Machine Learning (ML) wird auch 2021 eine beliebte Antwort auf die aktuellen unternehmerischen Herausforderungen sein. Während auf der einen Seite die Geschäftswelt immer komplexer wird und der Wettbewerbsdruck auf Absatz- und Beschaffungsmärkten jeden Tag zunimmt, wird auf der anderen Seite die Ausgangslage für erfolgreiche Machine Learning Anwendungen immer besser.Nie zuvor ist eine so qualitative, umfangreiche Datenmenge verfügbar gewesen. Die Datenverarbeitung profitiert zudem enorm von zahlreichen, ausgereiften Infrastrukturlösungen und der steigenden Rechenleistung. Kein Wunder, dass Machine Learning als Teilgebiet der Künstlichen Intelligenz (KI) genutzt wird, um den rasanten Veränderungen mit einer spitzenmäßigen Reaktionsgeschwindigkeit entgegenzublicken.
In diesem Artikel lernen Sie praxisnahe Machine Learning-Anwendungsfälle kennen, die beschreiben, wie Machine Learning auch in Ihrem Unternehmen zum Einsatz kommen kann. Lassen Sie sich von unseren Anwendungsbeispielen inspirieren und nehmen Sie wertvolle Tipps für den Einstieg mit.
Möglichkeiten des maschinellen Lernens
Im Unternehmen werden Entscheidungen häufig auf Basis von Key Performance Indicatoren (KPI) getroffen. In Anlehnung daran, besitzt das maschinelle Lernen eigene KPIs, die sogenannten Features (Merkmale). Sie dienen als Input für die Berechnung. Mithilfe dieser kann das Machine Learning Modell komplexe Zusammenhänge und Wechselwirkungen erlernen und einen bestimmten Output erzeugen.
Wie kann dieser Output aussehen? Zum einen kann die Ähnlichkeit zwischen Datensätzen ermittelt werden und diese einer Gruppe zugeordnet werden. Hierbei unterscheidet man zwischen im vorhinein festgelegten Gruppen (Klassifizierung) und dem Erkennen von Mustern (Clustering). Falls die Datenbasis genutzt werden soll, um einen Zielwert zu bestimmen, spricht man von Regression. Eine besondere Bedeutung haben Daten im zeitlichen Verlauf, hier können Trends kenntlich gemacht werden und kritische Ereignisse hervorgehoben werden.
- Klassifizieren von Daten (z. B. Person gesund oder krank)
- Erstellen von Prognosen (z. B. Umsatzvorhersage)
- Aufdecken von Mustern (z. B. Kundencluster A, B, C)
- Erkennen von Trends, kritischen Ereignissen (z. B. Maschinenstillstand)
Mit dem richtigen Datenmanagement und cleveren Workflow-Lösungen laufen die Machine Learning Verfahren am Ende vollkommen automatisiert ab. So lassen sich wichtige Informationen aus Rechnungen von unterschiedlichen Lieferanten ohne manuelles Zutun in die Datenbank übertragen oder die relevantesten Inhalten im firmeneigenen Wissensmanagementsystem sofort identifizieren und ausgeben.
Spannende Anwendungsideen
Das breite Spektrum an Möglichkeiten des Machine Learnings eröffnet zahlreiche Perspektiven in den verschiedensten Abteilungen eines Unternehmens. Die Mindmap zeigt nur eine kleine Auswahl dieser Möglichkeiten. Im Folgenden stellen wir Ihnen unterschiedliche Anwendungsfälle der vielfältigen Projektideen kurz vor:
- Cashflow Prognosen
- Betrugserkennung Kunde und Lieferant
- Mitarbeiterfluktuation
- Kundensegmentierung
- Instandhaltung
Mit dem Einsatz von Machine Learning bei Ihrer Cashflow-Prognose lässt sich die Genauigkeit der Prognose des verfügbaren Kapitals um ein Vielfaches steigern. Vorhersagen lassen sich auf verschiedenen Zeiträumen und Ebenen (Produkt oder global) ausführen. Das Erstaunliche daran: In der Regel sind umfangreiche Daten, die Sie dafür benötigen, bereits vorhanden, um beginnen zu können.
Wollen Sie sich vor Betrugsfällen im Kunden- und Lieferantenumfeld schützen? Selbstverständlich brauchen Sie hier eine ganzheitliche Lösung, die über Ihre IT-Systeme hinausgeht. Machine Learning kann trotzdem eine wertvolle Unterstützung bieten. Tausende von Merkmalen können in Echtzeit analysiert werden und senden eine Warnung für Verdachtsfälle aus oder stoßen automatisiert Gegenmaßnahmen an.
Kurbeln Sie Ihr Business an mit
Machine Learning und Künstlicher Intelligenz
Neben dem zuverlässigen Erkennen von echten Betrugsfällen, ist die False-Positive-Rate ein weiteres Qualitätskriterium beim Einsatz von Machine Learning Modellen. Diese gibt an, wie groß der Anteil an Verdachtsfällen ist, die nach eingehender Prüfung doch nicht als Betrugsfall bestätigt worden sind und somit falsch klassifiziert wurden. Diese Rate sollte so gering wie möglich gehalten werden (ohne die zuverlässige Erkennung einzuschränken), um ein effizientes und wirtschaftliches System zu erzielen. Hierzu ist es oftmals notwendig, die ML-Modelle fein zu justieren und dabei das Risiko eines nicht erkannten Betrugs mit den Kosten für die Prüfung abzuwägen.
Ebenfalls kann mittels Machine Learning die Mitarbeiterfluktuation besser beurteilt werden. Frühe Anzeichen können erkannt werden und helfen Ihnen bessere Personalentscheidungen zu treffen und den Rekrutierungsbedarf abzuschätzen. Damit die Datengewinnung nicht in einer Überwachung Ihrer Mitarbeiter endet, lassen Sie sich besonders bei Projekten mit intensiven Anforderungen im Datenschutz nur von Experten beraten.
Lernen Sie Ihre Kunden besser kennen und nutzen Sie Machine Learning für die Kundensegmentierung. Neben den Basismerkmalen wie Branche, Unternehmensgröße und/oder Standort lassen sich auch neuartige, immer komplexere Merkmale zum Beispiel bezüglich der Intensität und Art des Kundenkontaktes einbinden. Die Einteilung ermöglicht eine gezieltere Ansprache und öffnet neue Wege bezüglich Produktpersonalisierung.
Auch in der Produktion ist Machine Learning vielseitig einsetzbar. Maschinendaten, Daten aus dem Fertigungsmanagementsystem und Daten aus der Produktionsdatenerfassung können effektiv genutzt werden, um Kosten zu sparen. In der Instandhaltung können Maschinendaten analysiert werden (Predictive Maintenance), um Wartungszyklen zu optimieren oder auf einen bevorstehenden Ausfall hinzuweisen. Eine entsprechende Wartung kann Folgeschäden und einen langen Stillstand verhindern und so die Produktionskosten senken.
Die vielen spannenden Anwendungsfelder können mit eigenen Projekten erobert und erweitert werden: die Einsatzmöglichkeiten sind nahezu unbegrenzt. Unserer Erfahrung nach beschleunigt sich die Anzahl der Anwendungen sehr schnell, sind erst einmal die Vorzüge und Möglichkeiten von Machine Learning sichtbar. Der Einstieg ins Machine Learning ist in jeder Abteilung über die Verbesserung von Planungsvorgängen in Abhängigkeit von Umgebungszuständen oder dem gezielten Erkennen und Einordnen von Ereignissen, Situationen und Personen möglich. Die Ergebnisse sind nur einen Projektstart entfernt!
4 Tipps für den idealen Einstieg
Zum Abschluss möchten wir Ihnen hilfreiche Tipps für den Einstieg in Machine Learning Projekte mitgeben:
- Use Case first
Definieren Sie einen Anwendungsfall oder eine konkrete Fragestellung, die im Projekt bearbeitet werden soll und stellen Sie sicher, dass der Zugriff auf die relevanten Daten möglich ist. Stellen Sie ein Expertenteam zusammen, indem Prozesswissen, Daten-Know-How und analytische Kompetenzen vorhanden sind. - Mit kleineren Projekten Erfahrung sammeln
Im Gegensatz zu herkömmlichen IT-Projekten wird in ML-Projekten andere Hardware, Software und anderes Know-How benötigt. Starten Sie deshalb besser mit der Verbesserung eines Prozessschrittes statt sich in der Komplexität eines aufwendigen Großprojekts zu verlieren. - Realistische Erwartungshaltung
Die beeindruckenden Endergebnisse von Machine Learning Projekten entstehen nicht über Nacht. Planen Sie ausreichend Zeit ein (mindestens 3 Monate) und setzen Sie als Ziel erstmal eine reine Verbesserung existierender Vergleichswerte. - Das richtige Know-How erleichtert den Einstieg
Während im Unternehmen das neuartige Wissen aufgebaut wird, kann die Unterstützung mit Expertenwissen von außen das Projekt um wichtige Praxiserfahrung bereichern.
Dieser Artikel wurde im Rahmen der Blogparade #TheAIFactory des Blogs Ingenieurversteher.de veröffentlicht.
