- Anzeige -


Sie sind hier: Startseite » Markt » Tipps und Hinweise

Mangelware: Komplexe Machine Learning-Anwendungen


Selbst IT-Fachleute wissen oft nicht, was unter Machine Learning zu verstehen ist
Acht Gründe, warum es maschinelles Lernen in Unternehmen schwer hat


- Anzeigen -





Maschinelles Lernen (ML) hat deutliche Fortschritte gemacht. Der Streaming-Service Netflix nutzt diese Technik beispielsweise, um seinen Nutzern maßgeschneiderte TV-Angebote zu servieren, und Googles App "Arts & Culture" ist dank ML in der Lage, die Doppelgänger von Smartphone-Nutzern in weltbekannten Kunstwerken aufzuspüren. Doch wenn es um den Einsatz von Machine Learning in Unternehmen geht, sieht die Sachlage anders aus. Umfassende, komplexe Machine Learning-Applikationen sind im Unternehmensumfeld nach wie vor Mangelware. Die Application-Intelligence-Experten von AppDynamics nennen dafür acht Gründe.

1. Unklarheit, was maschinelles Lernen ist
Selbst IT-Fachleute wissen oft nicht, was unter Machine Learning zu verstehen ist. De facto heißt ML, dass mathematische Verfahren eingesetzt werden, um große Datenmengen nach Mustern zu durchsuchen. Die Algorithmen entfernen dazu störendes "Rauschen" (Noise) aus den Daten-Samples.

2. Nutzen ist nicht offenkundig
Die Stärke von ML-Algorithmen ist, dass sie sich ohne Zutun von Menschen an Systeme anpassen können, die sich verändern. Dabei sind sie in der Lage, zwischen erwarteten und anormalen Verhaltensmustern zu unterscheiden. Deshalb lässt sich maschinelles Lernen in vielen Bereichen einsetzen, etwa im Gesundheitswesen und in Sicherheitsapplikationen. Gleiches gilt für Anwendungen, die Daten klassifizieren oder Nutzern Empfehlungen geben, etwa welche Waren ihren Geschmack treffen könnten. Ein weiteres Einsatzfeld ist die Sprach- und Bilderkennung.

3. Den richtigen Einstieg finden
Unternehmen wissen oft nicht, wie sie Machine Learning implementieren sollen. Oft erfolgt das auf zwei Arten: Mitarbeiter beginnen eigenständig damit, ML für die Datenanalyse zu nutzen. Oder ein Unternehmen schafft eine Lösung an, in die ML-Algorithmen integriert sind, etwa eine Lösung für das Performance-Management von Anwendungen.

4. Daten aufbereiten
Einfach Daten zu sammeln und einen ML-Algorithmus "darüber zu jagen", funktioniert nicht. Vielmehr müssen die Daten zuvor aggregiert und um fehlende Informationsbestände ergänzt werden. Zudem ist es notwendig, "Datenmüll" zu entfernen und Informationen in die richtige Reihenfolge zu bringen.

5. Mangel an öffentlich verfügbaren, klassifizierten Daten
Erste Schritte in Richtung Machine Learning wären einfacher, würden genügend "gelabelte" Datensätze zur Verfügung stehen. Solche Informationen sind notwendig, um Machine-Learning- und Deep-Learning-Systeme zu trainieren. Leider sind solche Informationsbestände nur begrenzt verfügbar. Daher sind Unternehmen oft zu einem "Kaltstart" gezwungen, wenn sie ein ML-Projekt initiieren.

6. Domain Knowledge ist gefragt
Im Idealfall ist maschinelles Lernen die perfekte Kombination eines Algorithmus und einer Problemstellung. Das bedeutet jedoch, dass ein Machine-Learning-Fachmann "Domain Knowledge" benötigt. Das sind beispielsweise spezielle Kenntnisse über die Branche, in der ein Unternehmen aktiv ist, oder über eingesetzte Fertigungstechnologien. Auch Wissen über IT-Systeme und die Daten, die sie generieren, zählt dazu.

7. Datenspezialisten sind kein Allheilmittel
Die meisten Data Scientists sind Mathematiker. Daher verfügen sie nicht in jedem Fall über die Domain Knowledge, die für ihren Arbeitgeber relevant ist. Solche Spezialisten sollten daher mit Analysten und Domain-Experten aus dem Unternehmen zusammenarbeiten. Das erhöht jedoch die Kosten von Machine-Learning-Projekten.

8. Es fehlt eine gemeinsame "Sprache"
Bei Machine-Learning-Projekten in Unternehmen gibt es häufig keine Regeln, auf welche Weise Resultate gewonnen werden sollen. Deshalb entstehen "Silos", weil Mitarbeiter unterschiedliche Daten-Samples und Definitionen der Eingabewerte verwenden. Das wiederum hat zur Folge, dass ML-Analysen höchst unterschiedliche Ergebnisse produzieren. Solche Diskrepanzen können Zweifel am Nutzen von ML schüren.

Fazit: Keine Angst vor Machine Learning
Unternehmen, die Machine Learning einsetzen wollen, müssen somit etliche Klippen umschiffen. Dennoch sollten sie sich mit maschinellem Lernen, Deep Learning und künstlicher Intelligenz (KI) beschäftigen. Denn diese Technologien spielen bereits heute eine wichtige Rolle in Unternehmensanwendungen – und sie werden drastisch an Bedeutung gewinnen. Eine zögerliche Haltung ist somit keine gute Strategie. Denn wer den Anschluss verliert, wird dies teuer bezahlen: durch eine sinkende Wettbewerbsfähigkeit.
(AppDynamics: ra)

eingetragen: 19.06.18
Newsletterlauf: 03.07.18

AppDynamics: Kontakt und Steckbrief

Der Informationsanbieter hat seinen Kontakt leider noch nicht freigeschaltet.

- Anzeigen -





Kostenloser Compliance-Newsletter
Ihr Compliance-Magazin.de-Newsletter hier >>>>>>



Meldungen: Tipps und Hinweise

  • Sichere SD-WAN-Bereitstellung

    Unternehmen, deren Standorte landes- oder weltweit verteilt sind, verbinden diese häufig seit Jahren, wenn nicht seit Jahrzehnten, per MPLS-Leitungen (Multiprotocol Label Switching). Doch vor allem durch den steigenden Einsatz von Cloud Computing-Technologien ist diese Architektur mittlerweile veraltet. User, Daten und Anwendungen sind heutzutage weit verstreut, Angestellte arbeiten von überall aus und nutzen eine Vielzahl an Geräten. Vor dieser Entwicklung war die Implementierung von Sicherheitskontrollen relativ einfach dahingehend, dass ein definierter Perimeter um alle zu schützenden Vermögenswerte eines Unternehmens existierte. So konnten IT-Teams eine Vielzahl von Sicherheitstechnologien zentral einsetzen. Remote-Standorte wurden in diesen Sicherheitsbereich einbezogen, indem der gesamte Verkehr über MPLS zu einer großen zentralen Firewall umgeleitet wurde, die für die Traffic-Regulierung und Durchsetzung der Sicherheitsrichtlinien sorgte.

  • Herausfinden, was migriert werden muss

    Mehr als 70 Prozent aller Unternehmen beschäftigen sich aktuell mit Microservices. Viele haben sie bereits im Einsatz, andere bereiten gerade die Migration vor - und das mit gutem Grund. Sie versprechen sich davon eine schnellere Weiterentwicklung ihrer Anwendungen, mehr Flexibilität, mehr Leistungsfähigkeit und eine bessere Skalierbarkeit. Wer den Umstieg jedoch unbedacht angeht, schafft mehr Probleme als er löst. Gregor Keller, Sales Engineering Manager bei AppDynamics, nennt als Application-Performance-Expertin die drei größten Herausforderungen, die ihnen tagtäglich begegnen.

  • Technische Umsetzung von IoT-Projekten

    Viele Unternehmen zögern noch bei der Umsetzung von Internet of Things (IoT)-Projekten. Sie verrennen sich in technischen Überlegungen, statt sich auf das zu fokussieren, worauf es eigentlich ankommt: Mit angemessenem Aufwand schnell einen wirtschaftlichen Nutzen zu erzielen. Mehr Mut ist gefragt. Die folgenden vier Tipps helfen dabei. Unternehmen beginnen ein IoT-Projekt häufig mit einem Proof of Concept, um die technische Machbarkeit zu prüfen. Was Sie dabei verkennen: Die Basistechnologie ist heute so weit fortgeschritten, dass sie kein limitierender Faktor mehr ist. Man braucht sich darüber gar nicht so sehr den Kopf zu zerbrechen.

  • Autonome Unternehmen managen Daten effizienter

    Autonome Fahrzeuge sind - zumindest in den Medien - sehr präsent, auch bei Menschen, die sich nicht zu den Autoliebhabern zählen. Ein ähnlich spannendes Thema ist das "autonome Unternehmen" - was im Gegensatz zu autonomen Fahrzeugen jedoch unmittelbar vor der Tür, steht. Denn der Einsatz modernster Technologien in der Unternehmens-IT ist weitaus unproblematischer als autonome Fahrzeuge auf die Straße zu bringen. Analog zu selbstfahrenden Autos nutzen auch autonome Unternehmen künstliche Intelligenz, maschinelles Lernen und das Internet der Dinge (IoT), um Unternehmenssysteme und Businessprozesse zu steuern. Die maschinell gewonnene Erfahrung aus tausenden ähnlicher Prozesse stellt sicher, dass die IT optimal läuft. Menschliche Eingriffe sind nur im Ausnahmefall erforderlich.

  • Backup und Disaster Recovery

    Zeitgemäßes Backup und Wiederherstellung stellen keine technischen Herausforderungen mehr dar, sondern sind vor allem wirtschaftlich zu definierende Prozesse. Umfrageergebnisse unter Kunden und Partnern von Arcserve zeigen zudem, dass ein einfacher, umfassender Schutz der Daten im Zusammenspiel mit der IT-Sicherheit zu den neuen Anforderungen an Sicherungen gehört. Arcserve nennt fünf Richtlinien, um Datensicherheit sicher, effizient und im Zusammenspiel von Backup und IT-Sicherheit zu gestalten und diese auch dokumentieren zu können. Die Ergebnisse einer internationalen Befragung von Arcserve aus dem Frühjahr 2018 unter 600 Kunden und Partnern in fünfzehn Ländern erlauben es, die zeitgemäßen Erwartungen der Unternehmen an ihre Backup-Lösungen abzulesen.

  • One-fits-all fuktioniert nicht bei Cloud-Konzepten

    Bei der Cloud-Nutzung zählt das verarbeitende Gewerbe zu den Top-Anwendern. Zu diesem Schluss gelangt die von der Rackspace Germany GmbH in Auftrag gegebene Studie "Cloud und Cloud Managed Services im Manufacturing-Umfeld". Durchgeführt hat sie das Marktforschungsunternehmen Pierre Audoin Consultants (PAC). 59 Prozent der befragten Unternehmen haben demnach bereits Cloud-Lösungen im IoT-Umfeld im Einsatz. Aus gutem Grund: Für die Cloud-Nutzung sprechen für die Mehrheit der Unternehmen die Flexibilität, Agilität und Skalierbarkeit im Betrieb (84 Prozent), die Optimierung der Employee Experience bzw. der Customer Experience (84 Prozent) und die Erhöhung der Kosteneffizienz (83 Prozent). Dabei arbeiten die meisten Unternehmen mit Multi-Cloud-Lösungen, die das Beste aus dem Angebot der jeweiligen Cloud Computing-Anbieter kombinieren.

  • Anforderungen an IT-Strukturen anspruchsvoller

    Die Anforderungen der Digitalisierung führen dazu, dass IT-Fachkräfte in vielen Betrieben überlastet sind. Nur bei wenigen Unternehmen - davon hauptsächlich Großkonzerne - hat es sich als strategisch klugen Schritt erwiesen, die gesamte IT auszulagern ("Outsourcing") und von einer externen Firmentochter oder einem Dienstleister managen zu lassen. Für Klein- und Mittelständische Unternehmen KMU bietet sich eine andere Lösung an: Das Auslagern von IT-Prozessen und Teilbereichen an sogenannte Managed Service Provider (MSP). Eigene Mitarbeiter werdenso entlastet und können sich wieder ihren Kernaufgaben widmen. Der europäische IT-Security Hersteller Eset nennt in seinem Artikel "Warum Unternehmen auf MSP setzen sollten" fünf entscheidende Vorteile von MSPs, die gerade kleine und mittelständische Unternehmen (KMU) nutzen sollten.

  • Multi-Cloud: Nicht für jedes Unternehmen

    Multi-Cloud-Umgebungen stellen für kleine und mittelständische Unternehmen nicht immer die beste Lösung dar. Der IT-Dienstleister Consol zeigt, für wen sich eine Multi-Cloud eignet. Jeder Cloud-Anbieter bringt seine eigenen Stärken und Schwächen mit. Daher zielen immer mehr Unternehmen auf einen Best-of-Breed-Ansatz ab, in dem sie die besten Eigenschaften der einzelnen Cloud Computing-Anbieter in einem Multi-Cloud-Ansatz vereinen. Hierbei laufen die Anwendungen der Unternehmen bei verschiedenen Public-Cloud-Anbietern. "Nach der Einschätzung und den Erfahrungswerten von Consol ist ein Multi-Cloud-Modell aber nicht für jedes Unternehmen die beste Lösung, im Gegenteil. Gerade für kleinere und mittlere Unternehmen kann die bessere Strategie sein, sich auf einen einzigen Anbieter zu konzentrieren", erklärt Lukas Höfer, Senior IT-Consultant bei Consol in München.

  • Herausforderung Netzwerk-Edge

    Digitalisierung und IoT gehören zu den meistdiskutierten Themen für die strategische Weiterentwicklung von Geschäftsprozessen in Unternehmen und die Bereitstellung neuer Angebote. Weniger diskutiert wird die Infrastruktur, die für die Umsetzung dieser Entwicklungen nötig ist. Das Netzwerk ist nicht nur die Basis für die heute erforderliche Agilität und unterbrechungsfreie Konnektivität, sondern auch der Wegbereiter für digitale Initiativen. Dabei spielt die Netzwerk-Edge eine Schlüsselrolle mit der Unternehmen einen Wettbewerbsvorteil erzielen können. Denn hier verbinden sich Mitarbeiter, Kunden und Partner miteinander. Den Edge-Bereich optimal zu handhaben kann daher heute den entscheidenden Faktor für Geschäftserfolge oder Niederlagen ausmachen. Netzwerkspezialist Extreme Networks hat die fünf größten Herausforderungen zusammengefasst, die Unternehmen hierbei bewältigen müssen und zeigt auf, wie Weiterentwicklungen in der Netzwerktechnologie dabei helfen können.

  • Fünf Sicherheitslücken durch hybride IT

    Prozesse sowohl im eigenen Rechenzentrum als auch in der Cloud zu betreiben, kann gefährlich sein - wenn zentrale Policies fehlen oder nicht durchgesetzt werden. Selbst wenn auf lokalen Rechenzentren optimale Sicherheit herrscht, können mangelhaft geschützte Cloud Computing-Anbieter das System als Ganzes gefährden. Travis Greene, Director of Strategy, IT Operations bei Micro Focus, hat fünf Punkte zusammengestellt, die Unternehmen mit hybrider IT beachten sollten. Im traditionellen Wasserfallmodell erfolgt das Security Testing häufig am Ende des Entwicklungszyklus - nach den unvermeidlichen Verzögerungen im Entwicklungsprozess oft unter Zeitdruck. Die Testingphase wird dennoch meist abgeschlossen. Ein verspätetes Deployment nimmt man in Kauf, wenn von der Stabilität der Anwendung der Umsatz abhängt.