Einstieg in maschinelles Lernen: Hürden überwinden und schnell Potentiale nutzen

Stellenwert und Potentiale von maschinellem Lernen

Der globale Markt für maschinelles Lernen (ML) wird von 15,50 Milliarden US-Dollar im Jahr 2021 auf voraussichtlich 152,24 Milliarden US-Dollar im Jahr 2028 wachsen. Unternehmen auf der ganzen Welt erforschen zunehmend Lösungen für ML, um geschäftliche Herausforderungen zu bewältigen und innovative Lösungen zu erhalten.

Im Allgemeinen geht es beim maschinellen Lernen darum, dass maschinelle Systeme iterativ aus einem verfügbaren Datensatz lernen. Auf diese Weise sind die Systeme in der Lage verborgene Erkenntnisse zu gewinnen, ohne dass sie explizit darauf programmiert werden. ML hilft Unternehmen, ihre Daten sinnvoll zu nutzen, Geschäftsprozesse zu verbessern und die Produktivität zu steigern, indem es verschiedenste, oft auch unkonventionelle Optimierungsaufgaben automatisiert. Verborgene Standardisierungspotentiale im Portfolio, Reduzierung der Produktkomplexität und Kostenreduzierung im Einkauf sind dabei nur ein paar Beispiele.

Es ist von großer Bedeutung präzise und maßgeschneiderte Modelle zu erstellen, um diese Optimierungen zu beschleunigen und zu operationalisieren. Nur so können Unternehmen die besten Lösungen für maschinelles Lernen finden und implementieren und die Hürden überwinden. Das TCW unterstützt Sie hierbei als Schnittstellenpartner mit Felderfahrungen und erprobten Tools, verbunden mit einem breitem Domänenwissen in den Bereichen Produktion, Logistik und Unternehmensführung.

Erfolgsfaktoren bei der Einführung von maschinellem Lernen

Die Unternehmen sind in der Regel zwar sehr an der Einführung von ML-Methoden interessiert, tun sich aber oft schwer damit, diesen Weg einzuschlagen. Alle Unternehmen sind unterschiedlich und ihre Prozesse äußerst spezifisch, aber im Wesentlichen sind die Probleme, mit denen sie beim maschinellen Lernen konfrontiert werden, die Gleichen. Lassen Sie uns die drei Hauptthemen, mit denen sich Unternehmen bei der Einführung von maschinellem Lernen konfrontiert sehen, diskutieren und verstehen, um den Einstieg und die Umsetzung zu meistern.

• Eine häufig missverstandene Herausforderung bei der Implementierung maschinellen Lernens, ist die Verfügbarkeit und Zugänglichkeit von Daten. Dies ist sicherlich unerlässlich, um die Modelle zu trainieren sowie korrekt zu implementieren. Jegliche Daten müssen so aufbereitet und verarbeitet werden, dass sie für die zu verwendenden Algorithmen geeignet sind. In der Regel erheben die Unternehmen jedoch bereits heute genug Daten, um maschinelles Lernen in Teilbereichen sinnvoll anzuwenden und neue Erkenntnisse zu gewinnen. In verschiedenen Gebieten gibt es erprobte ML-Anwendungen, die schnell und einfach Erfolge erzielen. Dort, bspw. im Einkauf, der Produktplanung oder der Portfolioplanung, gilt es anzusetzen.
• Vielen Unternehmen gehen davon aus, es fehle ihnen an einer geeigneten Infrastruktur, die für die Datenmodellierung und Wiederverwendbarkeit notwendig ist. Eine ordnungsgemäße Infrastruktur in Form von bspw. ausreichender Rechenleistung und Anbindung an Datenquellen, unterstützt das Testen verschiedener Tools und die finale Implementierung der Methoden. Auch hierfür gibt es aber pragmatische Lösungsansätze. Unternehmen, die nicht über die erforderliche Infrastruktur verfügen, können sich an externe Dienstleister wenden, um ihre Daten und Anwendungen entsprechend zu modellieren. So können sie die Ergebnisse aus verschiedenen Blickwinkeln vergleichen, und die beste Lösung inkl. der damit verbundenen Potentiale kostengünstig und schnell umsetzen.
• Möglicherweise fehlendes Fachwissen und fehlende Experten stellen eine weitere Hürde für Unternehmen bei der Einführung von maschinellem Lernen dar. Da es sich bei künstlicher Intelligenz und maschinellem Lernen um relativ junge Technologien der IT-Branche handelt, ist der Talentpool aktuell begrenzt. Und ohne die richtigen Mitarbeiter für die Implementierung, ist es schwierig, das wahre Potential der Anwendungen zu erschließen. Ein Weg, den Unternehmen einschlagen können, um diese Herausforderung zu meistern, ist auch hier die Zusammenarbeit mit Dienstleistern. Sie schließen sich mit Unternehmen zusammen, die über das Know-how und die Erfahrung verfügen, um die Möglichkeiten des maschinellen Lernens zu nutzen und die Angebote so zu implementieren, dass sie den Geschäftszielen des Unternehmens entsprechen.

Die Erfahrung aus der Praxis von TCW zeigt im Allgemeinen, dass Vorurteile und die Angst vor den ungewissen Konsequenzen dazu führen, dass viele Manager vor der Implementierung von ML zurückschrecken. Dabei umgibt die Technologie deutlich weniger Rätselhaftes, als viele Manager vermuten. Künstliche Intelligenz im Unternehmen einzuführen, und von den damit verbundenen Potentialen zu profitieren heißt nämlich nicht, bestehende ERP- oder EDV-Systeme einzureißen oder die Simulation des ganzen Unternehmens anzustreben. Zuallererst geht es darum, nach passenden ML-Instrumenten für abgegrenzte Bereiche zu suchen, Piloterfolge zu etablieren und von diesen Leuchtturmprojekten zu lernen sowie auf diese aufzubauen.

TCW unterstützt Sie dabei, die Vorteile des maschinellen Lernens im Einklang mit Ihren Geschäftszielen zu nutzen. Unsere Experten haben erfolgreich mit Unternehmen auf der ganzen Welt zusammengearbeitet, um Lösungen für eine schnelle Entscheidungsfindung, höhere Produktivität und die Automatisierung von Geschäftsprozessen zu ermöglichen.

Anwendungsfälle und Unterstützung durch TCW

Data Science und das maschinelle Lernen lassen sich in allen Bereichen der Wertschöpfungskette anwenden. Beispielweise:

• lassen sich im Einkauf operative Abwicklungsprozesse beschleunigen, etwa durch regelbasierte Entscheidungskaskaden in Bestellfreigabeprozessen, sowie bessere Sourcing Entscheidungen durch die Smarte Price Performance Analyse treffen,
• durch die Mustererkennung in Vertriebsdaten lassen sich versteckte Preisspielräume identifizieren oder Cross-Selling-Möglichkeiten aufdecken,
• wenn man die Kundenabrufe und die Wiederbeschaffungszeiten sowie die Durchlaufzeiten in der Produktion kennt, können die optimalen Bestandsparameter analytisch abgeleitet werden,
• die Mustererkennung in Prozess- und Qualitätsdaten im Werksverbund erlaubt die Steigerung der Produktivität durch eine höhere Qualität und das Lernen von Vorzeigefabriken und
• neue Ansätze des bestärkenden Lernens ermöglichen gezielte Optimierung von Gütekriterien in der Produktion und Logistik durch den Einsatz von formalisierten Belohnungsfunktionen bspw. bei der Bahnführung der Laserbearbeitung oder der Routenplanung in der Intralogistik.

Die angewandten Methoden sind dabei keine komplett neuen Instrumente, sondern ermöglichen die Verbesserung von bestehenden Ansätzen, die wir in der Beratung seit vielen Jahren sehr erfolgreich anwenden. Einige Beispiele hierfür sind in Abbildung 1 dargestellt.

Um erfolgreich zu sein und die eingangs dargestellten Herausforderungen und Hürden zu meistern, ist besonders das richtige Erwartungsmanagement von Bedeutung. Sicher mag der Gedanke einer allumfassenden ML-Lösung begeistern, erfahrungsgemäß sind die Erfolgszutaten der digitalen Transformation jedoch schnelle Erfolge, messbarer Fortschritt und kontrollierbares Risiko, ohne das Unternehmen zu lähmen.

TCW hat mehrere Unternehmen bei der Pilotierung von ML und Advanced Analytics begleitet und die Implementierung im Unternehmen über die TCW Systematik zur Einführung von Data Science ermöglicht. Erprobte Tools und Best-Practice-Beispiele in Verbindung mit ausgeprägtem Domänenwissen beschleunigen die Implementierung in Ihrem Unternehmen.

Beratungsleistungen

• Neue Geschäftsmodelle durch Industrie 4.0
• TCW Beratungsleistung Data Science
• Maintenance 4.0

Publikationen

• Neue Geschäftsmodelle – Künstliche Intelligenz – Maschinenlernen
  Tagungsband des Münchner Management Kolloquiums 2020
• Neue Geschäftsmodelle in der Industrie 4.0
  Leitfaden zur Entwicklung neuer Geschäftsmodelle in der Industrie 4.0
• Data Science und künstliche Intelligenz
  Leitfaden zur Einführung von Data Science im Unternehmen: Tools, Fallstudien und Methoden
• Data Science
  Wie lässt sich die fünfte industrielle Revolution im Unternehmen managen?

Praxisbeispiele

• Umsatzsteigerung durch Cross-Selling und die optimierte Nutzung von Sales- und Plattformdaten
• Anlagenüberwachung und Predictive Maintenance durch Machine Learning
• Qualitätsoptimierung im Shopfloor durch Big Data