Studie Machine Learning 2021

So kommt der KI- und ML-Erfolg

12.08.2021
Von 
Bernd Reder ist freier Journalist mit den Schwerpunkten Netzwerke, IT und Telekommunikation in München.
Künstliche Intelligenz und Machine Learning sind Schlüsselelemente eines digitalisierten Unternehmens. Diese Faktoren entscheiden darüber, ob Ihr KI/ML-Projekt zum Erfolg oder Flop wird.
Gerade während der Corona-Krise haben viele Unternehmen ihr Engagement in Sachen KI/ML ausgebaut.
Gerade während der Corona-Krise haben viele Unternehmen ihr Engagement in Sachen KI/ML ausgebaut.
Foto: Vasilyev Alexandr - shutterstock.com

Unternehmen in Deutschland haben in den vergangenen 18 Monaten ihr Engagement in den Bereichen maschinelles Lernen (ML) und künstliche Intelligenz (KI) deutlich ausgebaut. So setzen bereits fast zwei Drittel der Firmen maschinelles Lernen ein. Auch während der Hochphase der Corona-Pandemie im Jahr 2020 haben rund 20 Prozent der Unternehmen das Budget für KI und ML deutlich erhöht. Noch mehr Firmen wollen ab 2021 die Investitionen in beide Technologien steigern, wie die Studie "Machine Learning 2021" von IDG Research Services belegt.

Doch größere Budgets und ein stärkerer Fokus auf ML und KI bedeuten nicht, dass entsprechende Projekte automatisch zum Erfolg führen. "Die Akzeptanz für Machine Learning ist generell stark gestiegen und KI ist in der breiten Wahrnehmung angekommen. Allerdings geht das Verständnis weit auseinander, was mit Machine Learning erreichbar ist", sagt beispielsweise Björn Heinen, Lead Data Scientist von INFORM DataLab. Das Unternehmen unterstützt mit seiner Expertise in den Bereichen Data Management, Data Analytics und Data Science Anwender dabei, die digitale Transformation zu bewältigen.

"Einige Unternehmen investieren, um den Hype zu bedienen, ohne Use Cases zielgerichtet anzugehen. Andere erkennen einen gewissen Bedarf, wissen aber nicht, dass Machine Learning dafür die Lösung sein könnte. Grundsätzlich sehen wir daher einen großen Nachholbedarf bei der Datenkompetenz und dem Know-how", so Heinen weiter.

"Starke" und "schwache" KI

Das bedeutet, dass Unternehmen sorgfältig prüfen sollten, in welchen Bereichen und Anwendungsszenarien KI und Machine Learning Sinn machen. Das ist einfacher gesagt als getan. Der Grund: "Generell gibt es noch viel Unkenntnis, was KI eigentlich ist, was sie leisten kann, wo ihre Grenzen liegen und wie der Stand der Technik tatsächlich aussieht", erläutert Thomas Langkabel, National Technology Officer bei Microsoft Deutschland. Er warnt davor, sich von einer falschen Vorstellung über die Möglichkeiten von KI-Algorithmen leiten zu lassen, etwa dem Bild einer "starken künstlichen Intelligenz", wie sie in Filmen zu finden ist - von "Terminator" über "Blade Runner" bis hin zu TV-Serien wie "neXt". Davon sei die Forschung noch weit entfernt.

Langkabel plädiert für eine praxisorientierte Sichtweise: "Völlig unterschätzt wird, welche Relevanz die 'schwache künstliche Intelligenz' in unserem Alltag bereits hat." Beispiele dafür gebe es viele, von Chatbots über die Echtzeit-Übersetzung bis hin zur Kategorisierung von Fotos beim Ausblenden von Hintergründen in Videokonferenzen. "Kurz gesagt: Die Akzeptanz ist wahrscheinlich höher, als den meisten Nutzern bewusst ist. Denn in vielen Bereichen kommt Machine Learning in Anwendungen und Tools bereits seit langer Zeit zum Einsatz."

Nicht nur Bild- und Spracherkennung

Bei der Suche nach Anwendungsfeldern sollten Unternehmen allerdings nicht nur gängige Ansätze im Auge behalten, sondern auch einen Blick über den Tellerrand hinaus riskieren, fordert Michael Koch, Director Artificial Intelligence & Data Analytics bei Lufthansa Industry Solutions. Das Beratungshaus unterstützt Unternehmen bei der Digitalisierung und Automatisierung ihrer Geschäftsprozesse. "Künstliche Intelligenz bietet im beruflichen Alltag viel Potenzial, das heute noch kaum genutzt wird. Kosteneinsparungen, schnellere Reaktionszeiten, mehr Fokus und höhere Qualität lassen sich unmittelbar erreichen", so Koch.

Für eine vergleichbare Vorgehensweise plädiert auch Björn Heinen von INFORM DataLab. Ihn hat überrascht, dass laut der Studie von IDG Research Services die Bild- und Spracherkennung sowie die Textanalyse für deutsche Unternehmen die wichtigsten ML- und KI-Methoden sind. "Das Ergebnis lässt vermuten, dass viele abstraktere Anwendungen in den Unternehmen schlicht unbekannt sind." Dafür würde auch der Mangel an Know-how und Spezialisten in den Unternehmen sprechen, der in der Studie als Hemmfaktoren angeführt wird.

Aus Sicht von Heinen sind vor allem Anwendungen interessant, die über die Automatisierung von Abläufen hinaus gehen und ohne Machine Learning nicht denkbar wären. Ein Beispiel: "In einem Maschinenpark mit Hunderten von Maschinen auf dem Shopfloor ist es nahezu unmöglich, mithilfe manueller Prozesse herauszufinden, an welcher Stelle Qualitätsmängel und Ausschuss entstehen, die wiederum signifikante Kosten verursachen." Der Grund ist, dass dazu einfach zu viele Daten zu analysieren sind. Eine moderne Root Cause Analysis, bei der maschinelles Lernen und KI zum Einsatz kommen, kann dagegen diese Aufgabe bewältigen.

"AI as a Service" macht KI zugänglich

Sobald ein Unternehmen Use Cases für KI und Machine Learning identifiziert hat, gilt es, die nächste Hürde zu nehmen. "Vor allem mittelständische Unternehmen stehen häufig vor Herausforderungen, insbesondere durch die hohe Komplexität, welche die Einführung und der Betrieb einer KI-Lösung mit sich bringen. Das gilt sowohl für die technologische als auch die personelle Ebene", erläutert Koch von Lufthansa Industry Solutions. Anwender müssen eine Plattform aufbauen, Prozesse einführen, Experten anwerben und neue Betriebsprozesse finanzieren.

Deshalb rät Koch dazu, Ansätze wie Low-Code-Plattformen und "AI as a Service" in Betracht zu ziehen, also die Nutzung von cloudbasierten KI- und Low-Code-Lösungen. Das sehen rund 38 Prozent der Unternehmen ebenso. Sie wollen KI-Dienste nutzen, die über eine Cloud bereitgestellt werden. "Durch diese schlüsselfertigen KI-Tools entfällt der Aufwand, der mit dem Aufbau und Betrieb einer KI-Plattform verbunden ist. Gerade im Bereich der Sprach- und Textverarbeitung, aber auch bei der Bildverarbeitung und einfachen Vorhersagesystemen funktioniert das sehr gut", betont Koch.

Datenqualität und Datenquellen berücksichtigen

Der Fachmann von Lufthansa Industry Solutions spricht zudem einen weiteren Faktor an, der für den Erfolg von KI- und ML-Projekten entscheidend ist: die Datenqualität. Diese müsse "dringend berücksichtigt" werden. Neben dem Mangel an Fachpersonal (37 Prozent), unzureichenden Programmierkenntnissen (25 Prozent) und zu geringem Fachwissen (24 Prozent) sind die Daten ein Kernproblem für KI- und ML-Nutzer, so die Studie.

Zu wenige Fachleute und mangelndes Know-how sind derzeit die größten Problempunkte bei der Umsetzung von ML-Projekten.
Zu wenige Fachleute und mangelndes Know-how sind derzeit die größten Problempunkte bei der Umsetzung von ML-Projekten.
Foto: IDG Research Services: Daniela Petrini

Das gilt zum einem für die Qualität der Daten. Zum anderen nutzen Unternehmen nur einen Teil der Datenquellen für KI- und Machine-Learning-Anwendungen. Dazu einige Beispiele: An die 42 Prozent der Firmen verfügen über Transaktionsdaten, verwenden aber nur 27 Prozent davon für Machine Learning. Dasselbe Bild zeigt sich bei Log-Daten (41 Prozent verfügbar, etwa 25 Prozent genutzt) sowie Betriebsdaten (31 Prozent verfügbar, rund 16 Prozent genutzt). Um hier Abhilfe zu schaffen, können oder sollten sogar externe Spezialisten mit ins Boot geholt werden.

"Wir beginnen wir oft damit, mittels einer Stichprobe die Datenqualität zu ermitteln, Datensilos zu identifizieren und Handlungsempfehlungen zur Steigerung der Datenqualität zu erarbeiten", beschreibt Björn Heinen von INFORM DataLab die Vorgehensweise. Am wichtigsten sei es aber, Datenprojekte mit einem "holistischen Ansatz" anzugehen. "Dazu müssen wir erst das Problem verstehen. Danach entscheidet sich, ob wirklich KI die Lösung ist oder bereits ein verbessertes Data Management den Bedarf erfüllt."

Daten erlauben bessere Entscheidungen

Die Vorteile einer datenorientierten Vorgehensweise fasst Heinen so zusammen: "Datenbasiert zu entscheiden bedeutet, bessere Entscheidungen zu treffen." Als Beispiel führt er Prognosen von Liefer- und Wiederbeschaffungszeiten an. Kommt dabei Machine Learning zu Einsatz, liegt die Genauigkeit um bis zu 70 Prozent höher als bei der Verwendung fixer Stammdaten.

Werden Lieferzeiten zuverlässiger prognostiziert, können Unternehmen wiederum optimierte Entscheidungen im Bestandsmanagement und der Produktionsplanung treffen. "Idealerweise gibt Machine Learning diese Erkenntnisse an Algorithmen weiter, die dann optimierte Bestellvorschläge oder Fertigungsreihenfolgen bestimmen", so der Fachmann von INFORM DataLab.

Bei all den Vorzügen, die KI und maschinelles Lernen bieten können, sollten jedoch auch "weiche Faktoren" nicht übersehen werden. Dazu zählen die Akzeptanz solcher Lösungen durch die Mitarbeiter und die Transparenz der Arbeitsweise von KI-Algorithmen. Das zeigt sich beispielsweise in einem Ergebnis der Studie: Rund 34 Prozent der Anwender wollen nachvollziehen können, wie ein Machine-Learning- oder KI-Algorithmus zu seinen Entscheidungen kommt. Diese Transparenz ist neben den Kosten das wichtigste Kriterium bei der Auswahl einer ML- beziehungsweise KI-Lösung.

Den Erfolgsfaktor in Sachen Machine Learning gibt es nicht, vielmehr müssen eine Reihe von Bausteinen zusammenpassen.
Den Erfolgsfaktor in Sachen Machine Learning gibt es nicht, vielmehr müssen eine Reihe von Bausteinen zusammenpassen.
Foto: buffaloboy - shutterstock.com

Das sieht auch Microsoft so, einer der wichtigsten Anbieter von cloudbasierten KI- und ML-Lösungen. "Wir müssen für die Entwicklung und Nutzung von KI klare Prinzipien wie Fairness, Transparenz und Verantwortlichkeit aufstellen", unterstreicht Thomas Langkabel. "Die EU-Kommission hat einen Vorschlag für eine Regulierung von KI vorgelegt, die aus meiner Sicht in die richtige Richtung geht und helfen wird, Unsicherheiten abzubauen und das Vertrauen in verantwortungsvolle KI zu stärken."

Zur Studie "Machine Learning 2021" im Aboshop

"Responsible AI" berücksichtigen

Langkabel warnt allerdings davor, es beim Abhaken von Checklisten oder dem Sammeln von Zertifikaten zu belassen. "In der Ausbildung von Informatikern und Data Scientists müssen die Grundlagen und Fähigkeiten für 'Responsibility by Design' in KI-Systemen angelegt werden. Insbesondere gilt es zu verstehen, dass Daten zum Training von KI-Systemen sensible und kritische Faktoren sind." Zudem sei es notwendig, die Folgen abzuschätzen, wenn sich Algorithmen selbstständig weiterentwickeln: "Wir haben bei Microsoft dafür inzwischen einen eigenen, weltweit verbindlichen Standard zur Umsetzung von Responsible AI erarbeitet."

Wichtig sind aus Sicht von Microsoft beispielsweise Fragen wie "Warum bauen wir dieses KI-System?" oder "Ist die KI-Technologie, die den Kern dieses Systems bildet, schon für diese Anwendung bereit?". Das hört sich "philosophisch" an. Aber die Antworten auf solche Fragen sind mitentscheidend, ob eine KI-Lösung bei Anwendern im eigenen Haus und Kunden auf die erforderliche Akzeptanz stößt. "Wir geben unsere Erfahrungen gerne weiter, stellen Open Source Tools wie Fairlearn oder InterpretML zur Verfügung und haben mit dem "Responsible AI Learning Lab" einen Workshop entwickelt, der die Teilnehmer durch reale Anwendungsszenarien von KI führt", ergänzt Langkabel.

Viele Faktoren führen zum Erfolg

Unternehmen, die aus KI und Machine Learning den erhofften Nutzen ziehen möchten, dürfen sich somit nicht darauf beschränken, "mal eben schnell" eine entsprechende Lösung anzuschaffen. Vielmehr sind viele Punkte zu berücksichtigen: Ein tragfähiger Use Case muss erstellt werden; Daten sollten erfasst, konsolidiert und in ein Data Management integriert werden; es ist zu prüfen, ob die KI-/ML-Lösung im eigenen Rechenzentrum implementiert oder als Cloud-Service genutzt werden soll. Hinzu kommen Aspekte wie der ethische Einsatz von KI und die Frage, wie Mitarbeiter und Kunden in entsprechende Projekte einbezogen werden.

Die Lösung aus Sicht von Jörg Heinen: "Wir plädieren daher dafür, dass jedes Datenprojekt auch ein Changemanagement-Projekt sein muss. Es gilt, alle Stakeholder abzuholen, ihnen zuzuhören und transparent Möglichkeiten aufzuzeigen, bevor man eine Technologie nur deshalb einführt, weil sie gerade modern ist."

Zur Studie "Machine Learning 2021" im Aboshop

Jetzt im Shop: Die Studie "Machine Learning 2021"
Jetzt im Shop: Die Studie "Machine Learning 2021"
Foto: IDG Research Services: Daniela Petrini

Studiensteckbrief

Herausgeber: COMPUTERWOCHE, CIO, TecChannel und ChannelPartner

Platin-Partner: Lufthansa Industry Solutions GmbH & Co. KG; Microsoft Deutschland GmbH

Gold-Partner: INFORM GmbH

Grundgesamtheit: Oberste (IT-)Verantwortliche von Unternehmen in der D-A-CH-Region: strategische (IT-)Entscheider im C-Level-Bereich und in den Fachbereichen (LoBs), IT-Entscheider und IT-Spezialisten aus dem IT-Bereich

Teilnehmergenerierung: Stichprobenziehung in der IT-Entscheider-Datenbank von IDG Business Media sowie zur Erfüllung von Quotenvorgaben über externe Online-Access-Panels; persönliche E-Mail-Einladungen zur Umfrage

Gesamtstichprobe: 367 abgeschlossene und qualifizierte Interviews

Untersuchungszeitraum: 26. April bis 03. Mai 2021

Methode: Online-Umfrage (CAWI)

Fragebogenentwicklung: IDG Research Services in Abstimmung mit den Studienpartnern

Durchführung: IDG Research Services