Digital Infrastructure - Trendpaper: Machine Learning - Microstaxx
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Digital
Infrastructure
IT-Infrastruktur für das digitale Zeitalter
Trendpaper:
Machine Learning
2 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter
Vorwort Inhalt
In den kommenden Jahren wird sich vieles verändern,
01 07
denn die Digitalisierung macht die Modernisierung der Re- Executive Summary 4 Ergebnisse der
chenzentren unverzichtbar. Werfen Sie einen Blick auf die Marktuntersuchung
elementaren Veränderungen und darauf, wohin sich der Umsetzungsgrad und
02
Markt bewegt. Investitionsbereitschaft 23
Die Studie Digital Infrastructure 2020 basiert auf einer
08
empirischen Untersuchung über die IT-Infrastruktur im
Rahmen der Digitalisierung. Das IT-Research- und Bera- Von der Nische zsum
tungsunternehmen Crisp Research führte in Kooperation Wachstumsmarkt 6
mit Tech Data Advanced Solutions eine Befragung von
183 CIOs, Digitalisierungsverantwortlichen und RZ-Leitern Ausblick und Empfehlungen
03
aus Unternehmen mit Größenklassen von 250-500, 500- für CIOs und
1000 und über 1000 Mitarbeitern durch. Rechenzentrums-Leiter 26
Das folgende Trendpapier ist eine lösungsspezifische
Künstliche Intelligenz –
09
Auskopplung zur Gesamtstudie DI2020 und liefert Ihnen
Die Grundlagen 8
empirische Untersuchungsergebnisse auf Fragen wie
› in welcher Phase sich Unternehmen hinsichtlich der
04
Auswahl oder Implementierung der Lösung befinden. Weitere Informationen 28
› welche Handlungsfelder im Rahmen der Digitalisie- › Über die Autoren 28
rung in Unternehmen von der Lösung insbesondere
betroffen sind. Der reibungslose Start › Über Crisp Research 29
ins Machine Learning 12
› wie hoch sich die geplanten Investitionen von › Über Microstaxx 29
Unternehmen diesbezüglich belaufen und
05
› Copyright 29
› in welchen Anwendungsbereichen die Lösung
eingesetzt wird. › Kontakt 30
Zusätzlich erhalten Sie einen generellen Überblick zur Lö- Vom Algorithmus › Lesen Sie auch die
sung, Insights zu möglichen Use Cases bis hin zu Empfeh- zum Use Case 16 weiteren Trendpapiere
lungen mit „Hands-on“-Charakter. zur Studie DI2020 31
06
Ergebnisse der
Marktuntersuchung
Use Cases und Potenziale 19
Trendpapier: Machine Learning 5
Executive › Eine exklusive Marktumfrage im Auftrag von Tech-
Data zeigt, dass deutsche Unternehmen im Machine
Learning nicht hinterherhinken. So ist die Mehrheit
der befragten Unternehmen in Deutschland (ab 250
Summary
Mitarbeiter) derzeit in der Evaluierungs- und Pla-
nungsphase (26 Prozent). 21 Prozent arbeiten an
einem Proof-of-Concept oder entwickeln Prototypen.
Gut 16 Prozent befassen sich mit der Technologie-
und Providerauswahl. Weitere 16 Prozent sind be-
reits mit der Einführung beschäftigt. Drei Prozent
zählen zu den Early Adoptern, die Machine Learning
bereits produktiv einsetzen.
› Was sind die wichtigsten aktuellen und künftigen
Einsatzbereiche für Machine Learning-Technologien?
› ›
An erster Stelle stehen der Umfrage zufolge die Pro-
Künstliche Intelligenz, Deep Machine Learning (ML) leistet duktion und die Prozesse (52 Prozent), gefolgt von
Learning, Machine Learning als Innovationsmotor einen Rechenzentrum und IT mit 38 Prozent. Dahinter be-
oder Cognitive Computing entscheidenden Beitrag zur finden sich Management, Kundendienst, Customer
werden die IT-Welt in den digitalen Transformation. In Experience und Co.
›
nächsten Jahren maßgeblich allen für dieses Trendpaper
prägen und viele Rechenzentren untersuchten Bereichen wurde Die Investitionsbereitschaft der Unternehmen und
sowie deren Infrastruktur vor die Bedeutung von ML-Tech- die vielseitigen Einsatzmöglichkeiten von Machine
neue Aufgaben stellen. nologien hoch eingeschätzt. Learning führen dazu, dass die Bedeutung von
›
Machine Learning wird künftig Rechenzentren und IT-Abteilungen in absehbarer
Noch bis vor wenigen Jahren nicht nur im Rechenzentrum Zukunft massiv zunimmt. Machine Learning als
waren selbstlernende Program- eine maßgebliche Rolle spielen, Herzstück der Künstlichen Intelligenz wird aber
me nur ein Thema für Universi- sondern sämtliche Bereiche nicht nur die IT, sondern auch unser künftiges Leben
täten, Forschungseinrichtungen tangieren – von der Automation verändern.
und spezialisierte Technologie- über die Agilität bis hin zum
unternehmen. Heute ist die Internet of Things (IoT) und
maschinelle Intelligenz schon Smart Products.
›
in zahlreiche Produkte und
Lösungen implementiert. In Machine Learning-Verfahren
Zukunft wird unser Alltag und setzen im Unternehmen im
unser Geschäftsleben immer Vergleich zu anderen Applikati-
mehr von Softwareprogram- onen unterschiedlichste Hard-
men begleitet, die aus Daten ware-Umgebungen voraus.
lernen und das Gelernte auch Oftmals bringt die Nutzung von
anwenden können. optimierten Chips oder ein Up-
grade von Grafikkarten einen
erheblichen Performancegewinn,
der sich in Wettbewerbsvorteilen
niederschlagen kann.
6 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 7
Von der Nische
Gleichzeitig versprechen die Techno- Anwendungen gibt es zur Genüge
logien der Künstlichen Intelligenz ein
direktes Return on Investment (ROI), Welches Potenzial im maschinellen
wenn sich dank optimierter Verfahren Lernen steckt, zeigen innovative
zum
und Algorithmen die Performance Plattformkonzepte für die Stadt von
oder User Experience unternehmens- morgen. Die Welt steht am Anfang
eigener Internet- und Suchdienste der vierten industriellen Revolution –
verbessern lässt. Die optimierte Ver- angetrieben durch eine allgegenwär-
Wachstumsmarkt
marktung von Werbeplätzen und die tige Vernetzung, maschinelles Lernen
schnellere Berechnung relevanter und neue Fortschritte in Design und
Suchergebnisse bringt den Digital- digitaler Fabrikation. Die Lösung der
konzernen Wertschöpfungsgewinne derzeitigen und künftigen Probleme
in Milliardenhöhe. des städtischen Wachstums sind alles
andere als trivial. Im Rahmen neuer
Künstliche Intelligenz ist also keines- Ansätze werden Städte als Plattformen
falls nur ein Hype oder Marketing- für neue bauliche Konzepte betrachtet.
trend, sondern eine wichtige Stell- Diese Konzepte schaffen die Vor-
schraube für die Wettbewerbsstärke aussetzungen dafür, dass Menschen
und Profitabilität von morgen. Dabei neue Ideen entwickeln und testen
Lange interessierten sich nur Computer-Nerds oder Wis- profitieren Google und Co. von der können, mit denen sich die Lebens-
senschaftler für das maschinelle Lernen. Doch seit rund Tatsache, dass sie auf unvorstellbare qualität verbessern lässt.
zwei Jahren hat sich das Blatt gewendet: Künstliche In- Mengen an Kunden- und Log-In- Einen ersten Versuch will Google in
telligenz ist heute das Topthema der digitalen Vordenker Daten zugreifen können. Diese dienen diesem Jahr in Toronto mit dem Pro-
und der Venture Capitalists im Silicon Valley. Warum steht als Grundlage, um Modelle zu bilden jekt „Sidewalk Toronto” starten. Die
das maschinelle Lernen jetzt vor dem Durchbruch? Und und lernende Systeme kontinuierlich Bewohner der kanadischen Metropo-
welchen Einfluss werden entsprechende Konzepte für die zu trainieren („Deep Learning“). le sollen von den neuesten Techno-
IT- und Digitalisierungsstrategien der Unternehmen in den logien, einer intelligent vernetzten
nächsten Jahren haben? Nach vielen Jahren in der akademi- Infrastruktur und selbstfahrenden
schen Nische zählt die Künstliche Autos profitieren.
Vielversprechende Aussichten: Intelligenz zu den wichtigsten Wachs-
Return on Investment in Milliardenhöhe tumsmärkten weltweit. Dafür gibt es
drei Gründe:
Die größten Investitionstreiber waren in den letzten
Jahren Internet- und Cloud-Konzerne wie Google, Face- › Eine unbegrenzte und kosten-
book, Microsoft und IBM. Diese Firmen investierten allein günstige Rechenleistung (Cloud).
2015 mehr als zehn Milliarden US-Dollar in die Forschung
und Entwicklung der Künstlichen Intelligenz. Der Grund › Die Verfügbarkeit riesiger Daten-
liegt auf der Hand: Machine Learning, Deep Learning mengen als Grundlage für die
und Cognitive Computing gelten als Basis für neuartige Entwicklung von Modellen und als
digitale Dienste und innovative Geschäftsmodelle. Das Trainingsbasis (Big Data).
betrifft Consumer-Lösungen, wie zum Beispiel digitale
Assistenten á la Siri und Google Now, genauso wie das › Verstärkte Investitionen in die
Business-Umfeld, zum Beispiel in Form von Industrie- Verbesserung der Verfahren, Tools
Lösungen im Gesundheitsbereich. und Frameworks (siehe oben).
8 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 9
Künstliche
Was genau verbirgt sich hinter Begriffen wie Künstliche
Intelligenz, Cognitive Computing, Deep Learning und
Machine Learning? Die definitorische Abgrenzung fällt
nicht leicht. Am besten lassen sich die Begriffe im IT-Um-
Intelligenz –
feld nach Herkunft, Perspektive und Verfahren zuordnen.
Für eine vereinfachende Abgrenzung lässt sich auch die
„Clarity of Purpose“ (klare Zielvorgabe) und der „Degree
of Autonomy“ (Selbstständigkeitsgrad) heranziehen. Das
Die Grundlagen
folgende Schaubild bietet einen guten Überblick.
KÜNSTLICHE Oberbegriff aus Informatik und Neurowissenschaft; Beschreiben einer Maschine/Rechners,
INTELLIGENZ*1 die über kognitive Fähigkeiten verfügt, die dem menschlichen Verhalten ähnelt bzw. diesem
ebenbürtig ist. Selbstreflektion, Selbstlernen etc. als einige der Grundanforderungen (General
Artificial Intelligence im Englischen)
COGNITIVE Computersysteme, die Aufgaben übernehmen, die derzeit hauptsächlich von Menschen
COMPUTING ausgeführt werden und die Ambiguität und Unschärfen beinhalten sowie Spracherkennung,
Wissensbildung, Lernen, Verstehen, Urteilen und Emotionen, Mimik deuten können.
DEEP Software versucht die Aktivitäten in Schichten von Neuronen*2 im Neocortex nachzuahmen,
LEARNING wo das Denken beim Menschen stattfindet. Die Software lernt, in einem sehr realen Sinn, Mus-
ter in der digitalen Darstellung von Bildern, Tönen und anderen Daten zu erkennen.
MACHINE Verarbeitung, Auswertung und Prognose von Daten auf Basis verschiedener statistischer
LEARNING*3 und neuro-wissenschaftlicher Verfahren. Gliedert sich in automatisches Machine Learning
(aML) und interaktives Machine Learning (iML). Letzteres basiert auf Interaktionen mit – teils
menschlichen – Agenten.
* 1 1956 von John McCarthy (*1926) * 2 In den 50er Jahren entwickelt
* 3 1959 als künstliche Generierung von Wissen aus Erfahrung definiert
10 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 11
Wenn Maschinen zu begabten Autisten werden Je mehr Daten, desto besser Die Renaissance der Hardware
Aktuell wird ein Großteil der Machine Learning-Systeme Bei jedem Schritt fließen immer mehr Beispiel- Was bedeutet das alles für Rechenzentren oder
für spezielle Aufgaben entwickelt, trainiert und optimiert. daten durch die neuronalen Netze, sodass die IT-Abteilungen? Die Hardware ist zurück! Spe-
Ein System kann dementsprechend nur die vorgesehene internen Verknüpfungen kontinuierlich verbes- zialisierte Chips und Grafikkarten-Cluster ziehen
Aufgabe erfüllen und keine andere – auch nicht, wenn sie sert werden. Je mehr Daten zum Trainieren zur wieder in das Portfolio von Unternehmen ein.
artverwandt ist. Aufgabenstellungen, die Kindern einfach Verfügung stehen, umso besser ist das Resul- Bei den Cloud-Anbietern sind diese schon seit
erscheinen, waren für Maschinen lange Zeit eine unüber- tat. Die Tiefe der neuronalen Netze wird ledig- einigen Jahren als Standard gesetzt, doch für die
windbare Hürde – etwa das Erkennen von Objekten auf lich von den Rechenressourcen beschränkt. ständig wachsenden Anforderungen im Machine
Bildern oder die Erkennung von Sprache bei der Interak- Am Ende hat die Maschine gelernt, wie man Learning-Umfeld müssen selbst Google, AWS
tion mit dem Smartphone. Hier kommt Deep Learning ins beispielsweise bei Patienten anhand von Lun- und Co. massiv investieren. Die Berechnungszeit
Spiel: Die auf neuronalen Netzen basierende Technik er- gen- CT-Bildern potenzielle Krebsgeschwüre verschiedener Modelle bleibt aber immer von der
möglicht es Maschinen, eigene Lernmuster zu entwickeln, diagnostiziert. Und dies mit einer Präzision, die Performance der eingesetzten Hardware ab-
um die gewünschten Ergebnisse zu erzielen. Dabei lernt dem Menschen überlegen ist. hängig. Hinzu kommt die Innovationsgeschwin-
die Maschine mittels vorhandener Datensätze, Informatio- digkeit, mit der Hersteller wie Intel, NVIDIA oder
nen zu verstehen und zu interpretieren. Beim Menschen Andere Beispiele zeigen den Erfolg von Deep Qualcomm neue Rechnerbausteine auf den Markt
würde man in diesem Zusammenhang von einer Inselbe- Learning-Systemen in aktuellen Produkten bringen. Diese können anspruchsvolle Aufgaben
gabung sprechen, die bei Autisten häufig vorkommt und und Diensten – beispielsweise selbstlernende wie Vektoroperationen mit großer Geschwin-
es diesen ermöglicht, außergewöhnliche Leistungen in Sprachassistenten, die den Menschen mit der digkeit und Effizienz ausführen. Das Tempo in
einem Teilbereich zu vollbringen. Zeit immer besser verstehen. Auch die Inhalte diesem Bereich ist ebenso hoch wie im Public
von Bildern können mit Deep Learning schnel- Cloud-Markt.
ler erkannt werden. Zudem setzen einige Unter- Die Herausforderungen durch Machine Learning
nehmen entsprechende Systeme bei Video- erhöhen die Komplexität innerhalb der Unter-
Deep Learning in exemplarischen Schritten chats für die simultane Übersetzung ein. nehmens-IT noch einmal deutlich. Ergänzt wird
die Technologie durch verschiedene Hybrid- und
Multi-Cloud-Modelle, die in vielen Unternehmen
EBENE 1 EBENE 2 EBENE 3 EBENE N Einzug halten, um jederzeit alle relevanten An-
forderungen oder Auflagen zu erfüllen.
ANSTIEG IN DER KOMPLEXITÄT DER MERKMALE
Diese Lern-Qualität war bei neuronalen Netzen bislang
nicht erreichbar, weil es an der nötigen Rechenleistung
fehlte. Die Netze beinhalten Ebenen von unterschiedlicher
Komplexität. In der ersten beginnt die Maschine mit der
Identifizierung von relativ einfachen Mustern. Dies kann
zum Beispiel bei einem Röntgenbild die Helligkeit einzel-
ner Pixel sein. In der nächsten Ebene kommen Kanten
oder Formen hinzu. In einem weiteren Schritt folgen dann
Formen und Objekte. Diese Vorgänge werden fortgesetzt,
bis das gewünschte Verhalten erreicht ist.
12 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 13
Am Anfang war Hadoop
Doch wie kommen Unternehmen zu einer Plattform, die
den Einstieg in maschinelles Lernen ermöglicht? Lange
waren Hadoop-Plattformen das Mittel der Wahl. Doug
Cutting war der Vater, der 2008 bei Yahoo das Kunst-
stück fertigbrachte, Daten mit einer großen Anzahl an
Maschinen in erheblich kürzerer Zeit zu analysieren als
Der reibungslose
dies zuvor möglich war. In den vergangenen Jahren
haben Hersteller, Anwender und die Open-Source-Com-
munity viel Energie in diese Technologie gesteckt. So hat
sich ein System entwickelt, das die Anforderungen von
Start ins
Unternehmen in allen relevanten Bereichen erfüllt.
Die reibungslose Integration in eine Unternehmensland-
schaft war allerdings nicht von Anfang an gegeben. Viele
Machine Learning
sicherheitsrelevante sowie Governance und Compliance
betreffende Tools mussten entwickelt und implementiert
werden. Heute ist die Plattform in der Lage, die Ansprüche
von Unternehmen mit Hilfe der unterschiedlichsten Tech-
nologien zu erfüllen. Somit bietet ein Hadoop-System
innerhalb des eigenen Rechenzentrums und/oder in der
Cloud einen guten Startpunkt für die Implementierung
von Machine Learning und den Aufbau neuer digitaler
Geschäftsmodelle.
Schon heute haben Unternehmen Zugriff auf riesige Ideenfluß durch eine Datenkultur
Datenmengen. Künftig werden es noch erheblich mehr
sein. Datengetriebene Unternehmen werden mit ihren
Produkten und Diensten zahlreiche Märkte dominieren.
Um eine effiziente Datenanalyse im Unternehmen und
über dessen Grenzen hinaus aufbauen zu können, ist eine Ideen generieren Ideen
klare Strategie erforderlich. Diese muss nicht nur alle und mögliche zum Leben
internen Datenquellen und -konsumenten umfassen, Erkenntnisse erwecken
beachten
sondern auch alle externen wie zum Beispiel Partner oder
E-Commerce-Plattformen. Der Zugriff auf sämtliche Daten
muss eindeutigen Standards unterworfen sein. Dadurch
wird nicht nur ein möglichst homogener Zugang für alle Produkt oder
Beteiligten sicher gestellt, sondern auch eine optimale Dienst
ausliefern
Kontrolle der Daten im Hinblick auf Sicherheit, Governance
und Compliance.
Informationen
aus der Analyse
für die
Erkenntnis
zu den Ideen Erfolg und
nutzen Nutzung
messen
Analyse aller
Daten rund
um das Produkt /
den Dienst
An w e n du n g s-
R e sso u r ce n m an ag e m e n t Date n m o de llie r u n g Geschäftsmod e ll M achin e Le ar n in g
o r che str ie r u n g
14 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 15
Le be n sz yklu s- Kno w le dg e -
Benchmarki n g management managemen t Lo g g in g V isu alisie r u n g
Metadata HR R e sso u r ce n -
Q u alitä tsm an ag e m e n t Au to m atio n O r che str ie r u n g
Management managemen t
Hadoop Ökosystem und die Akteure in digitalen Unternehmen Einer dieser Stacks nennt sich SMACK. Er wurde mit Apa-
che Spark, Apache Mesos, Akka, Apache Cassandra und
Apache Kafka für skalierbare Echtzeitanalysen konzipiert.
Für die gezielte Analyse von Zeitreihendaten im IoT-Um-
feld gibt es beispielsweise den TICK-Stack (Telegraf,
InfluxDB, Chronograf, Kapacitor). Unternehmen können
Data Stacks intern aufbauen und zielgerichtet einsetzen.
Sie setzen sich aus mehreren Silos zusammen, die jeweils
unterschiedliche Anwendungsfälle adressieren. Nachfol-
gend einige Beispiele:
› Batchverarbeitung
› Streaming-Datenverarbeitung
› Zeitreihenanalyse
› Business Intelligence
› Predictive Maintenance
SMACK TICK ELK MANAGEMENT
Spar k Mit einem Stackology-Ansatz
Te le g r af lassen sichElas
deutlich
ticse ar ch schneller
und effizienter einzelne Use Cases abbilden. Vorausset-
Life cycle M an ag e m e n t
S chlüsse lm ag e m e n t
S iche r he it/N e tw o r k
Lo g g in g /M o n ito r in g
Mesos zung ist allerdings,
InfluxDB dass der klare Fokus Lo
in gder
stashUnterneh-
M an ag e m e n t
mensstrategie erhalten bleibt.
Billin g
Cassandr a Chr onogr af Kibana
Für das Rechenzentrum der Zukunft ist eine der vorge-
Eine Hadoop-Installation ist aber nicht in jedem Fall Kafka Kap aci
stellten Varianten to r
unverzichtbar – oder zumindest eine
erforderlich. Vor allem für Unternehmen, die ihren Busi- Mischung aus beiden innerhalb der Fachabteilungen. Ob
Unternehmensplattform
ness-Fokus auf den Anwendungs- und Analysebereich die Hadoop-Plattform im Rahmen einer Public Cloud be-
legen, lohnt es sich, eine aktuell sehr gefragte Alternative trieben oder in der unternehmenseigenen Umgebung auf-
in Betracht zu ziehen: Data Stacks. gesetzt wird, spielt zunächst keine große Rolle. Wichtig
ist die Bereitstellung eines digitalen Fundaments und der
Data Stacks als maßgeschneiderte Alternative nötigen Kompetenzen.
Stacks sind momentan der Renner in der Architektur von
IT- und Applikationslandschaften: Technologie-Stacks, Stacks als anwendungsbezogene Architekturkomponenten
Architektur- Stacks, Big Data-Stacks, IoT-Stacks, und
viele mehr. Experten sprechen in diesem Zusammenhang
schon von einer „Stackology“. Stacks bilden den Gegen-
pol zu Hadoop-Installationen und umfangreichen Platt-
formen. Ihr großer Vorteil liegt darin, dass viele schon auf
bestimmte Anwendungsszenarien zugeschnitten sind. So
gibt es beispielsweise für echtzeitnahe datengebundene
Anwendungen Stacks, bei denen die Akronyme der ver-
wendeten Tools, die oft aus dem Open Source-Umfeld
stammen, den Namen bestimmen.
16 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 17
Vom
KONTEXT
Algorithmus Selektion
Vorhersage-
Vorhersage
zum Use Case
modell
Use Case/
Daten
Persona
(e.g. User)
Beim maschinellen Lernen kommen mathematische Ver- Maschinen lernen durch die Summe ihrer Erfahrungen
fahren (Algorithmen) für die Datenanalyse zum Einsatz.
Das Ziel besteht darin, nützliche Muster (Beziehungen, Im Wesentlichen erfolgt das Lernen von Maschinen ana-
Zusammenhänge oder Verknüpfungen) zwischen ver- log zum Menschen. Durch eine gezielte Beobachtung
schiedenen Datenelementen zu finden. dessen, was um uns herum passiert, können wir die nöti-
gen Schlussfolgerungen ziehen. Diese Erfahrung hilft uns
Muster erkannt, Verkaufschancen erhöht dabei, uns auf neue Situationen einzustellen und Heraus-
forderungen zu meistern. Es heisst nicht ohne Grund: Wir
Ein anschauliches historisches Beispiel: Bei der Auswer- sind die Summe unserer Erfahrungen. Ebenso verhält es
tung der Kassenbons von Kunden stellte die amerikani- sich beim maschinellen Lernen. Je mehr relevante und
sche Supermarktkette Walmart fest, dass zu bestimmten wertungsfreie Daten ein entsprechendes System erhält,
Uhrzeiten relativ viel Bier in Verbindung mit Windeln umso genauere Vorhersagen kann es erstellen. Konzerne
gekauft wurde. Nachdem man entdeckt hatte, dass Väter wie Amazon, aber auch Anbieter wie die Drogeriemarkt-
beim Windelkauf gerne zu einem Sixpack Bier greifen, kette dm nutzen solche Verfahren, um das Sortiment zu
positionierte der Discounter beide Produkte in unmittel- steuern und die Retourenkosten zu minimieren. Zudem
barer Nähe voneinander. So konnte der Umsatz um einen können Engpässe bei gefragten Produkten vermieden
zweistelligen Prozentsatz gesteigert werden. und die Lieferzeiten für den Kunden kurz gehalten werden.
Aber auch Zusammenhänge, die sich nicht so schnell
ergeben, sind eine Untersuchung wert. Sobald sich eine
eindeutige Beziehung erkennen lässt, kann man daraus
Rückschlüsse über die Nutzer oder Systeme ziehen und
eine zuverlässige Prognose zu ihrem voraussichtlichen
Verhalten in der Zukunft anfertigen.18 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter 19
Trendpapier: Machine Learning 19
Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter
Wie Maschinen lernen
Die Art und Weise, wie das Lernen mittels Daten erfolgt,
wird in vier Lernstile unterteilt – eines der wichtigsten
Merkmale zur Klassifizierung von Algorithmen im Bereich
Machine Learning:
Supervised Learning/ Unsupervised Learning/
Ergebnisse der
Überwachtes Lernen Unüberwachtes Lernen
Marktuntersuchung:
Use Cases und
Re-inforcement Learning/
Bestärkendes Lernen
Semi-supervised Learning/
Teilüberwachtes Lernen Potenziale
Damit die möglichen Modelle zeitnah durchgespielt
werden können, sich Vorhersagen effizient im Produktiv-
betrieb umsetzen lassen und die Daten in der gewünschten
Qualität vorliegen, benötigt ein Unternehmen eine ent-
sprechende Plattform. Unter dem Begriff Digital Infra-
structure Platform fasst man sämtliche Komponenten zu-
sammen, die den Kern einer modernen, skalierungsfähigen
und flexiblen IT beschreiben und den Anforderungen der
digitalen Geschäftswelt gerecht werden.
Eine solche Plattform bieten die folgenden Schlüssel-
fähigkeiten:
› Scalable (Elastizität)
› Programmable (Automatisierung)
› Standardized (API-basierte Architektur)
› On-Demand (Agilität)20 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 21
Ist die passende Plattform implementiert, stellt sich für In welchen Anwendungsbereichen wird „Machine
IT-Entscheider die Frage, wo und in welchem Umfang das Learning & AI“ (bis zum Jahr 2020) eingesetzt?
maschinelle Lernen eingesetzt werden soll – ausschließlich
für neue digitale Produkte oder auch im Rahmen vorhan-
dener Strukturen? Aufschlussreiche Antworten liefert die
Befragung für das vorliegende Trendpaper: Das höchste
Potenzial für Machine Learning-Technologien sehen 52
Prozent der IT- und Business-Entscheider bis zum Jahr
2020 im Bereich Produktion & Prozesse. Diese Einschät-
zung erscheint realistisch, denn viele Unternehmen haben 15% 21% 22%
bereits einen Großteil ihrer Abläufe gut dokumentiert,
beispielsweise im Zuge von ISO-Zertifizierungen für das
Qualitätsmanagement.
Procedure und Internet of Things Customer Experience
Supplier Management
Vom Algorithmus zum Use Case – eine Definiton
33% 36% 38%
Management, Kundendienst & Rechenzentrum & IT
Finance & HR Support
52%
Produktion & Prozesse
Vielversprechende Einsatzmöglichkeiten sehen die IT-
Verantwortlichen zudem in den Bereichen Rechenzentrum
& IT (38 Prozent), Kundendienst & Support (36) sowie im
Umfeld von Management, Finance und Human Resources
(33). Bei den Geschäftsfeldern, die direkt von der digitalen
Transformation betroffen sind oder neu entstehen, sind
die Erwartungen an Machine Learning-Systeme deutlich
niedriger – vermutlich, weil es hier noch an Einblick und
Erfahrung fehlt. Mit 22 Prozent liegt die Customer Ex-
perience vorn. Dahinter folgen Anwendungen für das
Internet of Things (21) und schließlich das Procurement &
Supplier Management (15).22 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter
Markttrends der Vertikalisierung und nologien in Betracht kommen, lassen sich für den
Produktisierung Unternehmenseinsatz klare Trends ableiten.
Wie hoch ist der erwartete Innovations- und Wert- Vertikalisierung: Bei den industriellen Lösungen
schöpfungsbeitrag? Zu dieser Frage fällt die Ein- ist eine starke Vertikalisierung der KI-Konzepte
ordnung der Entscheider recht homogen aus. An zu erwarten. Je konkreter die KI-Verfahren und
der Spitze liegen die Themen Automation und IoT -Lösungen auf eine bestimmte Branche und ihre
Ergebnisse der
& Smart Products. Angesichts der Tatsache, dass individuellen Strukturen, Modelle, Datenquellen
bei simplen Workloads, gewöhnlichen oder se- und Herausforderungen fokussiert sind, desto grö-
mi-automatischen Prozessen meist noch reichlich ßer ist der erzielbare Erfolg und somit auch der
Optimierungspotenzial vorhanden ist, kann dieses Business Value.
Marktuntersuchung:
Ergebnis kaum überraschen. Im IoT & Smart Pro-
ducts-Umfeld müssen Machine Learning-Modelle Produktisierung: Viele industrielle Lösungen, aber
auch auf die Edge-Bereiche und die Endgeräte auch einzelne KI- und Machine Learning-Ver-
der Nutzer ausgeweitet werden, um Latenzvor- fahrenwird es bald als Dienste geben (Machine
Umsetzungsgrad
teile zu erhalten und die Customer Experience zu Learning-as-a-Service). Dabei werden Verfahren
verbessern. Ob die Befragten dies berücksichtigt und Modelle in nutzungsabhängige und service-
haben, lässt sich nicht beantworten. In allen ande- basierte Geschäftsmodelle verwandelt. In diesem
ren Bereichen schwanken die Werte minimal. Marktsegment sind vor allem die großen Public
Auch wenn das Einsatzspektrum der Künstlichen
Intelligenz (KI) vor dem Hintergrund der Digitali-
sierung sehr breit ist und eine Vielzahl von Tech-
Cloud-Provider aktiv, deren Plattformen neben
der nötigen Rechenleistung auch über eine glo-
bale Skalierbarkeit verfügen. und Investitions-
Welchen Innovations- und Wertbeitrag leisten „Machine Learning & AI“ im
Hinblick auf folgende Handlungsfelder der Digitalisierung in Ihrem Unternehmen?
bereitschaft
n=143
0 10 20 30 40 50 60 70 80 90 10024 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 25
Deutschland hinkt nicht hinterher
Ansteigende Investitionen in Machine Learning und KI
3,3 Prozent der befragten IT-Entscheider berichten, dass
in ihren Unternehmen bereits ML-Technologien im pro- Die Mehrheit der IT-Entscheider plant – im Vergleich zum
duktiven Betrieb Verwendung finden. 12 Prozent sind mit aktuellen Geschäftsjahr – im nächsten Planungsjahr zwi-
der Implementierung oder Einführung beschäftigt. Wei- schen 10 und 20 Prozent mehr in Machine Learning- und
tere 16,4 Prozent befassen sich mit der Technologie- bzw. Künstliche Intelligenz-Technologien zu investieren (46,9
Providerauswahl. Das gängige Vorurteil, dass die Firmen Prozent der Befragten). 30,8 Prozent sehen ihre Investitio-
in Deutschland bei der Einführung digitaler Technologien nen in naher Zukunft um ca. 20 bis 50 Prozent ansteigen. 4,2
hinterherhinken, ist damit widerlegt. Zumal sich 25,7 Pro- Prozent haben vor, ihre Investionen um 50 bis 100 Prozent
zent in der ML-Evaluierung bzw. Planungsphase befinden zu erhöhen. Genausoviele planen aktuell keine Ausgaben
und weitere 20,8 Prozent die Einsatzmöglichkeiten mit für die Technologien. Die insgesamt hohen Investitionsvor-
einem Prototypen oder Proof-of-Concept untersuchen. haben offenbaren ein gutes Verständnis für die Komplexität
Lediglich 21,9 Prozent vertreten aktuell noch die Auffas- der Materie.
sung, Machine Learning werde für ihr Unternehmen keine
Bedeutung erlangen.
In welcher Phase befindet sich Ihr Unternehmen derzeit Wie entwickeln sich die Ausgaben/Investitionen für „Machine Learning & AI“ im nächsten
im Hinblick auf den Einsatz von „Machine Learning“? Geschäfts-/Planungsjahr?
n=143
50
10–20%
45
12,02%
3,28% 40
16,39%
35
20–50%
25,68% 30
20,77% 25
20
21,86% 0–10%
n=183
15
10 keine
Ausgaben 50–100%
5
026 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 27
Ausblick und
Am Machine Learning kommt künftig auch in Continuous Integration- und
kaum ein Unternehmen vorbei – sei Deployment-Prozesse ein.
es zur personalisierten Kundenan-
sprache oder bei der Automatisierung Bei der Planung und Einführung von
Empfehlungen
immer komplexer werdender Be- Machine Learning müssen sich Unter-
triebsabläufe. nehmen auf folgende Punkte konzen-
trieren:
Mit den immer stärker aufkommenden
für CIOs und
servicebasierten Machine Learning- ›→ Ganzheitliche Einbindung in die
Angeboten der großen Cloud-Pro- IT- bzw. Cloud-Strategie des
vider wird es zunehmend einfacher, Unternehmens.
auch ohne große Expertise Daten für
Rechenzentrums- Empfehlungen oder Vorhersagen zu
verarbeiten. Für viele CIOs dürfte das
verlockend klingen. Doch jeder An-
wendungsfall ist anders. Daher sollte
› Analyse und Festlegung der rele-
vanten Use Cases und Einsatzbe-
reiche.
leiter die Evaluierung für jeden Use Case
genau betrachtet werden.
Ein ausführlicher Dialog mit den
›
›
Durchführung von Proof-of-
Concepts.
Ableitung der Auswirkungen auf
Fachabteilungen im Unternehmen ist den IT-Betrieb inklusive Perso-
unverzichtbar, um ein klares Anfor- nal- und Organisationsplanung.
derungsprofil zu erstellen. Im Idealfall
wird dadurch ein organisatorischer › Entwurf der Deployment- und
Wandel hin zu einer DevOps-basier- Nutzungsszenarien.
ten Organisation mit interdiszipli-
nären Teams angestoßen. Nur mit › Auswahl von geeigneten Tools
genügend Transparenz und Offenheit und Frameworks.
lässt sich eine erfolgversprechende
Planung für die nächsten Jahre festle- › Sicherstellung der Übertragbar-
gen, von der alle beteiligten Abteilun- keit von Modellen.
gen profitieren.
› Aufbau und Pflege eines Ökosys-
Im Zuge der Use Cases für das Inter- tems und Partner-Netzwerks.
net of Things ist außerdem eine Stra-
tegie hinsichtlich der Kompatibilität
und Mobilität der Modelle notwen-
dig. Diese müssen für jede denkbare
technische Umgebung geeignet sein
– von Hybrid- und Multi-Cloud-
Modellen über Edge- Computing bis
hin zu verschiedenen Endgeräten.
Der damit verbundene Aufwand ist
nicht zu unterschätzen und greift28 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 29
Über Crisp Research
Die Crisp Research AG ist ein unabhängiges IT-Research-
und Beratungsunternehmen. Mit einem Team erfahrener
Analysten, Berater und Software-Entwickler bewertet
Crisp Research aktuelle und kommende Technologie- und
Markttrends. Crisp Research unterstützt Unternehmen
Weitere
bei der digitalen Transformation ihrer IT- und Geschäfts-
prozesse. Crisp Research wurde im Jahr 2013 von Steve
Janata und Dr. Carlo Velten gegründet und fokussiert
seine Research und Beratungsleistungen auf „Emerging
Informationen
Technologies“ wie Cloud, Analytics oder Digital Marketing
und deren strategische und operative Implikationen für
CIOs und Business Entscheider in Unternehmen.
Über Microstaxx
Über die Autoren Seit 1992 ist das IT-Systemhaus Microstaxx GmbH Berater
und Experte für Design und Realisierung von intelligenten
Björn Böttcher ist Senior Analyst bei Crisp Research. IT-Infrastrukturen für Unternehmen und öffentliche Insti-
Er leitet als “Data Practice Lead” die Research- und Be- tutionen der Wissenschaft, Forschung & Lehre. Mit ihren
ratungsaktivitäten zu den Themen Analytics, BI, daten- über 60 Mitarbeitern in der Zentrale in München und der
basierte Geschäftsmodelle und Künstliche Intelligenz. Als Niederlassung in Düsseldorf führt Microstaxx ihre Kunden
Gründer der ersten deutschen User Groups für Amazon durch die digitale Transformation. Microstaxx analysiert
AWS und Microsoft Azure zählt Björn Böttcher zu den Geschäftsprozesse und bildet sie digital auf intelligenten
Pionieren des Cloud Computing in Deutschland. Als Ver- Plattformen ab. Dabei fokussiert sie sich auf die Bereiche
anstalter der ersten deutschen Cloud-Konferenzen und Networking, Storage, Security, Supercomputing, KI und
Lehrbeauftragter für Informatik und Computational Web Professional Services. Microstaxx bedient sich agiler Me-
in der Parallel Computing Group der TU Hamburg hat er thoden und eigens entwickelter Software-Applikationen
wesentliche Beiträge zur Entwicklung der Cloud-Commu- und sorgt mit ihrer ganzheitlichen Sicht auf den Business
nity geleistet. Björn Böttcher verfügt über 10 Jahre Berufs- Case für vollständige digitale Integration aller verbundenen
erfahrung in der IT-Industrie in der Rolle des Software-Ar- Prozesse. Microstaxx verbindet klassische IT-Infrastruktu-
chitekten und des IT-Strategieberaters. Zuletzt arbeitete er ren mit Innovationen und schafft so die Grundlage für den
am Deloitte Analytics Institute und verantwortete dort die digitalen Wandel.
Entwicklung und Umsetzung datenbasierter Geschäfts-
modelle für Unternehmen aus der Finanz-, Automotive- Copyright
und Logistik-Branche. Björn Böttcherhat einen Abschluss
als Dipl.-Informatikingenieur der Technischen Universität Alle Rechte an den vorliegenden Inhalten liegen bei Crisp
Hamburg-Harburg. Er hat als Autor eine Vielzahl von Research. Die Daten und Informationen bleiben Eigentum
Fachbeiträgen publiziert und trägt als Key Note-Speaker der Crisp Research AG. Vervielfältigungen, auch auszugs-
und Experte aktiv zu den Debatten um neue Markttrends, weise, bedürfen der schriftlichen Genehmigung der Crisp
Standards und Technologien bei. Research AG.
Jan Mentel ist als Analyst des IT-Research- und Visuelle Gestaltungselemente:
Beratungsunternehmens Crisp Research tätig. Inhalt- iStock.com/Just_Super, iStock.com/kaisorn
liche Schwerpunkte sind Cloud Computing, Mobility
Solutions und Internet of Things mit besonderem Fokus
auf Datenschutz, Compliance und Implikation der EU-Da-
tenschutzgrundverordnung. Weiterhin unterstützt er im
Rahmen des Researchs sowie individueller Kundenpro-
jekte bei der Recherche und Beratungsarbeit. Jan Mentel
studierte Wirtschaftsrecht an der Universität Kassel.30 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 31
Kontakt Crisp Research Lesen Sie auch die weiteren Trendpapiere
zur Studie DI2020
Crisp Research AG
Weißenburgstraße 10
D-34117 Kassel › IaaS & PaaS Public Cloud
E-Mail: info@crisp-research.com › Hybrid Cloud
Telefon: +49 561 2207 4080
Fax: +49 561 2207 4081 › Hyper Converged
http://www.crisp-research.com/
https://twitter.com/crisp_research › Object Storage
› Flash
Kontakt Microstaxx
› Security
Microstaxx GmbH
Wilhelm-Kuhnert-Str. 26
81543 München
info@microstaxx.de
Tel.: 089-413266-0
Ansprechpartner
Harry Wengner
Account Manager Microstaxx
E-Mail: ai@microstaxx.de
www.microstaxx.de32 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter
powered bySie können auch lesen
