Wie intelligente Unternehmen mit maschinellem Lernen die Nase vorn haben

Maschinelles Lernen hilft Unternehmen bei der Verbesserung und Neuerfindung von Geschäftsprozessen, beim Erkennen neuer Marktchancen und bei der Minderung bekannter und unbekannter Risiken.

FRAGEN, DIE SICH ORGANISATIONEN MÖGLICHERWEISE STELLEN:

  • „Kann die IT eine Anwendung zum Aufspüren von Spam entwickeln, um Nachrichtenmüll wirksam zu stoppen, damit nicht die Community-Webforen unseres Unternehmens daran ersticken?“

  • „Wie können Informationen aus Sensoren und Steuerungen, die normalerweise in Silos schlummern, intelligenter einsetzen, um die Fertigungseffektivität zu steigern?“

  • „Anstatt einzelne Benutzer zu verfolgen, um Betrugsfälle aufzudecken, können wir vielleicht die finanziellen Hintergründe vieler Menschen zusammenfassen, um subtile Fälle zu erkennen, die von einfachen Algorithmen sonst vielleicht übersehen werden?“

BUILT IN - ARTICLE INTRO SECOND COMPONENT

Beispiele dafür, wie und warum Unternehmen maschinelles Lernen einführen, um schnellere, durch Daten untermauerte Entscheidungen zu treffen, die echten geschäftlichen Vorteil zu erzielen helfen.

Intelligentere, schnellere Entscheidungen auf der Grundlage ständig zunehmender Datenmengen

Viele Geschäftsprobleme sind ärgerlich komplex und erfordern die Analyse von extrem großen und vielfältigen Datensätzen. Organisationen stehen häufig vor Fragen wie: Kann die IT eine Anwendung zum Aufspüren von Spam entwickeln, um Nachrichtenmüll wirksam zu stoppen, damit nicht die Community-Webforen unseres Unternehmens daran ersticken?

Die Beantwortung derartig komplizierter und datenintensiver Fragen und die Umsetzung entsprechender Maßnahmen könnten über die Möglichkeiten herkömmlicher Business Intelligence (BI) und regelbasierter Analysesysteme hinausgehen. Diese Ansätze sind in dynamischen Geschäftsumgebungen möglicherweise nicht zukunftsorientiert oder flexibel genug, um dem Ansturm von Big Data aus der Cloud, aus den sozialen Medien, von intelligenten Mobilgeräten und aus dem Internet der Dinge (IoT) gewachsen zu sein. Zum besseren Verständnis und zur Lösung sich schnell verändernder Herausforderungen mit enormen Datenmengen rüsten Unternehmen in allen Branchen – von der Gesundheitsbranche bis hin zu Banken, Transport und Herstellung, Bildung, Einzelhandel usw. – ihre Analysekapazitäten mit maschinellem Lernen auf.

Als Untergruppe der künstlichen Intelligenz (KI) nutzt maschinelles Lernen spezielle Softwarealgorithmen, die iterativ „lernen“ und sich anpassen, während die Programme sich durch gewaltige Datenmengen wühlen. Diese Beispiele ermöglichen es Unternehmen, Muster aufzudecken, Erkenntnisse zu gewinnen und Trends vorauszusagen sowie entsprechend zu handeln. Und das sorgt allmählich für bessere Ergebnisse ohne menschliches Eingreifen. Diese Vorteile lassen maschinelles Lernen Tag für Tag weiter in den Mainstream rücken. Lernende Computer unterstützen ein breites Spektrum von praxisnahen Anwendungen: IoT-Datenanalyse, Überwachung von Computerservern, gezielte Werbung, Bilderkennung, Routenplanung, genetische Sequenzierung, Gaming, autonomes Fahren, Energieförderung, Gesichtserkennung und viele andere.

Maschinelles Lernen bringt datengestützte Erkenntnisse und komplexe, umsetzbare Entscheidungen aus extrem großen Datenmengen wesentlich schneller und zuverlässiger hervor als die menschliche Analyse, herkömmliche BI oder andere KI-Ansätze. Maschinelles Lernen bereitet den Boden für mehr Effizienz im Geschäftsbetrieb, verbessert die Sicherheit und regt datengestützte Innovation mit neuen Produkten und Services an, die gemäß der Verhaltensweisen von Kunden maßgeschneidert sind. 

Intelligentere interne Geschäftsprozesse erreichen

Laut einer kürzlich durchgeführten Studie von Bain & Company treffen Unternehmen, die auf maschinelles Lernen und Analysefunktionen zurückgreifen, mit doppelt so hoher Wahrscheinlichkeit datenbasierte Entscheidungen, mit fünf Mal so hoher Wahrscheinlichkeit treffen sie diese Entscheidungen schneller als ihre Mitbewerber, mit drei Mal so hoher Wahrscheinlichkeit sind sie bei der Umsetzung dieser Entscheidungen schneller und mit doppelt so großer Wahrscheinlichkeit erzielen sie Ergebnisse auf finanziellem Gebiet im obersten Quartil1. Für viele Organisationen beginnt der Anstieg der Reifegrad-Kurve von Business Intelligence mit maschinellem Lernen damit, dass maschinelles Lernen dafür eingesetzt wird, interne Geschäftsprozesse zu verbessern.

Im Folgenden einige hochkarätige Beispiele:

Verbesserungen bei der Rekrutierung und Leistung von Mitarbeitern: Ein weltweit präsentes Unternehmen der Nahrungsmittelbranche setzt maschinelles Lernen ein, um Einblicke in Hinblick auf die Talentgewinnung und -bindung sowie in die Leistung von Mitarbeitern zu gewinnen. Diese „Personenanalyse“ vermittelt tiefgreifende Einblicke in Daten des Personalsektors mithilfe von Prognosemodellierungstechniken auf der Basis von mehreren integrierten Datenquellen. 

Angepasstes Marketing: Eine große italienische Bank entwickelte ein kognitives Analysesystem zur Analyse von Kundendaten und Aufdeckung von Geschäftschancen. Aus dem Ansatz wurde ein Outbound-Marketingprogramm entwickelt, mit dessen Hilfe deutlich mehr Abschlüsse erzielt werden konnten.

Individuelle Preisangebote: Ein weltweit führendes Softwareunternehmen nutzt ein computergestütztes System für Preisangebote auf der Basis von maschinellem Lernen, um maßgeschneiderte und zielgerichtete Optionen für jeden einzelnen Kunden und Interessenten zusammenzustellen. Das Unternehmen greift auf genauere und zielgerichtetere Prognosen zurück, weil maschinelles Lernen mit CRM-Systemen für das Kundenbeziehungsmanagement und ERP-Systemen für die Unternehmensressourcenplanung integriert wird.

Personalisierte Medizin: Eine wachsende Zahl von Gesundheitsdienstleistern nutzt maschinelles Lernen, um einen präzisen medizinischen Ansatz auf der Basis von Daten zu nutzen, mit dessen Hilfe die kosteneffektivsten, am stärksten personalisierten Behandlungsmöglichkeiten festgestellt werden.

Bei vielen frühen Anwendern im Gesundheitswesen und in anderen Bereichen gibt maschinelles Lernen durch höhere Effizienz, neue Entdeckungen, bessere Produkte und Dienstleistungen oder bessere Kundenerfahrungen Geschäftsaktivitäten eine neue Struktur.

1. Kann die IT eine Anwendung zum Aufspüren von Spam entwickeln, um Nachrichtenmüll wirksam zu stoppen?

Eine der wesentlichsten Stärken maschinellen Lernens – die Fähigkeit, ungewöhnliche Muster in ungeheuren Datenmengen unter schnell wechselnden Bedingungen zu erkennen – macht die Technik für eine schnellere Risikoerkennung und -minderung im Bereich der Sicherheit so gut geeignet. Zum Beispiel fahnden Algorithmen beim maschinellen Lernen nach Mustern im Zugriff auf Daten in der Cloud und melden Anomalien, die auf Sicherheitsverletzungen hindeuten können. Zahlungsverarbeiter nutzen Lernalgorithmen, um Einkaufsmuster bei Nutzern von Kredit- und Debitkarten zu verfolgen. Anomalien werden gemeldet, zum Beispiel ungewöhnlich hohe Einkaufsbeträge oder Interaktionen mit Händlern oder geografischen Standorten, die auf mögliche Betrugsfälle hindeuten könnten.

Die Intel Corporation zum Beispiel verwendet Techniken maschinellen Lernens, um Nachrichtenmüll in Website-Community-Foren zur Unterstützung von Kunden, Partnern und Mitarbeitern zu untersuchen und zu stoppen. Eines der größeren Foren von Intel war täglich von bis zu 10.000 Spam-Beiträgen überschwemmt worden2.

Das übliche Gegenmittel, nämlich die Beschäftigung freiwilliger Moderatoren für das Löschen von Nachrichtenmüll, konnte der Sache nicht Herr werden und bedeutete einen zu hohen Personaleinsatz. Auch die Verwendung von Filtern zur Lösung des Problems war nicht möglich. Das flächendeckende Heranwachsen immer neuer Spambots machte es immer schwieriger, eine universelle Regel zu definieren, um ein bestimmtes Wort oder eine bestimmte Phrase zu blockieren. Warb die Nachricht für ein Offshore-Spielcasino oder stammte sie von einem Kunden von Intel aus der Unterhaltungsbranche?

Nicht ohne Frustration kam die IT-Gruppe von Intel zu einer anderen Lösung. Das Unternehmen hat Automatisierung bereits in vielen Bereichen eingesetzt, zum Beispiel in der PC-Zustandsüberwachung und bei Fertigungsprozessen. Weil die Automatisierung in diesen Bereichen zu mehr Effizienz und Effektivität geführt hatte, tat sich die Frage auf, warum maschinelles Lernen nicht auch für eine autonome Spam-Kontrolle eingesetzt werden sollte. Mithilfe anspruchsvoller Techniken des maschinellen Lernens konnten Techniker bei Intel einen Service für die Filterung von Spam entwickeln, der unerwünschte und böswillige Nachrichten blockiert. Mithilfe von Textanalysen ist das System in der Lage, vulgäre und anstößige Inhalte in 75 Sprachen zu erkennen. Darüber hinaus überwacht eine Reputations-Engine Benutzerprofile, um die Wahrscheinlichkeit zu bewerten, dass eine eine bestimmten Quelle Spam verbreitet.

Unmittelbar nach der Implementierung des Programms durch Intel nahmen die Angriffe ab, und seitdem ist das Spam-Aufkommen stets beherrschbar geblieben. Spitzen in der Zahl von Müllnachrichten sind fast nicht mehr zu verzeichnen, dank der Möglichkeit des Dienstes zum dynamischen Lernen und zum Blockieren unerwünschter Mitteilungen.

2. Wie können Sensoren auf intelligentere Weise eingesetzt werden?

Für viele Unternehmen ist die wertvollste Anwendung maschinellen Lernens, die Flut von Daten über Trillionen von Sensoren und andere mit dem Internet der Dinge (IoT) sowie dem industriellen Internet der Dinge (IIoT)3 verbundene Geräte zu analysieren. Im letzten Jahr haben Hersteller von Automobilen und Werkzeugen, Pharmaunternehmen, Flottenbetreiber und Unternehmen in anderen Branchen die Nutzung maschinellen Lernens und entsprechender Analysen im IoT als Grundlage für autonome Fertigung begonnen oder ausgeweitet.

Die Siemens AG zum Beispiel hat als ersten Schritt in der Entwicklung einer autonomen Fertigungseinrichtung ein cloudbasiertes, offenes IoT-Ökosystem namens MindSphere* entwickelt. Die robuste digitale Plattform erfasst, speichert und analysiert Daten, die von über das IoT angeschlossenen Fertigungssteuerungssystemen und Sensoren generiert werden1. Siemens nutzt maschinelles Lernen, um diese Daten unter die Lupe zu nehmen und die gesamte Lieferkette zu analysieren. Auf diese Weise bestimmt der internationale Industriegigant, wo Verbesserungen der Fertigungsstrecke vorgenommen werden können, die dem Unternehmen die größten Gewinne bescheren. Derartige „intelligente Daten“ (Smart Data) bieten Managern von Siemens verwertbare Einblicke zur Verbesserung von Gerätebetriebszeiten und helfen, die Effizienz des Produktionsbetriebs zu steigern.

Maschinelles Lernen und entsprechende Analysen sind die Grundlage der autonomen Fertigung, bei der irgendwann praktisch alle Prozesse digital und hochgradig automatisiert sein werden. Das schnelle Heranreifen von Lernalgorithmen hat Herstellern die Möglichkeit gegeben, riesige Datenmengen in Echtzeit zu sammeln, zu speichern und zu analysieren und diese Daten in verwertbare Informationen zu verwandeln. Noch wichtiger ist, dass maschinelles Lernen Unternehmen hilft, durch Hinzunahme proaktiver Geräte mit dynamischem maschinellem Lernen mehr über ihr Umfeld, die Benutzer und den Entwicklungsverlauf zu erfahren und die Betriebsentscheidungen der Analysten zu unterstützen.

3. Können wir den finanziellen Hintergrund vieler Personen aggregieren, um Betrugsfälle besser zu erkennen?

Die Verbesserung aktueller Geschäftsprozesse ist nur der erste Schritt zur effektiven Nutzung der Leistungsfähigkeit maschinellen Lernens. Zuvor niemals mögliche Erkenntnisse, die mithilfe des Ansatzes gewonnen werden, können zu neuen Produkten, Services und neuen Geschäftsmethoden inspirieren. Ganze Branchen können sich verändern.

Denken Sie an den Einzelhandelssektor. Stationäre Geschäfte arbeiten ständig daran, sich neu zu erfinden, denn sie stehen im Wettbewerb miteinander und mit Online-Rivalen. Experten sagen, dass der Erfolg – und das Überleben – im Einzelhandel davon abhängt, dass eine hochgradig personalisierte Mischung aus Verkäufen online und im Ladengeschäft erreicht wird. Ein Einzelhandelsunternehmen hat erkannt, dass die Kenntnis dessen, woran Kunden interessiert sind, und die Bereitstellung dieser Produkte für diese Kunden zur richtigen Zeit, dem Vertriebsprozess eine Menge Reibungspunkte nimmt. Dazu ist eine Mischung verbundener Geräte und Analysesoftware notwendig4.
Das Unternehmen entwickelte eine Anwendung, bei der mithilfe von Sensoren im Geschäft und maschinellem Lernen Stilpreferenzen und Einkaufstrends erkannt und analysiert werden, um den Herstellern von Kleidung Leitlinien an die Hand zu geben.

Eine weitere Anwendung des Händlers hilft, die Kleidung, die Kunden bereits erworben haben, mit weiteren Optionen zu ergänzen, indem andere Stücke je nach dem ursprünglichen Verwendungszweck vorgeschlagen werden. Kauft ein Kunde ein Hemd auf der E-Commerce-Website der Marke, präsentiert die KI-basierte Plattform auch ein Menü mit zusätzlichen Kleidungsstücken und Zubehörteilen, um „den Look zu komplettieren“. Dieser Ansatz erhöht den Umsatz am Verkaufspunkt erheblich. Tatsächlich stellt das Einzelhandelsunternehmen derzeit täglich 4,5 Millionen Empfehlungen für Kunden bereit. Sowohl die Sensoren als auch die Anwendungen für die Präsentation von Optionen bescheren dem Einzelhändler eine breite Palette von Informationen über Vorlieben und Verhaltensweisen von Kunden, die genutzt werden, um Verkaufs- und Serviceangebote zu personalisieren und zu verbessern.

Während führende Einzelhändler maschinelles Lernen und entsprechende Analysen zunehmend in den Fokus nehmen, wird deutlich, dass Daten zur treibenden Kraft der gesamten in der Umwandlung begriffenen Branche werden. Dieser Trend wird wahrscheinlich weiter zunehmen, denn die Geschäfte von Einzelhändlern wie Lowe’s* Home Improvement und Amazon* Go Grocery setzten sensorgespickte Roboter ein, die in Echtzeit Regale im Auge behalten, um den Bestand zu optimieren. Das Einzelhandelsbeispiel zeigt die Chancen, die durch maschinelles Lernen entstehen. Der Unterschied zwischen den Unternehmen, die auf derartige Technik setzen, und denjenigen, die das nicht tun, wird darüber bestimmen, wer sich in der Branche durchsetzt und wer nicht mithalten kann und dieser Durchsetzung zum Opfer fällt.

Wie Intel hilft, die Vorteile maschinellen Lernens umzusetzen

Maschinelles Lernen und Datenanalysen können dazu beitragen, Organisationen intelligenter, schneller, effizienter und innovativer zu machen. Bessere und schnellere Entscheidungen in Echtzeit geben Betriebsverbesserungen sowie neuen Produkten und Geschäftsmodellen Auftrieb, die einen signifikaten Wettbewerbsvorteil bietenOb ein Unternehmen mit einem Pilotprojekt für maschinelles Lernen gerade erst beginnt oder bereits mit ehrgeizigeren und anspruchsvollen Analyseprojekten beschäftigt ist: In jedem Fall bietet Intel eine Vielzahl von Ressourcen und Informationstechniken, die bei der Entwicklung einer robusten und umfassenden Architektur helfen, wie sie für Techniken maschinellen Lernens erforderlich ist.

Das leistungsoptimierte Portfolio von Intel und das umfangreiche Lösungs-Ökosystem unterstützen den Fortschritt hin zu anspruchsvollen Analysen auf der Basis von maschinellem Lernen. Intel kann das leisten, weil das Unternehmen mit führenden Systemintegratoren und Technikanbietern zusammenarbeitet, die den Rahmen für die verteilte Speicherung und Verarbeitung von Big Data bereitstellen. Intel ist selbst ein führender Anwender von Techniken maschinellen Lernens. Die Fertigung bei Intel setzt auf Datenanalysen und IoT im großen Maßstab, um Kosten zu senken und die Qualität zu verbessern. Mit diesen Tools kann das Management von Fertigungsstätten Analysen in nur 30 Sekunden durchführen, für die früher 4 Stunden notwendig gewesen wären.5
Datenwissenschaftler bei Intel haben maschinelles Lernen angepasst, damit es IoT-Datenströme analysieren kann. Statt anhand fester Regeln zu arbeiten, erkennt eine Analyse-Engine Änderungen, die dabei helfen zu bestimmen, wie Warnmeldungen für eine Vielzahl von Sensoren festgelegt werden sollten.6
Die Experten des Unternehmens und dessen erfahrene Partner unterstützen Unternehmen dabei, die besten Entscheidungen für eine Vielzahl von Techniken maschinellen Lernens und Implementierungsanforderungen zu treffen.

Das Fazit lautet, dass maschinelles Lernen in der Analyse Fuß gefasst hat. Intel hat den Wert maschinellen Lernens sowohl für das eigene Geschäft als auch für seine Kunden und Partner bewiesen.