Machine Learning
Nutzen Sie das Potential Ihrer Daten!
Daten werden in vielen Unternehmen als deskriptive Quelle genutzt – sie beschreiben was bereits passiert ist. Durch Machine Learning (ML) kann einen Schritt weiter gegangen und Wissen aus Erfahrungen abgeleitet werden. Diese Erfahrung liegt meist in Form von Daten vor. Dabei werden die Erfahrungen generalisiert, sodass allgemeinere Aussagen möglich werden. Das allgemeinere Wissen lässt sich im Folgenden auf unbekannte Situationen anwenden. So können nicht nur Vorhersagen getroffen, sondern auch konkrete Handlungsempfehlungen generiert werden.
Ungenutztes Potential
Der Gesamteffekt von Machine Learning (ML) und Künstlicher Intelligenz (KI) auf das Bruttoinlandsprodukt in Deutschland wird laut PwC für das Jahr 2030 auf über 400 Mrd. Euro geschätzt. Über 80% aller Unternehmen sehen aktuell Potential in Machine Learning (ML), allerdings nur etwa 5% der Unternehmen setzen die Technologie aktiv ein. Für Unternehmen ist jetzt der Zeitpunkt gekommen, sich über Einsatzmöglichkeiten von maschinellem Lernen in Ihrem Unternehmen klar zu werden und diese zu implementieren.
Machine Learning, wie funktioniert das?
Das maschinelle Lernen lässt sich in drei Archetypen untergliedern.
- Das System trainiert auf bereits gekennzeichneten Daten und lernt, die Kennzeichnung automatisiert auch bei neuen Daten durchzuführen. Ein Beispiel hierfür ist die Vorhersage von Preisentwicklungen anhand von Marktdaten.
- Das System findet Ähnlichkeiten in Daten, welche zuvor nicht gekennzeichnet wurden. Ein Beispiel ist die Erkennung von ähnlichem Kaufverhalten bei Kunden.
- Die Trainingsdaten sind teilweise gekennzeichnet, es existiert vorab kein eindeutig richtiges Ergebnis. Der Algorithmus arbeitet mit einem Belohnungssystem für die Erreichung von Teilzielen. Ein Beispiel ist das AlphaGo Programm von Google, welches das Brettspiel Go erfolgsversprechender spielt als ein Mensch.
Aktuelle Entwicklung
Gegenwärtige globale Entwicklungen in der IT steigern das Potenzial des Machine Learning:
- Das weltweite Datenvolumen steigt stetig und wird für das Jahr 2025 auf 175 Zettabyte prognostiziert. Machine Learning (ML) funktioniert umso besser, je mehr Daten existieren, um es anzulernen.
- Die Rechenleistung von Computern steigt rasant und ermöglicht es damit, Aufgaben des Machine Learning (ML) in Real-Time auszuführen.
- Algorithmen werden stets verbessert, so besitzen Algorithmen zur Bilderkennung bereits eine Genauigkeit von über 95%.
Use Cases
Problem
Kunden wandern unbemerkt ab oder es wird erst bemerkt, wenn es zu spät ist.
Lösung
Einsatz eine Machine Learning Algorithmus zur Vorhersage von Kundenabwanderungen auf Grundlage von historischen Daten.
Impact
Durch Handlungsempfehlungen des Systems können Kunden durch gezielte Marketing-Maßnahmen
gehalten werden. Dies führt zu einer direkten Umsatzsteigerung.
Problem
Einige eingesetzte Maschinen gehen unvorhergesehen kaputt, welches Kosten und
Umsatzeinbrüche in der Produktion verursacht. Andere Maschinen werden zu häufig gewartet,
sodass kostbare Laufzeit und teure Wartungsarbeit verschwendet werden.
Lösung
Durch Sensoren an Maschinen genaues Monitoring, intelligente Algorithmen werten die
Daten aus und planen Wartungsmaßnahmen.
Impact
Reduktion von Maschinenausfällen, bedarfsgerechte Durchführung von Wartungen und
Identifikation von wiederkehrenden Fehlern, welches zu einer Kostenreduktion und
niedrigen Fehlerrate in der Produktion sorgt.
Problem
Durch fehlende oder nur triviale Bedarfsprognosen findet eine Über- oder Unterproduktion
statt, welches Kosten verursacht oder den Umsatz schmälert
Lösung
Historische Daten werden mit einer Vielzahl an Metadaten verknüpft. Per Regressionsanalyse
oder neuronalen Netzen kann die Applikation eine fundierte Vorhersage treffen, wie sich
der Bedarf in Zukunft entwickeln wird.
Impact
Aufgrund der Prognose kann sich das Unternehmen auf die erforderliche Produktionsmenge
bereits frühzeitig einstellen.
Problem
Es finden entweder keine oder nur manuelle Qualitätskontrollen statt. Daraus resultieren
fehlerhafte Produkte, niedrige Kundenzufriedenheit und hohe Kosten.
Lösung
Es werden automatisiert Daten während des gesamten Product-Lifecycle gesammelt und diese
per Machine Learning Algorithmen ausgewertet. Auch Bilderanalysen sind möglich, um optisch
Erkennbare Mängel an einem Produkt zu finden. Dadurch kann die Qualität der Produkte mit
einer hohen Trefferquote vorhergesagt werden.
Impact
Durch maschinelle Kontrollen wird Zeit, und damit Geld gespart. Eine höhere Konsistenz der
Produkte wird gewährleistet und Fehlerquellen können automatisiert erkannt werden. Durch
die Steigerung der Produktqualität steigt auch die Kundenzufriedenheit.
Problem
Die Bearbeitungsdauer von gleichartigen Aufgaben unterliegt großer Schwankungen. Dies führt
dazu, dass eine korrekte und effiziente Zeitplanung und Aufgabenverteilung erschwert wird.
Lösung
Per Machine Learning können Abläufe und verschiedene Einflussfaktoren analysiert werden.
Das System lernt aus diesen Erfahrungen, welche Faktoren die Schwankungen verursachen und
kann künftige Aufgaben besser abschätzen.
Impact
Die bessere Abschätzung von Zeitaufwänden ermöglicht eine genauere Zeitplanung und
Aufgabenverteilung. So können Auslastung und Ressourceneinsatz optimiert und Kosten gespart werden.