstmals zur Verfügung steht".

Die lernende Maschine: Wie Deep Machine Learning überhaupt funktioniert

Die Technik hinter der neuen Generation künstlicher Intelligenz zerfällt in zwei aufeinander aufbauende Disziplinen:

1. Beim Machine Learning impft man Maschinen Entscheidungsfähigkeit ein. Ein Beispiel dafür ist der lernende Spam-Filter: Man gibt dem Filter 1.000 Mails und sagt ihm: "Das ist Spam" und dann nochmal 1.000, die man als unbedenklich klassifiziert. Mit Machine Learning kann der Filter Muster erkennen und verstehen, wie man eigentlich die beiden Mail-Typen unterscheidet, ohne dass ihm das ein Mensch ausdrücklich beigebracht hat.
2. Noch eine Stufe weiter geht Deep Learning. Hier kann eine Maschine alleine auch unbekannte Dinge erkennen und in Kategorien einteilen - prominentes Beispiel dafür ist ein von Google programmierter Computer, der 2012 von sich reden machte. Der Algorithmus hatte die Aufgabe, zehntausend Fotografien in sinnvolle Kategorien einzuteilen und legte daraufhin auch selbstständig einen Ordner mit Katzenbildern an - ohne jemals beigebracht bekommen zu haben, was Katzen sind und woran man sie erkennt. Ein solches Beispiel kann Urängste vor der schlauen Maschine auslösen, verliert aber seinen Schrecken, versteht man die Mechanismen dahinter: Die Maschine wurde einfach auf einem Haufen Bildern immer wieder mit Katzen konfrontiert, hat die Gemeinsamkeiten der Objekte erkannt (etwa: klein, vier Beine, Fell etc.) und dann in eine Kategorie gepackt.

Deep Learning ist der eigentliche, disruptive Quantensprung. Das Potenzial, das in lernenden Maschinen steckt, ist unbegrenzt. Die Fortschritte auf dem Feld künstlicher Intelligenz werden in den kommenden Jahren zahlreiche Bereiche unseres Lebens prägen - in manchen sind sie, ohne dass dies den meisten Nutzern bewusst ist, schon längst angekommen.

Die meisten "hohen" beziehungsweise "starken" Einsatzoptionen von Machine Learning sieht die Crisp-Studie bei Banken, Finanzdienstleistern und im Gesundheitsmarkt, gefolgt vom Handel und in der Automotive-Industrie:


Doch auch in den engeren Feldern der digitalen Wirtschaft und des Marketing existieren eine Vielzahl von Anwendungsszenarien:

Interaktive Anwendungsszenarien für Machine Learning
Werbung
Digital Signage	Intelligente Außenwerbeformate erkennen, wer an einem Schild vorbeiläuft, welche Stimmung er hat und wie er auf bestimmte Angebote reagiert, die dann dynamisch angepasst werden. Je öfter das geschieht, desto mehr lernt die Außenwerbung darüber, wie man Kunden optimal anspricht.
Leads identifizieren	Systeme lernen, die Grenzen eines Leads auszuloten: Wie reagieren Besucher eines Shops auf ein komplexes Maßnahmenbündel aus dynamischem Design, Coupon-Angeboten oder Produkt-Vorschlägen? Deep-Learning-Algorithmen würden nach einem Kaufabbruch auch kein Dampf-Retargeting betreiben, sondern ausloten, welcher Kundentypus wie auf verschiedene Maßnahmen der Wiederansprache reagiert und ständig besser darin werden.
Handel und E-Commerce
Logistik	Fahrverhalten, Verkehrs- und Wetterlage, Fracht werden miteinander in Korrespondenz gebracht. Algorithmen lernen, wie sich diese Faktoren bedingen - droht eine Fracht zu verderben, weil die Sonne heiß brennt und obendrein ein Stau ansteht, kann das System den Fahrer auffordern, rechts ranzufahren und im Schatten zu parken oder die Ware manuell zu kühlen, bis sich die Verkehrslage entspannt hat.
Dynamisches Pricing	Elektronische Preisschilder können in Verbindung mit Gesichtserkennung auslesen, wie der Kunde auf ein attraktives aber zu teures Angebot reagiert - zieht er eine Schnute, weil ihm etwas offenbar zu teuer ist, kann an Ort und Stelle ein Rabatt auf das Preisschild gespielt werden.
Sortimentsoptimierung	Das optimal aufgestellte Ladensortiment ist schon lange Gegenstand der Wissenschaft. Intelligente Algorithmen können die Warenaufstellung im Laden buchstäblich perfektionieren helfen, indem sie Heatmaps von Besucherströmen zeichnen, Änderungen vorschlagen und diese dann wieder optimieren.
Servicebots	Künftig wird Selfservice weit über FAQs, Kundenforen und Hotlines hinausgehen: Servicebots verstehen die Probleme und Emotionen von Kunden und machen als automatisierte Lösungen den 24-Stunden-Echtzeit-Service auch für kleine Shops erschwinglich
Roboter-Redakteure
Assistenzsysteme	"Der moderne Mensch ertrinkt in einer Flut von Wissen und Daten", stellt Dr. Wolfgang Hildesheim, Verantwortlicher der Watson Group in Deutschland bei IBM   fest. "Allein in der Krebsforschung zum Beispiel erscheinen 700.000 Publikationen pro Jahr - intelligente Systeme können diese Daten lesen, Wissen extrahieren und im Rahmen einer Helferlösung zur Unterstützung der Prozesse und Entscheidungen verfügbar machen."
Kommunikation
Dolmetscher	Dass niemand mehr Sprachen lernen muss, erscheint heute als greifbar gewordene Utopie: "Algorithmen können Sprachen nicht nur in relativ kurzen Zeiträumen eigenständig erlernen", sagt Bollhoefer, "die große Rechenleistung, auf die wir Zugriff haben, macht auch Übersetzungen in Echtzeit möglich, die sogar Dialekte verstehen und nachahmen können und bis in die Intonation hinein akkurat sind."

Es zeigt sich, dass in vielen dieser Anwendungen vor allem Bild- und Spracherkennung als Kerntechnologien arbeiten. Sie füttern intelligente Programme mit Daten und erlauben die Interaktion mit den virtuellen Helfern. Deep Learning wird also künftig den bereits bestehenden Agentenlösungen wie Siri  , Cortana   oder Google Now   einen Turbo einbauen. Manche Assistenzlösungen stehen dabei direkt vor unserer Tür, komplexere Agenten werden uns noch warten lassen, aber auch eines Tages unseren Alltag mitorganisieren.

Das bestätigt auch die Crisp/UBM-Studie: 60 Prozent der befragten Entscheider setzen mittlerweile auf Machine-Learning-Funktionalitäten für die klassische Prozessoptimierung, beispielsweise durch die Vernetzung von Anlagen in der Produktion, um so Einsparungen in den Verarbeitungs- und Analyseschritten zu erzielen. Als Grundlage für digitale Produkte kommt bei 52 Prozent der Befragten Machine Learning zum Einsatz. Knapp die Hälfte der Befragten (49 Prozent) wenden Machine Learning im Bereich Customer Analytics an. Typischerweise werden hierbei Funktionalitäten der Bilderkennung (Inhalt eines Bildes verstehen und segmentieren), Abwanderungsanalysen (abwandernde Kunden bestimmen, um Rückgewinnungsmaßnahmen abzuleiten) oder aber Rankings und Lead Scoring verwendet:


Mehr als ein Drittel (34 Prozent) der befragten Unternehmensentscheider verfügt bereits über autonome Roboter entlang der Prozesskette. Die Maschine oder der Rechner basieren in der Regel auf Künstlicher Intelligenz und bedienen sich kognitiver Fähigkeiten, die dem menschlichen Verhalten immer mehr gleichen. Auch in der Fertigung findet die Robotertechnik mit 32 Prozent häufig Verwendung. Ein Fünftel (22 Prozent) der Entscheider nutzt Machine Learning zur Optimierung der Automatisierung ihrer Wartungs- und Serviceleistungen.

Eine andere Studie zeigt, dass das noch lange nicht das Ende der Fahnenstange ist. Eine aktuelle Studie des Marktanalyse- und Beratungsunternehmens PAC   ergab unlängst: 83 Prozent der europäischen Hersteller- und Verkehrsunternehmen wollen ihre Ausgaben für Predictive-Maintenance-Lösungen bis 2020 erhöhen. So wollen sie ihre Instandhaltungsprozesse neu definieren sowie die operative Effizienz steigern. Knapp über die Hälfte der befragten Unternehmen (55 Prozent) führt derzeit bereits ein Predictive-Maintenance-Projekt durch. Für fast ein Viertel zahlen sich solche Initiativen jetzt schon aus, während der Rest noch die Chancen auslotet. Die Verringerung der Reparaturzeiten und ungeplanter Ausfälle wird als eines der Hauptziele von Predictive-Maintenance-Projekten betrachtet (91 Prozent der befragten Unternehmen). 86 Prozent gaben an, betagten Betriebsmitteln zu neuem Schwung verhelfen zu wollen, während 70 Prozent eine verbesserte Kundenzufriedenheit anstreben.

Die erste Baustelle für 2019: Die Datenqualität

Vorhandene Daten sind und bleiben unverzichtbar: In vielen Anwendungsfällen für Machine Learning steht die Optimierung bestehender Geschäfts- und Produktionsprozesse im Fokus. Für die Entwicklung entsprechender Modelle und Algorithmen bilden daher Produktionsdaten (42 Prozent), Maschinendaten (38 Prozent) sowie SAP-Daten (59 Prozent) die Grundlage. "Der Haken: KI funktioniert nur, wenn vorher die Datenbasis stimmt", erklärt Matthias Postel , CEO iCompetence  . Denn wenn Daten falsch zugeordnet werden, lernt die Maschine das Falsche - und bleibt dumm. Unternehmen sollten daher "das Grundsätzliche nicht vergessen - die eigenen Daten", warnt Postel.

Auch neue Datenquellen werden genutzt: Schon ein Drittel der Unternehmen nutzt mittels Machine Learning Wertschöpfungs- und Effizienzpotenziale auf Basis von IoT-Daten (31 Prozent) sowie externen Datenquellen (30 Prozent), so die Crisp-Studie. Doch die Qualität von Daten - vor allem von Kundendaten - spielt eine entscheidende Rolle. Schliesslich sind für 94 Prozent der Unternehmen Kundendaten die Grundlage für die individuelle Kundenansprache und Customer Journey, so eine aktuelle Studie von Uniserv  . Dennoch sind viele Unternehmen - gleich welcher Branche - oftmals nicht zufrieden mit ihrem eigenen Datenqualitätsmanagement. Knapp jeder Zweite (45 Prozent) bemängelt die Qualität seiner Kundendaten und stuft diese als niedrig ein. "Somit wird zum einen der für die Kundenansprache wichtige 360-Grad-Blick auf den Kunden erschwert und zum anderen die Customer Journey verwässert.

Björn Bauer

In den kommenden Monaten sollten sich Unternehmen daher mit der Qualitätssicherung ihrer Kundendaten beschäftigen", sagt Matthias Förg , von Uniserv  . Schiesslich hatte erst vergangene Woche zum Beispiel die Adress-Studie 2018 von Deutsche Post Direkt   die Qualität von Kundendaten in deutschen Unternehmen bemängelt.

Die zweite Baustelle für 2019: Die Daten-Verknüpfung

Das Thema Daten und deren Analyse treibt aktuell sämtliche Unternehmen um. So ist für Björn Bauer von Zendesk   das Sammeln von Kundendaten der erste Schritt.

"Der zweite ist es, diese Daten auch zu nutzen und das Kauf- sowie Informationsverhalten von Kunden zu analysieren", sagt er. Auf Basis der Daten ließen sich Prognosen für die Kundenzufriedenheit erstellen., etwa um den Kundensupport und damit die Kundenzufriedenheit zu verbessern. Es ist also essenziell, die gesammelten Daten gezielter zu verwenden. Auch für Lutz Röllig , CEO Webdata Solutions GmbH   , heißt das große Thema Data-Analytics im E-Commerce. Er ist überzeugt, dass die Verfügbarkeit von Daten, neue Technologien und der Trend hin zu einer datenbasierten Entscheidungsfindung den Machine-Learning-Einsatz antreiben werden: "Diejenigen, die sich vor den Trends verschließen, werden abgehängt werden, was dazu führen wird, dass mit jedem Jahr Insolvenzen und Übernahmen steigen werden - solange bis am Ende auf dem Markt nur noch die größten Player dominieren", prognostiziert Bauer.

"Große Mengen an Daten nützen nur dem, der sie geschickt einzusetzen weiß. Deshalb ist es höchste Zeit, sich von der Idee getrennter Datensilos zu lösen", weiß Felix Schirl , Geschäftsführer trbo GmbH   . Bis Silo-Lösungen aber endlich Geschichte sind, werde es wohl noch einige Zeit dauern", ist er überzeugt. Dass immer mehr Konzerne beginnen ihre Big-Data-Infrastruktur zu konsolidieren, beobachtet auch Philipp Schlüter von The unbelievable Machine Company   : "Statt vieler verschiedener Daten-Silos bauen sie abteilungsübergreifende Data Lakes auf, die es erlauben, Daten unterschiedlichster Provenienz miteinander in Beziehung zu setzen", sagt er. Der Vorteil: Die Datenauswertung verlaufe sehr viel schneller und effizienter.

Auch Frauke Ewe , Head of Strategy & Partner Development, Feed Dynamix GmbH    warnt: "Bislang isolierte Datentöpfe müssen aggregiert und harmonisiert, Datenhoheiten im Unternehmen neu geordnet werden. Das ist die größte Herausforderung, der Unternehmen sich jetzt stellen müssen - ganz gleich welcher Branche und Größenklasse", so ihre Einschätzung.

Die dritte Baustelle für 2019: Inhousing-Datenkompetenz

"Unternehmen, die mitreden, mitgestalten und vor allem weiter erfolgreich sein wollen, investieren in die Datenkompetenz im eigenen Haus", so der Rat von Daniel Neuhaus , CEO emetriq   . Das sieht Philipp Kruse , Unit Director hmmh   , genauso. Künstliche Intelligenz benötige "hochqualifizierte Daten-Stewards, die in Zukunft in Marketingteams eine führende Rolle spielen werden". Ein Daten-Steward ist innerhalb eines Unternehmens für alle Fragen beziehungsweise Unstimmigkeiten in den Datenquellen zuständig. Er ist Experte für analoge und digitale Touchpoints, die maßgeschneidert Produktdaten sowie Markenwerte miteinander verbinden und mittels Marketing-Automation schnell gezielt ausspielen können.

Nicht umsonst ist die größte Gefahr, die die von Crisp/UBM befragten Experten beim Einsatz von Machine Learning sehen. die falsche Vorhersage von Modellen und damit verbundene Umsatzverluste (47 Prozent). Weil diese Gefahr inhouse (noch) nicht gebannt werden kann, setzen die Unternehmen auf Dienstleister (75 Prozent) sowie auf externe Berater und Experten (64 Prozent).

Die Studienautoren warnen darum: "Um ein Projekt im Bereich Machine Learning oder Künstliche Intelligenz entsprechend erfolgreich umzusetzen, benötigt man entsprechend gut geschulte personelle Ressourcen. Dazu zählen in der Regel die Data Scientists, die Data Engineers und eben die Platform Operators." Diese seien allerdings "eine rare Ressource".