Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning erkennen IT-Systeme Muster und Zusammenhänge aus Daten und lernen daraus. Klassische Anwendungsfälle sind etwa die Bearbeitung von Kundenanfragen oder die Erkennung von Störfällen. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu. Die Implementierung von Machine Learning bringt aber auch Herausforderungen mit sich – darunter fallen beispielsweise die Datenaufbereitung, die Bereitstellung des Konzepts oder die Schätzung des ROI. Für die Umsetzung werden daher interne und externe Experten und Partner, Projekterfahrung sowie eine realistische Zielsetzung benötigt. Auch externe Partner können helfen. Fertiger können von ML auch in den Bereichen Asset Management, Supply Chain Management sowie der Lagerhaltung profitieren. Im Fokus stehen etwa Bedarfsprognosen, die automatische Bestandskontrolle und die Optimierung der Beschaffungsverfahren.
Woran es fehlt
ML-Projekte scheitern oftmals an der Qualität der vorhandenen Daten. Eine ideale Datenbasis ist groß – mit 10.000 bis 100.000 Fakten – korrekt, hinreichend umfassend und sachgerecht gekennzeichnet. Dieser Idealzustand ist in der Praxis nur selten vorhanden, es gibt jedoch Maßnahmen diesen zu erreichen.
- Unvollständigkeit: Wenn nicht ausreichend Inputdaten bereitgestellt werden können, muss die Problemstellung neu eingegrenzt werden. Ähnliches gilt bei zu kleinen Datenmengen in bestimmten Situationen. Für eine automatische Routenplanung dürfen beispielsweise nicht nur die Daten aus einer bestimmten Region vorliegen, deren spezielles Muster nicht auf andere übertragbar ist.
- Unkorrektes Labelling: Zum Training benötigen ML-Algorithmen korrekte Antworten auf die gestellten Fragen. Die Datensätze müssen also entsprechend gekennzeichnet sein. Jedoch sollte das nicht allein den Technologiepartnern überlassen werden, da oft das nötige Domänenwissen fehlt. Hausinterne Fachleute sollte also eingebunden werden.
- Datenfehler: Es besteht die Gefahr einer größeren Menge systematischer Fehler, wenn die Grunddaten des ML-Modells manuell gesammelt wurden. Experten sollten daher die Daten im Vorfeld überprüfen und korrigieren – ein ML-Modell verzeiht nur einzelne Fehler ohne gemeinsames Muster.
Mit Prototypen starten
Mit der Erstellung eines Pilotprojekts kann die Technologie getestet und somit das Potenzial für Anwendungen und Aufgaben besser verstanden werden. ML-Projekte sollten daher immer zunächst als Proof of Concept angegangen werden. Dabei geht es um Fragen wie: Welche Daten repräsentieren oder beeinträchtigen die Zusammenhänge am besten oder welche Trefferquote ist mit dem Modell erreichbar und wie kann sie verbessert werden? Zudem kommt ein Prototyp mit anonymisierten Datenquellen aus – sprich ohne die Weitergabe sensibler Daten an den Technologiepartner.
Erwartungen im Zaum halten
Die Erwartungen an Zeitersparnis, Trefferquote oder Amortisationszeit von ML-Projekten sind oft unrealistisch hoch, während gleichzeitig Problembeschreibung und Daten zu ungenau sind. Es gilt, die Erwartungen auf einem realistischen Niveau zu halten. Zudem ist eine bessere Kalkulation der Fehlertoleranz des Modells möglich, wenn der ROI im Vorfeld geschätzt wird. Mehr Genauigkeit kann ein Vielfaches mehr an Kosten verursachen. Oft ist es klüger, ein falsch negativ eingestuftes Ergebnis zu verpassen, als viele falsch positiv gemeldete Ergebnisse teuer bewerten zu müssen. Auch das Nichteintreffen eines erwarteten Ereignisses kann wertvolle Hinweise auf das Modell geben. Zudem braucht jedes Projekt den passenden Algorithmus. Die Erstellung neuronaler Netze oder der Zukauf von Marktforschungsdaten ist oft unnötig. Unternehmen deshalb auf die Erfahrungswerte des Technologiepartners vertrauen. mst/WaveAccess