{"id":15702,"date":"2020-02-25T11:50:00","date_gmt":"2020-02-25T10:50:00","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=15702"},"modified":"2020-02-18T09:51:06","modified_gmt":"2020-02-18T08:51:06","slug":"wie-datenanalysen-kuenstliche-intelligenz-und-machine-learning-den-geschaeftsalltag-veraendern","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=15702","title":{"rendered":"Wie Datenanalysen, K\u00fcnstliche Intelligenz und Machine Learning den Gesch\u00e4ftsalltag ver\u00e4ndern"},"content":{"rendered":"\n

Autor\/Redakteur: Tom Becker, General Manager Central & Eastern Europe bei Alteryx<\/a>\/gg<\/p>\n\n\n\n

Um im allt\u00e4glichen Wettbewerb bestehen zu k\u00f6nnen, m\u00fcssen die drei Technologien \u201eDatenanalysen\u201c, \u201eK\u00fcnstliche Intelligenz\u201c (KI) und Machine Learning (ML) sinnvoll verwendet werden, damit sich die stetig wachsenden Datenmengen effektiv nutzen lassen. Zum einen erzeugen Unternehmen intern gro\u00dfe Datenmengen \u2013 so zum Beispiel durch die fortschreitende Automatisierung und Digitalisierung von Produktionsprozessen in Zeiten von Industrie 4.0. Zum anderen k\u00f6nnen Unternehmen auf immer mehr, immer gr\u00f6\u00dfere externe Datenbanken und Datenmengen im Internet zur\u00fcckgreifen. Beispielsweise verzeichnet Google in einer Minute bis zu 3,8 Millionen Suchanfragen, gleichzeitig werden 188 Millionen Emails verschickt und 4,5 Millionen Youtube-Videos abgerufen.<\/p>\n\n\n\n

\"\"
Bild: Alteryx<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

F\u00fcr\ndas menschliche Gehirn sind solche riesigen Datenberge schwer zu verarbeiten.\nMit jeder technologischen Weiterentwicklung sind wir jedoch mehr und mehr in\nder Lage, all diese Informationen gemeinsam zu betrachten und uns ein\numfassenderes Bild von der Welt zu machen. Dabei hilft der Einsatz moderner\nTechnologien, wenn wir diese Daten nutzen wollen. Denn nicht nur die Masse an\nDaten steigt, sondern auch die Rechenleistung, um diese zu verarbeiten.<\/p>\n\n\n\n

Nicht\nzuletzt k\u00f6nnen auch die Algorithmen f\u00fcr KI und ML besser trainiert werden, je\nmehr Daten zur Verf\u00fcgung stehen. Mit Hilfe von leistungsstarken Rechnern und\nweit entwickelter Software lassen sich mittlerweile Datenmengen aufbereiten, verarbeiten\nund analysieren, die uns ohne technische Hilfsmittel unzug\u00e4nglich w\u00e4ren. Doch\nin welchem Verh\u00e4ltnis stehen nun ML und KI und an welcher Stelle steht der\nMensch?<\/p>\n\n\n\n

Intelligenz\nder Maschinen<\/strong><\/p>\n\n\n\n

K\u00fcnstliche Intelligenz und Maschinelles Lernen werden h\u00e4ufig in einem Atemzug genannt oder sogar synonym verwendet. Es besteht jedoch ein wesentlicher Unterschied in der Zielsetzung und der daraus resultierenden Autonomie. Bei K\u00fcnstlicher Intelligenz wird versucht, mit technischen Mitteln menschliche Entscheidungsstrukturen nachzuahmen. K\u00fcnstliche Intelligenz, so scheint es, kann Entscheidungen treffen, die sich nicht einfach nur aus einer strickten Abfolge ergeben. Daraus resultiert h\u00e4ufig die Assoziation mit menschlicher Intelligenz. KI-gest\u00fctzte Systeme entscheiden dabei jedoch weiterhin strikt auf Basis von Daten. Durch den Einsatz von Deep-Learning-Technologie kann die K\u00fcnstliche Intelligenz jedoch dazu bef\u00e4higt werden, auch au\u00dferhalb ihres urspr\u00fcnglichen Einsatzgebietes Ergebnisse zu liefern. Viel zu h\u00e4ufig wird hierbei direkt an Untergangsszenarien gedacht, wovon wir jedoch weit entfernt sind.<\/p>\n\n\n\n

K\u00fcnstliche Intelligenz wird bislang in zwei Kategorien unterteilt: Die sogenannte angewandte KI erhebt den Anspruch, sich auf einen einzelnen Aspekt zu konzentrieren. Die allgemeine KI hingegen ist theoretisch in der Lage, unterschiedliche Aufgaben zu bew\u00e4ltigen. Aus diesem Bereich hat sich auch das maschinelle Lernen entwickelt.<\/p>\n\n\n\n\n\n\n\n

Wenn\nMaschinen lernen<\/strong><\/p>\n\n\n\n

Die\nAutomatisierung von Prozessen ist der Fokus des Maschinellen Lernens. Dabei\nwird einem System beigebracht, aus Erfahrungen durch Verallgemeinerungen zu\nlernen \u2013 dies beschreibt den \u201elernenden Algorithmus\u201c. Maschinelles Lernen setzt\nsich aus drei, aufeinander aufbauenden Teilen zusammen: dem Modell, dem\nParameter, dem Lernsystem. Erst alle drei Komponenten zusammen erm\u00f6glichen\nzuverl\u00e4ssige und konsistente Analysen:<\/p>\n\n\n\n

  1. Modell: System, das Vorhersagen oder Identifikationen macht.<\/li>
  2. Parameter: Signale oder Faktoren, die das Modell zur Entscheidungsfindung verwendet.<\/li>
  3. Lernsystem: System, das die Parameter \u2013 und damit das Modell \u2013 anpasst. Dazu betrachtet es Unterschiede zwischen den Vorhersagen und dem tats\u00e4chlichen Ergebnis. Dadurch k\u00f6nnen auch Erfahrungen \u00fcbertragen werden, so dass die Beurteilung zuvor unbekannter Daten erm\u00f6glicht wird.<\/li><\/ol>\n\n\n\n

    Auf Basis dieser Mechanismen ist Maschinelles Lernen in der Lage, H\u00e4ufigkeiten und Korrelationen in einem oder mehreren verschiedenen Datens\u00e4tzen zu finden. Die Ergebnisse k\u00f6nnen einerseits Muster, sogenannte \u201ePatterns\u201c aufzeigen und damit h\u00e4ufig oder st\u00e4ndig auftretende Ph\u00e4nomene sichtbar machen. Umgekehrt k\u00f6nnen die ML-Algorithmen nach ausreichendem Training auch sogenannte \u201eAnti-Patterns\u201c aufdecken und somit auf Unregelm\u00e4\u00dfigkeiten in einem Datensatz hinweisen. Diese zu interpretieren ist jedoch weitaus schwieriger und sp\u00e4testens an dieser Stelle muss auch die dritte Kraft im Bunde mitwirken \u2013 der Mensch.<\/p>\n\n\n\n

    Menschliches\nWissen ist weiterhin notwendig<\/strong><\/p>\n\n\n\n

    Die\nF\u00e4higkeit aus Erfahrungswerten Muster zu erkennen, ist das Grundprinzip der\nDatenanalyse \u2013 und eine zutiefst menschliche Eigenschaft. Wir alle tun dies\njeden Tag, wenn wir Empfehlungen an Freunde aussprechen, Lehrer Sch\u00fcler\nunterrichten oder Gro\u00dfm\u00fctter Beziehungsratschl\u00e4ge verteilen. Nicht umsonst\nhat der ehemalige Google Data Scientist Seth Stephens-Davidowitz dies in seinem\nNew York Times Bestseller \u00fcber Big Data Analytics \u201eEverybody lies\u201c als\npr\u00e4gnantes Beispiel gebracht.<\/p>\n\n\n\n

    Deshalb\nist und bleibt der Mensch der ausschlaggebende Faktor, wenn es darum geht, aus\nguten Resultaten gute Erkenntnisse zu ziehen. KI und ML sind dabei wichtige\nHelfer, die uns unterst\u00fctzen k\u00f6nnen, den anwachsenden Berg an Daten zu\nbew\u00e4ltigen. Laut einer Studie des Instituts f\u00fcr Arbeitsmarkt- und\nBerufsforschung (IAB) sind Computer in der Lage, mindestens 70 Prozent der\nT\u00e4tigkeit von acht Millionen Besch\u00e4ftigten in Deutschland zu erledigen. Das\nbedeutet, dass die Mitarbeiter wieder Zeit f\u00fcr ihre eigentliche Bestimmung\nhaben und keine stupiden und repetitiven Aufgaben abarbeiten m\u00fcssen. Das\nerh\u00f6ht nicht nur die Produktivit\u00e4t, sondern auch die Zufriedenheit der\nMitarbeiter. Auf diese Weise bekommen Mitarbeiter die M\u00f6glichkeit, mit\nspezieller Self-Service-Software eigenst\u00e4ndig Daten aufzubereiten und zu\nanalysieren; sie sind damit sogenannte Citizen Data Scientists. Hinzu kommt, dass\nCitizen Data Scientists Fachwissen aus den Fachabteilungen mitbringen, das sie\ndazu bef\u00e4higt, die Ergebnisse im Kontext angemessen zu interpretieren.<\/p>\n\n\n\n

    Programmierfreie\nPlattformen bef\u00e4higen nicht nur Citizen Data Scientists zur Datenanalyse,\nsondern tragen auch dazu bei, dass sich Datenanalyse wie ein roter Faden durch\nalle Unternehmensbereiche hindurchziehen kann \u2013 und nicht nur auf die IT\nbeschr\u00e4nkt sein muss. Das ist ein entscheidender Faktor, wenn es um den\nUnternehmenserfolg geht. Denn laut einer Umfrage von Forbes Insight und EY\nverzeichnen Unternehmen, bei denen Datenanalyse in der gesamten\nGesch\u00e4ftsstrategie verankert ist, wachsende Ums\u00e4tze sowie h\u00f6here Margen. Die\nEinbindung der Mitarbeiter ist daher nicht nur essentiell, sondern auch umso fruchtbarer,\nje mehr verschiedene Menschen mitarbeiten. So entkommt die Datenanalyse der\nIT-Experten-Blase und f\u00f6rdert qualitativ hochwertigere Ergebnisse zu Tage.<\/p>\n\n\n\n

    F\u00fcr\nEntscheider im Unternehmen ergibt sich daraus folgendes Fazit: In jedem\nUnternehmen sollten K\u00fcnstliche Intelligenz, Maschinelles Lernen und\nmenschengetriebene Datenanalyse zusammengef\u00fchrt werden, um das Maximum aus den\nzur Verf\u00fcgung stehenden Daten herauszuholen. So k\u00f6nnen KI und ML ihren\nmessbaren Gesch\u00e4ftswert entfalten.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Um im allt\u00e4glichen Wettbewerb bestehen zu k\u00f6nnen, m\u00fcssen die drei Technologien \u201eDatenanalysen\u201c, \u201eK\u00fcnstliche Intelligenz\u201c (KI) und Machine Learning (ML) sinnvoll verwendet werden, damit sich die stetig wachsenden Datenmengen effektiv nutzen lassen. Zum einen erzeugen Unternehmen intern gro\u00dfe Datenmengen \u2013 so zum Beispiel durch die fortschreitende Automatisierung und Digitalisierung von Produktionsprozessen in Zeiten von Industrie 4.0. Zum anderen k\u00f6nnen Unternehmen auf immer mehr, immer gr\u00f6\u00dfere externe Datenbanken und Datenmengen im Internet zur\u00fcckgreifen. Beispielsweise verzeichnet Google in einer Minute bis zu 3,8 Millionen Suchanfragen, gleichzeitig werden 188 Millionen Emails verschickt und 4,5 Millionen Youtube-Videos abgerufen.<\/p>\n","protected":false},"author":3,"featured_media":15703,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,10036],"tags":[13379,2206,4626,1857,5262,4634,8767],"class_list":["post-15702","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-kuenstliche-intelligenz","tag-alteryx","tag-automatisierung","tag-datenanalyse","tag-datenbank","tag-digitalisierung","tag-industrie-4-0","tag-machine-learning"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/15702","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=15702"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/15702\/revisions"}],"predecessor-version":[{"id":15704,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/15702\/revisions\/15704"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/15703"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=15702"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=15702"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=15702"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}