Empirische Studie

Machine Learning ist in Deutschland angekommen

von - 27.12.2018
Künstliche Intelligenz
Foto: Omelchenko / shutterstock.com
Die Unternehmen in Deutschland haben das Potenzial der Künstlichen Intelligenz entdeckt. Immer mehr setzen inzwischen auf KI- und Machine-Learning-Projekte.
Mehr Projekte, mehr Prototypen
Schwindende Verweigerung: Nur noch 19 Prozent der deutschen Unternehmen entfalten gar keine Aktivitäten in Richtung Maschine Learning.
(Quelle: Crisp Research "Machine Learning in deutschen Unternehmen" (n = 1902 Business- und IT-Entscheider) )
Unter all den Schlagwörtern rund um die digitale Transformation sind Künstliche Intelligenz (KI) und Machine Learning (ML) in kurzer Zeit zu den Begriffen mit der mächtigsten Breitenwirkung geworden. Eine Fülle an Studien und Veröffentlichungen sowie spektakuläre Warnungen prominenter Experten haben die Diskussion um Macht und Grenzen der KI befeuert.
Getragen ist diese Entwicklung von technischen Fortschritten: Cloud-Computing stellt die notwendige Rechenleistung flexibel und skalierbar bereit, gigantische, rasch wachsende Datenmengen dienen als unerlässliche Grundlage für Modellentwicklung und Training und immer mehr Geld fließt in Verfahren, Tools und Frameworks.
Zugleich kommen immer mehr Produkte von und für Unternehmen auf den Markt, die zumindest laut Marketing auf einer Künstlichen Intelligenz beruhen. In vielen Branchen von Industrie bis Logistik, Banking bis Gesundheitswesen setzt man große Erwartungen ins Machine Learning. Aber auch der Alltag von Millionen Menschen ist bereits von ML-Technik durchsetzt - am sichtbarsten in den digitalen Assistenten in Autos, Lautsprechern oder Smartphones. Angesichts dieses Hypes stellen sich zwei Fragen: Ist die ganze Aufregung noch viel Lärm um nichts oder ist Machine Learning als zentrale Technik der Künstlichen Intelligenz bereits in den Unternehmen angekommen? Und: Wie groß ist der Anteil an der Wertschöpfung deutscher Unternehmen, der sich jetzt oder in naher Zukunft KI und ML zurechnen lässt?
Antworten darauf gibt ein Studienreport, den Crisp Research im Auftrag des IT-Dienstleisters The unbelievable Machine Company (*um) und Dell EMC erstellt hat. Sein Titel lautet: „Machine Learning in deutschen Unternehmen. Eine empirische Studie zu Betrieb und Anwendung von Künstlicher Intelligenz“.
Anna-Lena Schwalm
Anna-Lena Schwalm
Analystin bei Crisp Research
Foto: Crisp
„Durch die Nutzung von APIs der Machine-Learning-as-a-Service-Angebote wird den Unter­nehmen ein einfacher Zugang zu ML-Technologien ermöglicht und eine schnelle Integration in Software-Produkte erzielt.“

Wachsendes Interesse

Wie rasant der Wandel vonstattengeht, lässt sich an der Kernaussage des Studienreports ablesen: Demnach beschäftigen sich inzwischen mehr als 50 Prozent der deutschen Unternehmen aktiv mit Machine Learning. Vor zwei Jahren lag diese Quote noch bei gerade einmal 28 Prozent. Und diese Hinwendung zum Machine Learning erschöpft sich auch nicht in Theorie. Mehr als jedes fünfte Unternehmen nutzt die Technik bereits produktiv.
Folgerichtig halten auch nur noch 19 Prozent der befragten Business- und IT-Entscheider das Planen beziehungsweise Evaluieren von ML-Techniken im Fall ihres eigenen Unternehmens für sinnlos. 2017 waren das noch fast doppelt so viele (36 Prozent). Dagegen befassen sich bereits 37 Prozent der Unternehmen aktiv mit Machine-Learning-Prototypen (12 Prozent mehr als im vergangenen Jahr).
Diese neue Aufgeschlossenheit spiegelt sich auch in den Aussagen der Befragten zur Bedeutung dieser Technologie in ihrem Unternehmen wider. 44 Prozent sehen in Machine Learning einen wesentlichen Aspekt ihrer künftigen Analytics- und Big-Data-Strategien, 31 Prozent stufen den Einsatz zumindest für begrenzte Sektoren als sinnvoll ein, 15 Prozent weisen ML eine sehr hohe Bedeutung als Kerntechnologie für komplett digitalisierte Unternehmen zu. Nur 5 Prozent sehen in ML einen Hype ohne sinnvolle Anwendungsszenarien für ihre Branche.
Strategische Empfehlungen
Die Autoren der Crisp-Studie geben Unternehmen, die an ML und KI interessiert sind, einige strategische Empfehlungen:
  • Durch Planung und Umsetzung erster Use Cases, Proofs of Concept und Projekten sollte eine unternehmens­interne Aufklärung hinsichtlich der verschiedenen Spielarten von KI und ihren technologischen Möglichkeiten und Implikationen erfolgen.
  • Die Komplexität der Technologien (Hard- und Software) gepaart mit den Hosting-Möglichkeiten sind ohne eine neue Strategie nicht handhabbar. Hier sollten Schwerpunkte und Verantwortlichkeiten klar geregelt sein.
  • Partner sollten sorgfältig und intensiv geprüft werden und möglichst gemischt in die Teams integriert werden, um den Know-how-Transfer so früh wie möglich zu eta­blieren („Bridging the Gap“).
  • Special-Purpose-Hardware bietet interessante Möglichkeiten, um das Training von Modellen und die Entwicklung von Algorithmen zu beschleunigen. Managed-Hosting- und Public-Cloud-Provider bieten die Möglichkeit
  • zu einem Einstieg ohne hohe Vorabinvestitionen.
  • Bei der Auswahl der externen Dienstleister sollte darauf geachtet werden, dass zukünftige Partner über einen Mix aus Skills und Erfahrungen in den Bereichen Machine Learning, Analytics, Cloud und IT-Betrieb verfügen.
  • IT-Strategie und Risikomanagement sind im Hinblick auf juristische und gesellschaftliche Fragestellungen im Bereich Machine Learning anzupassen und es sind entsprechende Exit-Strategien einzuplanen.
Verwandte Themen