Mittelstand goes Digital: Machine Learning ist nur ein paar Klicks entfernt

Machine Learning ist auch im Mittelstand ein immer größeres Thema. Manche Start-Ups bauen sogar Ihr Geschäftsmodell darauf auf. Doch in vielen Unternehmen wird das riesige Potenzial faktisch bereits vorhandener Daten noch kaum genutzt. Dabei liegen die Vorteile und Mehrwerte so deutlich auf der Hand. Wir möchten deshalb Wege aufzeigen, wie mittelständische Unternehmen mit wenigen Klicks und vernachlässigbaren Investitionen in das Thema Machine Learning starten können.

Matthias Kübert ist Master of Science der Physik und Teil des interdisziplinären Teams der „Wolkenmacher“. Sein Schwerpunkt liegt in der Analyse von großen Datenmengen im Kontext von Industrie 4.0, IoT und Big Data. Matthias Kübert beschäftigt sich dabei insbesondere mit der Nutzung innovativer Cloud Services, die es auch mittelständischen Unternehmen schon heute ermöglichen, schnell und kostengünstig erste Digital-Projekte zu starten.

Machine Learning ist ein wichtiger Bestandteil moderner künstlicher Intelligenz (KI). Es ermöglicht ihr, auf Gegebenheiten zu reagieren, die nicht vom Entwicklungsteam bedacht waren und Muster in unterschiedlichen Daten zu erkennen. Auf Basis dieser Muster kann die künstliche Intelligenz neue Verhaltensweisen entwickeln. Schließlich trifft die KI selbst Entscheidungen über das „richtige“ zukünftige Vorgehen, je nach dem, ob sich die jeweiligen Verhaltensweisen als Erfolg oder Misserfolg herausgestellt haben.

 

Machine Learning sorgt somit dafür, dass eine KI flexibel bleibt und sich von klassisch programmierten Applikationen grundsätzlich unterscheidet. Obwohl viele Vorstellungen davon, was KI leisten kann, entweder immer Science-Fiction bleiben werden oder noch einige Zeit auf sich warten lassen, ist Machnie Learning tatsächlich bereits in vielen Gebieten im Einsatz.

 

Einsatzmöglichkeiten

Verbreitete Einsatzmöglichkeiten sind dabei Predictive Maintenance, Betrugsaufdeckung sowie die Optimierung von Betriebsprozessen, um nur eine Hand voll zu nennen. Unternehmen können Machine Learning Technologien recht einfach nutzen. Dazu bietet Amazon den Cloud-Dienst AWS Machine Learning (ML) an. Mit wenigen Klicks können Daten aus S3, RDS oder Redshift bezogen werden und mit QuickSight oder den bevorzugten BI-Tools visualisiert werden. Machine Learning via AWS kann man auf eine bereits bestehende Datenbank anwenden und mit dem Großteil der Daten in ein paar Minuten ein Modell trainieren, die Muster in den Daten zu entdecken. Den Rest der Daten verwendet man, um dieses trainierte Modell auf Herz und Nieren zu prüfen.

 

Vom Modell zur Prognose

Ist das Modell nicht in der Lage, die Bestandsdaten zufriedenstellend zu reproduzieren, müssen eventuell einige Parameter angepasst und ein neues Modell trainiert werden. Schafft es diese Aufgabe jedoch zufriedenstellend, kann der nächste Schritt gemacht werden. Dann nämlich wird das Modell herangezogen, um neue Daten auszuwerten und Vorhersagen zu treffen – entweder asynchron oder direkt in Echtzeit.

 

Die möglichen Szenarien sind entweder Regressionen, d.h. das Abschätzen numerischer Werte oder binäre / kategorische Klassifikationen, also entweder ‚Ja‘ oder ‚Nein‘ (binär) bzw. eine von mehreren Kategorien. Dabei liefert das Modell keine eindeutige Antwort, sondern der Output hat immer eine mathematische Wahrscheinlichkeit. Um eine Entscheidung treffen zu können, muss man einen Grenzwert setzen, ab dem zur einen oder der anderen Kategorie zugewiesen wird.

 

Bildquelle: https://eu-west-1.console.aws.amazon.com/machinelearning/

 

Dabei ist die Wahl des Grenzwertes immer von der jeweiligen Situation abhängig. Wird beispielsweise die Bereitschaft von Kunden, eine kostspielige Investition zu tätigen, modelliert, würde es Ressourcen schonen, nur die Kunden anzusprechen, bei denen die Bereitschaft möglichst hoch ist. Ein anderes Szenario wäre jedoch die Betrugsaufdeckung. Wenn ein Modell die Validität von Transaktionen überprüft, ist es wünschenswert, dass die Quote von Betrugsfällen möglichst gering ist. Daher kann hier der Schwellwert, ab dem die Kundschaft informiert wird, relativ niedrig gesetzt werden.

 

Machine Learning schnell und einfach testen

Wir können Ihnen dabei helfen das Potential ihrer Daten zu erkunden und erste Modelle mit Ihnen zu entwickeln und zu optimieren. In regelmäßigen Abschnitten können Sie aus Ihren Daten neue Modelle trainieren, denn mehr Daten sorgen in der Regel für flexiblere Modelle und damit haben ihre Modelle eine größere Aussagekraft. Wir ermutigen Sie, diesen Schritt mit uns gemeinsam zu gehen und das Potential Ihrer Daten nicht ungenutzt zu lassen – es ist nur ein paar Klicks entfernt.

 

Titelbild: pixabay.com / Jarmuluk: Rohrbieger bei der Arbeit. Die Wartungsintervalle der Maschinen könnten mittels Machine Learning relativ schnell und kostengünstig optimiert werden. Das vermeidet Produktionsausfälle proaktiv.

Nehmen Sie mit unserem Wolkenmacher Team Kontakt auf:

 

Christoph Waschkau

kontakt@vintin.de

www.wolkenmacher.rocks

+49 (0)9721 67594 10

Abonnieren Sie die Beiträge unseres VINTIN IT-Journals! In Zukunft werden Sie bei neuen Inhalten per Email kurz und bündig informiert.



Spread the Word!Email this to someoneShare on FacebookShare on Google+Tweet about this on TwitterShare on LinkedInPrint this page


T: +49 (0) 9721 / 67594-10

VINTIN GROUP Löwe

HABEN SIE NOCH FRAGEN?