X

Neuste Trends, Tipps, Strategien &
Events rund um das Thema Cloud

Machine Learning in der Praxis – Nicht stolpern!

Machine Learning in der einen oder anderen Form wird in immer mehr Unternehmen eingesetzt. Ein Nebeneffekt dabei ist, dass inzwischen eine Reihe von Legenden und Mythen über Machine Learning kursieren. Unternehmen, die das dann ernstnehmen, können unversehens ins Stolpern geraten. Denn die Realität sieht eben anders aus. Es gilt also, Mythos und Wirklichkeit genau zu unterscheiden, um die Potenziale des Machine Learnings auszuschöpfen.

 

Auf einen Blick: Machine Learning in der Praxis – Nicht stolpern!

5 Mythen über Machine Learning in Unternehmen, und wie man dabei den Durchblick bekommt und ML erfolgreich einführt und verwendet..

 

Hier sind fünf solcher Mythen, damit Sie einen stolperfreien Einstieg in das maschinelle Lernen schaffen:

Mythos Nr. 1: Fachwissen in ML ist alles, was Sie für einen guten Start brauchen.

Unternehmen haben in Wirklichkeit nicht Probleme mit maschinellem Lernen, sondern sie haben Business-Herausforderungen, die mit maschinellem Lernen lösbar sind. Daher kommt es hauptsächlich darauf an, diese Probleme genau zu identifizieren und zu formulieren, bevor viel Aufwand und Ressourcen, also Zeit, Budgets, Personal usw., in einen ML-Prozess investiert werden. In der Praxis bewährt hat sich, die zu behandelnden Fälle auf der Grundlage des geschätzten Geschäftsnutzens nach Prioritäten zu ordnen.

 

Mythos Nr. 2: Machine Learning ist ein Zaubermittel für den schnellen geschäftlichen Erfolg.

Weder ist Machine Learning Hexerei, noch bewirkt es irgendwelche Wunder; so sieht es aus. In der Praxis ist der Weg zum Erfolg mit maschinellem Lernen hart – er erfordert Zeit und Mühe, auch und gerade auf Unternehmensebene. Maschinelles Lernen braucht einen systematischen Prozess und eine leistungsfähige Struktur, um Erfolge zu zeitigen. Daten und Modelle sind nur ein Teil der erforderlichen Komponenten; ML in Unternehmen braucht nicht zuletzt auch einen ganzheitlichen und einheitlichen Ansatz. Um ML wirklich zu operationalisieren, müssen sich Unternehmen einer neuen Herausforderung stellen – der ML-Ops-Methode.

 

Mythos Nr. 3: Hauptsache möglichst viel Daten und Algorithmen!

Tatsächlich ausschlaggebend sind die Qualität der Daten und Algorithmen – und wie relevant sie für das jeweilige Geschäftsproblem sind. Denn die Qualität der Inputs hinsichtlich Vollständigkeit, Genauigkeit und Kontext bestimmt die Qualität des ML-Resultats, das dann auf das Problem angewendet werden soll. Neben der Qualität der Daten und relevanten Algorithmen gibt es noch zwei weitere erfolgskritische Schlüsselelemente: Verwenden Sie die neuesten Technologien, und zwar bei Hardware ebenso wie Software. Achten Sie auf den richtigen Mix bei den einbezogenen Experten, also Data Scientists, Entwickler und Fachbereich.

 

Mythos Nr. 4: Hauptsache ein gutes Team von Data Scientists

Das ist leider eben nicht alles, was Ihr Unternehmen für den erfolgreichen ML-Einsatz braucht. In der Praxis sorgt vor allem die richtige Kombination von Top-down- und Bottom-up-Strategien für zielgerechte Ausgewogenheit: Auf der einen Seite ist es wichtig, eine überzeugende ML-Vision und -Strategie zu schaffen, um die Befürwortung auf höchster Ebene sicherzustellen. Auf der anderen Seite spielt es eine nicht minder zentrale Rolle, die richtige Mischung von Spezialisten zu haben, die in verschiedenen Geschäftsbereichen Prototypen umsetzen. Lernen Sie also im Kontext Ihrer Organisation, um einen stabilen Weg zum Erfolg zu etablieren.

 

Mythos Nr. 5: Machine Learning wird die menschliche Arbeit ersetzen.

Tatsache ist, dass ML und Menschen im Unternehmen sich wechselseitig brauchen. Das neue Paradigma des maschinellen Lernens wird zwar nach überwiegender Einschätzung ähnliche Auswirkungen auf die Menschheit haben wie in der Vergangenheit z. B. die Entdeckung der Elektrizität. Eine ähnliche Entwicklung für die menschliche Arbeit in der ML-Ära ist daher wahrscheinlich. Ein Teil der bestehenden Jobs werden neu erfunden werden, aber mit Sicherheit wird Machine Learning die Menschen bereichern. ML-Anwendungen werden wiederkehrende und unangenehme Arbeiten übernehmen, während die Menschen sich auf Aufgaben mit höherem Mehrwert konzentrieren und dadurch beruflich zufriedener werden.

 

Zusammenfassend ergibt sich daraus eine erhebliche Kluft zwischen solchen Mythen im Rahmen des ML-Hypes und dem tatsächlichen Wert der Technologie für das Geschäft. Eine Gefahr besteht darin, dass das Top-Management die Erwartungen auf eine Hype-Ebene hochhebt, während die Teams ML auf dem harten Boden der Realität ausführen müssen. Das kann beiderseits zu Ernüchterung führen. Um dies möglichst zu vermeiden, sollten Sie die gewünschten Geschäftsergebnisse einerseits und die ML-Herausforderungen bei der Implementierung andererseits ins Gleichgewicht bringen.

Wenn Sie die Kluft schließen zwischen dem, was Mythos bzw. Hype ist, und dem, was wirklich an wertvollen Ressourcen in ML steckt, dann werden Sie Erkenntnisse erzielen, die viel zu Ihren Geschäftserfolgen beitragen können.

 

Um mehr über KI und maschinelles Lernen zu erfahren, besuchen Sie die Oracle KI-Seite. Sie können Oracle Cloud auch kostenlos testen!

 

Kontakt:

Ein spannendes Thema, über das ich gerne mit Ihnen spreche, per E-MailLinkedInXing oder Twitter. Cesar Ortiz, Principal Solution Engineer.

Kommentieren

Kommentare ( 0 )
Please enter your name.Please provide a valid email address.Please enter a comment.CAPTCHA challenge response provided was incorrect. Please try again.