Machine Learning im Unternehmenseinsatz .Machine Learning im Unternehmenseinsatz Crisp Research AG,

download Machine Learning im Unternehmenseinsatz .Machine Learning im Unternehmenseinsatz Crisp Research AG,

of 81

  • date post

    17-Sep-2018
  • Category

    Documents

  • view

    220
  • download

    0

Embed Size (px)

Transcript of Machine Learning im Unternehmenseinsatz .Machine Learning im Unternehmenseinsatz Crisp Research AG,

  • Machine Learning im Unternehmenseinsatz

    Ergebnisse einer empirischen Studie in Kooperation mit

    Bjrn Bttcher, Daniel Klemm, Dr. Carlo Velten

    Januar 2017

    Knstliche Intelligenz als Grundlage digitaler Transformationsprozesse

    The unbelievable Machine Company (*um) und Hewlett Packard Enterprise

  • Machine Learning im Unternehmenseinsatz

    Crisp Research AG, 2016 2

    INHALTSVERZEICHNIS

    vorwort 3

    executive summary 4

    machine learning 6

    methodik & stichprobe 16

    digitalisierung in deutschland 22

    machine learning - momentum und strategische bedeutung 27

    machine learning - einsatz im unternehmen 33

    machine learning in der praxis einfhrung und partnerschaften 63

    machine learning - blick in die zukunft 68

    empfehlungen und best practices 73

    verwandte forschung 75

    ber crisp research ag 76

    ber the unbelievable machine company gmbh (*um) 77

    ber hewlett packard enterprise gmbh 78

    ber die autoren 79

    kontakt 81

    copyright 81

  • Machine Learning im Unternehmenseinsatz

    Crisp Research AG, 2016 3

    VORWORT

    AI-First so lautet mittlerweile das Mantra vieler Technologie-CEOs von Google bis Microsoft. Doch was ist dran am Hype rund um das Thema Knstliche Intelli-

    genz?

    Fakt ist, dass die Kombination aus gnstiger Rechenleistung, groen Daten-

    mengen und optimierten Algorithmen die Innovationsleistung von Machine Le-

    arning-Verfahren derzeit exponentiell steigen lsst. Was vor drei Jahren noch

    unrealistisch erschien ist heute Realitt. Von der Spracherkennung, ber die me-

    dizinische Diagnostik bis hin zum autonomen Fahren existieren schon heute viel-

    fltige Einsatzbereiche fr Verfahren der Knstlichen Intelligenz. Im Kontext der

    digitalen Transformation erweitert sich dieses Einsatzspektrum noch weiter und

    reicht vom Unternehmensrechenzentrum, ber die Steuerung von Fertigungsanla-

    gen (Industrie 4.0) bis hin zur berwachung von vernetzten Gerten (IoT).

    Fr CIOs, CTOs und Digitalisierungsentscheider stellt sich nun eine Vielzahl an

    Fragen. Welche Use Cases ergeben sich im eigenen Unternehmen? Auf welche

    Verfahren und Technologien kann man setzen? Welche Anforderungen stellt Ma-

    chine Learning an die zugrundeliegende Rechenzentrums- und IT-Infrastruktur?

    Wie baut man intern die relevanten Skills und Ressourcen auf? Mit welchen Dienst-

    leistern sollte man zusammenarbeiten?

    Um diese und weitere Fragen zu beantworten, hat Crisp Research in Kooperation

    mit The unbelievable Machine Company (*um) und Hewlett Packard Enterprise

    (HPE) die vorliegende Studie erstellt. Diese soll Entscheidern und Managern einen

    ersten empirisch fundierten berblick zum Status von Machine Learning in den

    deutschen Unternehmen bieten. Zudem liefert die Studie Erkenntnisse und Bei-

    spiele, um den Einsatz von Machine Learning im eigenen Unternehmen erfolgreich

    planen und umsetzen zu knnen.

    Wir wnschen Ihnen viel Spa beim Lesen,

    Dr. Carlo Velten Klaas BollhferCrisp Research AG The unbelievable Machine Company GmbH

    Senior Analyst & CEO Chief Data Scientist

  • Machine Learning im Unternehmenseinsatz

    Crisp Research AG, 2016 4

    EXECUTIVE SUMMARY

    Machine Learning auf dem Weg in den IT- und Digitalisierungs-Mainstream Schon 64 Prozent der deutschen Unternehmen beschftigen sich derzeit aktiv

    mit dem Thema.

    Deutsche Unternehmen innovativer als ihr Ruf Bereits ein Fnftel der Unternehmen setzt Machine Learning-Technologien schon produktiv ein.

    Automotive, Konsumgter sowie IT, Telekommunikation und Media sind derzeit die Vorreiter beim produktiven Einsatz von Machine Learning.

    Chemie, Logistik und Verkehr sowie Pharma stehen in den Startlchern,

    um die Potenziale von Machine Learning in den kommenden Jahren

    unternehmensweit zu erschlieen.

    Machine Learning als fester Produktbestandteil Das Design und der Betrieb vernetzter Produkte und digitaler Services wird zuknftig nicht

    mehr ohne Machine Learning und knstliche Intelligenz auskommen.

    Bis 2020 geht die Mehrheit der IT- und Digitalisierungsentscheider (80

    Prozent) von einem Wertschpfungsanteil zwischen 11 und 50 Prozent aus.

    Machine Learning ist kein Hype Thema - 43 Prozent der Entscheider sind berzeugt, dass Machine Learning ein wesentlicher Aspekt ihrer Analytics-

    und Big Data-Strategien der kommenden Jahre ist. Knapp ein Fnftel der

    Entscheider sieht Machine Learning als eine der Kerntechnologien eines

    vollstndig digitalen Unternehmens.

    Customer Driven Company - Eine strkere Kundenbindung ist einer der wichtigsten Beweggrnde fr den Einsatz von Machine Learning im

    Unternehmen.

    Duale Strategie beim Skill-Aufbau - Business Intelligence- und Analytics- Abteilungen sind federfhrend, externe Berater und professionelle

    Dienstleister jedoch unverzichtbar, um Machine Learning-Strategien im

    Unternehmen erfolgreich umzusetzen.

  • Machine Learning im Unternehmenseinsatz

    Crisp Research AG, 2016 5

    Methodenmix und Vielfalt bei der Algorithmen- und Verfahrensauswahl - Firmen setzen in Anlehnung an die sehr heterogenen Use Cases auf eine

    Vielfalt von Algorithmen. Diese mssen eingangs verstanden und evaluiert

    werden.

    Deep Learning - Renaissance der Neuronalen Netzwerke. Jedes fnfte Unternehmen, das sich mit Machine Learning auseinandersetzt, beschftigt

    sich auch schon mit Deep Learning, der neuesten Generation der neuronalen

    Netze. Die Gruppe der Innovatoren, die Deep Learning bereits im Einsatz

    haben, macht derzeit rund fnf Prozent aus.

    Cloud First auch beim maschinellen Lernen - 38 Prozent der Unternehmen set-zen primr auf Cloud-basierte Angebote.

    Hardware is back Die hohen und teils sehr spezifischen Anforderungen an Performance und Kosteneffizienz erfordern fr das Processing von Machine

    Learning-Verfahren teils neue Chip-Designs und Hardware-Konzepte

    (CPU / TPU / GPU etc.).

    Die Auswahl und der Betrieb hoch spezialisierter Machine Learning-Hardware (CPU / TPU / GPU etc.) wird die IT-Abteilungen in den Unternehmen vor neue

    Herausforderung stellen, auf die es sich heute vorzubereiten gilt.

    Gerteflut - Von der Public Cloud bis zum Smartphone-Chip. Machine Learning-Verfahren werden zuknftig auf immer mehr Plattformen implemen-

    tiert, was die Komplexitt in Planung und Betrieb immer weiter erhht.

    Auf dem Weg zu Conversational Interfaces - Zwei Drittel der Unternehmen, die sich heute schon mit Machine Learning auseinandersetzten, evaluieren auch

    den Einsatz von Bots und digitalen Assistenten.

    Nicht ohne meinen IT-Partner Die Umsetzung von Machine Learning- Strategien erfolgt selten ohne externe Untersttzung. Vor allem in der

    Datenexploration und im Training der eigenen Mitarbeiter sehen die

    Unternehmensentscheider wichtige Einsatzbereiche fr externe Dienstleister.

    Machine Learning als Teil des neuen digitalen Fundaments - Das Design und der Betrieb moderner IT-Architekturen und TechStacks wird in den

    kommenden Jahren stark vom Einsatz von Machine Learning geprgt sein.

  • Machine Learning im Unternehmenseinsatz

    Crisp Research AG, 2016 6

    MACHINE LEARNING

    Lernende Maschinen: Eine Neuerung,

    an die wir uns gewhnen mssen. Unser

    Alltag ist bereits mehr vom maschinellen

    Lernen durchzogen, als vielen bewusst

    ist. Doch lernende Maschinen sind kei-

    ne Erfindung unserer Generation. Die

    Einfhrung in die Gesellschaft und auch

    die Vision von einer knstlichen Intelli-

    genz selbst ist auch nicht neu. Bereits in

    den 1940er und 1950er Jahren wurden

    wichtige Grundlagen fr Machine Lear-

    ning und Knstliche Intelligenz gelegt.

    Ein Beispiel sind die Arbeiten auf dem

    Gebiet des bestrkenden Lernens. 1968

    fhrten Sir Arthur Charles Clarke und Stanley Kubrick mit dem Film 2001: A Space Odyssey den Charakter des HAL

    9000 ein, der die Existenz einer knstli-

    chen Intelligenz im Jahr 2001 widerspie-

    geln sollte.

    Doch obschon die theoretischen

    Grundlagen recht frh gelegt worden

    sind, dauerte es noch einige Jahrzehn-

    te, bis der Aufschwung von Machine

    Learning seinen Weg fand. Nach Jah-

    ren in der akademischen Nische erlebt

    das Thema Knstliche Intelligenz eine

    neue Innovations- und Wachstumspha-

    se. Und dies nicht nur fr eine Hand voll

    globaler Internetfirmen. Die magebli-

    chen Grnde sind:

    Nahezu unbegrenzt verfgbare und flexible Rechenleistung (Cloud Com-

    puting)

    Verfgbarkeit riesiger Datenmengen als Grundlage der Modellentwicklung

    und des Trainings (Big Data)

    Investitionen in Verbesserung der Ver-fahren, Tools und Frameworks

    1 Herbert Alexander Simon (* 15. Juni 1916 in Milwaukee, Wisconsin; 9. Februar 2001 in Pitts-burgh, Pennsylvania) war ein US-amerikanischer Sozialwissenschaftler. Im Jahr 1978 erhielt er den Wirtschaftsnobelpreis fr seine bahnbrechende Erforschung der Entscheidungsprozesse in Wirt-schaftsorganisationen. Als Professor an der Car-negie Mellon University beschftigte er sich mit vielen Themenbereichen von kognitiver Psycholo-gie ber Informatik bis hin zur Philosophie.

    Er gilt mit einer Vielzahl von Publikationen als einer der einflussreichsten Wissenschaftler des 20ten Jahrhunderts.