KI in Deutschland

Machine Learning steht noch am Anfang

Obwohl es immer mehr Projekte mit Machine Learning gibt, stehen die Unternehmen noch ganz am Anfang. Nur ein Drittel kann bereits Rendite nachweisen.

Machine Learning steht noch am Anfang

Machine Learning steht noch am Anfang

Das Thema Künstliche Intelligenz trägt Züge eines großen Hypes. Praktisch jeden Tag erscheinen Nachrichten zu KI in den Medien. Ein kurzer Blick auf Google News zeigt, dass häufig nur wenige Aspekte behandelt werden. Im Vordergrund stehen Angriffe auf autonome Fahrzeuge oder die Angst vor drohender Massenarbeitslosigkeit. Ein Teil der Diskussion dreht sich um Eigenschaften von KI, die es im Moment nicht gibt und die vielleicht niemals Wirklichkeit werden, etwa KI-Systeme mit Bewusstsein.

Die im Moment verfügbaren Anwendungen mit künstlicher Intelligenz sind eingeschränkt: „Die Bezeichnung ist irreführend, denn KI ist ein Werkzeug zur Optimierung auf der Basis von Daten und unterstützt Unternehmen bei smarten Entscheidungen innerhalb einer einzigen Domäne,“ betonte der chinesische KI-Experte Kai Fu Lee auf der Münchner DLD-Konferenz. Eine allgemeine künstliche Intelligenz, die mit dem Bewusstsein des Menschen vergleichbar ist, liegt für ihn noch in weiter Zukunft.

„Dafür sind noch eine Vielzahl an Durchbrüchen notwendig,“ sagte Lee. „In den ganzen 63 Jahren KI-Geschichte gab es bislang nur einen großen Durchbruch, nämlich vor zehn Jahren die Erfindung von Deep Learning.“ Erst der Einsatz von Neuronetzen und parallel dazu die wachsende Rechenleistung von Computerchips ermöglichten diesen Fortschritt, der sich nicht nur auf den Einsatz von Neuronetzen erstreckt. Das Verfahren wird in Publikationen zusammen mit anderen Methoden unter dem Oberbegriff Machine Learning (ML) geführt. Auf Deutsch wird diese Technologie meist als maschinelles Lernen bezeichnet und an hiesigen Universitäten schon seit einiger Zeit erforscht.

Machine Learning hat Firmen erreicht

Doch bis vor wenigen Jahren waren praktische Anwendungen mit wirtschaftlicher Bedeutung selten. Das hat sich inzwischen geändert, die Methodik ist in den Unternehmen angekommen. Die Studie “Machine Learning in deutschen Unternehmen” von Crisp Research ist eine Fortsetzung der Studie aus dem vergangenen Jahr. 2018 waren nur noch 19 Prozent der befragten Unternehmen ML-Verweigerer, eine Halbierung gegenüber 2018.

Ein großer Teil der Unternehmen (37%) befasst sich inzwischen sogar schon mit dem gezielten Einsatz von ML-Verfahren in Produkten und Services. Das entspricht einem Wachstum von 12 Prozent gegenüber dem Vorjahr. Die Studienautoren interpretieren die Zahlen als ein deutliches Zeichen, dass Machine Learning in den Unternehmen angekommen ist. Ein weiterer Schluss aus der Entwicklung: ML-Werkzeuge haben einen ausreichenden Reifegrad erreicht, um produktiv in der Wirtschaft eingesetzt zu werden.

Die Unternehmen stoßen allerdings – wie in einigen anderen Bereichen der Informationstechnologie – auf ein Hindernis: Es gibt nicht ausreichend Experten, die ML-Know-how und im besten Falle auch noch einschlägige Erfahrung besitzen. Mehr als ein Drittel (35%) der Unternehmen sieht dies als größte Herausforderung beim Einsatz von Machine Learning. Da es sich in aller Regel um eher experimentelle Entwicklungsprojekte handelt, setzen die meisten Unternehmen auf interne Teams: 57 Prozent konzentrieren sich zunächst auf den Aufbau der eigenen ML-Expertise.

Unternehmen sind optimistisch

Dabei müssen die Unternehmen auf jeden Fall mittelfristig neues Personal einstellen, soweit der Arbeitsmarkt und die Universitäten die entsprechenden Experten ergeben. Sie sollten dabei darauf achten, die richtigen Experten einzustellen. Cassie Kozyrkov, eine Spezialistin bei Google, unterscheidet zwischen ML-Forschung und angewandten Machine Learning. Experten im ersten Bereich setzen die unterschiedlichen Verfahren für Machine Learning in Software um, entsprechen also einem Anwendungsentwickler. Experten im zweiten Bereich dagegen nutzen die ML-Software, um bestimmte Aufgaben auszuführen, entsprechen also einem Anwender. Im Falle von ML ist allerdings spezielles Wissen dafür notwendig, beispielsweise im Bereich Data Science.

Kozyrkov betont, dass Unternehmen in den meisten Fällen und zu Anfang eines ML-Projekts lediglich Experten der zweiten Sorte benötigen. Inzwischen sind zahlreiche unterschiedliche, zum Teil kostenlose Open-Source-Frameworks auf dem Markt, so dass es kaum Bedarf für Eigenentwicklungen gibt. Mehr noch: In vielen Fällen ist es für die Unternehmen nicht einmal notwendig, die Frameworks selbst zu betreiben. Häufig reicht bereits der Einsatz von „Machine Learning as a Service“, das inzwischen alle größeren Cloudservices anbieten.

Das Marketing der Anbieter sorgt dafür, dass noch weitaus mehr Unternehmen als bisher auf Machine Learning aufmerksam gemacht werden. Obwohl also die Zahl der umgesetzten und geplanten Projekte europaweit steigt, gibt es nur wenige konkrete Angaben zur Rentabilität (ROI) der eingesetzten Systeme. Lediglich ein Drittel der Unternehmen kann hierzu Angaben machen, wie eine Studie des Softwareanbieters Cloudera ermittelt hat. Machine Learning wird von den Unternehmen trotzdem sehr optimistisch beurteilt: 84 Prozent erwarten vom maschinellen Lernen zumindest langfristig Wettbewerbsvorteile.

Bildquelle: Thinkstock 

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok