+ All Categories
Home > Documents > Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research...

Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research...

Date post: 17-Sep-2018
Category:
Upload: doxuyen
View: 238 times
Download: 0 times
Share this document with a friend
81
Machine Learning im Unternehmenseinsatz Ergebnisse einer empirischen Studie in Kooperation mit Björn Böttcher, Daniel Klemm, Dr. Carlo Velten Januar 2017 Künstliche Intelligenz als Grundlage digitaler Transformationsprozesse The unbelievable Machine Company (*um) und Hewlett Packard Enterprise
Transcript
Page 1: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

Ergebnisse einer empirischen Studie in Kooperation mit

Björn Böttcher, Daniel Klemm, Dr. Carlo Velten

Januar 2017

Künstliche Intelligenz als Grundlage digitaler Transformationsprozesse

The unbelievable Machine Company (*um) und Hewlett Packard Enterprise

Page 2: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 2

INHALTSVERZEICHNIS

vorwort 3

executive summary 4

machine learning 6

methodik & stichprobe 16

digitalisierung in deutschland 22

machine learning - momentum und strategische bedeutung 27

machine learning - einsatz im unternehmen 33

machine learning in der praxis – einführung und partnerschaften 63

machine learning - blick in die zukunft 68

empfehlungen und best practices 73

verwandte forschung 75

über crisp research ag 76

über the unbelievable machine company gmbh (*um) 77

über hewlett packard enterprise gmbh 78

über die autoren 79

kontakt 81

copyright 81

Page 3: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 3

VORWORT

„AI-First“ – so lautet mittlerweile das Mantra vieler Technologie-CEOs von Google

bis Microsoft. Doch was ist dran am Hype rund um das Thema Künstliche Intelli-

genz?

Fakt ist, dass die Kombination aus günstiger Rechenleistung, großen Daten-

mengen und optimierten Algorithmen die Innovationsleistung von Machine Le-

arning-Verfahren derzeit exponentiell steigen lässt. Was vor drei Jahren noch

unrealistisch erschien ist heute Realität. Von der Spracherkennung, über die me-

dizinische Diagnostik bis hin zum autonomen Fahren existieren schon heute viel-

fältige Einsatzbereiche für Verfahren der Künstlichen Intelligenz. Im Kontext der

digitalen Transformation erweitert sich dieses Einsatzspektrum noch weiter und

reicht vom Unternehmensrechenzentrum, über die Steuerung von Fertigungsanla-

gen (Industrie 4.0) bis hin zur Überwachung von vernetzten Geräten (IoT).

Für CIOs, CTOs und Digitalisierungsentscheider stellt sich nun eine Vielzahl an

Fragen. Welche Use Cases ergeben sich im eigenen Unternehmen? Auf welche

Verfahren und Technologien kann man setzen? Welche Anforderungen stellt Ma-

chine Learning an die zugrundeliegende Rechenzentrums- und IT-Infrastruktur?

Wie baut man intern die relevanten Skills und Ressourcen auf? Mit welchen Dienst-

leistern sollte man zusammenarbeiten?

Um diese und weitere Fragen zu beantworten, hat Crisp Research in Kooperation

mit The unbelievable Machine Company (*um) und Hewlett Packard Enterprise

(HPE) die vorliegende Studie erstellt. Diese soll Entscheidern und Managern einen

ersten empirisch fundierten Überblick zum Status von Machine Learning in den

deutschen Unternehmen bieten. Zudem liefert die Studie Erkenntnisse und Bei-

spiele, um den Einsatz von Machine Learning im eigenen Unternehmen erfolgreich

planen und umsetzen zu können.

Wir wünschen Ihnen viel Spaß beim Lesen,

Dr. Carlo Velten Klaas BollhöferCrisp Research AG The unbelievable Machine Company GmbH

Senior Analyst & CEO Chief Data Scientist

Page 4: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 4

EXECUTIVE SUMMARY

❚ Machine Learning auf dem Weg in den IT- und Digitalisierungs-Mainstream –

Schon 64 Prozent der deutschen Unternehmen beschäftigen sich derzeit aktiv

mit dem Thema.

❚ Deutsche Unternehmen innovativer als ihr Ruf – Bereits ein Fünftel der

Unternehmen setzt Machine Learning-Technologien schon produktiv ein.

❚ Automotive, Konsumgüter sowie IT, Telekommunikation und Media sind

derzeit die Vorreiter beim produktiven Einsatz von Machine Learning.

Chemie, Logistik und Verkehr sowie Pharma stehen in den Startlöchern,

um die Potenziale von Machine Learning in den kommenden Jahren

unternehmensweit zu erschließen.

❚ Machine Learning als fester Produktbestandteil – Das Design und der

Betrieb vernetzter Produkte und digitaler Services wird zukünftig nicht

mehr ohne Machine Learning und künstliche Intelligenz auskommen.

Bis 2020 geht die Mehrheit der IT- und Digitalisierungsentscheider (80

Prozent) von einem Wertschöpfungsanteil zwischen 11 und 50 Prozent aus.

❚ Machine Learning ist kein Hype Thema - 43 Prozent der Entscheider sind

überzeugt, dass Machine Learning ein wesentlicher Aspekt ihrer Analytics-

und Big Data-Strategien der kommenden Jahre ist. Knapp ein Fünftel der

Entscheider sieht Machine Learning als eine der Kerntechnologien eines

vollständig digitalen Unternehmens.

❚ Customer Driven Company - Eine stärkere Kundenbindung ist einer der

wichtigsten Beweggründe für den Einsatz von Machine Learning im

Unternehmen.

❚ Duale Strategie beim Skill-Aufbau - Business Intelligence- und Analytics-

Abteilungen sind federführend, externe Berater und professionelle

Dienstleister jedoch unverzichtbar, um Machine Learning-Strategien im

Unternehmen erfolgreich umzusetzen.

Page 5: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 5

❚ Methodenmix und Vielfalt bei der Algorithmen- und Verfahrensauswahl -

Firmen setzen in Anlehnung an die sehr heterogenen Use Cases auf eine

Vielfalt von Algorithmen. Diese müssen eingangs verstanden und evaluiert

werden.

❚ Deep Learning - Renaissance der Neuronalen Netzwerke. Jedes fünfte

Unternehmen, das sich mit Machine Learning auseinandersetzt, beschäftigt

sich auch schon mit Deep Learning, der neuesten Generation der neuronalen

Netze. Die Gruppe der Innovatoren, die Deep Learning bereits im Einsatz

haben, macht derzeit rund fünf Prozent aus.

❚ Cloud First auch beim maschinellen Lernen - 38 Prozent der Unternehmen set-

zen primär auf Cloud-basierte Angebote.

❚ Hardware is back – Die hohen und teils sehr spezifischen Anforderungen an

Performance und Kosteneffizienz erfordern für das Processing von Machine

Learning-Verfahren teils neue Chip-Designs und Hardware-Konzepte

(CPU / TPU / GPU etc.).

❚ Die Auswahl und der Betrieb hoch spezialisierter Machine Learning-Hardware

(CPU / TPU / GPU etc.) wird die IT-Abteilungen in den Unternehmen vor neue

Herausforderung stellen, auf die es sich heute vorzubereiten gilt.

❚ Geräteflut - Von der Public Cloud bis zum Smartphone-Chip. Machine

Learning-Verfahren werden zukünftig auf immer mehr Plattformen implemen-

tiert, was die Komplexität in Planung und Betrieb immer weiter erhöht.

❚ Auf dem Weg zu Conversational Interfaces - Zwei Drittel der Unternehmen, die

sich heute schon mit Machine Learning auseinandersetzten, evaluieren auch

den Einsatz von Bots und digitalen Assistenten.

❚ Nicht ohne meinen IT-Partner – Die Umsetzung von Machine Learning-

Strategien erfolgt selten ohne externe Unterstützung. Vor allem in der

Datenexploration und im Training der eigenen Mitarbeiter sehen die

Unternehmensentscheider wichtige Einsatzbereiche für externe Dienstleister.

❚ Machine Learning als Teil des neuen digitalen Fundaments - Das Design und

der Betrieb moderner IT-Architekturen und „TechStacks“ wird in den

kommenden Jahren stark vom Einsatz von Machine Learning geprägt sein.

Page 6: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 6

MACHINE LEARNING

Lernende Maschinen: Eine Neuerung,

an die wir uns gewöhnen müssen. Unser

Alltag ist bereits mehr vom maschinellen

Lernen durchzogen, als vielen bewusst

ist. Doch lernende Maschinen sind kei-

ne Erfindung unserer Generation. Die

Einführung in die Gesellschaft und auch

die Vision von einer künstlichen Intelli-

genz selbst ist auch nicht neu. Bereits in

den 1940er und 1950er Jahren wurden

wichtige Grundlagen für Machine Lear-

ning und Künstliche Intelligenz gelegt.

Ein Beispiel sind die Arbeiten auf dem

Gebiet des bestärkenden Lernens. 1968

führten Sir Arthur Charles Clarke und

Stanley Kubrick mit dem Film 2001: A

Space Odyssey den Charakter des HAL

9000 ein, der die Existenz einer künstli-

chen Intelligenz im Jahr 2001 widerspie-

geln sollte.

Doch obschon die theoretischen

Grundlagen recht früh gelegt worden

sind, dauerte es noch einige Jahrzehn-

te, bis der Aufschwung von Machine

Learning seinen Weg fand. Nach Jah-

ren in der akademischen Nische erlebt

das Thema Künstliche Intelligenz eine

neue Innovations- und Wachstumspha-

se. Und dies nicht nur für eine Hand voll

globaler Internetfirmen. Die maßgebli-

chen Gründe sind:

❚ Nahezu unbegrenzt verfügbare und

flexible Rechenleistung (Cloud Com-

puting)

❚ Verfügbarkeit riesiger Datenmengen

als Grundlage der Modellentwicklung

und des Trainings (Big Data)

❚ Investitionen in Verbesserung der Ver-

fahren, Tools und Frameworks

1 Herbert Alexander Simon (* 15. Juni 1916 in Milwaukee, Wisconsin; † 9. Februar 2001 in Pitts-burgh, Pennsylvania) war ein US-amerikanischer Sozialwissenschaftler. Im Jahr 1978 erhielt er den Wirtschaftsnobelpreis „für seine bahnbrechende Erforschung der Entscheidungsprozesse in Wirt-schaftsorganisationen“. Als Professor an der Car-negie Mellon University beschäftigte er sich mit vielen Themenbereichen von kognitiver Psycholo-gie über Informatik bis hin zur Philosophie.

Er gilt mit einer Vielzahl von Publikationen als einer der einflussreichsten Wissenschaftler des 20ten Jahrhunderts. Neben dem Nobelpreis be-kam er auch den Turing Award (1975) und den John-von-Neumann-Theorie-Preis (1988).

“It is not my aim to surprise or shock you --- but ... there are now in the world machines that think, that learn and that

create. Moreover, their ability to do these things is going to increase rapidly until --- in a visible future --- the range of

problems they can handle will be coextensive with the range to which human mind has been applied. More precisely: wi-thin 10 years a computer would be chess champion, and an important new mathematical theorem would be proved by a

computer.“

Herbert A. Simon1, Newell & Simon (1958)

Page 7: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 7

Künstliche Intelligenz ist somit kein

Hype- und Marketing-Trend für die Inter-

netkonzerne, sondern eine der wesent-

lichen Stellschrauben für die zukünftige

Wettbewerbsstärke und Profitabilität

fast aller Unternehmen. Dabei kommt

Google, Facebook, Microsoft und Co.

eines zu Gute – der Zugriff auf riesige

Mengen an Kunden- und Log-Daten,

die die Grundlage zur Modellbildung

und Training der neuen Algorithmen

und lernenden Systeme sind. Ein Inno-

vationsvorsprung, den nur wenige der

anderen Akteure vorweisen können.

Machine Learning Technologien im Überblick

Alan Turing beschrieb in seinem Bei-

trag „Computing Machinery And Intel-

ligence“ im Mind-Journal im Jahr 1950

bereits wichtige Elemente und Eigen-

schaften vom maschinellen Lernen an-

hand einer Analogie zum menschlichen

Kind:

❚ Initialer Start-Punkt (Geburt)

❚ Training (Ausbildung)

❚ Neue Trainingsdaten (Erfahrungsba-

sierte Erkenntnisse, soziale Einflüsse

und Erfahrungen)

Quelle: Crisp Research AG

Einflussfaktoren von Künstlicher Intelligenz

Advanced Algorithms&

Models

CloudComputing

BigData

AI

Page 8: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 8

Die Analogie zum menschlichen Geist

wird gerne bei der Betrachtung von

Künstlicher Intelligenz herangezogen.

Ebenso wenig wie ein Lehrer die inter-

nen Lernprozesse seiner Schüler und

Schülerinnen nachvollziehen kann, ist

die Einsicht in die Lernweise von Künst-

licher Intelligenz greifbar. Insofern war

der Ansatz von Alan Turing hier richtig

und führte auch zum immer noch nicht

bestandenen Turing-Test für Künstliche

Intelligenzen. Damit hat Alan Turing

bereits sehr früh einen Grundstein für

Lernstile im Bereich der Künstlichen In-

telligenz definiert. Die – auch im weite-

ren Verlauf dieser Studie untersuchten

– Lernstile, die heutzutage eine Klassifi-

zierung von Algorithmen zulassen sind:

❚ Supervised Learning /

Überwachtes Lernen

❚ Unsupervised Learning /

Unüberwachtes Lernen

❚ Re-inforcement Learning /

Bestärkendes Lernen

❚ Semi-supervised Learning /

Teilüberwachtes Lernen

Machine Learning-Algorithmen sollen

den Menschen das Leben erleichtern.

Diese Algorithmen versuchen, Muster

in vorhandenen Datenbeständen zu

erkennen, Vorhersagen zu treffen oder

Daten zu klassifizieren. Dabei ist es be-

sonders wichtig, die richtigen Muster

aufzuspüren, denn es lassen sich in na-

hezu allen Datenquellen Muster finden

und Relationen zu anderen Ereignissen

herstellen, jedoch ist die Plausibilität

und die Korrektheit stets zu hinterfra-

gen. Sofern Muster existieren, können

mit Hilfe von mathematischen Model-

len neue Erkenntnisse auf Grundlage

dieser Muster gewonnen werden. Dies

hilft in vielen Bereichen des Lebens

und des Geschäfts. Von Musik- oder Fil-

mempfehlungen im privaten Umfeld bis

zur Optimierung von Marketingkampa-

gnen, Kundenservice oder Logistikrou-

ten im geschäftlichen Umfeld können

Machine Learning-Algorithmen unter-

stützen.

Um der Vielfalt an Anwendungsfällen

zu begegnen, steht eine große Toolbox

von Machine Learning-Verfahren zur

Verfügung.

Die gängigsten Verfahren für die oben

genannten Einsatzbereiche kommen

u.a. aus den folgenden Bereichen von

Algorithmen:

❚ Regression Algorithms

❚ Instance-based Algorithms

❚ Decision Tree Algorithms

❚ Bayesian Algorithms

❚ Clustering Algorithms

❚ Artificial Neural Network Algorithms

❚ Deep Learning

❚ Dimensionality Reduction

Page 9: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 9

Klassische Anwendungsbereiche für

Machine Learning-Algorithmen sind

beispielsweise:

❚ Spamerkennung

❚ Personalisierung von Inhalten

❚ Dokumentenklassifizierung

❚ Prognose der Kundenabwanderung

❚ Automatisierte Lösungsempfehlung

für den Kundendienst

❚ Sentiment-Analysen (z.B. positive /

negative Meinungen oder Äußerun-

gen)

❚ Routing Entscheidungen von Nach-

richten

❚ Analyse von Upselling-Möglichkeiten

❚ E-Mail-Klassifizierung

❚ Betrugserkennung bei Transaktionen

❚ Diagnosesysteme

❚ Empfehlungssysteme

❚ Stauprognosen

❚ Genomanalyse

❚ Medizinische Diagnostik

❚ Chatbots

❚ Siri, Alexa und Google now

❚ usw.

Es wird deutlich, dass das Spektrum

an Einsatzmöglichkeiten sehr vielfältig

ist und nahezu alle Branchen und Un-

ternehmenstypen umfasst. Das macht

Machine Learning-Verfahren als tech-

nologischen „Disruption Vector“ auch

so interessant und so mächtig. Das Ver-

sprechen, die neueste Generation an

Machine Learning-Verfahren als Hebel

und Katalysator der eigenen Digitalisie-

rungs- und Big Data-Strategien einset-

zen zu können, klingt vielversprechend.

Denn Machine Learning-Verfahren ha-

ben in der Tat das Potenzial, Musterer-

kennung, Datenexploration und auto-

matisierte Datenverarbeitung in ganz

neue Bereiche zu führen, die allein mit

„Manpower“ und den bisherigen Tech-

nologien nicht erreichbar sind. Man

denke nur an autonomes Fahren oder

digitale Diagnostik.

Für viele CIOs, CTOs und Digitalisie-

rungsentscheider liegt es also sehr

nahe, sich mit den neuen Ansätzen und

Technologien zu beschäftigen – auch

wenn viele noch nicht vollständig aus-

gereift sind und wir uns erst am An-

fang des Zeitalters der „Data Industry“

stehen, in dem Daten im industriellen

Maßstab, nahezu vollautomatisiert er-

hoben, verarbeitet und kommerziali-

siert werden.

Page 10: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 10

Machine Learning als Bestandteil der „Digital Infrastructure Platform“

Mit dem Begriff „Digital Infrastructure

Platform“ lassen sich diejenigen Kom-

ponenten zusammenfassen, die den

Kern einer modernen, skalierungsfähi-

gen und flexiblen IT beschreiben, die

den vielfältigen Anforderungen des

digitalen Geschäfts gerecht wird. Eine

„Digital Infrastructure Platform“ lässt

sich durch folgende Kern-Charakteristi-

ka beschreiben:

❚ Scalable (Elastizität)

❚ Programmable (Automatisierung)

❚ Standardized (API-basierte

Architektur)

❚ On-Demand (Agilität)

Eine „Digital Infrastructure Platform“

bietet somit die Grundlagen für die

Entwicklung und den Betrieb neuer di-

gitaler Prozesse und Anwendungen und

ist meist cloud-basiert gestaltet. Sie ver-

fügt über eine offene Architektur und

APIs, um externe Services zu integrieren

und unterstützt DevOps und moderne

Methoden für kurze Release- und Inno-

vationszyklen.

Das Processing und die Analyse gro-

ßer Datenmengen zählt zu den Kern-

aufgaben einer „Digital Infrastructure

Platform“ bzw. einer modernen IT.

Demnach stellt sich für CIOs die Frage,

inwieweit ihre aktuelle IT und „Digital

Infrastructure Platform“ in der Lage ist,

auch mit unterschiedlichen Verfahren

der Künstlichen Intelligenz umzugehen

bzw. diese effizient zu rechnen.

Inwieweit sind Server-, Storage- und

Netzwerkinfrastruktur auf die neuen

Machine Learning-basierten Workloads

ausgelegt? Welche konkreten An-

forderungen werden überhaupt ge-

stellt? Welche Daten dürfen das Un-

ternehmen verlassen, um Machine

Learning-as-a-Service-Angebote in der

Cloud zu nutzen? Und wie teuer und

performant sind diese Angebote?

Neben diesen Fragen, sollten sich CIOs,

IT-Architekten und RZ-Leiter auch mit

den technologischen Innovationen aus-

einandersetzen, die im Kontext von Ma-

chine Learning in den letzten 12 Mona-

ten vorangetrieben wurden. So haben

sich für einige Anwendungsbereiche

des Machine Learning abweichend von

der CPU andere Prozessoren bewährt,

da diese bestimmte Rechenoperatio-

nen schneller und effizienter ausführen

können. Beispiele sind die GPU-basier-

ten Cluster von NVIDIA, die von Goo-

gle entwickelte TPU (Tensor Processing

Unit) und der von IBM entwickelte Tru-

eNorth Prozessor. Unternehmen müs-

sen nun entscheiden, ob sie diese neu-

en Prozessoren in Form spezialisierter

Hardware selbst anschaffen und betrei-

ben oder über entsprechende Cloud

Page 11: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 11

Provider im „Pay per use-Modus“ mie-

ten wollen. Oder einen IT-Dienstleister

mit der Implementierung und dem Be-

trieb beauftragen wollen.

Spracherkennung und Verarbeitung

zählt zu den zentralen Innovations- und

Anwendungsbereichen für Machine

Learning. Hier investieren auch die In-

ternetkonzerne Google, Microsoft, Fa-

cebook sowie IBM einen Großteil ihrer

FuE- und M&A-Budgets - im Jahr 2015

waren dies mehr als 10 Milliarden USD.

Tendenz steigend. Es ist davon auszu-

gehen, dass nicht nur die Digital Custo-

mer Experience sich durch den Einsatz

von Spracherkennung und digitalen As-

sistenten deutlich verändert. Auch die

Bedienung einer Vielzahl von digitalen

Produkten und Enterprise-IT-Lösungen

wird zukünftig per Sprachbefehl und

nicht mehr via App oder Webanwen-

dung gesteuert. Dies hat maßgebliche

Auswirkungen nicht nur auf die Ausge-

staltung des Customer Frontend, son-

dern auch auf das zugrundeliegende

IT-Backend.

Machine Learning aus der Cloud

Auch einige Anbieter aus dem Umfeld

des Cloud Computing haben bereits

Machine Learning in ihr Portfolio auf-

genommen und bieten in unterschied-

lichem Umfang Dienste auf Basis der

eigenen Plattform an. Amazon Machi-

ne Learning, Microsoft Azure Machine

Learning, IBM Bluemix und Google

Machine Learning sind die vier Ange-

bote der großen globalen Cloud-An-

bieter, die nutzungsbasierten Zugang

zu Machine Learning-Diensten über die

Public Cloud bieten. Alle Anbieter er-

möglichen einen relativ einfachen und

kostengünstigen Einstieg. Die Hürden

für den Einstieg in das Thema Machi-

ne Learning liegen somit sehr niedrig.

Vorbei die Zeiten, in denen man einen

eigenen Supercomputer, ein Team aus-

gewiesener Statistik-Experten und ein

dediziertes Infrastruktur-Management

brauchte. Heute können vom Start-up

bis zum Großunternehmen alle mit ein

paar Kommandos über die APIs der

großen Public Cloud-Anbieter starten.

Diese bieten nebst unterschiedlichen

Machine Learning-Verfahren weitere

komplementäre Dienste und Tools, wie

beispielsweise graphische Program-

miermodelle und Storage-Dienste, die

sehr hilfreich sein können, aber auch

die Abhängigkeit vom jeweiligen Cloud

Provider erhöhen.

Page 12: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 12

CIOs, CTOs und Data Scientists müssen

sich also sehr genau überlegen, wie sie

die Machine Learning-Strategie ihres

Unternehmens ausgestalten, um die

richtige Balance zwischen Innovations-

kraft und Unabhängigkeit zu gewähr-

leisten. Denn ein fundamentaler Vendor

Lock-in ist für viele Unternehmen ein

hohes Risiko. Daher spielen IT-Dienst-

leister und Managed Service Provider

eine elementar wichtige Rolle in der

derzeitigen Marktphase, da diese den

Unternehmen Machine Learning-Sys-

teme und Infrastrukturen bereitstellen

und betreiben, die den individuellen

Unternehmensanforderungen und nicht

den SLA´s der Public Cloud Provider un-

terworfen sind.

In der Realität werden sich nach Ein-

schätzungen von Crisp Research – ana-

log zur Cloud-Welt – hybride Machine

Learning-Landschaften und –Systeme

durchsetzen, welche die Vorteile von

eigener Hardware, Managed Services

und der Skalierung der Public Cloud in-

telligent kombinieren, was sich auch in

den empirischen Ergebnissen der Stu-

die wiederspiegelt.

Page 13: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 13

Von Machine Learning zu Deep Learning

Die definitorische Abgrenzung der ver-

schiedenen Spielarten von künstlicher

Intelligenz fällt derzeit nicht leicht. Je

nach Herkunft, Perspektive und Ver-

fahren lassen sich Systeme den unter-

schiedlichen Begriffen Machine Lear-

ning, Deep Learning oder Cognitive

Computing zuordnen. Für eine ver-

einfachende Abgrenzung lassen sich

die Dimensionen „Clarity of Purpose“

(Klarheit / Präzision des Einsatzzwecks

bzw. der Aufgabe) sowie „Degree of

Autonomy“ (Grad der Autonomie) he-

ranziehen.

So ist derzeit ein Großteil der Machine Learning-basierten Systeme auf eine

spezielle Aufgabe hin entwickelt, trai-

niert und optimiert.

Dies kann beispielsweise das Erkennen

von fehlerhaften Produkten im Rahmen

der Qualitätskontrolle eines Fertigungs-

prozesses sein. Diese Systeme haben

demnach einen klar umrissenen Ein-

satzzweck und wenig bis keine Autono-

mie.

Deep Learning-basierte Systeme hin-

gegen, weisen darüber hinaus die Mög-

lichkeit des eigenständigen und tiefen

Lernens auf. Aufgabenstellungen, die

Kindern einfach erscheinen, waren für

Maschinen lange Zeit eine Hürde. Dies

beinhaltet beispielsweise das Erken-

nen von Objekten (Inhalten) auf Bil-

dern oder auch die Spracherkennung

bei der Interaktion mit dem Smartpho-

ne. Deep Learning heißt diese auf der

Technik von neuronalen Netzen basie-

rende Technologie, die es Maschinen

Quelle: Crisp Research AG

Künstliche Intelligenz als Kernbaustein des autonomen Unternehmens bzw. der Automation

Innovation

Time

Machine Learning

Deep Learning

Cognitive Computing

Artificial Intelligence

CIarity of Purpose

Degree of Autonomy

Page 14: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 14

nun erlaubt, weit mehr zu verstehen, als

es bisher möglich war. Simulierte Neu-

ronen (ähnlich denen im menschlichen

Gehirn) werden in vielen Schichten hin-

tereinander bzw. übereinander model-

liert und angeordnet. Jede Ebene des

Netzwerks erfüllt dabei eine kleine Auf-

gabe, wie beispielsweise die Erkennung

von Kanten. Diese Extraktion von Merk-

malen findet innerhalb der einzelnen

Ebenen eigenständig statt. Die Ausga-

be der einzelnen Schichten dient dann

wiederum als Eingabe für die nächste

Ebene. Im Zusammenspiel mit vielen

qualitativ hochwertigen Trainingsdaten

erlernt das Netzwerk dann, bestimmte

Aufgaben zu erledigen. Diese brachten

gerade im medizinischen Bereich erste

Erfolge, da die Diagnose von Krebs-

zellen in Bildern durch die Maschinen

wesentlich schneller und effizienter

durchgeführt werden konnte. Ähnlich

wie Turing es beschrieb, bleibt bei die-

sen Verfahren der Künstlichen Intelli-

genz dem Menschen der Einblick in die

Schichten des Netzwerks verborgen.

Die Entscheidungsfindung erfolgt also

allein durch die trainierten Maschinen.

Deep Learning-basierte Systeme wei-

sen also schon einen deutlich höheren

Grad an Autonomie auf und bieten viel-

fältige Anwendungsmöglichkeiten, da

die neuronalen Netzwerke der nächsten

Generation nach der Initiierung selbst-

ständig lernen und die Entscheidungs-

findung von außen aktuell nur noch

schwer nachvollziehbar ist.

Quelle: Crisp Research AG

Machine Learning, Deep Learning & Cognitive Computing - Definitionen

Machine Learning*3

Deep Learning

Cognitive Computing

Künstliche Intelligenz*1

Oberbegriff aus Informatik und Neurowissenschaft; Beschreiben einer Maschine (Rechners), die über kognitive Fähigkeiten verfügt, die dem menschlichem Verhalten ähneln bzw. diesem ebenbürtig sind. Selbstreflektion, Empathie, Selbstlernen etc. als einige der Grundanforderungen.

Computersysteme, die Aufgaben übernehmen, die derzeit hauptsächlich von Menschen ausgeführt werden und die Ambiguität und Unschärfen beinhalten sowie Spracherkennung, Wissensbildung, Lernen, Verstehen, Urteilen, Emotionen und Mimik deuten können.

Software versucht die Aktivitäten in Schichten von Neuronen*2 im Neocortex nachzuahmen, wo das Denken beim Menschen stattfindet. Die Software lernt, in einem sehr realen Sinn, Muster in der digitalen Darstellung von Bildern, Tönen und anderen Daten zu erkennen.

Verarbeitung, Auswertung und Prognose von Daten auf Basis verschiedener statistischer und neuro-wissenschaftlicher Verfahren. Gliedert sich in automatisches Machine Learning (aML) und interaktives Machine Learning (iML). Letzteres basiert auf Interaktionen mit - teils menschlichen - Agenten.

Autonomer Roboter, digitaler Assistentals Lebenspartner

Case Management,Krebsdiagnose,

Support Call Center

EchtzeitSprachübersetzung,

Molekül - Identifizierung

Mustererkennung IoT-Logdaten, Predictive

Maintenance

*1 1956 von John McCarthy (*1926)*2 in den 50er Jahren entwickelt*3 1959 als künstliche Generierung von Wissen aus Erfahrung definiert

Page 15: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 15

Von Cognitive Computing lässt sich im-

mer dann sprechen, wenn es sich um

Systeme handelt, die als Assistent oder

anstelle von Menschen bestimmte Auf-

gaben übernehmen oder Entscheidun-

gen treffen. Denkbar ist dies beispiels-

weise beim Schadenfall-Management

einer Versicherung, an der Service-Hot-

line oder der Diagnostik im Kranken-

haus. Cognitive Systems zeichnen sich

primär dadurch aus, dass sie bestimm-

te „menschliche“ Eigenschaften über-

nehmen und mit Ambiguität und Un-

schärfe umgehen können. Der Grad an

Autonomie kann bei diesen Systemen

schon sehr groß sein – man denke nur

an Cognitive Systems im medizinischen

Umfeld, die eine konkrete Therapie vor-

schlagen, oder beim Einsatz in der in-

neren Sicherheit, die über eine Sicher-

heitsverwahrung eines Verdächtigen

entscheiden.

Von wirklicher Künstlicher Intelligenz lässt sich sprechen, wenn Maschinen

über vollständige kognitive Fähigkei-

ten verfügen und sich durch Menschen

nicht von einer Maschine unterschei-

den lassen (Turing Test). In der finalen

Entwicklungsstufe haben diese Syste-

me Künstlicher Intelligenz einen sehr

hohen Grad der Selbstständigkeit er-

reicht. Sie treffen eigene Entscheidun-

gen, legen Strategien eigenständig

fest und bestimmen die Art und Weise

ihres Lern- und Kommunikationsverhal-

tens.

Hier liegt derzeit der Fokus vieler For-

scher, während im Fokus der Unterneh-

men und deren Use Cases noch die an-

deren Spielarten künstlicher Intelligenz

stehen.

Page 16: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 16

METHODIK & STICHPROBE

Im Fokus dieser Studie steht eine em-

pirische Untersuchung des aktuellen

Bekanntheitsgrads, des Planungsstatus

und der Umsetzungsstrategien deut-

scher Unternehmen hinsichtlich Ma-

chine Learning-Technologien. Crisp

Research hat in Kooperation mit The

unbelievable Machine Company 264

Unternehmen verschiedener Branchen,

Größenklassen und Typen im Zeitraum

von Juni bis Juli 2016 zu diesem Thema

befragt. Regional war die Untersuchung

auf Deutschland, Österreich und die

Schweiz fokussiert (DACH-Region).

Zusammensetzung der Gesamtstichprobe

Insgesamt wurden im Rahmen der Stu-

die 264 IT-Entscheider zu verschiedenen

Themenblöcken befragt. Die Zahl der

Teilnehmer reduzierte sich im Laufe der

Studie anhand von vorab definierten

Ausschlussfragen. So wurden zunächst

aus den 264 befragten Unternehmen

diejenigen selektiert, die sich bereits

mit dem Thema Machine Learning aus-

einandergesetzt haben und planen,

sich auch zukünftig damit intensiver zu

beschäftigen. Für 96 Befragte war dies

nicht der Fall. Sie beendeten das In-

terview nach der entsprechenden Aus-

schlussfrage.

Quelle: Crisp Research AG

Zusammensetzung der Gesamtstichprobe

Gesamtstichprobe (n) 264

168Einsatz oder Planung von Machine Learning

47 65 56

In Evaluierung/ Planung

Erste Erfahrungen &Prototypen

Bereits produktivim Einsatz

Page 17: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 17

Die 168 IT-Entscheider, die sich aktiv mit

Machine Learning beschäftigen, bilden

die Stichprobe für alle weiterführenden

Fragen.

Machine Learning entpuppt sich so-

mit als Thema der Stunde. Die Frage

nach den Möglichkeiten und Heraus-

forderungen beschäftigt mit 64 Prozent

die deutliche Mehrheit der deutschen

IT- und Digitalisierungsentscheider.

Auch wird anhand der Stichprobenzu-

sammensetzung klar ersichtlich, dass

die deutschen Unternehmen teilwei-

se schon deutlich weiter sind, als man

hätte glauben können. So gaben „nur“

18 Prozent der Entscheider zu Proto-

koll noch in der Evaluierungsphase zu

stecken, während ein Viertel der Unter-

nehmen (25 Prozent) gerade erste Er-

fahrungen sammelt und sich mit PoCs

und Prototypen beschäftigt. Immerhin

ein Fünftel (21 Prozent) der Entscheider

sieht ihr Unternehmen schon der Phase

des produktiven Einsatzes von Machine

Learning-Verfahren und Technologien.

Charakteristika der Stichprobe

Die Studie zeichnet erstmalig ein re-

präsentatives Bild zum aktuellen Pla-

nungs- und Einsatzgrad von Machine

Learning-Technologien. Die Interviews

wurden verteilt über neun Branchen,

sechs Unternehmensgrößenklassen

und vier Unternehmenstypen geführt.

Die relativ hohe Affinität zum Thema

Machine Learning-Technologie in der

IT-Branche, also von IT, Telekommunika-

tion und Medien sowie professioneller

Dienstleistungen, führte zu einer leicht

stärkeren Gewichtung dieser Branchen

bei der Verteilung der Interviews.

Quelle: Crisp Research AG

In welcher Branche ist Ihr Unternehmen tätig?

3,0%

Automobil & Automobilzulieferer

12,5%

Banken & Versicherungen

Logistik & Verkehr

7,1%5,4%

Pharma &Gesundheitswesen

7,7%

Professionelle Dienstleistungen

10,1%

Maschinen- & Anlagenbaut

20,3%

IT, Telekommuni-kation & Medien

9,5%

Konsumgüter& Handel

10,7%

Öffentlicher Sektor & Bildung

n=168Einfachnennung

6,0%

Chemische Industrie

7,7%

Metallverarbeitende Industrie

Page 18: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 18

So entstammen 20 Prozent der be-

fragten Entscheider diesen Branchen-

segmenten. 13 Prozent der Interviews

wurden mit IT-Entscheidern aus dem

Banken und Versicherungswesen ge-

führt. Weitere 11 Prozent der Befragten

kamen aus dem Bereich des öffentlichen

Sektors und der Bildung. Und jeweils 10

Prozent der interviewten Teilnehmer ga-

ben an dem Bereich Konsumgüter und

Handel sowie Maschinen und Anlagen-

bau zugehörig zu sein. Insgesamt bietet

die Verteilung also gute Einblicke in die

deutsche Wirtschaft.

Auch bei den Unternehmensgrößen

spiegelt sich die Ganzheitlichkeit der

Stichprobe wider. So verteilen sich die

in der Studie abgebildeten Unterneh-

men stark auf mittelständische Unter-

nehmen. Die mittleren Größenklassen

von Mitarbeitern (0 bis 500, 501 bis

1.000 und 1.001 bis 5.000) repräsentie-

ren 69 Prozent der befragten Unterneh-

men. Große Unternehmen sind noch

mit 31 Prozent vertreten. Damit liegen

auch im Hinblick auf besonders kleine

Unternehmen sowie besonders große

Unternehmen (mit über 10.000 Mitar-

beitern) genügend Interviews vor, um

repräsentative Aussagen und Analysen

vornehmen zu können.

Quelle: Crisp Research AG

Wie viele Mitarbeiter waren Ende 2015 in Ihrem Unternehmen beschäftigt?

19,0%

Bis 500 Mitarbeiter

22,0%

501 bis 1.000 Mitarbeiter

28,0%

1.001 bis 5.000 Mitarbeiter

13,7%

5.001 bis 10.000 Mitarbeiter

17,3%

über 10.000 Mitarbeiter

n=168Einfachnennung

Page 19: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 19

Bei der Verteilung der vier Unterneh-

menstypen ist der Konzern mit 54 Pro-

zent am stärksten vertreten. Famili-

enunternehmen und mittelständische

Strukturen machen 26 Prozent an der

Stichprobe aus, Unternehmen aus dem

Bereich der Öffentlichen Hand rund 13

Prozent. Start-ups und Internetfirmen

wurden ebenfalls befragt und stehen für

6 Prozent der Interviews innerhalb der

Stichprobe.

Quelle: Crisp Research AG

Welchem Typ gehört Ihr Unternehmen an?

andere: 1,7 % | n=168Einfachnennung

6,0% 26,2%

Startup/ Internetunternehmen

53,6% 12,5%

Familienunternehmen/ Mittelstand

Unternehmen der öffentlichen Hand

Konzern

Page 20: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 20

Die Stichprobe zeichnet sich durch eine

hohe Vielfalt der befragten Entscheider

aus, auch wenn IT-Entscheider das Gros

der Interviews ausmachen (55 Prozent).

Zu knapp einem Fünftel (18 Prozent)

kamen Geschäftsführer und CEOs zu

Wort.

Ebenso repräsentiert sind Leiter BI &

Reporting (4 Prozent), Leiter Analytics &

Big Data (3 Prozent), CDOs (3 Prozent)

und CTOs (3 Prozent), die maßgeblich

für die Daten- und Digitalisierungsstra-

tegie in ihren Unternehmen verantwort-

lich sind.

Quelle: Crisp Research AG

In welchem Bereich des Unternehmens sind Sie als Entscheider oder Entscheidungsbeeinflusser tätig?

n=168Einfachnennung

Chief Digital Officer / Leiter Digitalisierungsprojekte CTO Leiter BI / Reporting Leiter Big Data / Analytics Geschäftsführung / Management

Leiter F&E / Innovationmanagement / Produktentwicklung Leiter IT / CIO Leiter Fertigung / Operations Leiter Marketing / Vertrieb

Leiter Service / Support / Kundendienst

3,0%

Leiter eCommerce / Digitales Marketing Andere IT

3,0%3,5%

3,0%

17,9%

3,0%

36,9%

3,5%

6,0%

6,5%

1,8%

11,9%

Page 21: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 21

Durchführung der Untersuchung

Der empirischen Untersuchung lag ein

standardisierter Fragebogen zugrunde.

Dieser wurde von Crisp Research entwi-

ckelt und im Vorfeld der Untersuchung

ausgiebig mit Experten getestet. Der

Fragebogen umfasste insgesamt 32

größtenteils geschlossene Fragen, die

den Einsatz von Machine Learning in

den Unternehmen analysieren. Begin-

nend mit allgemeinen Fragen zur Digi-

talisierung und der Datenkultur, wurde

der Fragebogen im weiteren Verlauf

immer spezifischer. So konnte schluss-

endlich ein detailliertes Bild über den

Kenntnisstand, die Erwartungen und

den konkreten Einsatz sowie zukünftige

Planungsvorhaben zum Thema Machi-

ne Learning erhoben werden.

Für die Durchführung der standardisier-

ten Online-Befragung wurde seitens

Crisp Research ein renommierter und

international tätiger Marktforschungs-

dienstleister beauftragt. Die Ergebnisse

der Befragung wurden von einem Team

erfahrener Analysten und Statistiker von

Crisp Research detailliert analysiert.

Die einzelnen Fragen wurden nach ge-

samter Häufigkeit, Branchen, Größen-

klassen sowie als Kreuzauswertung mit

anderen Daten aus der Erhebung aus-

gewertet.

Page 22: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 22

DIGITALISIERUNG IN DEUTSCHLAND

Industrie 4.0, Digitale Transformation

und Internet of Things (IoT) sind aktuell

in aller Munde. Unternehmen kommen

nicht mehr daran vorbei, ihre Prozesse

und etablierten Geschäftsmodelle zu

hinterfragen. Die Unternehmen müssen

sich dem Druck von jungen, agilen Un-

ternehmen und den technologischen

Innovationen stellen, um die Digitali-

sierung aktiv gestalten und als Chance

nutzen zu können.

Im folgenden Kapitel wird skizziert, wie

sich die IT-Entscheider die digitale Zu-

kunft ihres Unternehmens vorstellen,

welche Auswirkungen diese auf das ei-

gene Unternehmen hat und in welcher

Phase der digitalen Transformation sich

die Unternehmen derzeit befinden.

Auch wird beleuchtet, ob Daten eine

strategisch relevante Rolle im Unter-

nehmen spielen und ob diese eher als

digitaler Wertschöpfungsfaktor oder

noch als Kostenfaktor betrachtet wer-

den. Hier lässt sich ein erster Indikator

für eine erfolgreiche Einführung von

Machine Learning ausmachen, denn

ohne ein „Data-driven Mind-Set“ bzw.

ein ausgeprägtes Datenverständnis

oder eine echte Datenkultur im eigenen

Unternehmen, wird es sehr schwer sein,

die teils komplexen Verfahren und Tech-

nologien in den unternehmensinternen

IT-, Analytics-, Produktentwicklungs-

und Service-Prozessen zu implementie-

ren.

Page 23: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 23

Digitalisierung: Aufbruch oder Stagnation?

Digitalisierung betrifft alle – auch tradi-

tionellere Unternehmen. Ein Beispiel ist

der Angriff von Internet-Konzernen auf

die Automobilbranche, ein anderes die

immer stärker werdende Präsenz von

FinTech-Unternehmen, die die klassi-

schen Banken und Versicherungen be-

drohen und zu nachhaltigen Innovatio-

nen bzw. einer Neuerfindung zwingen.

Betrachtet man die Ergebnisse und

vergleicht diese mit Vorjahreswerten,

so fällt auf, dass der Anteil derjenigen

Entscheider, welche die Auswirkungen

der Digitalisierung für das eigene Un-

ternehmen als sehr gering einschätzen,

deutlich gesunken ist. Demnach be-

finden sich „nur“ noch 12 Prozent der

deutschen Unternehmen in der Kom-

fortzone und sehen sich selbst von der

Digitalisierung nicht betroffen.

Einen schwachen Einfluss der Digitali-

sierung sehen immerhin noch 27 Pro-

zent der Entscheider. Im Umkehrschluss

sind 61 Prozent – und somit die Mehr-

heit – der Entscheider davon überzeugt,

dass die Digitalisierung ihr Unterneh-

men nachhaltig beeinflussen und ver-

ändern wird. Die Digitalisierung ist also

auch in Deutschland in den Köpfen der

Entscheider angekommen. Langsam

aber sicher entwickelt sich in den Unter-

nehmen ein „Digital Mindset“.

Doch ein „Digital Mindset“ braucht

auch konkrete Handlungen, Initiativen

und Investitionen, um die digitale Trans-

formation erfolgreich zu gestalten. Hier

stellt sich die Frage, wie weit die Unter-

nehmen auf ihrer Reise derzeit sind.

Quelle: Crisp Research AG

Wie stark ist Ihr Unternehmen von der Digitalisierung betroffen?

11,7%

Gar nicht

27,3%

Schwach Stark

46,6% 14,4%

Sehr stark

Einfachnennungn=264

Digitalisierung Now! Digitalisierung ist in den Köpfen der deutschen Entscheider angekommen. 61 Pro-zent sehen nachhaltige Einflüsse und Veränderungen auf das eigene Unternehmen zukommen.

Page 24: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 24

Immerhin sind 13 Prozent der Unterneh-

men nach eigenen Angaben schon sehr

weit. Diese haben die Umsetzungspha-

se hinter sich gelassen und sind bereits

in der Wachstumsphase, bei der sie

ihre digitalen Geschäftsmodelle und

Services nun skalieren müssen. Wei-

tere 33 Prozent befinden sich in der

Umsetzungsphase der digitalen Trans-

formation. Hier werden erste Projekte

initialisiert und die Digitalisierung von

Produkten und Dienstleistungen hat

begonnen. Rund 32 Prozent der Unter-

nehmen haben erste Schritte und Geh-

versuche unternommen.

Die Analyse der bestehenden Produk-

te, Prozesse und Dienstleistungen des

Unternehmens hat begonnen und die

Ausarbeitung der Digitalisierungsstra-

tegie ist in vollem Gange. Rund ein

Fünftel der Unternehmen (22 Prozent)

steht dagegen noch ganz am Anfang

der Reise. Diese Unternehmen können

zwar aus den Fehlern ihrer Peers lernen,

haben aber trotzdem eine große Auf-

holjagd vor sich. Hier wird es essentiell

sein, nicht nur die richtigen Entschei-

dungen zu treffen, sondern diese auch

sehr schnell umzusetzen.

Quelle: Crisp Research AG, 2016

In welchem Stadium der digitalen Transformation befindet sich Ihr Unternehmen?

n=264Einfachnennung

Am Beginn derReise - noch

keine konkretenInitiativeneingeleitet

Anfangsphase Es wurde mit

der Analyse undAusarbeitung einer

Digitalisierungs-strategiebegonnen

UmsetzungsphaseErste Projekte wurden initiiert

und die Digitalisierung von Produkten und Prozessen hat begonnen

WachstumsphaseDie Digitalisierung

von Leistungsspektrumund Geschäftsmodell

ist weitgehend abgeschlossenund wird nun

skaliert22,4%

32,2%

33,0%

12,5%

Der Anfang ist geschafft – fast die Hälfte der deutschen Unternehmen hat den Startschuss zur digitalen Transformation gege-ben. Immerhin 13 Prozent befinden sich schon in der Wachstums- und Skalierungsphase ihrer digitalen Geschäftsmodelle.

Page 25: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 25

Digitalisierung: Daten und Wertschöpfung

Daten sind die Grundlage und der Roh-

stoff der Digitalisierung. Dieser muss

in ausreichender Menge und Qualität

vorliegen, um daraus neue Erkenntnis-

se, Produkte und Dienstleistungen und

Geschäftsmodelle zu generieren. Somit

ist für den Erfolg der Digitalisierung ab-

solut entscheidend, ob Unternehmens-

lenker in der Lage sind, ihre Organisa-

tion in Richtung einer „Data-driven“

Company weiterzuentwickeln. Denn

nur wenn Daten als Asset und Erfolgs-

faktor betrachtet werden und Teil der

Unternehmenskultur werden, wird es

wahrscheinlich, dass deren Analyse und

Nutzung zu wirklich innovativen oder

„disruptiven“ digitalen Produkten und

Konzepten führt. Wie ist es also in den

Unternehmen um die „Data Culture“

bestellt? Denn auch die neuen Verfah-

ren und Technologien im Kontext des

Machine Learning, setzen voraus, dass

die eigenen Mitarbeiter sich dem Wert

und den Möglichkeiten der Daten be-

wusst sind.

Die Ergebnisse zeigen, dass die deut-

sche Datenschutz- und Compliance-De-

batte der letzten Jahren ihre Spuren in

den Köpfen der Entscheider hinterlas-

sen hat.

So gaben mehr als ein Drittel der be-

fragten IT- und Digitalisierungsmanager

(32 Prozent) an, dass Daten in ihrem

Unternehmen primär mit Datenschutz-

und Compliance-Problemen assoziiert

werden. Diese Perspektive ist gefähr-

lich, denn sie verstellt den Blick auf die

Möglichkeiten und behindert somit po-

tenziell auch die Einführung innovativer

Analyse- und Datenverarbeitungsansät-

ze à la Machine Learning.

Auch diejenigen Unternehmen, die

mit stetig steigenden Datenvolumen

hauptsächlich ein Speicher- und somit

Kostenproblem (13 Prozent) und nicht

die Chancen der Digitalisierung ver-

knüpfen, werden es voraussichtlich eher

schwer haben, Machine Learning in der

gesamten Breite des Unternehmens zu

verankern. Hier sollten Top-Manager

ihren verantwortlichen IT-Managern

mehr Freiräume zugestehen und mehr

Budgets freigeben, denn ohne große

Mengen an Daten zur Entwicklung von

Modellen und dem Training der Algo-

rithmen, lassen sich die Früchte der

künstlichen Intelligenz im Kontext der

Digitalisierung nicht ernten. Man muss

also leider konstatieren, dass bei rund

45 Prozent der untersuchten Unterneh-

men noch eine negativ eingefärbte und

von Restriktionen geprägte Datenkultur

oder eher eine „Daten-Unkultur“ vor-

herrscht.

Datenschutz- und Complian-ce-Debatte prägt immer noch die Sichtweise auf den Umgang mit Daten und engt die Perspektive vieler Entscheider negativ ein. Ein eindeutiger Hemmschuh zur erfolg-reichen und chancenorientierten Gestaltung der Digitalisierung.

Page 26: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 26

Es zeichnet sich aber langsam ein Licht-

blick am Horizont ab. So liegt der Anteil

derjenigen Entscheider, die Daten pri-

mär als Grundlage neuer digitaler Pro-

dukte und Geschäftsmodelle betrach-

ten bei mittlerweile 40 Prozent. Und

immerhin 16 Prozent der Entscheider

gaben zu Protokoll, dass in ihrem Un-

ternehmen schon den Stellenwert eines

strategischen Assets und Wettbewerbs-

faktor einnehmen.

Diesen Unternehmen wird es mit hoher

Wahrscheinlichkeit deutlich leichter fal-

len, neue Analyseverfahren und Techno-

logien im Bereich des Machine Learning

großflächig einzuführen.

Lichtblick am Horizont – Immerhin sehen mittlerweile 40 Prozent der Befragten Daten hauptsächlich als Grundlage für neue digitale Pro-dukte und Dienste und 16 Prozent sogar als strategisches Asset.

Quelle: Crisp Research AG

Inwieweit treffen folgende Aussagen im Hinblick auf den Umgang mit Daten auf Ihr Unternehmen zu?

n=264Einfachnennung

12,9% 31,8%

Daten sind aufgrund des steigenden Speicherbedarfs

hauptsächlich ein Kostentreiber

39,8% 15,5%

Daten sind ein potenzielles Datenschutz- und Compliance-Problem

Daten sind ein strategisches Asset und zentraler Wettbewerbsfaktor unseres Geschäfts

Daten sind die Grundlage für neue Geschäftsmodelle

und Services

Page 27: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 27

MACHINE LEARNING - MOMENTUM UND STRATEGISCHE BEDEUTUNG

In dem vorherigen Kapitel wurde be-

reits auf die Einschätzung der Befrag-

ten zum Umgang mit Daten und deren

Relevanz für neue digitale Produkte und

Geschäftsmodelle eingegangen. Doch

warum beschäftigen sich die befrag-

ten Unternehmen ganz konkret mit der

Thematik Machine Learning und Künst-

licher Intelligenz? Und welche strategi-

sche Rolle ordnen Sie Machine Learning

für das eigene Unternehmen zu?

Strategische Bedeutung von Machine Learning

In der aktuellen Marktphase ist es für

IT- als auch Digitalisierungsentscheider

nicht leicht zwischen Hype und Realität

zu unterscheiden. Während einerseits

tollkühne Fantasien und Geschichten

von vollautomatisierten Produktions-

straßen, autonomen Verkehrssystemen

und intelligenten digitalen Assistenten

verbreitet werden, steht andererseits

das Wissen um die Probleme im Um-

gang mit dem Datenschutz und die

vielfach noch mangelnde Reife vieler

Technologien.

Nicht zu verleugnen ist, dass mit dem

Aufkommen von „Mikrofabriken“ und

autonomen Fahrzeugen selbst etab-

lierte Hersteller in klassischen, durch

den Maschinenbau geprägten Berei-

chen der Industrie, in arge Bedrängnis

geraten. Denn plötzlich können durch

Kombination verschiedener Innovatio-

nen, wie den 3D-Druck, die Cloud und

das Machine Learning neue Produkte in

sehr kurzen Produktionszyklen (Monate

statt Jahre) von der Idee zu einem Se-

rienprodukt gebracht werden. Dies ist

keine Zukunftsmusik oder nur im Silicon

Valley anzutreffen, sondern bereits in

Deutschland angekommen. Ein Beispiel

sind die Mikrofabriken von Local Mo-

tors1 in Berlin. Doch haben die deut-

schen Entscheider diese Gefahr bereits

erkannt und das Potential gesehen, das

ihnen die neuen Technologien für die

eigenen Produkte und Prozesse liefert?

Welchen Bedeutungsgrad messen sie

dem Thema Machine Learning für das

eigene Unternehmen zu?

Betrachtet man die Ergebnisse, muss

man schlussfolgern, dass die deutschen

IT- und Digitalisierungsentscheider, die

sich mit dem Thema Machine Learning

beschäftigen, in der Technologie ein

enormes Potential vermuten. Denn nur

so lässt sich erklären, dass nur 3 Prozent

Machine Learning für einen reinen Mar-

keting Hype halten. Und dies, obwohl

sich die Medien derzeit mit optimisti-

schen und teils futuristischen Berichten

überschlagen.1 Local Motors ist ein US-amerikanischer Automo-bilhersteller. Mit Hilfe von Open Source Techniken und Crowdsourcing geht das Unternehmen kom-plett andere Wege, als klassische Automobilhe-steller. https://localmotors.com

Kerntechnologie statt Marke-ting-Hype – Mehrheit der Entschei-der (59 Prozent) sieht in Machine Learning einen zentralen Baustein zukünftiger Analytics-Strategien (43 Prozent) sowie eine der Kern-technologien für ein vollständig digi-tales Unternehmen (16 Prozent).

Page 28: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 28

Ein Drittel der Entscheider (32 Pro-

zent) sieht Verfahren des Machine Le-

arning in begrenzten Einsatzbereichen

als sinnvoll an und nimmt somit einen

eher pragmatischen Blick ein. Dagegen

sind 43 Prozent davon überzeugt, dass

Machine Learning ein wichtiger As-

pekt zukünftiger Analytics- und Big Da-

ta-Strategien in ihrem Unternehmen ist.

Und dies ist nur folgerichtig. Denn ein

Großteil der Unternehmen hat in den

letzten Jahren im großen Stil in Big Da-

ta-Infrastrukturen und eigene „Data La-

kes“ investiert, um die unternehmens-

eigenen Daten zusammenzuführen und

zentralisiert nutzbar und auswertbar zu

machen. Hier liegt es nahe, mittels Ma-

chine Learning in den nächsten Jahren

neue Verfahren der Datennutzung und

Datenanalyse auszuprobieren bzw. ein-

zuführen, um den Wert der Daten zu

heben und die Versprechen gegen dem

Top-Management einzulösen. Denn in

vielen Unternehmen hat sich hier ein

hoher Erwartungsdruck aufgebaut. Die-

sem gilt es in den kommenden Jahren

mit neuen Technologien und Use Cases

zu begegnen und zu zeigen, dass Daten

ein wirkliches Asset im Unternehmen

sind.

Knapp ein Fünftel der Entscheider (16

Prozent) geht sogar noch weiter und

sieht im Machine Learning eine der

Kerntechnologien eines vollständig di-

gitalen Unternehmens. Es zeigt sich da-

mit klar, dass der Großteil der befragten

Entscheider mit Machine Learning ein

enormes Innovations- und Gestaltungs-

potenzial verbindet. Auch kommt hier

die Hoffnung vieler Entscheider zum

Ausdruck, dass Machine Learning zu-

künftig viele derjenigen Probleme löst,

mit denen sie derzeit noch konfrontiert

sind. So kämpfen viele Unternehmen

heute noch immer mit den Themen

Data Quality Management, Data Go-

vernance, API-Management, der Bereit-

stellung performanter Infrastrukturen

und vor allem dem Problem auf der

Personal- und Skill-Seite. Machine Le-

arning wird diese Probleme nur teilwei-

se lösen. Aber eine Vielzahl von neuen

Möglichkeiten und einen deutlich höhe-

ren Automationsgrad in der Datenana-

lyse und –Nutzung schaffen und somit

nachhaltig zum Digitalisierungserfolg

beitragen.

Vom Data Lake zum Machine Lear-ning – Verfahren der künstlichen In-telligenz sind für viele Unternehmen der logische nächste Schritt, um die, im Rahmen ihrer Big Data-In-itiativen zusammengetragenen, Datenberge sinnvoll und effizient zu analysieren und zu nutzen.

Page 29: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 29

Beweggründe für den Einsatz von Machine Learning

Nach der Frage zur strategischen Be-

deutung von Machine Learning wurden

die konkreten Beweggründe und Anläs-

se erhoben, aus denen die Unterneh-

men sich mit Machine Learning ausei-

nandersetzen. Gemäß den vielfältigen

Einsatzmöglichkeiten von Machine Le-

arning zeigt sich auch bei den Beweg-

gründen eine große Vielfalt.

Mehr als ein Drittel der Befragten

(35 Prozent) gab an, sich im Kontext

der unternehmensweiten Digitalisie-

rungsstrategie mit Machine Learning

ausein anderzusetzen. Dies zeigt, dass

die Unternehmen Digitalisierung nicht

mehr nur als kulturelle und Change Ma-

nagement-Aufgabe verstehen, um den

„Digital Mindset“ zu schaffen, sondern

sich aktiv auch mit den technologisch

anspruchsvollen Themen auseinander-

setzen. Dies ist auch notwendig, da sich

sonst auch die Potenziale der neuen

Technologien nur schwer heben lassen.

Quelle: Crisp Research AG

Aus welchen Gründen beschäftigen Sie sich mit Machine Learning?

n=168Mehrfachnennung

Wir evaluieren neue Trends und Technologien immer frühzeitig

0% 10% 20% 30%

28,0%

Wir beschäftigen uns im Rahmen unserer unternehmensweiten digitalen Strategie mit Machine Learning Verfahren

Wir evaluieren und nutzen Machine Learning Technologien im Rahmen einer Initiative zum Thema Customer Experience (eCommerce / Marketing / Portale, Apps),

z.B. gezielte Kundenansprache für spezielle Produkte oder Dienste

Wir evaluieren und nutzen Machine Learning Technologien im Rahmen der Optimierung unserer internen Prozesse (Produktion / IoT / Logistik / Qualitätsmanagement),

z.B. die Erhebung von Daten innerhalb des Produktionsablaufs, um gezielt Optimierung in der Fertigung vornehmen zu können.

Wir evaluieren und nutzen Machine Learning Technologien im Rahmen der Optimierung und Automatisierung unserer Wartungs- und Supportleistungen

(z.B. Predictive Maintenance)

Wir sind über Analysten und IT-Berater auf das Thema aufmerksam geworden

Wir beschäftigen uns auf Empfehlungen unserer IT- und Service Provider mit dem Thema

34,5%

33,3%

33,9%

19,1%

26,8%

10,1%

Page 30: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 30

Ein weiteres Drittel der befragten Ent-

scheider (34 Prozent) wiederum gab zu

Protokoll, sich primär vor dem Hinter-

grund der Optimierung und Automa-

tisierung der unternehmensinternen

Prozesse in Fertigung, Qualitätsma-

nagement, Logistik oder im Rahmen

von IoT- und Industrie 4.0-Projekten mit

Machine Learning zu beschäftigen. Be-

rücksichtigt man die Stärken der deut-

schen, exportgetriebenen Unterneh-

men, sich hauptsächlich über Effizienz

und Qualität zu differenzieren, erscheint

dies nachvollziehbar und schlüssig.

Unter den TOP-3 Gründen für eine Aus-

einandersetzung mit Machine Learning

wird mit 33 Prozent Zustimmung auch

die Evaluierung im Rahmen einer Initi-

ative zum Thema Digital Customer Ex-

perience genannt. Hier steht die Perso-

nalisierung der Kundenansprache über

alle digitalen Kanäle – vom eShop, über

Portale bis hin zu mobilen Apps – sowie

die Automatisierung des Kundendia-

logs im Vordergrund.

Immerhin 28 Prozent der Entscheider

behaupten, dass sich ihr Unternehmen

immer frühzeitig mit neuen Technolo-

gietrends beschäftigt und man sich da-

her auch dem Thema Machine Learning

angenommen hat. Zudem spielen in

vielen Fällen IT-Berater und IT-Analys-

ten eine wesentliche Rolle. So gaben 27

Prozent der befragten an, durch diese

Influencer auf das Thema aufmerksam

geworden zu sein. Betrachtet man,

wie schnell sich Machine Learning aus

der Nische in den IT- und Digitalisie-

rungs-Mainstream geschoben hat, wird

klar, dass viele Unternehmen hier Un-

terstützung seitens externer Experten

annehmen, um sich dem neuen Trend-

thema zu nähern. Interessanterweise

spielen IT-Service Provider derzeit nur

eine untergeordnete Rolle im Hinblick

auf die Beeinflussung ihrer Kunden zum

Thema Machine Learning. Hier tut sich

für viele IT Service Provider eine große

Chance auf, denn der Informations- und

Beratungsbedarf auf Seiten der Unter-

nehmen ist unverkennbar und wird in

den nächsten 2-3 Jahren deutlich zu-

nehmen.

Neben den generellen Gründen sich

mit Machine Learning zu beschäftigen,

stehen ganz konkrete Zielsetzungen,

welche die Entscheider mit dem Einsatz

von Machine Learning im eigenen Un-

ternehmen verbinden. Hier steht eine

engere Kundenbindung an erster Stel-

le (49 Prozent). Die Optimierung der

„Digital Customer Experience“ mittels

Machine Learning hat oberste Priorität,

da viele Unternehmen das disruptive

Potential von Start-ups à la AirBnB oder

Uber verstanden haben, die sich mit

ihren digitalen Diensten zwischen die

etablierten Unternehmen und ihre Kun-

den setzen. Hinzu kommt, dass in die-

sem Einsatzbereich auch viele Daten zur

Verfügung stehen, die mittels Machine

Machine Learning schon mehr als reines Strategiethema – Machine Learning steht nicht nur für 35 Prozent der Unternehmen ganz oben auf der Digitalisierungsagen-da, sondern wird in zwei Drittel der Unternehmen schon in ganz konkreten Anwendungsszenarien evaluiert.

Page 31: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 31

Learning nun optimiert und automati-

siert genutzt und ausgewertet werden

können.

An zweiter Stelle (41 Prozent) steht das

Ziel, die Umsätze mit digitalen Services

zu steigern, was vielfach in Verbindung

mit einer personalisierten und automa-

tisierten Kundenbeziehung steht.

Mehr als ein Drittel der Befragten (35

Prozent) gab an, Fehler bei Produkten

und Maschinen zu minimieren und die

Laufzeiten selbiger optimieren zu wol-

len. Gerade bei Produkten, die einer

Garantie unterliegen, mussten Ingeni-

eure schon immer berechnen, wie lan-

ge Produkte halten, damit der Verkauf

nicht zum Verlustgeschäft wird. Diesen

Prozess und ebenso die frühzeitige

Information, wann beispielsweise ein

Bauteil verschlissen ist, soll also nun ver-

stärkt unterstützt durch Verfahren des

Machine Learning optimiert werden.

Damit einher geht auch der Grad der

Automatisierung, der z.B. die Bestell-

prozesse für solch ein Bauteil mit gerin-

ger Restlaufzeit auslöst. 20 Prozent der

Befragten gaben dies als ein weiteres

Ziel für den Einsatz von Machine Lear-

ning an.

Immerhin sieht schon ein Fünftel der

Entscheider (22 Prozent) Machine Le-

arning als Grundlage bzw. Kerntechno-

logie neuer digitaler Dienste, Produkte

und Geschäftsmodelle, wie beispielwei-

se im Bereich des autonomen Fahrens

oder auch der Bild- und Mustererken-

nung in der Medizin an. Diese schon

fast visionäre Sichtweise unterstreicht

den strategischen Stellenwert der Tech-

nologie.

Customer First – Viele Entscheider knüpfen an den Einsatz von Machi-ne Learning-Verfahren vor allem die Zielsetzung einer engeren Kun-denbindung, auch um sich vor den Gefahren disruptiver Startups á la AirBnB und Uber zu schützen.

Quelle: Crisp Research AG

Was sind die Zielsetzungen bzw. Chancen, die für den Einsatz von Machine Learning-Technologien sprechen?

n=168Mehrfachnennung

Stärkerer Grad an Automatisierung

0% 10% 20% 30%

29,8%

Fehlerreduktion und optimierte Laufzeiten der Produkte und Maschinen (Hardware)

Stärkere Bindung von Kunden an unser Unternehmen

Steigerung der Verkäufe und Zusatzdienste (Digital Services)

Predictive Maintenance / Condition Monitoring (intelligente, vorausschauende Wartung & Service)

Grundlage / Kerntechnologie neuer Dienste und Produkte und Geschäftsmodelle (z.B. Autonomes Fahren, Bild- und Mustererkennung in Medizin)

Innovationsführerschaft sichern und nach außen repräsentieren

40% 50%

34,5%

49,4%

41,1%

21,4%

22,0%

9,5%

Page 32: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 32

Denn hier geht es nicht im ein Add-On

einer unterstützenden IT-Infrastruktur,

sondern um das Herzstück neuer Pro-

duktgenerationen, auf die beispielswei-

se die Automobil- oder Medizinunter-

nehmen ihre Zukunft verwetten. Bei 21

Prozent der Befragten wird die Umset-

zung von Szenarien der vorausschauen-

den Wartung („Predictive Maintenan-

ce“) im Unternehmen als relevantes Ziel

angesehen.

Es zeigt sich sehr klar, dass mit dem

Einsatz von Machine Learning, trotz der

frühen Markt- und Entwicklungspha-

se, schon ganz konkrete Zielsetzungen

und Chancen verbunden sind. Und

diese beziehen sich auf die zentralen

Bereiche des Unternehmens, wie Kun-

denbindung, Produktentwicklung und

bessere Services. Somit ist Machine Le-

arning kein „Selbstdarsteller“-Thema,

um nach außen zu glänzen (nur 10 Pro-

zent Zustimmung), sondern viel eher die

Hoffnung einen Großteil der Digitalisie-

rungsversprechen einlösen zu können.

Digital Product DNA – für ein Fünf-tel der Unternehmen ist Machine Learning fester Bestandteil der Product DNA zukünftiger digitaler Produkte und Dienstleistungen und somit weit mehr als ein reines IT-Thema.

Page 33: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 33

MACHINE LEARNING - EINSATZ IM UNTERNEHMEN

Wie im vorangehenden Kapitel dar-

gelegt, nimmt Machine Learning im

Kontext der Digitalisierung der Unter-

nehmen eine wichtige Rolle ein und

die Entscheider messen den neuen

Technologien und Verfahren eine relativ

hohe Bedeutung im Rahmen ihrer Digi-

talisierungs- und IT-Strategien zu. Doch

wie weit sind die Unternehmen hinsicht-

lich der Umsetzung ihrer Machine Lear-

ning-Initiativen? Und in welchen Berei-

chen kommt Machine Learning in den

deutschen Unternehmen hauptsächlich

zum Einsatz? Auf welche Verfahren und

Technologien setzen die Unternehmen?

Und welche Rolle kommt der neuen

Generation an neuronalen Netzwerken

zu, die derzeit unter dem Schlagwort

„Deep Learning“ für Furore sorgen?

Planung und Einsatzgrad

Auch wenn Machine Learning derzeit si-

cherlich eines der Trendthemen ist und

für viele Unternehmen noch unbekann-

tes Terrain darstellt, so gibt es mit 34

Prozent doch schon einen substanziell-

en Anteil der Unternehmen in Deutsch-

land, die Machine Learning im produkti-

ven Einsatz haben. So gaben immerhin

7 Prozent der befragten Entscheider

an, Machine Learning in weiten Teilen

des Unternehmens produktiv zu nutzen.

Diese Unternehmen sind sicherlich als

absolute Vorreiter und Innovatoren zu

bezeichnen. 27 Prozent dagegen setzen

Machine Learning Technologien und

Verfahren derzeit noch in ausgewähl-

ten Bereichen ein und stellen somit die

Mehrheit derjenigen, die mit den Tech-

nologien vertraut sind. Diese Zahlen

mögen auf den ersten Blick recht opti-

mistisch aussehen. Dennoch muss man

bedenken, dass ein Großteil der Verfah-

ren und Algorithmen, wie z.B. neuronale

Netzwerke, schon recht lange existieren

und daher in einer ganzen Reihe von

Unternehmen über die Jahre sukzessive

implementiert wurden – ohne dass da-

mit ein großer Trend verbunden wurde.

Neben dieser Gruppe der frühen Ma-

chine Learning-Anwender („Early Ad-

opter“ und „Innovatoren“, existiert die

„Early Majority“ – diejenigen Unterneh-

men, die gerade dabei sind, Machine

Learning im Rahmen von ersten Pro-

jekten zu testen und im Rahmen von

ersten Prototypen zu implementieren.

Diese machen derzeit mit 39 Prozent

die größte Gruppe an Unternehmen

aus, die sich aktiv mit Machine Learning

beschäftigen.

Machine Learning Now! – Schon 34 Prozent der Unternehmen geben an, Machine Learning Ver-fahren und Technologien produktiv einzusetzen. Die Mehrheit davon allerdings in ausgewählten Einsatz-bereichen.

Page 34: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 34

Die Unternehmen der „Late Majority“,

in der 28 Prozent der Firmen repräsen-

tiert sind, befinden sich derzeit in der

Planungs- und Evaluierungsphase. Hier

werden noch die relevanten Use Cases

identifiziert, der Einsatz verschiedener

Verfahren und Lernstile erwogen sowie

über die passenden Technologien und

IT-Betriebskonzepte entschieden.

Es wird interessant sein zu beobach-

ten, wie schnell die Unternehmen den

Übergang von einer in die andere Phase

schaffen und wie schnell die Nachfrage

nach Personal, Technologien und Re-

chenleistung sich entwickelt.

Nach Einschätzung von Crisp Research

sind die derzeitigen Hürden für einen

konsequenten und schnellen Einstieg

in das Thema vor allem im Mangel an

erfahrenem Personal und unklaren Di-

gitalisierungsstrategien auszumachen.

Denn nur wenige Unternehmen verfü-

gen über klare, konsistente und unter-

nehmensweit gültige Datenstrategien,

welche die Handlungsmöglichkeiten

und Zielsetzungen im Umgang mit den

eigenen und externen Daten detailliert

beschreiben.

Beim Blick auf die Branchenergebnisse

ergibt sich eine differenzierte Perspek-

tive zum Stand der Einführung von Ma-

chine Learning-Verfahren in deutschen

Unternehmen. Und diese ist keinesfalls

homogen. Auch innerhalb einzelner

Branchen, wie z.B. dem Automobilsek-

tor, existieren teils große Unterschiede

zwischen der kleinen Gruppe der Inno-

vatoren, die Machine Learning schon in

weiten Teilen des Unternehmens nutzen

und dem Rest der Branche.

Quelle: Crisp Research AG

In welcher Phase der Machine Learning-Nutzung befinden Sie sich?

In Evaluierung / Planung18,0%

Erste Erfahrungen & Prototypen

25,0%

Nutzung in ausgewählten Einsatzbereichen (Produktivbetrieb)

17,0%

Einsatz im Produktivbetrieb in weiten Teilen des

Unternehmens4,0%

n=168

Innovators EarlyAdapters

EarlyMajority

LateMajority

Laggards

Weder in Evaluierungnoch in Planung

36,0%

Automotive, Konsumgüter sowie IT, Telekommunikation und Media sind derzeit Vorreiter, wenn es um den produktiven Einsatz von Machine Learning im ganzen Unternehmen geht.

Page 35: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 35

In anderen Branchen, wie Konsumgü-

ter, Banken und Versicherungen sowie

Dienstleistungen, zeigt sich eine eher

gleichmäßige Verteilung der Unterneh-

men über die verschiedenen Machine

Learning-Reifegrade bzw. Adaptions-

phasen hinweg.

Bildanalyse und Videoanalyse in nahezu

Echtzeit, statistische Verfahren und ma-

thematische Modelle aus dem Bereich

des Machine Learning sowie die Techni-

ken aus dem Bereich des Deep Learning

sind beispielsweise zentrale Technolo-

giebausteine in der Automobilbranche

zur Entwicklung und Produktion von

selbstfahrenden Autos. Auch werden

einige dieser Verfahren schon länger

zur Erkennung von Fabrikationsfehlern

während des Produktionsprozesses ein-

gesetzt. In der Automobilindustrie fin-

den sich somit einige der Innovatoren,

die Machine Learning in weiten Teilen

des Unternehmens bereits einsetzen.

Nach Aussagen der befragten Entschei-

der, liegt dieser Anteil bei 20 Prozent

und ist im Branchenvergleich somit füh-

rend. Demgegenüber stehen allerdings

60 Prozent derjenigen Automobil- und

Zulieferfirmen, die sich zwar mit Machi-

ne Learning beschäftigen, aber noch

mitten in der Evaluierungs- und Pla-

nungsphase stecken. Es gibt also keine

flächendeckende Adaption, sondern

eher Leuchttürme in der Branche.

Bei den Maschinen- und Anlagenbau-

ern verhält es sich ähnlich. Hier befinden

sich noch über die Hälfte der Unterneh-

men in der initialen Evaluierungs- und

Planungsphase (53 Prozent), 18 Prozent

bauen erste Prototypen und immerhin

ein Drittel (29 Prozent) nutzt Machine

Learning schon produktiv – allerdings

nur in ausgewählten Anwendungsberei-

chen.

Im Konsumgüterbereich und im Han-

del ist die Mehrheit der Unternehmen

schon relativ weit fortgeschritten im

Hinblick auf die Einführung von Ma-

chine Learning. Nur noch ein knappes

Fünftel der Entscheider (19 Prozent)

ordnete das eigene Unternehmen in

die Phase „Evaluieren und Planen“ ein.

So sind immerhin 44 Prozent der Han-

dels- und Konsumgüterfirmen dabei

Machine Learning im Kontext von ers-

ten Projekten und Prototypen zu erpro-

ben. Dies wird nachvollziehbar, wenn

man bedenkt, dass diese Unternehmen

einerseits über sehr große und gut ge-

pflegte Datenbestände sowie über gro-

ße BI-Budgets und Data Warehouses

verfügen. Andererseits ist der monetäre

Nutzen bei der Optimierung von Preis-

strategien, Warenverfügbarkeit oder

Marketingkampagnen direkt erfassbar.

Der Einsatz von Machine Learning er-

folgt hier also nicht gegen Widerstän-

de, sondern ist ein willkommenes In-

novationsinstrument zur Verbesserung

bestehender Business-Intelligence- und

Big Data-Strategien.

Page 36: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 36

Gleiches gilt für die IT-, Telekommuni-

kations- und Medienbranche. Auch hier

kommen Machine Learning-Verfahren

beispielsweise in der Ausspielung von

Online-Werbung, der Berechnung von

Kaufwahrscheinlichkeiten (Conversion

Rates) oder der Personalisierung von

Webinhalten und Einkaufsempfehlun-

gen zum Einsatz.

Auch bei den professionellen Dienst-

leistungen haben schon zwei Drittel

derjenigen Unternehmen, die sich mit

Machine Learning befassen, erste kon-

krete Erfahrungen gemacht. 42 Prozent

der Entscheider in diesem Segment ga-

ben an, dass Machine Learning in ihrem

Unternehmen bereits produktiv einge-

setzt wird.

In Evaluierung /

Planung

Erste Erfahrungen &

Prototypen

Nutzung in ausge-

wählten Einsatzberei-

chen

Einsatz im Produk-

tivbetrieb in weiten

Teilen des Unterneh-

mens

Automobil und

Automobilzulieferer60,0% 20,0% 0,0% 20,0%

Maschinen- und

Anlagenbau52,9% 17,7% 29,4% 0,0%

Chemische Industrie 30,0% 40,0% 30,0% 0,0%

Metallverarbeitende

Industrie38,5% 46,2% 15,4% 0,0%

Konsumgüter und

Handel18,8% 43,8% 25,0% 12,5%

Logistik und Verkehr 16,7% 41,7% 41,7% 0,0%

Banken und

Versicherungen28,6% 33,3% 28,6% 9,5%

Professionelle

Dienstleistungen38,5% 23,1% 30,8% 7,7%

Pharma und

Gesundheitswesen22,2% 55,6% 22,2% 0,0%

IT, Telekommunikation

& Media11,8% 47,1% 26,5% 14,7%

Öffentlicher Sektor und

Bildung27,8% 44,4% 27,8% 0,0%

Status der Branchen bei der Einführung von Machine Learning (n=168)

Page 37: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 37

Hier spielt die Messung und Optimie-

rung von Kundenbindung, Dienstleis-

tungsqualität und Termintreue eine

wichtige Rolle, da dies die maßgeb-

lichen Differenzierungsfaktoren der

Dienstleister sind.

Im Umfeld der Chemieunternehmen

und dem Bereich der Pharmakonzerne

helfen die Verfahren neue Medikamen-

te und chemische Elemente und Stoffe

zu identifizieren, zu analysieren und zu

optimieren. In der Logistik und dem

Verkehr können Machine Learning-Ver-

fahren helfen, die Tourenplanung zu

optimieren und die Liefergenauigkeit zu

erhöhen, ebenso wie die optimale Nut-

zung von Lagerflächen zu berechnen.

Einsatz nach Unternehmensbereichen

Hinsichtlich der Frage, welche Unter-

nehmensbereiche führend beim Ein-

satz von Machine Learning sind, ergab

sich ein recht klares Bild. Analog zu

einer Vielzahl anderer Digitalisierungs-

themen, ist auch beim Thema Machi-

ne Learning die unternehmensinterne

IT-Abteilung gefragt. Knapp 60 Prozent

der Entscheider gaben an, dass dieser

Unternehmensbereich führend beim

Einsatz von Machine Learning im Un-

ternehmen ist. Dies liegt einerseits an

der hohen technologischen Komplexi-

tät des Themas, die neben den mathe-

matischen und statistischen Skills auch

eine große Bandbreite an Fertigkeiten

im Bereich IT-Operations notwendig

macht.

Andererseits sind hier auch die BI- und

Analytics-Abteilungen subsummiert,

die als Speerspitze der IT diese Themen

evaluiert und unternehmensweit voran-

treibt. Zumindest wird dies von vielen

Entscheidern – Business sowie IT – so

antizipiert als auch erwartet. Ohne die

IT scheint die unternehmensweite Ein-

führung von Machine Learning also we-

nig aussichtsreich zu sein.

Mit jeweils 26 Prozent folgen dann die

Bereiche Logistik sowie Produktion,

Qualitätsmanagement und Operations.

Hier sind IoT-Szenarien und Prozessop-

timierung ausschlaggebende Treiber

für die Einführung der neuen Technolo-

gien. Die Identifikation und Bewertung

von Mustern und Korrelationen in den

unglaublich großen Mengen von Ma-

schinen-, Produktions-, Logistik- und

sonstigen Sensor- und Logdaten, spielt

für die Verantwortlichen in Fertigung

und Logistik eine signifikant wichtige

Rolle. Denn gerade die deutschen Un-

ternehmen als qualitäts- und exporto-

rientierte Akteure, benötigen hier zu-

künftig noch schnellere und genauerer

Optimierungsansätze, um sich in einem

dynamischen globalen Wettbewerb an-

passen und innovativ sein zu können.

Ebenso ist die bereits erwähnte perso-

nalisierte Kundeninteraktion ein wichti-

ges Thema für viele Unternehmen. So

gaben 24 Prozent der befragten Ent-

scheider den Bereich Kundenservice

Nicht ohne die IT – Machine Lear-ning erfordert als Königsdisziplin der Digitalisierung ein sehr tiefes technologisches Verständnis und ein breites Skill-Set, das primär in der IT und den angegliederten BI-Abteilungen zu finden ist.

Chemie, Logistik und Verkehr sowie Pharma stehen in den Startlöchern, um die Potenziale von Machine Learning in den kommen-den Jahren unternehmensweit zu erschließen.

Page 38: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 38

und Support als eine führende Instanz

im Unternehmen an, wenn es um die

Einführung von Machine Learning geht.

Gerade in diesem Bereich fallen viele

Daten (Text, Audio, etc.) an, die das

Potential für eine automatisierte Daten-

verarbeitung und Analyse haben. Die

Abteilung Forschung und Entwicklung

bzw. die Produktentwicklung spielt für

ein Fünftel der Befragten (21 Prozent)

ebenfalls eine wichtige Rolle bei der

Einführung von Machine Learning.

Der Vertrieb und der Bereich Finance

und Controlling haben dagegen wenig

Gewicht.

Ebenso wenig Marketing und Unterneh-

menskommunikation, was interessant

erscheint, liegen doch hier viele Poten-

ziale durch den Einsatz von Machine

Learning offen zu Tage (z.B. Kunden-

bindung, automatisiertes Media-Moni-

toring, Sentiment-Analysen der Social

Media-Kanäle etc.). Erklären lässt sich

dies nur durch die meist passive und

Technologie-agnostische Rolle, welche

das Marketing und die Kommunikation

in vielen Unternehmen oft einnehmen.

So treten diese beiden Unternehmens-

bereiche zwar als „Anforderer“ und

„Kunden“ auf, wollen sich aber nicht

tiefer für die Technologien und deren

Einführung im Unternehmen, sondern

primär auf deren Ergebnisse in der ei-

genen Domäne fokussieren.

Produktion und Logistik treiben den Einsatz von Machine Learning in vielen Unternehmen. Denn die er-folgreiche Realisierung von IoT- und Industrie 4.0-Projekten hängt auch maßgeblich an der effizienten und automatisierten Analyse der Daten.

Quelle: Crisp Research AG

Welche Unternehmensbereiche sind führend beim Einsatz von Machine Learning-Verfahren bzw. künstlicher Intelligenz in Ihrem Unternhmen?

n=197Mehrfachnennung

20,8% 25,6%

FuE / Produktentwicklung

26,2% 58,3%

Produktion, Qualitätsmanagement und Operations

ITLogistik

15,5% 24,4%

Vertrieb

14,9% 7,7%

Kundenservice & Support Marketing & KommunikationFinance & Controlling

Page 39: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 39

Funktionen und Anwendungsbereiche

Es ist in der Tat äußerst interessant zu

sehen, welche Lernstile, Frameworks,

Programmiersprachen und Algorithmen

zum Einsatz kommen. Doch welche

Funktionalitäten werden in den befrag-

ten Unternehmen benötigt? Und in wel-

chen Anwendungskontexten kommen

diese Funktionalitäten zum Einsatz?

Verallgemeinernd lässt sich feststel-

len, dass die Auswahl von Algorithmen

und Verfahren, die sich wiederum be-

stimmten Lernstilen zuordnen lassen,

meist durch eine bestimmte Funktion

determiniert ist, die es abzubilden gilt.

So können beispielsweise sogenannte

„Long short-term-Memory“-Algorith-

men, die der Gruppe der neuronalen

Netze und dem „Supervised Lear-

ning“ zuzuordnen sind, zur Bild- oder

Mustererkennung eingesetzt werden.

Die Erkennung bestimmter Bilder bzw.

Muster erfolgt beispielsweise, um die

Unterscheidung von Menschen und Ge-

genständen im Kontext des autonomen

Fahrens zu bewältigen und möglichst

treffgenau und schnell zu berechnen.

In diesem Fall ist das autonome Fah-

ren der Use Case, Bilderkennung die

Funktion von Machine Learning und

die neuronalen Netze die eingesetzten

Algorithmen. Wichtig zu beachten ist,

dass in der Realität meist eine ganze

Reihe von Algorithmen und Verfahren

eingesetzt werden, um eine oder meh-

rere Funktionen komplett abzubilden.

Meist müssen Verfahren in einer be-

stimmten Form kombiniert werden, um

im jeweiligen Anwendungskontext das

gewünschte Ergebnis zu liefern.

Quelle: Crisp Research AG

Vom Algorithmus zum Use Case - Eine Definition

Algorithmus: z. B. Long short-term memory

... definiert die Funktionsweise bzw. die Operationslogikdes einzelnen Algorithmus

Lernstil: z. B. Supervised Learning

... gibt an zu welcher Klasse von Algorithmen ein eingesetztes Verfahren zählt und beschreibt dessen Eigenschaften

Funktion: z. B. Bilderkennung

... definiert die konkrete Aufgabe, die ein oder mehrere Algorithmen bzw. Verfahren erfüllen sollen, wie z.B. Gesichtserkennung, Spracherkennung, Bilderkennung

Use Case: z. B. Autonomes Fahren

... beschreibt das breitere Anwendungsszenario für eine oder mehrere Machine Learning- Funktionen, die mittels verschiedener Algorithmen bzw. Verfahren errechnet bzw. analysieiert werden

Page 40: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 40

Im Beispiel des autonomen Fahrens

werden beispielsweise verschiedene

Verfahren eingesetzt, um Bild- und Vi-

deodaten verarbeiten und interpretie-

ren zu können und den Insassen sicher

von A nach B zu befördern.

Dies schlägt sich auch in den Befra-

gungsergebnissen nieder. So zeichnet

sich kein klares Top-Down-Ranking der

führenden Machine Learning-Funk-

tionen ab, sondern es lässt sich eine

breite Vielfalt an genutzten Funktionen

beobachten. Betrachtet man in der

Folge auch die sehr unterschiedlichen

Anwendungsszenarien bzw. Use Case,

erscheint dies nachvollziehbar. Für IT-

und Digitalisierungsverantwortlichen

bedeutet dies allerdings den Umgang

mit einer hohen Komplexität und Viel-

falt an technischen Möglichkeiten. Man

sollte sich darauf einstellen, dass der

Einsatz von Machine Learning in den

meisten Fällen kein „Quick Win“ ist,

sondern viel Know-How und den Willen

zum langfristigen Erfolg braucht. Denn

einerseits wird zur Auswahl der geeig-

neten Algorithmen und Verfahren viel

Expertise benötigt sowie andererseits

auch für das Training und die Opti-

mierung der Verfahren in der Prototy-

pen-Phase. Am Beispiel des autonom

fahrenden Autos wird klar, dass man

hier mit einer sehr geringen Fehlertole-

ranz arbeiten muss und auch die Perfor-

mance zur Berechnung eine elementare

Rolle spielt, weshalb auch der IT-Betrieb

und die Auswahl der richtigen IT-Infra-

struktur- und Plattform entscheidend ist

(vgl. Kapitel 5.6).

Stark vertreten ist heute schon die Bil-

danalyse bzw. Bilderkennung. So gaben

52 Prozent der Befragten an, dass die-

se Machine Learning-Funktionalität im

eigenen Unternehmen genutzt werde.

Dies kann beispielsweise in der Indust-

rie der Fall sein, um einen Fremdkörper

auf einem Förderband zu identifizieren,

eine falsche Einfärbung eines Produktes

zu detektieren oder auch ein Straßen-

schild zu erkennen, um von einem au-

tonomen Fahrzeug interpretiert werden

zu können. Zukünftig wird die Bilderken-

nung zugunsten der Videoanalyse et-

was an Relevanz verlieren. Bedenkt man

die starke Zunahme von Video-Content

im privaten wie Unternehmenskontext,

erscheint dies nachvollziehbar. Deren

Einsatzgrad steigt nach Aussage der

Befragten von derzeit 21 Prozent auf zu-

künftig 35 Prozent. Hinzu kommt, dass

die Bilderkennung vor allem im Rahmen

der Evaluierung und des Prototyping

von Machine Learning-Technologien

zur Anwendung kommt. Dies ist unter

anderem der Tatsache geschuldet, dass

die meisten Dokumentationen von Ma-

chine Learning Frameworks mit Beispie-

len aus diesem Bereich den Einstieg

beschreiben.

In Zeiten, in denen immer mehr Nutzer

mit ihren Smartphones und anderen

Vielfalt bestimmt den Einsatz von Machine Learning-Funktionalitäten. Bedingt durch das breite Spektrum an Use Cases und Anforderungen müssen die Unternehmen auch unterschiedliche Funktionen einset-zen. Um die daraus resultierende Komplexität zu managen ist viel Expertise gefordert.

Bildanalyse und Bilderkennung sind vielfältig einsetzbar und zudem für viele Unternehmen der Einstieg ins Machine Learning im Rahmen ers-ter Prototypen und erster Projekte. Diese wird zukünftig zugunsten der Video-Analyse etwas an Relevanz verlieren.

Page 41: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 41

IoT-Devices per Sprache interagieren,

sind Machine Learning-Verfahren zur

Sprachsteuerung und Spracherkennung

elementar wichtig. So nutzen diese

schon heute 42 Prozent der befragten

Unternehmen, die sich mit Machine Le-

arning auseinandersetzen, Tendenz stei-

gend. Eng verbunden mit der Funktion

der Spracherkennung und Sprachsteu-

erung ist das „Natural Language Pro-

cessing“ und die Textanalyse – sprich

die semantische Erfassung von vorher

decodierten Sprachinhalten oder auch

Texten. Diese nutzen heute schon 35

Prozent der Unternehmen, zukünftig

rund 40 Prozent, wobei diese Gruppe

an Funktionalitäten wichtige Baustei-

ne für moderne konversationsbasierte

Interfaces darstellen. Das enorme Po-

tential der Sprachsteuerung lässt sich

erahnen, wenn man sich die aktuellen

Entwicklungen und Trends bei der Neu-

gestaltung der relevanten Interfaces zur

Bedienung von Smartphones, Tablet

und Desktop Computern anschaut. Hier

geht es um Milliarden Endgeräte und

Nutzer sowie die Möglichkeit, Sprach-

eingabe erstmalig hochgradig zu auto-

matisieren und langfristig verwertbar zu

machen.

Auch für das Ranking von Ergebnissen

und Daten besitzt Machine Learning

eine hohe Relevanz für Unternehmen

(38 Prozent Einsatz), ebenso wie für

Übersetzungen bzw. Transkriptionen (37

Prozent). Im Zusammenspiel sind die

unterschiedlichen Funktionalitäten be-

sonders sinnvoll, wenn beispielsweise

die Analyse eines Videos mit der Tran-

skription des gesprochenen Wortes in-

Spracherkennung und –Verar-beitung werden im Smartpho-ne-Zeitalter zur Kernfunktionalität vieler Kundeninteraktions- und Service-Prozesse. Entsprechen-de Machine Learning-Funktionen spielen heute wie zukünftig eine zentrale Rolle.

Quelle: Crisp Research AG

Welche Machine Learning Funktionalitäten nutzen Sie?

n=168Mehrfachnennung

Bildanalyse / Bilderkennung 52,4%

0%

Sonstige Verfahren zur Musteridentifizierung

Sprachsteuerung / Spracherkennung

Ranking

Übersetzung / Transkription

Textanalyse / Natural Language Processing (NLP)

Intelligente Bots / Assistenten

Gesichtserkennung / Mimik / Gestik

Videoanalyse

Sentimentanalyse

29,2%

42,3%39,9%

41,7%42,9%

37,5%31,0%

36,9%34,5%

35,1%41,1%

32,1%33,3%

29,8%32,7%

21,4%35,1%

20,8%30,3%

10% 20% 30% 40% 50%

HeuteZukünftg

Page 42: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 42

nerhalb der Aufzeichnung dann direkt

in eine andere Sprache übersetzt wer-

den kann. Oder es werden in Bildern

einzelne Elemente anhand von Mustern

identifiziert und dem Nutzer anschlie-

ßend ein Ranking der möglichen Inhalte

des Bildes zurückgegeben.

Auch wenn das Thema noch Trendcha-

rakter hat und die Technologien recht

neu sind, gaben rund ein Drittel der Ent-

scheider an, dass ihr Unternehmen be-

reits Machine Learning im Kontext der

Entwicklung von sogenannten „Bots“

bzw. digitalen Assistenten einsetzt.

Aber auch die Gesichtserkennung (30

Prozent) und die Sentimentanalyse

spielen schon für einen substanziellen

Teil der Unternehmen eine Rolle in de-

ren Machine Learning-Strategien. Darü-

ber hinaus setzen 40 Prozent der Unter-

nehmen noch auf andere Verfahren der

Mustererkennung im Rahmen von un-

ternehmens- und branchenbezogenen

Anwendungsszenarien.

Doch welches sind nun die Anwen-

dungsszenarien, in denen die oben

beschriebenen Machine Learning-Funk-

tionalitäten eingesetzt werden? Im Be-

reich der Customer Experience und des

Marketings ist aktuell die Kundenseg-

mentierung mit 54 Prozent ein zentraler

Use Case, der ähnlich wie die Bilder-

kennung Prototypencharakter hat und

zukünftig zugunsten anderer Use Cases

an Relevanz abnimmt.

In Zukunft ist für die Marketingentschei-

der vor allem die Spracherkennung (43

Prozent) als Anwendungsszenario inte-

ressant, was vor dem Hintergrund von

digitalen Assistenten, der Automati-

sierung von Call Center-Abläufen und

dem Wunsch zur Echtzeit-Kommunika-

tion mit dem Kunden nachvollziehbar

erscheint. In diesem Kontext ist auch

die Personalisierung von Produktemp-

fehlungen zu sehen, die von knapp 40

Prozent der Marketingentscheider als

relevanter Use Case angegeben wurde.

Im Bereich der Produktion und der Pro-

zesse ist und bleibt die Prozessoptimie-

rung mit etwas über 40 Prozent der Nen-

nungen die Hauptaufgabe für Machine

Learning der nächsten Jahre. Nach An-

gaben der befragten Entscheider ist zu-

dem von einem starken Wachstum von

Predictive Maintenance- (von 20 auf 29

Prozent) und Telematik-Anwendungen

(von 17 auf 29 Prozent) auszugehen. So-

mit planen rund ein Drittel, derjenigen

Unternehmen, die sich heute mit Machi-

ne Learning beschäftigen, in den kom-

menden Jahren hier konkrete Projekte

und Initiativen.

Ebenso gibt es eine klare Roadmap für

den Kundendienst. Use Cases im Kon-

text von Diagnosesystemen sehen hier

46 bzw. zukünftig 45 Prozent der Ent-

scheider als wichtigstes Einsatzfeld an.

Als neues Thema entwickelt sich die

Sentimentanalyse mittels Machine Lear-

ning dynamisch.

Automation First – Neben klassi-scher Prozessoptimierung plant rund ein Drittel der Produktions-entscheider konkrete Machine Learning-Use Cases im Kontext von Predictive Maintenance und Telematik.

Allzweckwaffe Machine Learning – Von der Kundensegmentierung, über Predictive Maintenance bis hin zum Talent Management. Ma-chine Learning hat ein sehr breites Einsatzspektrum im Unternehmen. Entscheider tun gut daran, die Technologien möglichst breit zu evaluieren, um keine Innovationspo-tenziale brach liegen zu lassen.

Page 43: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 43

Quelle: Crisp Research AG

Heutige und zukünftige Anwendungsbereiche von Machine Learning nach Unternehmensbereichen

n=168Mehrfachnennung

Cus

tom

er E

xper

ienc

e

0% 10% 20% 30% 40% 50%

HeuteZukünftig

53,6%

Gesichtserkennung

Spracherkennung

Personalisierte Produktempfehlungen

Kundensegmentierung

33,9%

42,3%37,5%

41,7%43,5%

25,6%31,6%

0% 10% 20% 30% 40%

45,8%43,5%

27,4%32,1%

19,6%29,2%

17,3%29,2%

Pro

dukt

ion

und

Pro

zess

e

Kun

dend

iens

t un

d S

uppo

rt

IT-A

btei

lung

Man

agem

ent,

Fin

ance

und

HR

Pro

cure

men

t un

d S

uppl

ier

Man

agem

ent

Telematik

Predictive Maintenance

Garantie-Analysen

Prozessoptimierungen

0% 10% 20% 30% 40% 50% 0% 10% 20% 30% 40%

Sentiment-Analysen (z.B. positive / negative Meinungen oder Äußerungen)

Analyse von Call-Center Kommunikation

Automatisierte Lösungsempfehlung für den Kundendienst

Diagnosesysteme45,8%45,2%

39,9%33,3%

35,7%32,1%

25,0%33,3%

Diagnosesysteme

Dokumentenklassifizierung

Spamerkennung

E-Mail-Klassifizierung48,8%

47,0%

48,2%38,1%

38,7%34,7%

33,9%41,1%

0% 10% 20% 30% 40%

Decision Making / Decision Support

Verbrauchsvorrausage / Demand Forecasting

Supplier Risikoanalysen

Digital Supply Chain27,4%

44,1%

24,4%33,9%

19,1%33,9%

12,5%29,2%

0% 10% 20% 30% 40%

Risikomanagement

Forecasting / Prognosen

Sonstiges

Lead Priorisierung

Trainingsempfehlungen

Lebenslauf Screening

Talent Management

43,5%43,5%

34,5%29,8%

28,6%20,8%

28,0%25,6%

25,6%35,7%

23,8%33,3%

18,5%42,9%

Page 44: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 44

So plant rund ein Drittel der jeweiligen

Entscheider (33 Prozent) ihren Kunden-

dienst und Support, durch ein besseres

Verständnis der Kundenmeinung opti-

mieren und anpassen zu können.

In den IT-Abteilungen sind E-Mail-Klas-

sifizierung (49 Prozent) und Spam-Er-

kennung (48 Prozent) die heutigen

Fokusthemen, aber auch in der Doku-

mentenklassifizierung werden Machine

Learning-Verfahren heute schon von

rund einem Drittel der Unternehmen

eingesetzt. Zukünftig werden intelli-

gente Monitoring- und Diagnosesyste-

me (41 Prozent) für die IT-Entscheider

immer wichtiger, um ihre komplexen

Multi Cloud- und IT-Landschaften bes-

ser überwachen und administrieren zu

können. Hier ist eine manuelle Über-

wachung durch Personal vielfach nicht

mehr möglich, da die Vielzahl der Sys-

teme und die hohe Frequenz deren Sta-

tusinformationen die Auffassungsgabe

und das Reaktionsvermögen von Men-

schen um ein Vielfaches übersteigen.

Automation und Mustererkennung im

Rahmen von Machine Learning-Verfah-

ren können hier einen Mehrwert liefern.

LERNSTILE, VERFAHREN UND

MACHINE LEARNING-FRAMEWORKS

Betrachtet man die Ergebnisse im Hin-

blick auf die Bekanntheit einzelner Lern-

stile, so haben die Entscheidungsträger

ihre Hausaufgaben gemacht und sind

gut informiert. Immerhin kannten mehr

als 50 Prozent der Unternehmen jeden

der zur Auswahl stehenden Lernstile.

Am bekanntesten ist das „Supervised

Learning“, im Deutschen „Überwach-

tes Lernen“ genannt, mit 65 Prozent.

Bei diesem Verfahren gibt es Daten,

die bereits eine eindeutige Zuordnung

zu einem Ergebnis aufweisen. Als ein

Beispiel kann man sich hier eine Menge

von Bildern oder Dokumenten vorstel-

len, die durch Nutzer bereits per Hand

eine gewisse Menge an sogenannten

Tags oder Labeln zugewiesen bekom-

men haben. Mit Hilfe dieser Daten kann

dann der Algorithmus trainiert werden.

Ferner ermöglicht dieses Verfahren die

Bewertung des trainierten Modells, in-

dem ein Teil der vorliegenden Daten

als Trainingsdaten genutzt wird und

der zweite Teil als Testdatensatz zur Be-

wertung und Kontrolle der Ergebnisse

durch das Modell.

Page 45: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 45

Auf Platz zwei der Bekanntheit (63 Pro-

zent) finden wir das „Reinforcement Le-

arning“ wieder. Hier wird der Lernpro-

zess durch ein Feedback der Umwelt

beeinflusst und stückweise angepasst.

Ein Beispiel hierfür ist das Erlernen ei-

nes Spiels. Der Ausgang des Spiels

fließt dann in die Gewichtung von Spiel-

zügen in der nächsten Runde ein. Somit

würde das Modell mit einer höheren

Wahrscheinlichkeit einen Spielzug wie-

derholen oder eben vermeiden.

Das „Unsupervised Learning“ oder

auch „Unüberwachtes Lernen“ kam

auf 57 Prozent Bekanntheit. Bei diesen

Lernstilen gibt es keine vorher klassifi-

zierten oder mit Annotationen versehe-

nen Daten. Diese Verfahren finden häu-

fig bei der Segmentierung von Daten

oder dem Clustering, also der Gruppie-

rung von Daten Einsatz.

Mit 56 Prozent am wenigsten, aber den-

noch recht bekannt unter den Befrag-

ten, ist das „Teilüberwachte Lernen“

oder auch „Semi-Supervised Learning“.

Hier gibt es häufig eine große Menge

an nicht klassifizierten und unstruktu-

rierten Daten, wie beispielsweise Text-

dokumente aus der Kundeninteraktion,

die dann mit Hilfe einer kleinen Menge

von manuell klassifizierten Daten dem

Lernalgorithmus übergeben wird.

Führend im Einsatz sind Algorithmen

aus dem Bereich der Supervised Lern-

stile (35 Prozent). Die Algorithmen des

Semi-Supervised Lernstils folgen mit 30

Prozent Verbreitung in der Anwendung.

Knapp ein Viertel der befragten Ent-

scheider nutzt noch das Reinforcement

Learning. Lediglich 18 Prozent nutzen

das Unsupervised Learning.

Quelle: Crisp Research AG

Welche Lernstile aus dem Bereich des Machine Learning kennen Sie und setzen Sie ein?

n=168Mehrfachnennung

Supervised Learning 35,1%

0% 10% 20% 30% 40% 60%

Im EinsatzBekannt

50%

64,9%

29,8%56,0%

24,4%62,5%

18,5%57,1%

Semi-supervised Learning

Reinforcement Learning

Unsupervised Learning

Hausaufgaben gemacht – Mehr-heit der Entscheider kennt sich mit den verschiedenen Lernstilen und Methoden des Machine Learning aus. Eine gute Basis für die Evalu-ierung von konkreten Technologien und Use Cases.

Page 46: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 46

Bei der genaueren Betrachtung der

einzelnen Lernstile auf Ebene der Bran-

chen fällt auf, dass die Verteilung stark

unterschiedlich ist. Wo die Automobil-

branche beispielsweise stark auf das Se-

mi-Supervised und Supervised Learning

setzt, ist es bei den Banken und Versi-

cherungen tendenziell eher das Rein-

forcement Learning.

Dies kann auf die Verfügbarkeit ak-

tuell wachsender Datenbestände zu-

rückzuführen sein. Insgesamt lässt sich

feststellen, dass die Lernstile aus dem

Bereich des Semi-Supervised und Su-

pervised Learning am häufigsten zum

Einsatz kommen. Es folgt das Reinforce-

ment Learning und dann erst das Unsu-

pervised Learning.

Vertrauen ist gut, Kontrolle ist bes-ser – Derzeit setzt noch die Mehr-heit der Unternehmen auf kontrol-lierte bzw. überwachte Lernstile und Machine Learning-Verfahren. Mit der dynamischen Entwicklung des Deep Learning und mehr Erfah-rung, wird auch das „Unsupervised Learning“ an Relevanz gewinnen.

Reinforcement Learning

Semi-supervised Learning

Supervised Learning Unsupervised

Learning

Automobil und

Automobilzulieferer0,0% 60,0% 0,0% 20,0%

Maschinen- und

Anlagenbau5,9% 5,9% 23,5% 5,9%

Chemische Industrie 10,0% 30,0% 50,0% 0,0%

Metallverarbeitende

Industrie15,4% 23,1% 7,7% 15,4%

Konsumgüter und

Handel31,3% 31,3% 50,0% 18,8%

Logistik und Verkehr 33,3% 50,0% 50,0% 16,7%

Banken und

Versicherungen38,1% 23,8% 28,6% 28,6%

Professionelle

Dienstleistungen30,8% 15,4% 30,8% 7,7%

Pharma und

Gesundheitswesen11,1% 11,1% 33,3% 11,1%

IT, Telekommunikation

& Media35,3% 50,0% 47,1% 32,4%

Öffentlicher Sektor und

Bildung16,7% 22,2% 33,3% 16,7%

Einsatz der unterschiedlichen Lernstile nach Branchen (n=168)

Page 47: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 47

Nachdem nun also der Einsatz der un-

terschiedlichen Lernstile untersucht

worden ist, widmet sich die Studie im

Folgenden den konkreten Algorithmen

des Machine Learning.

Der Bekanntheitsgrad der abgefragten

Machine Learning-Algorithmen ist bei

allen befragten Entscheidungsträgern

mit einem Minimum von 40 Prozent

recht hoch. Auch der Einsatz der Algo-

rithmen pendelte sich zwischen 16 und

29 Prozent ein und signalisiert, dass die

Unternehmen nicht auf einzelne Algo-

rithmen, sondern einen Mix an Verfahren

setzen, um ihre vielfältigen Aufgaben

zu lösen. Die am häufigsten genutzten

Algorithmen sind mit 29 Prozent Cluste-

ring Algorithmen. Die TOP-5 komplet-

tieren mit jeweils 23 Prozent Decision

Tree Algorithmen, Instance-based Al-

gorithmen, die Dimensionality Reduc-

tion und die bayesschen Algorithmen

(20 Prozent). Artificial Neural Networks

selbst kommen mit nur 16 Prozent noch

deutlich weniger zum Einsatz.

Bei den Automobilbauern und der

chemischen Industrie lassen sich bei

der Auswahl der Algorithmen gewisse

Trends erkennen. Die am häufigsten

verwendeten Algorithmen sind hier mit

50 bzw. 60 Prozent vertreten. Auch in an-

deren einzelne Trends. Dies sind beim

Maschinen und Anlagenbau und eben-

so bei der metallverarbeitenden Indust-

rie die Clustering Algorithmen, gleiches

gilt für den Bereich der Konsumgüter

und den Handel. Im Logistik-Bereich

ist die Dimensionality Reduction sehr

häufig in Anwendung. Bei den Banken

und Versicherungen ist für die Entschei-

dungsfindung oftmals ein Decision Tree

Algorithmus im Einsatz.

Quelle: Crisp Research AG

Welche der folgenden Machine Learning-Algorithmen sind Ihnen bekannt und setzen Sie ein?

n=168Mehrfachnennung

Clustering Algorithms

0% 10% 20% 30% 40% 60%

Im EinsatzBekannt

50%

28,6%51,8%

22,6%51,8%

22,6%53,6%

22,6%41,7%

19,6%45,8%

19,1%58,9%

17,9%40,5%

16,1%50,0%

Instance-based Algorithms

Decision Tree Algorithms

Dimensionality Reduction

Bayesian Algorithms

Regression Algorithms

Ensemble Methoden

Artificial Neural Network Algorithms

Algorithmen-Mix – Trotz einiger Schwerpunkte in einzelnen Bran-chen, setzen die Unternehmen auf verschiedene Algorithmen und Verfahren, um ihre vielfältigen Use Cases abzubilden.

Page 48: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 48

Die Branchen, in denen sich die Algo-

rithmen weitestgehend gleich verteilen

sind die professionellen Dienstleistun-

gen, der Bereich Pharma und das Ge-

sundheitswesen, die IT, die Telekom-

munikation und die Medien, sowie der

öffentliche Sektor und die Bildung.

Trotz dieser Trends muss konstatiert

werden, dass die Mehrheit der Unter-

nehmen und Branchen nicht einzelne

Algorithmen, sondern eine Vielfalt an

Algorithmen und Verfahren einsetzt, um

ihren Herausforderungen zu begegnen

bzw. ihre Machine Learning-Use Cases

zu realisieren.

Regression Algorithms

Instan-ce-based

Algorithms

Decisi-on Tree

Algorithms

Bayesian Algorithms

Clustering Algorithms

Artificial Neural

Network Algorithms

Dimen-sionality

Reduction

Automobil und

Automobilzulieferer20,0% 40,0% 40,0% 20,0% 60,0% 60,0% 20,0%

Maschinen- und

Anlagenbau17,7% 0,0% 11,8% 11,8% 11,8% 0,0% 17,7%

Chemische Industrie 20,0% 30,0% 50,0% 20,0% 30,0% 0,0% 30,0%

Metallverarbeitende

Industrie15,4% 7,7% 15,4% 23,1% 46,2% 0,0% 15,4%

Konsumgüter und

Handel18,8% 31,3% 12,5% 18,8% 25,0% 6,3% 12,5%

Logistik und Verkehr 8,3% 8,3% 16,7% 25,0% 33,3% 16,7% 41,7%

Banken und

Versicherungen23,8% 33,3% 42,9% 14,3% 28,6% 23,8% 23,8%

Professionelle

Dienstleistungen23,1% 23,1% 7,7% 15,4% 15,4% 0,0% 7,7%

Pharma und

Gesundheitswesen22,2% 22,2% 33,3% 11,1% 11,1% 11,1% 0,0%

IT, Telekommunikation

& Media20,6% 29,4% 20,6% 29,4% 35,3% 35,3% 35,3%

Öffentlicher Sektor und

Bildung16,7% 22,2% 16,7% 16,7% 27,8% 16,7% 22,2%

Nutzung von Machine Learning-Algorithmen nach Branchen (n=168)

Page 49: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 49

Welche Programmiersprachen und Fra-

meworks setzen die Unternehmen ein,

um die bevorzugten Algorithmen zu

implementieren? Java! Mit knapp 70

Prozent Einsatzgrad ist Java die der-

zeit führende Programmiersprache im

Bereich des Machine Learning. Aller-

dings mit abnehmender Tendenz und

zugunsten anderer und teils spezielle-

rer Programmiersprachen und Frame-

works. Es profitieren zukünftig vor allem

R und Python sowie Hadoop. Aber auch

Spark, Vowpal Wabbit und Weka. In der

Regel kommen im explorativen Umfeld

vor allem Python und R zum Einsatz und

die Implementierung für den Produk-

tivbetrieb erfolgt dann häufig in Java

oder .NET. Die Verschiebung von Java

und .NET zu den anderen Sprachen ist

maßgeblich in den verfügbaren Res-

sourcen und Skills zu sehen. So sind

Java- und .NET-Entwickler in den meis-

ten Unternehmen und bei den meisten

IT-Dienstleistern verfügbar, während

Skills in Vowpal Wabbit oder Spark noch

eher selten sind, auch wenn sich diese

in bestimmten Einsatzszenarien besser

einsetzen lassen. Zudem lässt sich be-

obachten, dass Open Source auch im

Kontext der Implementierung von Ma-

chine Learning ein ernst zu nehmender

Faktor wird.

Quelle: Crisp Research AG

Welche Programmiersprachen / Frameworks setzen Sie heute oder zukünftig im Bereich Machine Learning ein?

n=168Mehrfachnennung

Java

0% 10% 20% 30% 40% 60%

HeuteZukünftig

50%

69,1%

.Net

R (Open Source)

Python (Scikit/Theano/...)

H2O

Matlab

R (Anbieterlösung, e.g. Revolution R)

Hadoop

Scala / Spark

Weka

Vowpal Wabbit

Kofax

70%

41,7%

32,1%25,6%

22,0%32,7%

16,1%22,0%

16,1%19,6%

16,0%19,6%

15,5%19,1%

14,3%22,6%

13,7%17,9%

10,1%20,2%

9,5%19,1%

1,2%1,2%

Page 50: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 50

Renaissance der neuronalen Netzwerke: Deep Learning im Unternehmen

Einige Jahrzehnte lang fristeten Algo-

rithmen, welche auf neuronalen Netzen

basieren, ihr Dasein im Dunkeln. Bereits

1949 wurden die ersten neuronalen

Lernregeln von Donald O. Hebb be-

schrieben und sind als Hebbsche Lern-

regel bekannt. Im Laufe der Zeit kamen

zunehmend neue wissenschaftliche

Erkenntnisse hinzu und es entstanden

mehr Algorithmen in diesem Umfeld.

Doch diese Algorithmen suchten ver-

zweifelt nach der notwendigen Rechen-

leistung, um die Vorteile dieser Algo-

rithmen zum Vorschein zu bringen.

Professor Jürgen Schmidhuber gilt als

einer der führenden Wissenschaftler

in diesem Umfeld und publiziert seit

Ender der 1980er Jahre im Umfeld von

tiefen künstlichen neuronalen Netzen

(RNN – Rekurrente Neurale Netzwer-

ke). Diese sind unter dem Begriff Deep

Learning aktuell in aller Munde. Denn

die rückgekoppelten Neuronalen Net-

ze, schaffen es durch ihre Tiefe Berei-

che, wie z.B. die Handschrifterkennung,

die Spracherkennung, das maschinelle

Übersetzen oder auch die automatische

Bildbeschreibung, zu revolutionieren.

Zu revolutionieren deshalb, weil damit

eine Präzision erreicht werden kann,

die teilweise sogar die Fähigkeiten des

Menschen übertrifft. Aus diesem Grund

ist momentan auch die Presse durchzo-

gen mit Meldungen über neue Rekorde

und neue Präzisionsdimensionen im Be-

reich des Deep Learning.

Deep Learning ist zunächst einmal eine

Form des Machine Learning, welche ein

Modell benutzt, das dem menschlichen

Gehirn in Ansätzen nachempfunden ist.

In diesem Fall handelt es sich um die

neuronalen Netzwerkstrukturen in un-

seren Köpfen. Ein Neuron ist innerhalb

dieses Netzwerkes mit vielen anderen

verbunden. Das Neuron selbst hat in

der Informatik individuell gewichtete

Eingangswerte. Das Neuron berechnet

dann aus den Eingangswerten über

eine Funktion einen Ausgangswert. Die-

se Ausgangswerte kann man nun durch

die Organisation von Neuronen in un-

terschiedlichen Ebenen zu neuronalen

Netzwerken verbinden. Die neurona-

len Netze spannen Ebenen von unter-

schiedlicher Komplexität auf. In der

ersten Ebene beginnt die Maschine mit

der Identifizierung von relativ einfachen

Mustern. Dies kann zum Beispiel bei ei-

nem Röntgenbild die Helligkeit der ein-

zelnen Pixel sein.

In der nächsten Ebene kommen dann

Kanten oder Formen hinzu. In der dar-

auffolgenden Schicht Formen und Ob-

jekte. Dabei fließen immer mehr Bei-

spieldaten durch die neuronalen Netze,

wodurch die internen Verknüpfungen

kontinuierlich optimiert werden.

Page 51: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 51

Je mehr Daten zum Trainieren zur Verfü-

gung stehen, umso besser das Resultat

und die trainierte Künstliche Intelligenz.

Am Ende hat die Maschine dann ge-

lernt, wie man beispielsweise anhand

von Lungen-CT-Bildern potentielle

Krebsgeschwüre diagnostiziert.

Dies geschieht dann mit einer Präzisi-

on, die der vom Menschen überlegen

ist. Durch die starke Gamer-Gemeinde

in den letzten Jahrzehnten wurden ne-

ben den hoch-performanten CPU-Chips

auch sehr leistungsstarke GPU-Chips

(Grafikprozessoren) entwickelt, die ge-

rade für das Deep Learning ein opti-

males Einsatzgebiet sind, weil deren

Performance deutlich über denen von

CPU-Chips in diesem Bereich liegt.

Was die Maschinen lernen und welche

Regeln sie anwenden, um ihre Ergeb-

nisse zu erlangen, ist größtenteils nicht

einsehbar und bleibt dem menschli-

chen Intellekt verschlossen. Einen Auf-

schwung erlangten die neuronalen Net-

ze durch die gestiegene Verfügbarkeit

von Rechnerressourcen (Cloud Compu-

ting) und die Verfügbarkeit von öffentli-

chen Datensätzen in großer Anzahl und

hoher Qualität.

Für Unternehmen ergeben sich viele

unterschiedliche Einsatzbereiche von

der Merkmalsidentifizierung in Bilder,

über Videoanalysen von autonomen

Fahrzeugen bis hin zur automatischen

Sprachverarbeitung. Doch wie weit ver-

breitet ist das Deep Learning in den Un-

ternehmen?

Quelle: Crisp Research AG

Deep Learning in exemplarischen Schritten

Ebene 1 Ebene 2 Ebene 3 Ebene n

Anstieg in der Komplexität der Merkmale

Page 52: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 52

Knapp die Hälfte (48 Prozent) der be-

fragten Entscheidungsträger hat bislang

von Deep Learning zumindest gehört

oder gelesen, sich jedoch noch nicht

näher damit beschäftigt oder den Wert

für das eigene Unternehmen bewertet.

Immerhin 21 Prozent der Unternehmen

sind bereits in einer Evaluationspha-

se für dieses Verfahren. Sie haben also

bereits erste Erkenntnisse gesammelt

und arbeiten an Prototypen, um das ge-

wünschte Einsatzszenario zu validieren.

Weitere fünf Prozent der Unternehmen

sind bereits einen Schritt weiter und

haben Deep Learning im Einsatz. Un-

bekannt ist dieser Bereich des Machine

Learning 26 Prozent aller befragten Teil-

nehmer und Teilnehmerinnen.

Blickt man auf die verschiedenen Unter-

nehmenstypen, so fällt auf, dass Star-

tups und Konzerne beim Einsatz von

Deep Learning eindeutig die Nase vorn

haben. So gab jedes fünfte Machine Le-

arning-affine Start-up an, schon Deep

Learning-Verfahren im eigenen Unter-

nehmen einzusetzen. Bei den Konzer-

nen gaben dies immerhin 7 Prozent zu

Protokoll. Start-ups haben in der Regel

wenig Berührungsängste vollkommen

neue Technologien einzuführen und

auch keine Angst vor Risiken, die sich

potenziell durch Verfahren wie Deep

Learning ergeben. Dass diese wie eine

„Black Box“ funktionieren, deren Er-

gebnisse von außen nur schwer nach-

vollziehbar sind, stört die Start-up-Un-

ternehmen nicht, sofern sich damit

neue und disruptive Geschäftsmodelle

implementieren lassen.

Quelle: Crisp Research AG

Ist Ihnen Deep Learning bekannt?

n=164Einfachnennung

25,6% 47,6%

Nein ist mir nicht bekannt

21,4% 5,4%

Ja, habe ich von gelesen, aber noch mich noch nicht mit beschäftigt

Ja, haben wir bereits seit einiger Zeit im Einsatz

Ja, wir evaluieren im Moment den Einsatz von Deep Learning

Deep Learning – Die nächste Gene-ration von neuronalen Netzen steht in den Startlöchern. So evaluiert jedes fünfte Unternehmen, das sich mit Machine Learning beschäftigt, die neuen Algorithmen.

Neugier zählt – Start-ups und Konzerne sind die klaren Vorreiter beim Einsatz von Deep Learning. Hier existieren keine Berührungs-ängste vor den neuen Verfahren, die ähnlich einer Black Box funktio-nieren.

Page 53: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 53

Im öffentlichen Sektor ist das Thema

noch weitgehend unbekannt. Im Mit-

telstand und den Familienunterneh-

men können Entscheider das Thema

zumindest zuordnen und haben schon

davon gehört bzw. gelesen. Interessant

erscheint für die weitere Entwicklung,

dass der Anteil derjenigen, die Deep

Learning heute schon evaluieren im

öffentlichen Sektor, den Familienunter-

nehmen und den Konzernen zwischen

16 und 24 Prozent liegt. Geht man da-

von aus, dass ein Großteil der ersten

Prototypen und PoCs erfolgreich ver-

läuft, kann man davon ausgehen, dass

Deep Learning in den kommenden Jah-

ren eine dynamische Verbreitung findet

– und zwar weit über die Grenzen der

Start-ups hinaus.

In der Branchen-Perspektive ergeben

sich ebenfalls einige interessante Mus-

ter, die größtenteils mit den Ergebnis-

sen zum generellen Einsatz von Machi-

ne Learning übereinstimmen. So liegt

beispielsweise die Vorreiter-Branche

Automotive auch beim Einsatz von

Deep Learning vorne. So gaben 20 Pro-

zent der Entscheider aus diesem Seg-

ment an, Deep Learning schon heute zu

nutzen. Auch kennen hier alle Befragten

die Technologie bzw. das Thema. Zu

den weiteren Innovatoren im Kontext

Machine Learning zählen ausgewählte

Quelle: Crisp Research AG

Bekannheit von Deep Learning nach Unternehmenstyp

n=164Einfachnennung

20,0%

Nein ist mir nicht bekannt Ja, habe ich von gelesen, aber noch mich noch nicht mit beschäftigt

Ja, haben wir bereits seit einiger Zeit im Einsatz

Ja, wir evaluieren im Moment den Einsatz von Deep Learning

20,0%

30,0%30,0%

21,1%

6,7%

24,4%

47,8%

20,5%

61,4%

15,9%2,3%

23,8%

28,6%

47,6%

Start-up / Internet: Konzern:

Familienunternehmen/ Mittelstand:

Öffentliche Hand:

Page 54: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 54

Teile der chemischen Industrie (10 Pro-

zent) und die IT-, Telekommunikations-

und Medienbranche (15 Prozent), dicht

gefolgt von den Dienstleistungsunter-

nehmen (8 Prozent) und den Banken

und Versicherungen (5 Prozent).

Es gilt wiederholt, dass sich innerhalb

einiger Branchen ein großer Graben

zwischen den Innovatoren und den

„Late Adoptern“ auftut. Dies gilt bei-

spielsweise für den Automobilsektor

und die Chemie.

Nein ist mir nicht bekannt

Ja, habe ich von gelesen, aber mich noch nicht mit be-

schäftigt

Ja, wir evaluieren im Moment den Einsatz von Deep Learning

Ja, haben wir bereits seit einiger Zeit im

Einsatz

Automobil und

Automobilzulieferer0,0% 60,0% 20,0% 20,0%

Maschinen- und

Anlagenbau41,2% 35,3% 23,5% 0,0%

Chemische Industrie 0,0% 80,0% 10,0% 10,0%

Metallverarbeitende

Industrie7,7% 76,9% 15,4% 0,0%

Konsumgüter und

Handel31,3% 43,8% 25,0% 0,0%

Logistik und Verkehr 41,7% 33,3% 25,0% 0,0%

Banken und

Versicherungen14,3% 57,1% 23,8% 4,8%

Professionelle

Dienstleistungen30,8% 23,1% 38,5% 7,7%

Pharma und

Gesundheitswesen33,3% 44,4% 22,2% 0,0%

IT, Telekommunikation

& Media20,6% 47,1% 17,7% 14,7%

Öffentlicher Sektor und

Bildung44,4% 38,9% 16,7% 0,0%

Bekanntheit und Einsatz von Deep Learning nach Branchen (n=168)

Page 55: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 55

Auch im Bereich des Deep Learning

gibt es viele unterschiedliche Frame-

works und Bibliotheken, die man nutzen

kann, um sein Projektvorhaben zu rea-

lisieren. Neben den Cloud Plattformen

gibt es eine Reihe von offenen Frame-

works und Bibliotheken, die zur Imple-

mentierung von Deep Learning-basier-

ten Algorithmen geeignet sind. Diese

kommen zum Teil aus der Forschung,

aber auch direkt als Open Source-Pro-

jekt von den großen Internetfirmen, wie

beispielsweise das Computational Net-

work Toolkit (Microsoft) und Tensorflow

(Google).

Die bekanntesten Bibliotheken bei den

Unternehmen sind

❚ DeepLearnToolbox,

❚ Caffee und

❚ Computational Network Toolkit

(CNTK)

Am meisten genutzt werden derzeit die

DeepLearnToolbox (33 Prozent), Deep-

learning4j und Chainer (31 Prozent), so-

wie Caffee (24 Prozent). In Zukunft wird

die DeepLearnToolbox (38 Prozent)

auch weiterhin am stärksten genutzt.

Deeplearning4j wird dann bei 29 Pro-

zent der Unternehmen eingesetzt.

Quelle: Crisp Research AG

Welche Deep / Machine Learning Packages kennen Sie, setzen Sie ein oder planen Sie einzusetzen?

n=45Mehrfachnennung

DeepLearnToolbox 60,0%

Caffee

Computational Network Toolkit

Deeplearning4j

Chainer

Keras

Tensorflow

Torch

CuDNN

ND4J

Theano

convnet / convnetjs

Gensim

MXNet

0% 20% 40% 60%

57,8%

55,6%

55,6%

48,9%

46,7%

46,7%

46,7%

42,2%

42,2%

42,2%

40,0%

35,6%

35,6%

Bekannt: Einsatz heute:

0% 10% 20% 30%

33,3%

24,4%

17,8%

31,1%

31,1%

17,8%

15,6%

17,8%

15,6%

17,8%

20,0%

20,0%

11,1%

15,6%

0% 10% 20% 30%

Einsatz zukünftig geplant:

37,8%

15,6%

24,4%

28,9%

15,6%

11,1%

15,6%

17,8%

22,2%

15,6%

8,9%

20,0%

24,4%

17,8%

Page 56: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 56

Gensim und das Computational Net-

wrok Toolkit (CNTK) nehmen mit jeweils

24 Prozent an Relevanz zu, ebenso wie

CuDNN mit 22 Prozent.

Machine Learning-Plattformen und IT-Infrastruktur

Je nach Anwendungsszenario, Algo-

rithmus und Datenvolumen müssen zur

Berechnung von Machine Learning-Ver-

fahren entsprechende Rechenleistung,

Software und Plattformen zur Verfü-

gung stehen. So stellt sich die Frage,

welche Plattformen und IT-Infrastruk-

turen die Unternehmen auswählen, um

ihre Machine Learning-Anwendungen

zu betreiben. Dabei ist das Spektrum an

Plattformen und IT-Infrastrukturen sehr

breit. So existieren unterschiedliche

Chip-Variationen von CPU über GPU

bis hin zu FPGA. Ebenso kann man die

Hardware im eigenen Haus bereitstel-

len, bei einem Provider hosten oder die

Rechenleistung bei den globalen Public

Cloud-Plattformen beziehen.

Im Hinblick auf die Frage, welche Stra-

tegie die Unternehmen bei Auswahl von

Machine Learning-Plattformen und -Pro-

dukten umsetzen, haben Cloud-basier-

te Lösungen und Services in Form von

„Machine Learning-as-a-Service“ bzw.

die Nutzung von Public Cloud-Plattfor-

men die Nase vorn. Diesen Weg wählen

38 Prozent der Entscheider für ihr Unter-

nehmen. Cloud und Machine Learning

gehören somit für viele Entscheider zu-

sammen.

Bedenkt man, dass die großen Cloud

Provider zu den maßgeblichen Innova-

toren in diesem Segment zählen und

viele der Neuerungen den Kunden re-

lativ schnell als neue oder verbesserte

Services zugänglich machen, ergibt

diese Strategiewahl Sinn. Die Unterneh-

men profitieren direkt von den Innovati-

onen seitens Microsoft, Google, AWS &

Co. Hinzu kommt, dass das Design und

der Betrieb einer auf Machine Learning

hin optimierten IT-Infrastruktur und des

zugehörigen Software-Stacks ein hoch

komplexes Unterfangen darstellt, das

auch sehr zeitaufwendig ist. Somit bie-

tet „Machine Learning-as-a-Service“ ei-

nen deutlichen Vorteil zugunsten eines

schnellen Einstiegs – auch wenn dies

langfristig aus Kosten- oder Effizienz-

gründen gegebenenfalls nachteilig sein

kann.

Ein Fünftel der Unternehmen (19 Pro-

zent) setzt auf proprietäre Lösungen

ausgewählter Anbieter im Markt und

ein weiteres Fünftel (18 Prozent) hat den

Wert und die Offenheit von Open Sour-

ce-Technologien schätzen gelernt und

setzt primär auf diese zur Implemen-

tierung von Machine Learning. Weitere

15 Prozent verfolgen eine hybride Stra-

tegie aufgrund der Vielfalt der Einsatz-

bereiche und der Unternehmensgröße.

Hier reicht eine einzige Plattform oder

ein Server im Unternehmen nicht als

Lösung aus, sondern die Vielfalt muss

über ein hybrides Szenario abgebildet

werden.

Cloud First – Großteil der Unter-nehmen nutzt die Agilitäts- und Skalenvorteile der Cloud, um den Einstieg ins Machine Learning zu gestalten.

Page 57: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 57

Lediglich neun Prozent sind noch un-

entschlossen und haben noch nicht

festgelegt, für welche Option die Ent-

scheidung fallen soll.

Doch wie muss die eigene IT-Landschaft

zukünftig strukturiert sein, um die Anfor-

derungen der geplanten Machine Lear-

ning-Use Cases bestmöglich abdecken

zu können? Und welche Rolle spielt die

Hardware für einen möglichst perfor-

manten und effizienten Betrieb?

Die Mehrheit der befragten Entschei-

der (52 Prozent) setzt zukünftig auf eine

möglichst generische Hardware, welche

die meisten der Anwendungsfälle in-

nerhalb des Unternehmens abdecken

kann. Um agil in neue Machine Lear-

ning-basierte Projekte zu starten, steht

die Nutzung von Cloud-Angeboten klar

im Fokus ihrer Strategie (vgl. oben).

Dagegen setzt knapp ein Fünftel der

Entscheider auf hoch spezialisierte

Hardware und Prozessoren, um seine

Machine Learning-Anwendungen zu

rechnen. Rund 22 Prozent der Unter-

nehmen planen einen hybriden Ansatz

zu fahren und beide Konzepte mitei-

nander zu vereinen. Dies bietet mehr

Freiheit bei gleichzeitig höherer Kom-

plexität und höheren Kosten. Auf je-

den Fall müssen die Unternehmen sich

bewusst sein, dass die Anschaffung

und der Betrieb neuer und hochgradig

spezialisierter Hardware entsprechende

Skills erfordert, sofern man diese nicht

„as-a-Service“ als Cloud-Dienst mietet.

Neben der unterstützenden IT- und

Rechenzentrumsinfrastruktur, welche

die Grundlage zur Berechnung vie-

ler Machine Learning-Workloads und

Quelle: Crisp Research AG

Welche Strategie verfolgen Sie bei der Auswahl von Machine Learning-Plattformen oder -Produkten?

n=168Einfachnennung

Wir setzen primär auf proprietäre Lösungen ausgewählter Anbieter

8,8%Wir setzen primär auf Cloud-basierte Lösungen bzw. Services in Form von„Machine Learning-as-a-Service“ bzw. der Nutzung von Public Cloud-Plattformen

Wir setzen primär Open-Source Produkte und Lösungen ein

Wir verfolgen eine hybride Strategie aufgrund der Vielfalt der Einsatzbereiche und der Unternehmensgröße

18,5%

38,1%

19,1%

Wir haben noch keine entsprechende Strategie festgelegt.

15,5%

Knapp ein Fünftel der Unterneh-men setzt zukünftig zum Betrieb ihrer Machine Learning-Workloads auf spezialisierte Hardware.

Gut ein Fünftel der Unternehmen planen einen hybriden Infrastruk-tur-Ansatz beim Betrieb ihrer Machine Learning-Worklads.

Page 58: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 58

-Verfahren darstellt, spielen auch an-

dere Hardware-Plattformen und Geräte

noch eine Rolle. Denn viele Machine

Learning-Algorithmen werden nicht im

„Backend“ des Rechenzentrums oder

in der Cloud gerechnet, sondern direkt

„on-the-Chip“ bzw. auf dem jeweiligen

Gerät. Dies kann beispielsweise bei We-

arables im Outdoor-Einsatz der Fall sein

oder im Kontext des autonomen Fah-

rens, wo das Auto in Sekundenbruch-

teilen eine Entscheidung benötigt. In

diesen Fällen ist Machine Learning eine

Funktion bzw. ein Produktbestandteil.

Diese Einsatzszenarien bedingen aktu-

ell auch die Entwicklung von speziellen

Prozessoren und Chips. Hier hat der

Wettlauf der Hersteller bereits begon-

nen. Internetfirmen, wie beispielsweise

Google, stellen längst ihre eigenen, für

bestimmte Anwendungsfälle des Ma-

chine Learning optimierten, Chips (TPU)

her. Nvidia und Intel versuchen sich mit

eignen Chips und ganzen Clustern mit

CPU und GPU entsprechend zu positi-

onieren, um hier in den nächsten Jah-

ren der maßgebliche Lieferant für die

Hardware im Bereich Machine Learning

werden zu können. Selbst im Umfeld

von Smartphone und IoT werden hoch

performante Chips produziert. Als Bei-

spiel sei hier Qualcomm als Hersteller

angeführt.

Da sich derzeit noch viele Unternehmen

in der Evaluierungs- und Prototypen-

phase befinden, werden Machine Lear-

ning-Verfahren und –Frameworks gerne

auch auf Notebooks oder Smartphones

implementiert und ausgeführt. Deren

Relevanz wird zukünftig zugunsten der-

Quelle: Crisp Research AG

IT-Infrastruktur und Hardware im Kontext Machine Learning - Welchen Weg gehen die Unternehmen?

n=168Einfachnennung

Die Investitionen in hoch spezialisierte Hardware für die unterschiedlichsten Anforderungen aus den Bereichen IoT, Machine Learning, Enterprise Workloads, Mobile, etc. sind anzustreben

7,1%

Wir setzen auf eine möglichst generische Hardware, welche die meisten unserer Anwendungsfälle abdecken kann. Für kurze Entwicklungszyklen, z.B. gerade im Bereich des Machine Learning, nutzen wir Cloud-Angebote

Wir verfolgen einen gemischten Ansatz. Eine möglichst generische Hardware deckt die meisten unserer Standardfälle ab und für stark genutzte Anwendungsbereiche haben wir hochspezialisierte Hardware (GPU etc.)

Wir setzen nur auf Standardhardware

22,0%

51,8%

19,1%

Machine Learning als Teil der digi-talen Produkt-DNA - Zukünftig ver-bauen immer mehr Unternehmen Machine Learning -„on-the-Chip“ und machen Verfahren der künst-lichen Intelligenz zum integralen Produktbestandteil – vom Wearab-le bis zum autonomen Fahrzeug.

Page 59: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 59

jenigen Deployments abnehmen, die

für den produktiven Einsatz relevant

sind. So wächst die Relevanz von ei-

nerseits Public und Private Clouds (und

somit auch der Hybrid Clouds) sowie

andererseits der vernetzten Produkte

(IoT-Devices, Wearables) und intelligen-

ten Fertigungssysteme (Industrie 4.0)

bei denen Machine Learning als Sys-

tembestandteil „on-the-Chip“ imple-

mentiert und betrieben wird.

Cloud Anbieter im Kontext von Machine Learning

Nach den Angaben der Befragten spie-

len Cloud Plattformen – neben anderen

Deployment und Sourcing-Varianten

– eine wichtige Rolle für den Einstieg

in das Thema Machine Learning sowie

den Betrieb entsprechender Workloads

im produktiven Einsatz. Somit stellt sich

die Frage, welche Cloud-Plattformen

den Entscheidern im Kontext Machi-

ne Learning bekannt sind und welche

im Rahmen der verschiedenen Phasen

(Evaluierung, erste Projekte und pro-

duktiver Betrieb) genutzt werden. Hier

sei hinzugefügt, dass die Ergebnisse auf

alle genannten Adaptionsphasen von

Machine Learning beziehen – sprich

Unternehmen in der Evaluierungs- bis

hin zur Phase des produktiven Einsatzes

befragt wurde.

Als derzeitiger Marktführer und einer

der Pioniere im Bereich Infrastruc-

ture-as-a-Service kann Amazon Web

Services (AWS) den höchsten Bekannt-

heitsgrad auch im Themenbereich Ma-

chine Learning verbuchen. Immerhin

71 Prozent der Entscheider gaben an,

Von der Cloud bis „on-the-Chip“ – Die Bandbreite der Deployments von Machine Learning ist sehr groß und reicht deutlich über das eigene Rechenzentrum und die Cloud bis ins Internet der Dinge hinaus. Die Entscheider müssen die Komplexi-tät meistern.

Quelle: Crisp Research AG

Auf welcher Ziel-Infrastruktur werden Ihre Machine Learning-Workloads heute bzw. zukünftig betrieben?

n=168Mehrfachnennung

Laptop / Desktop

0% 10% 20% 30% 40% 60%

HeuteZukünftig

50%

58,9%

Smartphones

Server im eigenen Rechenzentrum

Hybrid Cloud / Hybride IT-Umgebung

Bauteilen in Produktionsanlagen

Eigene Private Cloud

Bauteile in Produkten

Wearables

Public Cloud

51,2%

53,0%41,7%

46,4%42,3%

31,6%39,3%

23,8%30,4%

23,8%38,7%

23,2%31,6%

20,2%35,1%

20,2%28,0%

Page 60: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 60

dass Ihnen AWS im Kontext Machine

Learning bekannt sei. Aber auch die an-

deren globalen Cloud-Player Microsoft,

Google und IBM sind mehr als zwei

Drittel der Entscheider in diesem The-

menumfeld ein Begriff.

Interessant ist dabei festzustellen, dass

Bekanntheitsgrad und Einsatzgrad

nicht direkt positiv korrelieren. So kann

AWS derzeit aus seinem sehr hohen Be-

kanntheitsgrad nur relativ wenig Kapital

schlagen. So nutzen nur 17 Prozent der

Unternehmen dessen Cloud Services

im Kontext der Evaluierung, der Projek-

tierung und dem produktiven Betrieb

von Machine Learning. Dagegen gaben

rund ein Drittel der Befragten an, Micro-

soft Azure, IBM Watson sowie Google

Cloud Machine Learning Plattform zu

nutzen. Dies kann mehrere Gründe ha-

ben.

So investiert beispielsweise IBM unter

dem Brand „IBM Watson“ seit einiger

Zeit immense Marketingbudgets, um

sich im Themenumfeld Machine Lear-

ning und „Cognitive Computing“ zu

positionieren. Zudem hat IBM einen

sehr starken Mittelstands- und Groß-

kundenvertrieb sowie ein großes Part-

nernetzwerk, welche die neuen Ange-

bote in den Markt trägt. Gleiches gilt für

Microsoft. Google dagegen verdankt

seine starke Position dem Unterneh-

mensimage als riesige Daten- und Ana-

lytics-Maschine, die den Markt durch

vielerlei hauseigene Innovationen treibt

(z.B. Tensorflow, Vielzahl an Machine

Learning-APIs, eigene Hardware). Aber

auch HP zählt mit seinem Angebot HPE

Haven OnDemand zu den relevanten

Playern am Markt und wird immerhin

von 14 Prozent der Unternehmen ge-

nutzt.

Quelle: Crisp Research AG

Welche Cloud Angebote im Bereich Machine Learning kennen Sie und setzen Sie aktuell ein?

n=168Mehrfachnennung

IBM Watson

0% 10% 20% 30% 40% 60%

Im EinsatzBekannt

50%

29,8%

Google Cloud Machine Learning Platform

Microsoft Azure

Amazon Machine Learning / AWS

BigML

HPE Haven OnDemand

Telekom

70%

54,8%

29,2%57,7%

29,2%58,3%

17,3%70,8%

14,3%44,1%

14,3%35,1%

1,8%0,6%

Page 61: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 61

Die Ergebnisse legen zudem nahe,

dass gerade große Unternehmen, als

auch dynamische Start-ups, mehr als

eine Cloud-Plattform in die Evaluierung

und das Prototyping für ihre Machine

Learning-Workloads einbeziehen. Nur

wenige Unternehmen legen alle Eier

in einem Korb. Gleiches gilt sogar für

den operativen Betrieb. Auch sind ge-

rade die Innovatoren und Early Adopter

unter den Unternehmen sehr gut infor-

miert und versuchen neue Dienste oder

neue Preise möglichst schnell auszunut-

zen, sofern die Anwendung und die Sys-

temlandschaft, in die das Machine Le-

arning-Verfahren eingebunden ist, dies

hergibt. Microservices und API-getrie-

bene Architekturen lassen grüßen und

ermöglichen den Unternehmen eine

größere Wahlfreiheit und weniger Ven-

dor Lock-in auch beim Thema Machine

Learning.

Zudem muss konstatiert werden, dass

trotz des Einsatzes der Cloud-Plattfor-

men, der Betrieb eigener Infrastrukturen

oder beim Hosting Partner nicht ausge-

dient hat. Hier werden die kommenden

Jahre und der Übergang von der frühen

Adaptions- in die Skalierungsphase von

Machine Learning zeigen, ob und wel-

che Cloud Provider die Nase langfristig

vorn haben – und welche Rolle eigene

Machine Learning-Infrastrukturen spie-

len.

Herausforderungen und Hindernisse

Aufgrund der frühen Phase des Machi-

ne Learning im Enterprise-Umfeld, gibt

es noch Hindernisse, die umschifft wer-

den müssen, damit die entscheidenden

Weichen für einen langfristigen und er-

folgreichen Einsatz gelegt werden kön-

nen.

Eines der größten Hemmnisse un-

ter den Entscheidern ist die Angst vor

Kontrollverlust und die Unklarheit (41

Prozent) darüber, wie zukünftig die Ent-

scheidungen, Empfehlungen oder Op-

timierungen zu Stande kommen. Dies

unterstreichen auch die 29 Prozent der

Unternehmen, die angegeben haben,

dass die Nachvollziehbarkeit der Ergeb-

nisse und die sich dadurch ergebende,

mangelnde Akzeptanz auf Seite der Bu-

siness-Nutzer ein Hindernis ist.

Ebenso kritisch sehen 34 Prozent der

Entscheider die Tatsache, dass es

schwer ist in einem sehr dynamischen

und unübersichtlicheren Markt den

Überblick bei den Angeboten und den

Technologien zu behalten. Auch bei

den Partnern und Service Providern feh-

len laut 27 Prozent der Befragten noch

belastbare Referenzen und die eigenen

Erfahrungen im Bereich Machine Lear-

ning.

Page 62: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 62

Auch das Gap zwischen den geforder-

ten und im eigenen Unternehmen ver-

fügbaren Skills ist ein ernstes Problem

(26 Prozent). Hier müssen die Unter-

nehmen in die Offensive gehen, denn

der „War for Talents“ heizt sich gerade

im Umfeld Machine Learning auf. So

kämpfen derzeit große Industrieun-

ternehmen, Cloud Provider, Start-ups

und IT-Dienstleister um einen sehr be-

grenzten Personalpool. Hier ist Kreati-

vität und Nachhaltigkeit gefordert. Das

mangelnde Verständnis bzw. die man-

gelnde Unterstützung durch das Senior

Management des Unternehmens ist für

ein Fünftel der Entscheider (22 Prozent)

eine klare Herausforderung.

Gleiches gilt, wenn im Unternehmen

keine Datenkultur existiert bzw. vorge-

lebt wird.

Ein weiteres Manko ist die mangelhafte

Unterstützung von weniger verbreite-

ten Sprachen. Während Englisch und

Spanisch im Kontext von Spracherken-

nungs- und Textanalyse-Verfahren gut

abgedeckt sind und es viele Trainings-

daten und NLP-Bibliotheken gibt, sieht

dies für die deutsche Sprache eher

schlecht aus.

Quelle: Crisp Research AG

Welches sind Ihre Bedenken/Herausforderungen beim Einsatz von Machine Learning-Technologien?

n=168Mehrfachnennung

Kontrollverlust und Unklarheit hinsichtlich Compliance / Datenschutz

0% 10% 20% 30%

41,1%

Sehr dynamischer, unübersichtlicher Markt – Angebote und Technologie teilweise intransparent

Wenig Erfahrung und Referenzen auf Seiten der Partner / Service Provider verfügbar

Nachvollziehbarkeit der Ergebnisse und mangelnde Akzeptanz auf Seite der Business-Nutzer

Fehlende Skills und Personalressourcen im Unternehmen

Unausgereifte oder fehlende Entwickler-Tools / Entwickler-Plattformen

Mangelndes Verständnis bzw. fehlende Unterstützung durch das Management

40%

Kein Verständnis für Daten im Unternehmen bzw. keine datengetriebene Unternehmenskultur

Fehlende sprachliche Unterstützung (z.B. bei NLP-Bibliotheken)

Kein passendes Hosting Angebot verfügbar

33,9%

28,6%

27,4%

25,6%

23,8%

22,0%

17,9%

9,5%

6,6%

Page 63: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 63

MACHINE LEARNING IN DER PRAXIS – EINFÜHRUNG UND PARTNERSCHAFTEN

Es wurde gezeigt, dass Machine Lear-

ning eine wichtige Stellschraube der

Digitalisierungsbemühungen und ele-

mentarer Bestandteil der unterneh-

mensweiten Datenstrategien ist. Doch

das Thema hat viele Facetten. Die ver-

schiedenen Use Cases, Technologien,

Algorithmen und IT-Betriebskonzepte

bedingen eine hohe Komplexität und

viel Know-how für eine erfolgreiche Ein-

führung im Unternehmen. Wie also ge-

stalten die Entscheider die Einführung

von Machine Learning im eigenen Un-

ternehmen? Auf welche externe Unter-

stützung greifen Unternehmen zurück,

um Machine Learning Realität werden

zu lassen?

Einführung von Machine Learning im Unternehmen – Ansätze und Konzepte

Die wenigsten Unternehmen (2 Prozent)

versuchen den Bedarf an Fachkräften

und Know-how ausschließlich durch den

Einkauf von Experten über Personalver-

mittler abzubilden („Bodyleasing“). Der

Aufbau eigener Ressourcen und Skills

spielt dagegen eine zentrale Rolle. So

lautet die häufigste Antwort (42 Pro-

zent), dass die Einführung von Machi-

ne Learning über den Aufbau eigener

Kompetenzen in der internen BI- oder

Analytics-Abteilung des Unternehmens

bzw. der IT-Abteilung erfolgt.

Quelle: Crisp Research AG

Wie treibt Ihr Unternehmen die Einführung von Machine Learning organisatorisch voran?

n=168Mehrfachnennung

Aufbau eigener Kompetenzen über interne BI-/Analytics-Abteilung und/oder Unternehmens-IT

0% 10% 20% 30%

42,3%

Einsatz externer Berater und Experten

Aufbau Team von Data Scientists und Machine Learning-Experten in Digital Lab

Umsetzung von Projekten mit erfahrenem IT-Dienstleister

Zusammenarbeit mit Universitäten und Forschungsinstituten

Zusammenarbeit mit Startups

Einkauf / Bodyleasing von Experten über Personalvermittler

40%

34,5%

32,1%

26,2%

19,1%

14,3%

1,8%

Duale Strategie beim Skill-Auf-bau - Business Intelligence- und Analytics-Abteilungen sind feder-führend, externe Berater und professionelle Dienstleister jedoch unverzichtbar, um Machine Lear-ning-Strategien im Unternehmen erfolgreich umzusetzen.

Page 64: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 64

Ohne externe Hilfe geht es dennoch

nicht. Dazu ist das Thema zu neu und

zu komplex. Und die geforderte Um-

setzungsgeschwindigkeit ist hoch. So

setzt mehr als ein Drittel (35 Prozent)

der Unternehmen zur Einführung von

Machine Learning auf externe Berater

und Experten. Ebenfalls ein Drittel der

Unternehmen (32 Prozent) setzt ihre ers-

ten Projekte gemeinsam mit erfahrenen

IT-Dienstleistern um.

Immerhin ein Viertel der Befragten (26

Prozent) gab an, die Einführung von

Machine Learning durch den Aufbau ei-

nes dedizierten Teams von Data Scien-

tists und Machine Learning-Experten

vorantreiben zu wollen und diese auch

organisatorisch in einem „Digital Lab“

als eigene Einheit zusammenbringen zu

wollen. Hieran lassen sich wiederum die

strategische Relevanz des Themas und

die damit verbundenen Ziele und Hoff-

nungen erkennen. Allerdings wird dies

für viele Unternehmen nicht einfach, da

der Markt für Experten in diesem Um-

feld schon heute sehr eng ist. Zudem

ist zu erwarten, dass sich der „War for

Talents“ im Kontext von Machine Le-

arning noch deutlich verschärfen wird

(vgl. oben). Nur wer sein Talent-Recrui-

ting frühzeitig darauf einstellt, hat über-

haupt Chancen, einige der Top-Leute

für sein Unternehmen begeistern zu

können.

Denn viele der Machine Learning-Ex-

perten können heute zu extrem hohen

Gehältern zu den großen Internetkon-

zernen wechseln oder gründen direkt

eigene Start-ups. Dies ist auch ein

Grund, weshalb immerhin 14 Prozent

der Unternehmen die Kooperation mit

Start-ups suchen. Fast jeder fünfte Ent-

scheider (19 Prozent) plant zudem die

Zusammenarbeit mit Universitäten.

Es hat sich deutlich gezeigt, dass die

Unternehmen bei der Einführung von

Machine Learning mehrgleisig fahren,

um sich Zugriff auf die gewünschten

Skills zu sichern, erste Projekte konkret

umsetzen sowie das Risiko sinnvoll ver-

teilen zu können. Denn eines ist klar –

wenn Machine Learning zu einem fes-

ten Bestandteil der digitalen Produkte

und Geschäftsmodelle wird, ist viel

interne Expertise nötig, um langfristig

handlungs- und entscheidungsfähig zu

bleiben.

Auf mittlere Sicht kommt der Auswahl

und Bindung externer Beratungs- und

IT-Partner eine erfolgskritische Rolle zu,

um das aktuelle Skill-Gap zu schließen

und die Umsetzungsgeschwindigkeit zu

erreichen, die seitens des Top-Manage-

ments gefordert wird.

Digital Lab auf dem Vormarsch – ein Viertel der Unternehmen planen den Aufbau dedizierter Data Scientist-Teams in Digital Labs. Einer erfolgreichen Umsetzung steht vor allem die schwierige Recruiting-Situation durch den „War for Talents“ im Wege – denn Machine Learning-Experten sind ein rares Gut.

Page 65: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 65

Unterstützung durch externe Partner

Die Identifikation, Bewertung und Auf-

bereitung relevanter interner und exter-

ner Datenquellen ist eine komplexe und

mühevolle Aufgabe, bei der sich die

Unternehmen gerne externe Unterstüt-

zung holen. So planen 36 Prozent der

Unternehmen bei der Datenexploration

die Inanspruchnahme externer Partner

und Dienstleister. So lassen sich grö-

ßere Projekte schneller umsetzen und

gegebenenfalls auch die Datenqualität

verbessern, sofern man mit einem hoch

spezialisierten und erfahrenen Dienst-

leister zusammenarbeitet.

Machine Learning erfordert eine Aus-

bildungsoffensive und neue Skills. Das

haben die Unternehmen verinnerlicht.

So planen 33 Prozent der befragten Ent-

scheider im Bereich des Trainings und

der Fortbildung der eigenen Mitarbei-

ter mit externen Dienstleistern zusam-

menzuarbeiten.

Diese können im Idealfall nicht nur

Schulungen anbieten und durchführen,

sondern den Wissensaufbau durch ein

gemixtes Teamsetup und die gemein-

same Entwicklung von Prototypen oder

Projekten fördern.

Diese Formen eines „Hands-on-Trai-

nings“ wünschen sich immerhin 30 Pro-

zent der Unternehmen und setzen bei

der Partnerwahl auf eine Kooperation

für die Umsetzung bzw. Implementie-

rung eines konkreten Anwendungsfalls.

26 Prozent der Unternehmen benötigen

einen Schritt zuvor schon Unterstützung

bei der Identifikation von relevanten

Business und Use Cases. Im eher tech-

nischen Bereich, also beim Algorithme-

nentwurf (23 Prozent) oder der Auswahl

des richtigen Machine Learning Verfah-

rens (21 Prozent) benötigen die Firmen

interessanterweise weniger Support.

Das gilt ebenso für die Generierung

von geeigneten Trainingsdaten für die

Modelle, hier gaben entsprechend nur

18 Prozent der Befragten eine Notwen-

digkeit für den Einsatz eines Partners

an. Bei der Ausgestaltung der Roadmap

(12 Prozent) und auch bei den erforder-

lichen ETL-Prozessen (11 Prozent) ist

genügend Know-how in den befragten

Unternehmen vorhanden. Von dem rei-

nen Bodyleasing sehen die meisten ab.

Hier sehen nur sieben Prozent Bedarf.

Lediglich ein Prozent benötigt nach

eigener Einschätzung gar keine Unter-

stützung durch Partner.

Datenexploration und Skill De-velopment sind die wichtigsten Bereiche in denen Unternehmen Unterstützung durch externe Part-ner wünschen. Im Idealfall gehen Schulungen und Trainings einher mit „hands-on“-Unterstützung bei der Entwicklung von Prototypen und erster Projekte.

Page 66: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 66

Dienstleisterauswahl und Bewertung

Der hohe Innovationsgrad der Techno-

logien, die Vielfalt an Use Cases und

Projekten sowie die unterschiedlichen

Anforderungen der Unternehmen an

ihre Partner, verlangen den Dienst-

leistern im Kontext Machine Learning

einiges ab. Um Machine Learning im

eigenen Unternehmen erfolgreich ein-

zuführen, ist die Auswahl eines kompe-

tenten und passenden Dienstleisters für

fast alle Unternehmen erfolgsentschei-

dend. Denn sie determiniert maßgeb-

lich die Geschwindigkeit und Güte der

Umsetzung erster Projekte und Machi-

ne Learning-basierte Produkte.

Funktioniert die Abstimmung reibungs-

los? Stimmt die Chemie in den Teams?

Liegt das gleiche Verständnis bzw. Phi-

losophie im Hinblick auf die Datenkultur

vor? Aufgrund der frühen Marktphase

und des rasanten Innovationstempos

zählt Kompetenz und Umsetzungsge-

schwindigkeit derzeit mehr als reine

Mannstärke. Der wesentliche Beitrag

externer Partner liegt in der Expertise

und den handlungsleitenden Empfeh-

lungen in der Strategie- und Planungs-

phase sowie der agilen Umsetzung ers-

ter Projekte.

Quelle: Crisp Research AG

In welchen Bereichen planen Sie die Unterstützung durch externe Partner ein?

n=168Mehrfachnennung

Datenexploration

0% 10% 20% 30%

36,3%

Training / Skill-Aufbau

Identifikation Use Cases und Business Cases

Umsetzung / Implementierung PoC sowie Use Cases

Auswahl des richtigen Machine Learning Verfahren

Generierung von Trainingsdaten

Capability-Assessment / Analytics-Roadmap

40%

ETL-Prozesse

Nutzung externer Ressourcen (Bodyleasing)

Keine

Algorithmenentwurf / -design

33,3%

30,4%

26,2%

22,6%

20,8%

18,5%

11,9%

11,3%

6,6%

1,2%

Page 67: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 67

Zudem zählt, wie gut die Dienstleister

ihren Auftraggeber bei der Verwertung

eben dieser ersten Projekterfahrungen

unterstützen und einen echten, Feed-

back-basierten Innovationsprozess in

Gang setzen können. Denn die Ska-

lierung erfolgt später durch den Über-

gang in den produktiven Betrieb und

den Betrieb auf hochskalierenden IT-

und Cloud-Plattformen – und nicht über

die Manpower der IT-Dienstleister.

Kompetenz vor Mannstärke – bei der Auswahl von Dienstleistern zählen maßgeblich Expertise und konkretes Umsetzungs-Know-how.

Page 68: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 68

MACHINE LEARNING - BLICK IN DIE ZUKUNFT

Neben den „klassischen“ Einsatzbe-

reichen von Machine Learning im Un-

ternehmenskontext, wie der Optimie-

rung bestehender Prozesse, kommt

zukünftig der Ausgestaltung und Au-

tomatisierung der digitalen Kunden-

interaktion über Sprachsteuerung und

digitale Agenten (sogenannte „Bots“)

eine hohe Bedeutung zu (vgl. Ergebnis-

se oben). Auch im Rahmen der Gestal-

tung und Vermarktung neuer digitaler

Produkte wird Machine Learning laut

Aussagen der Entscheider zukünftig

immer wichtiger werden. Daher wurden

diese beiden Aspekte hier nochmals

herausgegriffen und gesondert be-

trachtet, um einen Blick in die weitere

Zukunft zu werfen.

Conversational Interfaces - Bots und intelligente Assistenten

An der Optimierung der Schnittstelle

zwischen Mensch und Maschine wird

schon lange gearbeitet. Die Eingabe

via Tastatur und Maus hat in einer im-

mer mobileren Welt ihren Zenit längst

überschritten. Das Touch-Display ist nur

Zeichen des Übergangs. Der Wandel ist

jedoch längst eingeläutet und die kon-

versationsbasierten Schnittstellen auf

dem Vormarsch.

Zu diesem Wandel tragen Bots bzw.

intelligente Assistenten entscheidend

bei. Wesentliche Grundlage für diese

Systeme und Produkte sind Machine

Learning-Technologien.

Quelle: Crisp Research AG

Welche Rolle spielen Bots / intelligente Assistenten im Rahmen Ihrer aktuellen oder zukünftigen Machine Learning-Strategie?

n=168Einfachnennung

25,6% 45,8%

Wir haben uns damit noch nicht beschäftigt

23,8% 4,8%

Wir evaluieren den Einsatz und die Möglichkeiten der Umsetzung

Wir setzen diese schon produktiv einWir befinden uns in der Phase der Entwicklung

und erster Tests für Bots und intelligente Assistenz-Systeme

auf Basis von Machine Learning und künstlicher Intelligenz

Page 69: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 69

Und hier vor allem Spracherkennung,

Natural Language Processing sowie die

Analyse von Gesten, Mimik und Gesich-

tern. Dementsprechend werden digi-

tale Produkte und Dienste nicht mehr

ohne diese neuen Schnittstellen zur

Interaktion mit dem Menschen auskom-

men. Dies gilt für die Interaktion eines

Kunden mit seiner digitalen Bankfiliale,

der Steuerung von Smart Home-Gerä-

ten oder dem Kundendienst eines Mo-

bilitätsanbieters. Die ersten Produkte à

la Amazon Echo, Google Home oder

Siri sind bereits mehr als deutliche

Anzeichen für die weitere Kommerzi-

alisierung und „Produktisierung“ von

Machine Learning-Technologien. Viele

Entwickler und Unternehmen arbeiten

zudem an eigenen Systemen, um die

unternehmenseigenen Produkte mit di-

gitaler Assistenz-Funktion auszustatten.

Welche Rolle spielen daher diese As-

sistenten in der Machine Learning-Stra-

tegie der befragten Unternehmen? 46

Prozent der Unternehmen evaluieren

den Einsatz und die Möglichkeiten der

Umsetzung im eigenen Unternehmen.

24 Prozent der befragten Firmen sind

hier schon weiter. Diese befinden sich in

der Phase der Projektierung und erster

Tests. Noch weiter, also im Produktivbe-

trieb, sind bisher nur fünf Prozent der

Unternehmen gekommen. In dieser frü-

hen Phase dieser Systeme und zu einem

Zeitpunkt, wo sich einige Plattformen,

wie Siri von Apple oder Chatfuel von

Facebook, erst langsam öffnen, ist dies

sicherlich eine innovative Vorgehens-

weise, die einige Unternehmen hier

eingeschlagen haben. Allerdings muss

man beachten, dass auch viele Unter-

nehmen auf eigene Systeme und digi-

tale Assistenten setzen werden, wenn

auch mit dieser Strategie eine deutlich

größere Investition verbunden ist. Ver-

mutlich haben auch aus diesem Grund

bisher 26 Prozent der Unternehmen

noch keine weiteren Bemühungen in

Richtung Assistenten unternommen.

Denn erst mit der kompletten Öffnung

der Bot-Plattformen der großen Inter-

net- und Cloud-Firmen sowie einer ver-

besserten Reife anderer Bot-Technolo-

gien, kann auch eine sinnvolle Adaption

durch Unternehmen erfolgen.

Denn eines muss klar sein, der Einsatz

solcher Assistenz-Systeme verspricht

nicht nur große Innovations- und Auto-

matisierungspotenziale, sondern geht

auch mit erheblichen Risiken einher.

Sind Assistenz-Systeme technologisch

noch nicht ausgereift oder die Modelle

schlecht konzipiert und trainiert, so be-

steht das Risiko eines nachhaltigen Ver-

trauensverlusts und Image-Schadens,

da die Systeme direkt mit den Kunden

interagieren. Und hier werden Fehler

selten toleriert.

Immerhin ein Viertel der Unterneh-men, die sich mit Machine Learning beschäftigen, befindet sich in der Phase erster Tests für den Einsatz von Bots und digitalen Assistenten. Ein innovatives Vorgehen ange-sichts der teils noch mangelnden Reife viele Systeme und Plattfor-men.

Page 70: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 70

Digitale Wertschöpfung durch Machine Learning

Der Wertschöpfungsanteil von Software

in modernen Produkten liegt schon

heute auf einem hohen Niveau. Man

denke nur an PCs, Smartphones, Autos,

Thermostate, Garagentore etc. Durch

die sukzessive Implementierung von

Machine Learning als einer wesentli-

chen Produktkomponente und Funktion

in den digitalen Produkten und Services

der nächsten Generation, wird auch der

Wertschöpfungsanteil der künstlichen

Intelligenz entsprechend steigen.

Befragt nach dem Wertschöpfungsan-

teil von Machine Learning in den neu-

en digitalen Produkten und Services im

Jahr 2020, gaben sich die Entscheider

sehr optimistisch. So gaben mehr als

80 Prozent zu Protokoll, dass sie einen

Wertschöpfungsanteil von deutlich

über 10 Prozent erwarten.

43 Prozent der Entscheider gehen so-

gar davon aus, dass mehr als ein Fünftel

der Wertschöpfung ihrer neuen digita-

len Produkte rein durch die intelligente

Nutzung und Analyse von Daten mittels

Machine Learning generiert wird. In

einer von Daten und Services getrie-

benen Ökonomie vermutlich eine zu-

treffende Einschätzung, auch wenn das

Jahr 2020 „schon um die Ecke“ schaut

und viele Unternehmen noch einiges

an Hausaufgaben zu erledigen haben,

um das Potenzial von Machine Learning

voll zu erschließen. Abschließend muss

allerdings nochmals erwähnt werden,

dass es innerhalb der Branchen und Un-

ternehmen sehr große Unterschiede im

Hinblick auf den Erfahrungs- und Rei-

fegrad zum Thema Machine Learning

gibt. Das Gap zwischen den Innovato-

ren und den Einsteigern ist vielfach sehr

groß.

Quelle: Crisp Research AG

Wie schätzen Sie die Entwicklung des Wertanteils von Machine Learning bei neuen digitalen Produkten und Services im Jahr 2020 ein?

n=168Einfachnennung

14,9%

42,9%

0 b

is 1

0 P

roze

nt

35,1%

6,6%

11

bis

20

Pro

zent

51

bis

80

Pro

zent

21

bis

50

Pro

zent

81

bis

10

0 P

roze

nt

0,6%0%

10%

20%

30%

40%

50%

Page 71: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 71

Market Forecast

Der Markt für Technologien, Software,

Beratung, Rechenleistung und Services

im Kontext von Machine Learning und

Cognitive Computing entwickelt sich

in den kommenden Jahren sehr dyna-

misch von rund 4,3 Milliarden Euro im

Jahr 2017 auf rund 21 Milliarden im Jahr

20201. Die Ausgaben und Investitionen

gerade der großen Industrie- und Inter-

netfirmen liegen schon heute auf einem

hohen Niveau. Im Folgenden werden

aktuelle Marktprognosen von Crisp Re-

search präsentiert, die die weltweiten

Ausgaben von 2015 bis 2020 darstellen.

Ein Teil der Machine Learning & Cogni-

tive Systems werden heute als integrier-

tes System geliefert bzw. bereitgestellt.

Die einzelnen Komponenten sind eng

auf einen bestimmten Einsatzzweck

(z.B. Spracherkennung, Call Routing &

Servicefunktionen im Call Center) oder

ein bestimmtes Verfahren hin ausge-

richtet.

Der andere Teil der Machine Learning &

Cognitive Systems muss - wie in ande-

ren Projekten – erst implementiert und

integriert werden. Hier ist entsprechen-

de Beratung und Expertise gefragt. Der

Markt für Spezialisten und Integratoren

ist in den kommenden Jahren eines der

größten Marktsegmente im Kontext des

Machine Learning und Cognitive Com-

puting und wird schon in 2017 rund 890

Mio. Euro Umsatz weltweit generieren.

Aber auch das Datenmanagement (z.B.

Master Data Management, Data Quali-

ty Management, Data Mapping) sowie

Quelle: Crisp Research AG

Market ForecastMachine Learning & Cognitive Computing

0

5.000

10.000

15.000

20.000

25.000

2015 2016 2017 2018 2019 2020429560 1.010

1.2401.970

2.3603.680

4.310

5.910

7.590

9.060

12.160

Machine Learning & Cognitive ServicesMachine Learning & Cognitive Systems

1 Auszug aus Report: Der weltweite Markt für Machine Learning & Cognitive Computing 2015-2020, Crisp Research AG

Page 72: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 72

Technologien zur Signal Transformation

(Spracherkennung, Scanning, Geste-

nerkennung etc.) entwickeln sich sehr

dynamisch. Hier ist in den kommenden

5 Jahren von einer Verzehnfachung der

Umsätze auszugehen, da nahezu alle

Industrien in die Optimierung und Nut-

zung ihrer Datenbestände investieren.

Die Königsdisziplinen im Marktsegment

der „Machine Learning & Cognitive Ser-

vices“ sind einerseits das Pattern-En-

gineering sowie andererseits Machine

Learning-basierte Dienste.

Während es beim Pattern-Engineering

darum geht, auf Basis riesiger Daten-

mengen und neuer Analyseansätze die

erfolgsversprechenden und verhaltens-

erklärenden Algorithmen zu entwickeln,

kann man unter den „Machine Learning

& Cognitive-based Services“ intelli-

gente IT-Services verstehen, die diese

Algorithmen zu einer eigenständigen

Dienstleistung machen bzw. diese ge-

schäftsprozessunterstützend einsetzen.

Dies können Assistenzsysteme in der

Medizin sein, Analysetools in der klini-

schen Forschung oder auch Lösungen

zur Vorhersage des Vermarktungser-

folgs von Bestseller-Literatur. Oder

auch einfach nur der Zugang zu den

„Large-Scale“ Machine Learning-Platt-

formen der globalen Anbieter wie IBM

Watson, Microsoft Azure Machine Lear-

ning oder Google Prediction API.

Machine Learning & Cognitive Computing

Machine Learning & Cognitive Services:Consulting, Integration, Data Mapping, Signal Transformati-on, Pattern Engineering, Machine Learning-based Services & Industry Solutions

Machine Learning & Cognitive Systems:Infrastructure, Compute, Middleware, Pattern & Decision Engines

Page 73: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 73

EMPFEHLUNGEN UND BEST PRACTICES

Die vorliegende Studie hat gezeigt,

dass Machine Learning-Technologien

bald zum IT- und Digitalisierungs-Main-

stream zählen. In den nächsten 24

Monaten werden die Technologien in

immer mehr Anwendungsbereichen

zum Einsatz kommen und die Wettbe-

werbsfähigkeit und Innovationskraft der

Unternehmen in den digitalen Märkten

nachhaltig beeinflussen. So stellt sich

die Frage nach Empfehlungen zum

Vorgehen, um die Einführung von Ma-

chine Learning im eigenen Unterneh-

men möglichst erfolgreich gestalten zu

können. Vor dem Hintergrund der viel-

fältigen Einsatzszenarien und der sehr

unterschiedlichen Ausgangspositionen

der Unternehmen im Hinblick auf ihre

Innovations- und Datenkultur, ist eine

Verallgemeinerung nicht leicht. Trotz-

dem lassen sich auf strategischer Ebene

folgende handlungsleitende Empfeh-

lungen aussprechen, die den erfolgrei-

chen Einsatz von Machine Learning in

der eigenen Organisation wahrscheinli-

cher machen:

❚ Use Cases früh identifizieren und ers-

te Prototypen schnell umsetzen, um

Feedback- und Lernprozess in Gang

zu setzen (z.B. im Digital Lab, BI-Team

oder Cloud-Team)

❚ Rolle von Machine Learning im unter-

nehmenseigenen „TechStack“ bzw.

der IT-Architektur reflektieren und de-

finieren

❚ Skills im eigenen Team sukzessive auf-

bauen sowie professionelle Unterstüt-

zung von externen Providern einholen

(„Bridging the Gap“)

❚ Rechenzentrums- und IT-Betriebs-

konzepte für den Einsatz für Machine

Learning überprüfen und weiterentwi-

ckeln – Verträge und Servicemodelle

mit externen Providern anpassen und

ggf. neue Provider auswählen und

Hersteller identifizieren

❚ Einspar- und Konsolidierungspoten-

zial durch Prozessoptimierung und

Automation eruieren, um Anfangsin-

vestitionen in das Machine Learning

rechtfertigen und Ressourcen lang-

fristig neu allokieren zu können

Page 74: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 74

❚ IT-Strategie und -Risikomanagement

an unternehmensweiten Einsatz von

Machine Learning-Technologien an-

passen sowie juristische Fragestellun-

gen erörtern

❚ „Start small and Scale“ – Zu Beginn

der eigenen Erfahrungskurve auf

Cloud Provider setzen und mit stei-

gender Rechenkapazität eigene Sys-

teme aufbauen und betreiben (hybri-

der Ansatz)

❚ Machine Learning als Langstrecken-

lauf – Einführung vom Machine Le-

arning braucht Zeit. Die Entwicklung

und das Training komplexer Modelle

und Algorithmen ist kein 3-Monats-

projekt. Zudem sollte beim Einsatz an

der Kundenschnittstelle (z.B. digitale

Assistenten und Bots) immer genü-

gend Zeit für Testing und Qualitätssi-

cherung eingeplant werden.

Page 75: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 75

VERWANDTE FORSCHUNG

„Machine Learning im Krankenhaus“,

Crisp Research AG, Juli 2016

https://www.crisp-research.com/machi-

ne-learning-im-krankenhaus

„Machine Learning Services und Algo-

rithmen-Design“, Crisp Research AG,

Juni 2016

https://www.cr isp-research.com/

publication/machine-learning-ser-

vices-und-algorithmen-design

„Öffentliche Datensätze – Warum freie

Daten wichtig für die digitale Entwick-

lung sind“, Crisp Research AG, Juni

2016

https://www.cr isp-research.com/

die-bedeutung-von-offentlichen-da-

tensatzen-warum-freie-daten-wich-

tig-fur-die-digitale-entwicklung-ei-

nes-unternehmens-sind

„Künstliche Intelligenz und echte Profi-

te – Machine Learning auf dem Weg in

den Mainstream“, Crisp Research AG,

Juni 2016

https://www.crisp-research.com/kunst-

liche-intelligenz-und-echte-profite-ma-

chine-learning-auf-dem-weg-den-main-

stream

„Machine Learning in der medizini-

schen Forschung“, Crisp Research AG,

Mai 2016

https://www.crisp-research.com/ma-

chine-learning-der-medizinischen-for-

schung

„Hannover Messe 2016: Auf der Suche

nach dem Gehirn“, Crisp Research AG,

April 2016

https://www.crisp-research.com/han-

nover-messe-2016-auf-der-suche-nach-

dem-gehirn

„Machine Learning aus der Cloud – Was

halten die Versprechen?“, Crisp Rese-

arch AG, April 2016

https://www.crisp-research.com/ma-

chine-learning-aus-der-cloud-hal-

ten-die-versprechen

„Data Science für Jedermann – Wie

neue Angebote den BI-Markt auf den

Kopf stellen“, Crisp Research AG, Feb-

ruar 2016

https://www.crisp-research.com/data-

science-fur-jedermann-wie-neue-ange-

bote-den-bi-markt-auf-den-kopf-stellen

„Der „Data Scientist“ – Glamour- oder

Knochen-Job? “, Crisp Research AG,

Februar 2016

https://www.crisp-research.com/der-da-

ta-scientist-glamour-oder-knochen-job

Page 76: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 76

ÜBER CRISP RESEARCH AG

Die Crisp Research AG ist ein unabhängiges IT-Research- und Beratungsunter-

nehmen. Mit einem Team erfahrener Analysten, Berater und Software-Entwickler

bewertet Crisp Research aktuelle und kommende Technologie- und Markttrends.

Crisp Research unter- stützt Unternehmen bei der digitalen Transformation ihrer

IT- und Geschäftsprozesse.

Die Analysen und Kommentare von Crisp Research werden auf einer Vielzahl von

Wirtschafts-, IT-Fachzeitschriften und Social Media-Plattformen veröffentlicht und

diskutiert. Als „Contributing Editors“ bei den führenden IT-Publikationen (Compu-

terwoche, CIO, Silicon et al.), engagierte BITKOM-Mitglieder und nachgefragte

Key-Note-Speaker tragen unsere Analysten aktiv zu den Debatten um neue Tech-

nologien, Standards und Markttrends bei und zählen zu relevanten Influencern der

Branche.

Crisp Research wurde im Jahr 2013 von Steve Janata und Dr. Carlo Velten ge-

gründet und fokussiert seinen Research und Beratungsleistungen auf „Emerging

Technologies“ wie Cloud, Analytics oder Digital Marketing und deren strategische

und operative Implikationen für CIOs und Business Entscheider in Unternehmen.

Page 77: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 77

ÜBER THE UNBELIEVABLE MACHINE COMPANY GMBH (*UM)

The unbelievable Machine Company GmbH (*um) ist ein unabhängiger Full-Ser-

vice-Dienstleister für Big Data, Cloud Services und Managed Hosting. Der Qua-

litätsführer versteht sich als Pionier in der ganzheitlichen Beratung, Planung und

Realisierung sämtlicher digitaler Vorhaben des 21. Jahrhunderts. „Von der Idee bis

zum Kabel“ deckt *um dabei die gesamte Bandbreite ab.

Das Kundenversprechen: maßgeschneiderte Lösungen, individuelle Services und

persönliche Betreuung. Das Ziel: Jedem Kunden mit Köpfchen und modernen

Technologien Wettbewerbsvorteile zu verschaffen.

Das inhabergeführte Unternehmen mit Sitz in Berlin und Wien wurde schon mehr-

fach als herausragender IT-Dienstleister ausgezeichnet, u.a. von der Experton

Group als „Big Data Leader“ (2015,2016,2017) und „Cloud Leader“ (2016), vom

internationalen Business-Magazin CIOreview als einer der weltweit „100 Most Pro-

mising Big Data Provider“ (2016) sowie von der Gartner Group als „Cool Vendor“

(2013).

Grolmanstr. 40

D-10623 Berlin

TEL +49 30 88926560

[email protected]

https://www.unbelievable-machine.com/

https://twitter.com/unbelievable_m

Page 78: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 78

ÜBER HEWLETT PACKARD ENTERPRISE GMBH

Hewlett Packard Enterprise (HPE) ist ein branchenführendes IT-Unternehmen, das

Kunden hilft, sich schneller weiterzuentwickeln.

Ein datenorientiertes Unternehmen ist am besten zu kontinuierlichen Verbesserun-

gen und vorhersagbaren Resultaten fähig. Zu wissen, was man mit Big Data alles

machen kann, ist dabei der erste Schritt. Der zweite Schritt ist zu wissen, wie man

es macht.

Unternehmen sind in vier Bereichen gefordert, um mit der heutigen und zukünf-

tigen Ideenwirtschaft Schritt zu halten: Sie müssen auf eine hybride Infrastruktur

umsteigen, ihr digitales Unternehmen schützen, datenorientierte Organisationen

unterstützen und die Produktivität am Arbeitsplatz steigern.

HPE setzt Produkte und seine Innovationsstrategie im Bereich Software, Services

und Infrastruktur ein, um Daten für ihre Kunden sofort greifbar zu machen. Mit dem

umfassendsten Technologie- und Service-Portfolio der IT-Branche - von der Cloud

über das Rechenzentrum bis hin zur Arbeitsplatzanwendung – unterstützt HPE sei-

ne Kunden weltweit dabei, ihre IT effizienter, produktiver und sicherer aufzustellen.

Herrenberger Str. 140

D-71034 Böblingen

TEL +49 07031/14-0

[email protected]

https://www.hpe.com/de/de/home.html

https://twitter.com/hpe_de

Page 79: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 79

ÜBER DIE AUTOREN

BJÖRN BÖTTCHER, SENIOR ANALYST & DATA PRACTICE LEAD

Björn Böttcher ist Senior Analyst bei Crisp Research. Er leitet als “Data Practice

Lead” die Research- und Beratungsaktivitäten zu den Themen Analytics, Big Data,

datenbasierte Geschäftsmodelle und Künstliche Intelligenz. Als Gründer der ers-

ten deutschen User Groups für Amazon AWS und Microsoft Azure zählt Björn

Böttcher zu den Pionieren des Cloud Computing in Deutschland. Als Veranstal-

ter der ersten deutschen Cloud-Konferenzen und Lehrbeauftragter für Informatik

und Computational Web in der Parallel Computing Group der TU Hamburg hat

er wesentliche Beiträge zur Entwicklung der Cloud- Community geleistet. Björn

Böttcher verfügt über 10 Jahre Berufserfahrung in der IT- Industrie in der Rolle

des Software-Architekten und des IT-Strategieberaters. Zuletzt arbeitete er am

Deloitte Analytics Institute und verantwortete dort die Entwicklung und Umset-

zung datenbasierter Geschäftsmodelle für Unternehmen aus der Finanz-, Automo-

tive- und Logistik-Branche. Björn Böttcher hat einen Abschluss als Dipl.- Informa-

tikingenieur der Technischen Universität Hamburg-Harburg. Er hat als Autor eine

Vielzahl von Fachbeiträgen publiziert und trägt als Key Note-Speaker und Experte

aktiv zu den Debatten um neuen Markttrends, Standards und Technologien bei.

DANIEL KLEMM, SENIOR ANALYST

Daniel Klemm ist Senior Analyst bei Crisp Research mit Fokus auf Big Data, Machi-

ne Learning, Cloud Computing und Customer Journey. Er hat mehr als 12 Jahre

Erfahrung im Bereich verteilter Systeme und dem Gewinnen von Erkenntnissen

aus großen Datenmengen. Als CTO eines Cloud Native Start-ups konzentrierte

sich seine Arbeit unter anderem auf die Bereiche Skalierbare Cloud Architektu-

ren, Marketing Automation sowie Programmatic Advertising. Daniel Klemm hat im

Laufe seiner Karriere mehrfach den Prozess von Idea-To-Market für digitale Pro-

dukte und Start-ups auf technischer Seite verantwortet. Er ist einer der Initiatoren

der Amazon Web Services User Groups in München und Kassel. Darüber hinaus

ist Daniel Klemm Co-Author diverser wissenschaftlicher Publikationen im Bereich

Agent-Based Modeling. Hierbei lag der Schwerpunkt auf der Simulation mensch-

lichen Verhaltens (u. a. Konsumverhalten) im Kontext von Endscheidungs-unter-

stützungssystemen.

Page 80: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 80

DR. CARLO VELTEN, SENIOR ANALYST & CEO

Dr. Carlo Velten ist CEO des IT-Research- und Beratungsunternehmens Crisp Re-

search AG. Seit über 15 Jahren berät Carlo Velten als IT-Analyst namhafte Techno-

logieunternehmen in Marketing- und Strategiefragen. Seine Schwerpunktthemen

sind Cloud Strategy & Economics, Data Center Innovation und Digital Business

Transformation. Zuvor leitete er 8 Jahre lang gemeinsam mit Steve Janata bei

der Experton Group die „Cloud Computing & Innovation Practice“ und war Ini-

tiator des „Cloud Vendor Benchmark“. Davor war Carlo Velten verantwortlicher

Senior Analyst bei der TechConsult und dort für die Themen Open Source und

Web Computing verantwortlich. Dr. Carlo Velten ist Jurymitglied bei den „Best-

in-Cloud-Awards“ und engagiert sich im Branchenverband BITKOM. Als Business

Angel unterstützt er junge Start-ups und ist politisch als Vorstand des Manager-

kreises der Friedrich Ebert Stiftung aktiv.

Page 81: Machine Learning im Unternehmenseinsatz · Machine Learning im Unternehmenseinsatz Crisp Research AG, 2016 7 Künstliche Intelligenz ist somit kein Hype- und Marketing-Trend für

Machine Learning im Unternehmenseinsatz

© Crisp Research AG, 2016 81

KONTAKT

Weißenburgstraße 10

D-34117 Kassel

TEL +49-561-2207 4080

FAX +49-561-2207 4081

[email protected]

http://www.crisp-research.com/

https://twitter.com/crisp_research

COPYRIGHT

Alle Rechte an den vorliegenden Inhalten liegen bei Crisp Research. Die Daten und

Informationen bleiben Eigentum der Crisp Research AG. Vervielfältigungen, auch

auszugsweise, bedürfen der schriftlichen Genehmigung der Crisp Research AG.


Recommended