Trendpaper: Machine Learning - IT-Infrastruktur für das digitale Zeitalter
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Trendpapier: Machine Learning 1
IT-Infrastruktur für das digitale Zeitalter
Trendpaper:
Machine Learning
2 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 3
INHALT
VORWORT
01 07
EXECUTIVE SUMMARY 4 ERGEBNISSE DER
MARKTUNTERSUCHUNG
Umsetzungsgrad und
02
In den kommenden Jahren wird sich vieles verändern, denn Investitionsbereitschaft 23
die Digitalisierung macht die Modernisierung der Rechenzentren
unverzichtbar. Werfen Sie einen Blick auf die elementaren
08
Veränderungen und darauf, wohin sich der Markt bewegt.
VON DER NISCHE ZUM
Die Studie Digital Infrastructure 2020 basiert auf einer em- WACHSTUMSMARKT 6
pirischen Untersuchung über die IT-Infrastruktur im Rahmen
der Digitalisierung. Das IT-Research- und Beratungsunter- AUSBLICK UND EMPFEHLUNGEN
03
nehmen Crisp Research führte in Kooperation mit Tech Data FÜR CIOS UND
Advanced Solutions eine Befragung von 183 CIOs, Digitali- RECHENZENTRUMS-LEITER 26
sierungsverantwortlichen und RZ-Leitern aus Unternehmen
mit Größenklassen von 250-500, 500-1000 und über 1000
Mitarbeitern durch. KÜNSTLICHE INTELLIGENZ –
Das folgende Trendpapier ist eine lösungsspezifische
Auskopplung zur Gesamtstudie DI2020 und liefert Ihnen
DIE GRUNDLAGEN 8
09
04
empirische Untersuchungsergebnisse auf Fragen wie WEITERE INFORMATIONEN 28
→ in welcher Phase sich Unternehmen hinsichtlich der → Über die Autoren 28
Auswahl oder Implementierung der Lösung befinden.
DER REIBUNGSLOSE START → Über Crisp Research 29
→ welche Handlungsfelder im Rahmen der Digitalisierung INS MACHINE LEARNING 12
in Unternehmen von der Lösung insbesondere betroffen → Über Tech Data
sind. Advanced Solutions 29
→ wie hoch sich die geplanten Investitionen von Unterneh-
men diesbezüglich belaufen und
→ in welchen Anwendungsbereichen die Lösung eingesetzt
05 → Copyright
→ Kontakt
29
30
VOM ALGORITHMUS
wird. ZUM USE CASE 16 → Lesen Sie auch die
weiteren Trendpapiere
Zusätzlich erhalten Sie einen generellen Überblick zur Lösung, zur Studie DI2020 31
06
Insights zu möglichen Use Cases bis hin zu Empfehlungen
mit „Hands-on“-Charakter.
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 bereits
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?
→ Künstliche Intelligenz, Deep
Learning, Machine Learning
oder Cognitive Computing
werden die IT-Welt in den
→ Machine Learning (ML) leistet
als Innovationsmotor einen
entscheidenden Beitrag zur
digitalen Transformation. In
An erster Stelle stehen der Umfrage zufolge die Pro-
duktion und die Prozesse (52 Prozent), gefolgt von
Rechenzentrum und IT mit 38 Prozent. Dahinter be-
finden sich Management, Kundendienst, Customer
nächsten Jahren maßgeblich allen für dieses Trendpaper Experience und Co.
prägen und viele Rechenzentren untersuchten Bereichen wurde
→
sowie deren Infrastruktur vor die Bedeutung von ML-Tech- Die Investitionsbereitschaft der Unternehmen und
neue Aufgaben stellen. nologien hoch eingeschätzt. die vielseitigen Einsatzmöglichkeiten von Machine
Machine Learning wird künftig Learning führen dazu, dass die Bedeutung von
→
Noch bis vor wenigen Jahren nicht nur im Rechenzentrum Rechenzentren und IT-Abteilungen in absehbarer
waren selbstlernende Pro- eine maßgebliche Rolle Zukunft massiv zunimmt. Machine Learning als
gramme nur ein Thema für spielen, sondern sämtliche Herzstück der Künstlichen Intelligenz wird aber
Universitäten, Forschungsein- Bereiche tangieren – von der nicht nur die IT, sondern auch unser künftiges Leben
richtungen und spezialisierte Automation über die Agilität verändern.
Technologieunternehmen. bis hin zum Internet of Things
Heute ist die maschinelle (IoT) und Smart Products.
Intelligenz schon in zahlreiche
→
Produkte und Lösungen im- Machine Learning-Verfahren
plementiert. In Zukunft wird setzen im Unternehmen im
unser Alltag und unser Ge- Vergleich zu anderen Appli-
schäftsleben immer mehr von kationen unterschiedlichste
Softwareprogrammen beglei- Hardware-Umgebungen
tet, die aus Daten lernen und voraus. Oftmals bringt die
das Gelernte auch anwenden Nutzung von optimierten
können. Chips oder ein Upgrade von
Grafikkarten einen erheblichen
Performancegewinn, der sich
in Wettbewerbsvorteilen nie-
derschlagen 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
logien der Künstlichen Intelligenz ein GENÜGE
direktes Return on Investment (ROI),
wenn sich dank optimierter Verfahren Welches Potenzial im maschinellen
ZUM
und Algorithmen die Performance oder Lernen steckt, zeigen innovative Platt-
User Experience unternehmenseigener formkonzepte für die Stadt von morgen.
Internet- und Suchdienste verbessern Die Welt steht am Anfang der vierten
lässt. Die optimierte Vermarktung von industriellen Revolution – angetrieben
WACHSTUMSMARKT
Werbeplätzen und die schnellere Be- durch eine allgegenwärtige Vernetzung,
rechnung relevanter Suchergebnisse maschinelles Lernen und neue Fort-
bringt den Digitalkonzernen Wert- schritte in Design und digitaler Fabri-
schöpfungsgewinne in Milliardenhöhe. kation. Die Lösung der derzeitigen und
künftigen Probleme des städtischen
Künstliche Intelligenz ist also keines- Wachstums sind alles andere als trivial.
falls nur ein Hype oder Marketingtrend, Im Rahmen neuer Ansätze werden
sondern eine wichtige Stellschraube Städte als Plattformen für neue bauliche
für die Wettbewerbsstärke und Pro- Konzepte betrachtet. Diese Konzepte
fitabilität von morgen. Dabei profitie- schaffen die Voraussetzungen dafür,
ren Google und Co. von der Tatsache, dass Menschen neue Ideen entwickeln
Lange interessierten sich nur Computer-Nerds oder Wissen- dass sie auf unvorstellbare Mengen an und testen können, mit denen sich die
schaftler für das maschinelle Lernen. Doch seit rund zwei Kunden- und Log-In-Daten zugreifen Lebensqualität verbessern lässt.
Jahren hat sich das Blatt gewendet: Künstliche Intelligenz ist können. Diese dienen als Grundlage, Einen ersten Versuch will Google in
heute das Topthema der digitalen Vordenker und der Venture um Modelle zu bilden und lernende diesem Jahr in Toronto mit dem Projekt
Capitalists im Silicon Valley. Warum steht das maschinelle Systeme kontinuierlich zu trainieren „Sidewalk Toronto” starten. Die Bewoh-
Lernen jetzt vor dem Durchbruch? Und welchen Einfluss („Deep Learning“). ner der kanadischen Metropole sollen
werden entsprechende Konzepte für die IT- und Digitalisie- von den neuesten Technologien, einer
rungsstrategien der Unternehmen in den nächsten Jahren Nach vielen Jahren in der akademi- intelligent vernetzten Infrastruktur und
haben? schen Nische zählt die Künstliche selbstfahrenden Autos profitieren.
Intelligenz zu den wichtigsten Wachs-
VIELVERSPRECHENDE AUSSICHTEN: RETURN ON tumsmärkten weltweit. Dafür gibt es
INVESTMENT IN MILLIARDENHÖHE drei Gründe:
Die größten Investitionstreiber waren in den letzten Jahren → Eine unbegrenzte und kosten-
Internet- und Cloud-Konzerne wie Google, Facebook, Micro- günstige Rechenleistung (Cloud).
soft und IBM. Diese Firmen investierten allein 2015 mehr als
zehn Milliarden US-Dollar in die Forschung und Entwicklung → Die Verfügbarkeit riesiger Daten-
der Künstlichen Intelligenz. Der Grund liegt auf der Hand: mengen als Grundlage für die
Machine Learning, Deep Learning und Cognitive Computing Entwicklung von Modellen und als
gelten als Basis für neuartige digitale Dienste und innovative Trainingsbasis (Big Data).
Geschäftsmodelle. Das betrifft Consumer-Lösungen, wie
zum Beispiel digitale Assistenten á la Siri und Google Now, → Verstärkte Investitionen in die Ver-
genauso wie das Business-Umfeld, zum Beispiel in Form von besserung der Verfahren, Tools und
Industrie-Lösungen im Gesundheitsbereich. 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 In-
telligenz, Cognitive Computing, Deep Learning und Machine
Learning? Die definitorische Abgrenzung fällt nicht leicht. Am
besten lassen sich die Begriffe im IT-Umfeld nach Herkunft,
INTELLIGENZ –
Perspektive und Verfahren zuordnen. Für eine vereinfachen-
de Abgrenzung lässt sich auch die „Clarity of Purpose“ (klare
Zielvorgabe) und der „Degree of Autonomy“ (Selbstständig-
keitsgrad) heranziehen. Das folgende Schaubild bietet einen
DIE GRUNDLAGEN
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 eben-
bürtig ist. Selbstreflektion, Selbstlernen etc. als einige der Grundanforderungen (General Artificial
Intelligence im Englischen)
COGNITIVE Computersysteme, die Aufgaben übernehmen, die derzeit hauptsächlich von Menschen aus-
COMPUTING geführt werden und die Ambiguität und Unschärfen beinhalten sowie Spracherkennung, Wissens-
bildung, 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, Muster in
der digitalen Darstellung von Bildern, Tönen und anderen Daten zu erkennen.
MACHINE Verarbeitung, Auswertung und Prognose von Daten auf Basis verschiedener statistischer und
LEARNING*3 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! Speziali-
Ein System kann dementsprechend nur die vorgesehene internen Verknüpfungen kontinuierlich verbessert sierte Chips und Grafikkarten-Cluster ziehen wie-
Aufgabe erfüllen und keine andere – auch nicht, wenn sie werden. Je mehr Daten zum Trainieren zur Ver- der in das Portfolio von Unternehmen ein. Bei den
artverwandt ist. Aufgabenstellungen, die Kindern einfach fügung stehen, umso besser ist das Resultat. Die Cloud-Anbietern sind diese schon seit einigen
erscheinen, waren für Maschinen lange Zeit eine unüber- Tiefe der neuronalen Netze wird lediglich von den Jahren als Standard gesetzt, doch für die ständig
windbare Hürde – etwa das Erkennen von Objekten auf Rechenressourcen beschränkt. Am Ende hat die wachsenden Anforderungen im Machine Learning-
Bildern oder die Erkennung von Sprache bei der Interaktion Maschine gelernt, wie man beispielsweise bei Umfeld müssen selbst Google, AWS und Co.
mit dem Smartphone. Hier kommt Deep Learning ins Spiel: Patienten anhand von Lungen-CT-Bildern poten- massiv investieren. Die Berechnungszeit verschie-
Die auf neuronalen Netzen basierende Technik ermöglicht zielle Krebsgeschwüre diagnostiziert. Und dies mit dener Modelle bleibt aber immer von der Perfor-
es Maschinen, eigene Lernmuster zu entwickeln, um die ge- einer Präzision, die dem Menschen überlegen ist. mance der eingesetzten Hardware abhängig.
wünschten Ergebnisse zu erzielen. Dabei lernt die Maschine Hinzu kommt die Innovationsgeschwindigkeit, mit
mittels vorhandener Datensätze, Informationen zu verstehen Andere Beispiele zeigen den Erfolg von Deep der Hersteller wie Intel, NVIDIA oder Qualcomm
und zu interpretieren. Beim Menschen würde man in diesem Learning-Systemen in aktuellen Produkten und neue Rechnerbausteine auf den Markt bringen.
Zusammenhang von einer Inselbegabung sprechen, die bei Diensten – beispielsweise selbstlernende Sprach- Diese können anspruchsvolle Aufgaben wie Vek-
Autisten häufig vorkommt und es diesen ermöglicht, außer- assistenten, die den Menschen mit der Zeit toroperationen mit großer Geschwindigkeit und
gewöhnliche Leistungen in einem Teilbereich zu vollbringen. immer besser verstehen. Auch die Inhalte von Effizienz ausführen. Das Tempo in diesem Bereich
Bildern können mit Deep Learning schneller er- ist ebenso hoch wie im Public Cloud-Markt.
kannt werden. Zudem setzen einige Unternehmen
entsprechende Systeme bei Videochats für die Die Herausforderungen durch Machine Learning
simultane Übersetzung ein. erhöhen die Komplexität innerhalb der Unter-
Deep Learning in exemplarischen Schritten 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 Anfor-
derungen oder Auflagen zu erfüllen.
Anthropomorphic Robots IoT Bots Visualisation
ANSTIEG IN DER KOMPLEXITÄT DER MERKMALE Agents
Content Content Data Cognitive Processing
Sources Lifecycle Corpus Analytics Engine
Structured Curation Search Indices Question Analysis Language
MARKETPLACE
Unstructured Ingestion Semantic Models Hypothesis Generation Images
Enrichment Drives Knowledge Evidence Scoring Voice
Diese Lern-Qualität war bei neuronalen Netzen bislang nicht
erreichbar, weil es an der nötigen Rechenleistung fehlte. Die Final Merge & Rank Sensors
Netze beinhalten Ebenen von unterschiedlicher Komplexität.
Machine Learning Stack
In der ersten beginnt die Maschine mit der Identifizierung von
relativ einfachen Mustern. Dies kann zum Beispiel bei einem Deep Learning Ensemble Neural Networks Regularisation Decision Tree
Röntgenbild die Helligkeit einzelner Pixel sein. In der nächsten
Ebene kommen Kanten oder Formen hinzu. In einem weite- Rule System Regression Bayesian Instance Based Clustering
ren Schritt folgen dann Formen und Objekte. Diese Vorgänge Dimensionality Reduction
werden fortgesetzt, bis das gewünschte Verhalten erreicht ist.
Data & Analytics Platform
Cloud Computing /On-Premise
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 Kunststück fertigbrachte,
Daten mit einer großen Anzahl an Maschinen in erheblich
DER REIBUNGSLOSE
kürzerer Zeit zu analysieren als dies zuvor möglich war. In
den vergangenen Jahren haben Hersteller, Anwender und die
Open-Source-Community viel Energie in diese Technologie
gesteckt. So hat sich ein System entwickelt, das die Anfor-
START INS
derungen von Unternehmen in allen relevanten Bereichen
erfüllt.
Die reibungslose Integration in eine Unternehmensland-
MACHINE LEARNING
schaft war allerdings nicht von Anfang an gegeben. Viele
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 Techno-
logien 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 klare Strategie Ideen generieren Ideen
erforderlich. Diese muss nicht nur alle internen Daten- und mögliche zum Leben
quellen und -konsumenten umfassen, sondern auch alle Erkenntnisse erwecken
beachten
externen wie zum Beispiel Partner oder E-Commerce-
Plattformen. Der Zugriff auf sämtliche Daten muss eindeu-
tigen Standards unterworfen sein. Dadurch wird nicht nur
ein möglichst homogener Zugang für alle Beteiligten sicher Produkt oder
gestellt, sondern auch eine optimale Kontrolle der Daten im Dienst
ausliefern
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
14 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter Trendpapier: Machine Learning 15
Hadoop Ökosystem und die Akteure in digitalen Unternehmen Spark, Apache Mesos, Akka, Apache Cassandra und Apache
Kafka für skalierbare Echtzeitanalysen konzipiert. Für die ge-
zielte Analyse von Zeitreihendaten im IoT-Umfeld gibt es bei-
spielsweise den TICK-Stack (Telegraf, InfluxDB, Chronograf,
BETRIEB DATEN UNTERNEHMEN ENTWICKLER ANWENDER Kapacitor). Unternehmen können Data Stacks intern aufbauen
und zielgerichtet einsetzen. Sie setzen sich aus mehreren
Silos zusammen, die jeweils unterschiedliche Anwendungs-
Betrieb Datenworkflow Governance Entwicklungsframeworks
fälle adressieren. Nachfolgend einige Beispiele:
Analytics
→ Batchverarbeitung
Monitoring Datenspeicherung Sicherheit Softwareverteilung Business Intelligence
→ Streaming-Datenverarbeitung
Anwendungs- → Zeitreihenanalyse
Ressourcenmanagement Datenmodellierung Geschäftsmodell Machine Learning
orchestrierung
→ Business Intelligence
Lebenszyklus- Knowledge-
Benchmarking management management Logging Visualisierung
→ Predictive Maintenance
Metadata HR Ressourcen-
Qualitätsmanagement
Management management
Automation Orchestrierung Mit einem Stackology-Ansatz lassen sich deutlich schneller
und effizienter einzelne Use Cases abbilden. Voraussetzung
ist allerdings, dass der klare Fokus in der Unternehmens-
strategie erhalten bleibt.
Für das Rechenzentrum der Zukunft ist eine der vorgestellten
Varianten unverzichtbar – oder zumindest eine Mischung aus
beiden innerhalb der Fachabteilungen. Ob die Hadoop-Platt-
form im Rahmen einer Public Cloud betrieben oder in der
Eine Hadoop-Installation ist aber nicht in jedem Fall erfor- unternehmenseigenen Umgebung aufgesetzt wird, spielt zu-
derlich. Vor allem für Unternehmen, die ihren Business-Fokus nächst keine große Rolle. Wichtig ist die Bereitstellung eines
auf den Anwendungs- und Analysebereich legen, lohnt es digitalen Fundaments und der nötigen Kompetenzen.
sich, eine aktuell sehr gefragte Alternative in Betracht zu
ziehen: Data Stacks.
DATA STACKS ALS MASSGESCHNEIDERTE ALTERNATIVE
Stacks als anwendungsbezogene Architekturkomponenten
Stacks sind momentan der Renner in der Architektur von IT-
und Applikationslandschaften: Technologie-Stacks, Architektur-
Stacks, Big Data-Stacks, IoT-Stacks, und viele mehr. Exper- SMACK TICK ELK MANAGEMENT
ten sprechen in diesem Zusammenhang schon von einer API
„Stackology“. Stacks bilden den Gegenpol zu Hadoop-Instal- Spark Telegraf Elasticsearch
Lifecycle Management
lationen und umfangreichen Plattformen. Ihr großer Vorteil
Schlüsselmagement
Logging / Monitoring
Sicherheit/Network
liegt darin, dass viele schon auf bestimmte Anwendungs- Mesos InfluxDB Logstash
Management
szenarien zugeschnitten sind. So gibt es beispielsweise für
Billing
MARKTPLACE Cassandra Chronograf Kibana
echtzeitnahe datengebundene Anwendungen Stacks, bei
denen die Akronyme der verwendeten Tools, die oft aus dem
Kafka Kapacitor
Open Source-Umfeld stammen, den Namen bestimmen.
Einer dieser Stacks nennt sich SMACK. Er wurde mit Apache MANAGEMENT Unternehmensplattform
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 Verfahren MASCHINEN LERNEN DURCH DIE SUMME IHRER
(Algorithmen) für die Datenanalyse zum Einsatz. Das Ziel ERFAHRUNGEN
besteht darin, nützliche Muster (Beziehungen, Zusammen-
hänge oder Verknüpfungen) zwischen verschiedenen Daten- Im Wesentlichen erfolgt das Lernen von Maschinen analog
elementen zu finden. zum Menschen. Durch eine gezielte Beobachtung dessen,
was um uns herum passiert, können wir die nötigen Schluss-
MUSTER ERKANNT, VERKAUFSCHANCEN ERHÖHT folgerungen ziehen. Diese Erfahrung hilft uns dabei, uns auf
neue Situationen einzustellen und Herausforderungen zu
Ein anschauliches historisches Beispiel: Bei der Auswertung meistern. Es heisst nicht ohne Grund: Wir sind die Summe
der Kassenbons von Kunden stellte die amerikanische unserer Erfahrungen. Ebenso verhält es sich beim maschinellen
Supermarktkette Walmart fest, dass zu bestimmten Uhrzeiten Lernen. Je mehr relevante und wertungsfreie Daten ein ent-
relativ viel Bier in Verbindung mit Windeln gekauft wurde. sprechendes System erhält, umso genauere Vorhersagen
Nachdem man entdeckt hatte, dass Väter beim Windelkauf kann es erstellen. Konzerne wie Amazon, aber auch Anbieter
gerne zu einem Sixpack Bier greifen, positionierte der Dis- wie die Drogeriemarktkette dm nutzen solche Verfahren, um
counter beide Produkte in unmittelbarer Nähe voneinander. das Sortiment zu steuern und die Retourenkosten zu mini-
So konnte der Umsatz um einen zweistelligen Prozentsatz mieren. Zudem können Engpässe bei gefragten Produkten
gesteigert werden. vermieden und die Lieferzeiten für den Kunden kurz gehalten
werden.
Aber auch Zusammenhänge, die sich nicht so schnell er-
geben, sind eine Untersuchung wert. Sobald sich eine ein-
deutige Beziehung erkennen lässt, kann man daraus Rück-
schlüsse 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 Trendpapier:
19 Machine Learning Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter
19
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
Überwachtes Lernen Unüberwachtes Lernen
DER MARKT-
UNTERSUCHUNG:
Re-inforcement Learning /
Bestärkendes Lernen
Semi-supervised Learning /
Teilüberwachtes Lernen USE CASES UND
POTENZIALE
Damit die möglichen Modelle zeitnah durchgespielt werden
können, sich Vorhersagen effizient im Produktivbetrieb um-
setzen lassen und die Daten in der gewünschten Qualität
vorliegen, benötigt ein Unternehmen eine entsprechende
Plattform. Unter dem Begriff Digital Infrastructure Platform
fasst man sämtliche Komponenten zusammen, die den Kern
einer modernen, skalierungsfähigen und flexiblen IT be-
schreiben und den Anforderungen der digitalen Geschäfts-
welt gerecht werden.
Eine solche Plattform bietet die folgenden Schlüsselfähig-
keiten:
→ 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 vorhandener
Strukturen? Aufschlussreiche Antworten liefert die Befra-
gung 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 Einschätzung erscheint realis-
tisch, denn viele Unternehmen haben bereits einen Großteil 15% 21% 22%
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
1,0
0,8
USE CASE z.B. Autonomes Fahren
→ beschreibt das breitere Anwendungsszenario für eine oder mehrere Machine Learning-Funktionen,
0,6
33% 36% 38%
0,4
die mittels verschiedener Algorithmen bzw. Verfahren errechnet bzw. analysiert werden
0,2
FUNKTION z.B. Bilderkennung Management, Kundendienst & Rechenzentrum & IT
0,0
Finance & HR Support
→ definiert die konkrete Aufgabe, die ein oder mehrere Algorithmen bzw. Verfahren
erfüllen sollen, wie z.B. Gesichtserkennung, Spracherkennung, Bilderkennung
LERNSTIL z.B. Supervised Learning
→ gibt an, zu welcher Klasse von Algorithmen ein eingesetztes 52%
Verfahren zählt und beschreibt dessen Eigenschaften
ALGORITHMUS z.B. Long short-term memory
Produktion & Prozesse
→ definiert die Funktionsweise bzw.
Operationslogik des einzelnen Algorithmus
Vielversprechende Einsatzmöglichkeiten sehen die IT-Verant-
wortlichen 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 – vermut-
lich, weil es hier noch an Einblick und Erfahrung fehlt. Mit 22
Prozent liegt die Customer Experience 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 sehr breit ist und eine Vielzahl von Technologien in
PRODUKTISIERUNG Betracht kommen, lassen sich für den Unterneh-
menseinsatz klare Trends ableiten.
Wie hoch ist der erwartete Innovations- und Wert-
schöpfungsbeitrag? Zu dieser Frage fällt die Ein- Vertikalisierung: Bei den industriellen Lösungen ist
ordnung der Entscheider recht homogen aus. An eine starke Vertikalisierung der KI-Konzepte zu er-
der Spitze liegen die Themen Automation und IoT & warten. Je konkreter die KI-Verfahren und -Lösungen
ERGEBNISSE
Smart Products. Angesichts der Tatsache, dass bei auf eine bestimmte Branche und ihre individuellen
simplen Workloads, gewöhnlichen oder semi-auto- Strukturen, Modelle, Datenquellen und Herausforde-
matischen Prozessen meist noch reichlich Optimie- rungen fokussiert sind, desto größer ist der erzielbare
rungspotenzial vorhanden ist, kann dieses Ergebnis Erfolg und somit auch der Business Value.
DER MARKT-
kaum überraschen. Im IoT & Smart Products-Um-
feld müssen Machine Learning-Modelle auch auf Produktisierung: Viele industrielle Lösungen, aber
die Edge-Bereiche und die Endgeräte der Nutzer auch einzelne KI- und Machine Learning-Verfahren
ausgeweitet werden, um Latenzvorteile zu erhalten wird es bald als Dienste geben (Machine Learning-
UNTERSUCHUNG:
und die Customer Experience zu verbessern. Ob die as-a-Service). Dabei werden Verfahren und Modelle
Befragten dies berücksichtigt haben, lässt sich nicht in nutzungsabhängige und servicebasierte Geschäfts-
beantworten. In allen anderen Bereichen schwanken modelle verwandelt. In diesem Marktsegment
die Werte minimal. sind vor allem die großen Public Cloud-Provider
Auch wenn das Einsatzspektrum der Künstlichen In-
telligenz (KI) vor dem Hintergrund der Digitalisierung
aktiv, deren Plattformen neben der nötigen Rechen-
leistung auch über eine globale Skalierbarkeit ver-
fügen. UMSETZUNGSGRAD
Welchen Innovations- und Wertbeitrag leisten „Machine Learning & AI“ im
UND INVESTITIONS-
BEREITSCHAFT
Hinblick auf folgende Handlungsfelder der Digitalisierung in Ihrem Unternehmen? n=143
Agility & Innovation 9% 13% 13% 15% 10% 20% 10% 6%
Digital UX
6% 11% 13% 15% 16% 18% 13% 5%
Data Driven Business
6% 9% 17% 12% 18% 17% 10% 4%
Cognitive Company
3% 8% 18% 14% 16% 18% 13% 5%
IoT & Smart Products
5% 9% 10% 13% 21% 19% 10% 8%
Automation
3% 10% 10% 15% 16% 16% 15% 7%
0 10 20 30 40 50 60 70 80 90 100
1 keinen Beitrag 2 3 4 5 6 7 8 9 10 sehr großen Beitrag24 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 produktiven Die Mehrheit der IT-Entscheider plant – im Vergleich zum
Betrieb Verwendung finden. 12 Prozent sind mit der Imple- aktuellen Geschäftsjahr – im nächsten Planungsjahr zwischen
mentierung oder Einführung beschäftigt. Weitere 16,4 Prozent 10 und 20 Prozent mehr in Machine Learning- und Künstliche
befassen sich mit der Technologie- bzw. Providerauswahl. Intelligenz-Technologien zu investieren (46,9 Prozent der
Das gängige Vorurteil, dass die Firmen in Deutschland bei der Befragten). 30,8 Prozent sehen ihre Investitionen in naher
Einführung digitaler Technologien hinterherhinken, ist damit Zukunft um ca. 20 bis 50 Prozent ansteigen. 4,2 Prozent haben
widerlegt. Zumal sich 25,7 Prozent in der ML-Evaluierung vor, ihre Investionen um 50 bis 100 Prozent zu erhöhen.
bzw. Planungsphase befinden und weitere 20,8 Prozent die Genausoviele planen aktuell keine Ausgaben für die Techno-
Einsatzmöglichkeiten mit einem Prototypen oder Proof-of- logien. Die insgesamt hohen Investitionsvorhaben offenbaren
Concept untersuchen. Lediglich 21,9 Prozent vertreten aktuell ein gutes Verständnis für die Komplexität der Materie.
noch die Auffassung, Machine Learning werde für ihr Unter-
nehmen keine Bedeutung erlangen.
In welcher Phase befindet sich Ihr Unternehmen derzeit im Wie entwickeln sich die Ausgaben/Investitionen für „Machine Learning & AI“ im nächsten
Hinblick auf den Einsatz von „Machine Learning“? Geschäfts-/Planungsjahr?
n=143
50
10–20%
45
12,02% Implementierung/
3,28% Einführung
16,39% Im produktiven Betrieb 40
Evaluierungs- und 35
Planungsphase 20–50%
25,68%
Spielt derzeit/zukünftig 30
für uns keine Rolle
20,77%
Proof-of-Concept/ 25
Prototyping
20
21,86% Technologie- und
n=183
Providerauswahl 0–10%
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 Bei der Planung und Einführung von
kaum ein Unternehmen vorbei – sei es Machine Learning müssen sich Unter-
zur personalisierten Kundenansprache nehmen auf folgende Punkte konzent-
oder bei der Automatisierung immer rieren:
EMPFEHLUNGEN
komplexer werdender Betriebsabläufe.
→ Ganzheitliche Einbindung in die IT-
Mit den immer stärker aufkommenden bzw. Cloud-Strategie des Unterneh-
servicebasierten Machine Learning- mens.
FÜR CIOS UND
Angeboten der großen Cloud-Provider
wird es zunehmend einfacher, auch → Analyse und Festlegung der relevanten
ohne große Expertise Daten für Emp- Use Cases und Einsatzbereiche.
fehlungen oder Vorhersagen zu ver-
RECHENZENTRUMS- arbeiten. Für viele CIOs dürfte das
verlockend klingen. Doch jeder Anwen-
dungsfall ist anders. Daher sollte die
Evaluierung für jeden Use Case genau
→
→
Durchführung von Proof-of-Concepts.
Ableitung der Auswirkungen auf den
IT-Betrieb inklusive Personal- und
LEITER betrachtet werden.
Ein ausführlicher Dialog mit den Fach-
abteilungen im Unternehmen ist unver-
→
Organisationsplanung.
Entwurf der Deployment- und Nut-
zungsszenarien.
zichtbar, um ein klares Anforderungs-
profil zu erstellen. Im Idealfall wird → Auswahl von geeigneten Tools und
dadurch ein organisatorischer Wandel Frameworks.
hin zu einer DevOps-basierten Orga-
nisation mit interdisziplinären Teams → Sicherstellung der Übertragbarkeit
angestoßen. Nur mit genügend Trans- von Modellen.
parenz und Offenheit lässt sich eine
erfolgversprechende Planung für die → Aufbau und Pflege eines Ökosystems
nächsten Jahre festlegen, von der alle und Partner-Netzwerks.
beteiligten Abteilungen profitieren.
Im Zuge der Use Cases für das Internet
of Things ist außerdem eine Strategie
hinsichtlich der Kompatibilität und
Mobilität der Modelle notwendig. 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 greift auch in Continuous Integra-
tion- und Deployment-Prozesse ein.28 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 Markt-
trends. Crisp Research unterstützt Unternehmen bei der
WEITERE
digitalen Transformation ihrer IT- und Geschäftsprozesse.
Crisp Research wurde im Jahr 2013 von Steve Janata und Dr.
Carlo Velten gegründet und fokussiert seine Research und
Beratungsleistungen auf „Emerging Technologies“ wie Cloud,
INFORMATIONEN
Analytics oder Digital Marketing und deren strategische und
operative Implikationen für CIOs und Business Entscheider
in Unternehmen.
ÜBER TECH DATA ADVANCED SOLUTIONS
ÜBER DIE AUTOREN Tech Data Advanced Solutions ist Teil der Tech Data Gruppe.
Tech Data AS ist ein weltweit agierender Solutions-Distri-
Björn Böttcher ist Senior Analyst bei Crisp Research. butor von Computerprodukten, Software und Services mit
Er leitet als “Data Practice Lead” die Research- und Bera- Standorten in mehr als 30 Ländern. Tech Data unterhält
tungsaktivitäten zu den Themen Analytics, BI, datenbasierte Vertriebsabteilungen, die gezielt bestimmte Marktsegmente
Geschäftsmodelle und Künstliche Intelligenz. Als Gründer fokussieren, und verfolgt eine Strategie, die den Schwerpunkt
der ersten deutschen User Groups für Amazon AWS und auf die Anforderungen der Kunden und Lieferanten legt. Das
Microsoft Azure zählt Björn Böttcher zu den Pionieren des breite Service-Portfolio und die Beziehungen zu führenden
Cloud Computing in Deutschland. Als Veranstalter der ersten Technologieanbietern gewährleisten Ihnen stets die richtige
deutschen Cloud-Konferenzen und Lehrbeauftragter für Kombination aus Know-how und Vorsprung zur Steigerung
Informatik und Computational Web in der Parallel Computing Ihrer Ergebnisse. Kunden sind unter anderem unabhängige
Group der TU Hamburg hat er wesentliche Beiträge zur Softwarehäuser, Hersteller, Systementwickler, Systeminteg-
Entwicklung der Cloud-Community geleistet. Björn Böttcher ratoren und IT-Fachhändler. Diesen Kunden bietet Tech Data
verfügt über 10 Jahre Berufserfahrung in der IT-Industrie in AS Produkte, Lösungen und/oder Services von zahlreichen
der Rolle des Software-Architekten und des IT-Strategie- Herstellern an.
beraters. Zuletzt arbeitete er am Deloitte Analytics Institute
und verantwortete dort die Entwicklung und Umsetzung COPYRIGHT
datenbasierter Geschäftsmodelle für Unternehmen aus der
Finanz-, Automotive- und Logistik-Branche. Björn Böttcher Alle Rechte an den vorliegenden Inhalten liegen bei Crisp
hat einen Abschluss als Dipl.-Informatikingenieur der Tech- Research. Die Daten und Informationen bleiben Eigentum
nischen Universität Hamburg-Harburg. Er hat als Autor der Crisp Research AG. Vervielfältigungen, auch auszugs-
eine Vielzahl von Fachbeiträgen publiziert und trägt als Key weise, bedürfen der schriftlichen Genehmigung der Crisp
Note-Speaker und Experte aktiv zu den Debatten um neue Research AG.
Markttrends, Standards und Technologien bei.
Visuelle Gestaltungselemente:
Jan Mentel ist als Analyst des IT-Research- und iStock.com/Just_Super, iStock.com/kaisorn
Beratungsunternehmens Crisp Research tätig. Inhaltliche
Schwerpunkte sind Cloud Computing, Mobility Solutions und
Internet of Things mit besonderem Fokus auf Datenschutz,
Compliance und Implikation der EU-Datenschutzgrundver-
ordnung. Weiterhin unterstützt er im Rahmen des Researchs
sowie individueller Kundenprojekte 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 TECH DATA AS
→ Security
Tech Data AS GmbH
Gutenbergstraße 15
D-70771 Leinfelden-Echterdingen
Sie möchten mehr Informationen zum
Thema Machine Learning?
Dann melden Sie sich bei uns:
Stephanie Müller
Business Development Manager, IBM Artificial Intelligence
E-Mail: stephanie.mueller@techdata.com
Telefon: +49 175 727059032 Digital Infrastructure 2020 – IT-Infrastruktur für das digitale Zeitalter
Sie können auch lesen
