Machine Learning ist im Alltag weit verbreitet. Das zeigt, dass Unternehmen die Vorteile dieser innovativen Technologie nutzen. Jedoch besteht eine Kluft in der Anwendung und der Nutzung. Auf der einen Seite ist der Wert von Machine Learning (ML) für Viele immer noch schwer zu verstehen. Und auf der anderen Seite ist die Nutzung von ML für Unternehmen interessant und wichtig für deren Zukunft.
Wie finden Unternehmen heraus, wie KI ihre Geschäftsziele unterstützen kann?
Am besten holen sich Unternehmen das Wissen von erfahrenen Unternehmen, die ihr Praxiswissen zur Verfügung stellten. Unser Embark-Programm ist ein gutes Beispiel dafür. Dort kombinieren wir die technischen Schulungen unserer Machine Learning University mit einem Lehrplan für Führungskräfte aus der Wirtschaft. Nach Abschluss des Embark-Business-Trainings kennen Führungskräfte für welche Art von Problemen, ML gut geeignet ist, und wissen, wie sie Bereiche ihres Unternehmens identifizieren können, in denen ML angewendet werden kann. Zu diesem Zweck besprechen wir Beispiele aus der realen Welt, bei denen wir gesehen haben, dass maschinelles Lernen gut funktioniert.
Welche Hindernisse müssen Unternehmen für die Implementierung von ML und KI überwinden?
Noch vor fünf Jahren konnten nur grosse, technisch versierte Unternehmen es sich leisten, die technologische Infrastruktur und das Humankapital zu erwerben, um ML auch nur in bescheidenem Umfang anzuwenden. Cloud Computing hat diese Hindernisse beseitigt. Jetzt können Unternehmen jeder Grösse und jedes Fachwissens ML in grossem Umfang nutzen. Was jedoch heute immer noch Hürden sind, ist die Komplexität und der hohe Zeitaufwand bei der Implementation von ML. Die Entwicklung von Anwendungen für maschinelles Lernen ist ein iterativer Prozess, der Experimente erfordert. Wenn die Unternehmenskultur das Experimentieren nicht fördert oder um jeden Preis vermeiden will, dann ist dies ein erhebliches Hindernis für die effektive Anwendung von ML.
Wie können Unternehmen mit dem Einsatz von ML beginnen?
Obwohl Cloud Computing einen Grossteil des Infrastrukturproblems gelöst hat, müssen Unternehmen Ihre technischen Talente mit den richtigen Werkzeugen ausstatten. Sie müssen einen Plan für die Umschulung ihrer technischen Talente haben. Sicherlich können Sie ein Team von ML-Experten von Grund auf aufbauen, aber wir von AWS sind der Meinung, dass es sinnvoll ist, in Ihre derzeitigen technischen Talente zu investieren und Wege für neue Beschäftigungsmöglichkeiten zu schaffen.
Was sind Ihrer Erfahrung nach die kritischen Erfolgsfaktoren beim Einsatz von ML?
Eine wichtige Basis ist die Festlegung einer Datenstrategie. Dies ist für ML absolut entscheidend, denn im Kern geht es bei ML darum, Muster in Daten zu finden. Es gibt Unmengen an Daten, die nicht in herkömmliche Datenbanken passen, und ML ist extrem gut darin, Erkenntnisse aus diesen Daten zu gewinnen.
Entscheidend sind auch die Talente. Sie müssen in ihnen die Begeisterung für ML wecken, damit Ihre Ingenieure mit Begeisterung ihre Fähigkeiten ausbauen.
Der nächste Erfolgsfaktor ist das Identifizieren von Geschäftsprobleme, die sich für ML eignen. Identifizieren Sie Projekte mit einer hohen Erfolgswahrscheinlichkeit, die jedoch einen ausreichenden geschäftlichen Wert haben, um sinnvoll zu sein. Diese Projekte sollten Ergebnisse liefern, die Führungskräfte im gesamten Unternehmen überzeugen, weitere ML-Projekte zu realisieren.
Und zu guter letzt muss sichergestellt werden, dass Sie ML innerhalb Ihres Unternehmens skalieren können. Die technische Seite der skalierten Ausführung von ML kann durch die AWS-Cloud-Services und -Lösungen für die Skalierung der technischen Infrastruktur auf äusserst kostengünstige Weise gelöst werden. Es gibt aber auch eine geschäftliche Komponente dieser Herausforderung: das Sammeln von Daten über alle Geschäftsbereiche hinweg.
Autoren:
Phil Le-Brun, Director, AWS Enterprise Strategy
Michelle Lee, Vice President of the Amazon Machine Learning Solutions Lab bei Amazon Web Services
Weitere Informationen finden Sie hier
