View
240
Download
0
Category
Preview:
Citation preview
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
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
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
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.
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.
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)
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
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
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.
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
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.
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.
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
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
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.
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
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
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
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
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%
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.
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.
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.
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.
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.
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
€
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).
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.
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%
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.
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%
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.
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.
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.
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.
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)
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.
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
€
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
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.
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
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.
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%
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.
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.
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)
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.
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)
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%
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.
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
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.
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:
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)
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%
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.
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.
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.
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%
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%
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.
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%
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.
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.
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.
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%
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.
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
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.
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%
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
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
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
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.
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
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.
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
rebecca.henssen@unbelievable-machine.com
https://www.unbelievable-machine.com/
https://twitter.com/unbelievable_m
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
enterprise.kunden@hpe.com
https://www.hpe.com/de/de/home.html
https://twitter.com/hpe_de
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.
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.
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
info@crisp-research.com
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