Auch wenn die Grenzen zwischen Machine Learning und künstlicher Intelligenz (AI) nicht immer ganz trennscharf sind – eines scheint sicher: Es ist das nächste große Ding.
AI-First heißt es daher bei fast allen globalen IT-Schwergewichten. So hat Ginni Rometti kürzlich auf der IBM-Hausmesse InterConnect die Losung ausgegeben, dass Cloud, AI und Blockchain die strategischen Säulen der kommenden Jahre sein werden. IBM setzt somit (fast) alles auf die Karte »Watson«. Das ist mutig und zukunftsorientiert, birgt aber auch Risiken. Denn viele Enterprise-IT-Anwender sind gerade erst in der Evaluierung und Planung erster Machine Learning-Projekte. Auch fehlen vielerorts noch die unentbehrlichen Experten, die aus den teils sehr komplexen Modellen und Tools dann intelligente Algorithmen und optimierte Prozesse machen. Dennoch steht das Thema ganz oben auf der Agenda der CIOs und Digitalisierungsentscheider. So stellt Volkswagen CIO Martin Hofmann auf dem IT-Automotive Kongress klar: »Das maschinelle Lernen ist keine Science-Fiction mehr, es ist heute hier und real«, so das Fazit Hofmanns. Entsprechend müssten verstärkt personelle Kompetenzen aufgebaut werden, um das Thema adäquat zu behandeln. »Wer jetzt nichts macht: Das Rennen ist gelaufen«, so der Volkswagen-CIO.«
Quelle: Crisp Research, Studie: Machine Learning im Unternehmenseinsatz 2017
IBM hat allerdings gute Karten im Machine-Learning-Wettbewerb. Denn Big Blue verfügt über eine ausgeprägte Branchen- und Domänen-Expertise. Und die ist bei der erfolgreichen Entwicklung von Machine-Learning-Anwendungen und -Algorithmen entscheidend. Bei Machine Learning und AI existiert nämlich kein »One Size fits all«. Die Entwicklung von Modellen, das Datenmanagement und optimierte Infrastrukturen sowie Cloud-Dienste sind alles wesentliche Bausteine für den erfolgreichen Machine-Learning-Einsatz.
Auch Google hat auf seiner Konferenz Next eine Reihe an Neuerungen angekündigt und das eigene Machine-Learning Team weiter ausgebaut. Zudem kauft Google munter Machine-Learning-Firmen zu, wie kürzlich Kaggle, eine Community-Plattform für Data Scientists. Weiterhin profitiert Google klar von der Berufung von Fei-Fei Li als Chief Scientist für Machine Learning, die vorher Chef-Forscherin am Standford AI-Lab war, in der Community eine sehr gute Reputation genießt und Google somit weiter als Arbeitgeber für die Top-Leute attraktiv macht. Im Gegensatz zu IBM, die mit Watson stark die branchenorientierten und teils individuellen Lösungen im Auge haben, verfolgt Google auch beim Thema Machine Learning klar das Geschäft mit standardisierbaren und skalierbaren Cloud-Diensten.
Microsoft setzt unter Sadja Nadella ebenfalls auf Machine Learning. Analog zu Google und IBM verfügt auch Microsoft über ein breites Portfolio an cloud-basierten Machine-Learning-as-a-Service-Angeboten, die auf der Azure-Plattform via API zur Verfügung stehen. Zudem werden Machine-Learning-Funktionalitäten in die bestehenden BI- und Analytics-Produktlinien integriert. Nadella verfolgt zudem die Strategie, der Entwickler-Community und den Data Scientists nutzerfreundliche Werkzeuge zur Entwicklung, Training und Management von Machine-Learning-Verfahren und Algorithmen zur Verfügung zu stellen. Die Demokratisierung von Machine Learning nennt dies der Microsoft-Chef. Ebenfalls ein interessanter Ansatz der gut in die Microsoft-Story und Value Proposition hineinpasst. Zudem leistet dieser Ansatz einen Beitrag zur Lösung eines zuvor genannten und fundamentalen Problems – es gibt derzeit zu wenig echte Machine-Learning-Experten und Data Scientists, wie auch Microsoft Vice President AI Research Peter Lee einem Beitrag erläutert.
Einen detaillierten Überblick und Leistungsvergleich der führenden Anbieter von Machine Learning Services, Software Plattformen und Dienstleistungen stellt Crisp Research in Kürze im Rahmen einer aktuellen Studie vor. Das »Crisp Vendor Universe – Machine Learning 2017« nimmt in den oben genannten Kategorien insgesamt 37 Technologieanbieter und Dienstleister genau unter die Lupe und liefert somit einen ersten Überblick zur Marktlandschaft im deutschsprachigen Raum.
Wie entwickelt sich der War of Talents für Machine Learning-Experten weiter?
Er ist einer der Popstars in der elitären Community der Machine-Learning-Experten und Forscher – Andrew Ng. Bis vor kurzen für die Machine-Learning-Aktivitäten beim chinesischen Suchmaschinenanbieter Baidu verantwortlich. Nun verlässt der Top-Experte seinen ehemaligen Arbeitgeber, um sich neuen Herausforderungen zu stellen (und vermutlich Machine Learning in neuen Anwendungsfeldern außerhalb der IT weiterzuentwickeln).
Ng ist ein gutes Beispiel dafür, dass hohe Gehälter, renommierte Internetformen als Arbeitgeber sowie spannende Aufgaben alleine die Top-Talente nicht dauerhaft halten können. Viele zieht es zu Start-ups, um als Unternehmer aktiv werden zu können, oder in der Forschung an den nächsten »Breakthroughs« zu arbeiten, statt die Forschung nur gut zu implementieren. Auch treibt die Top-Leute vielfach eine ethische Verantwortung entweder zurück in die Forschung oder in neue Anwendungsbereiche, wie etwa die Medizin, wie sie einen größeren Beitrag leisten können – als Werbealgorithmen zu optimieren.
Talent-Akquisitionsstrategien
Für die meisten mittelständischen Unternehmen und Konzerne stellen sich aber ganz andere handfeste Probleme. Woher sollen sie die notwendigen Skills nehmen? Wie die definierten Stellen besetzen, um das autonome Fahren, die eigene FuE sowie die internen Digitalisierungsaktivitäten voranzutreiben?
Hier braucht es kluge Talent-Akquisitionsstrategien sowie neue Karrierepfade, so dass auch Fachexperten, wie Machine-Learning-Gurus, in einem klassischen Konzern Karriere machen können. Bislang versauern viele in den FuE- und Engineering-Abteilungen. Um gute Leute mit Machine-Learning-Expertise gewinnen und halten zu können, braucht es neben spannenden Aufgaben vor allem ein entsprechendes Arbeitsumfeld, etwa im Rahmen eines Data Labs, sowie eine echte Datenkultur im Unternehmen. Sind diese Rahmenbedingungen nicht erfüllt, lassen sich Machine-Learning-Experten und Data Scientists zwar mit hohen Gehältern ködern, aber nicht langfristig halten.
Quelle: Crisp Research, Studie: Machine Learning im Unternehmenseinsatz 2017
Parallel dazu sind Training- und Schulungsprogramme unverzichtbar, um die eigenen BI- und Analytics-Teams auf ein neues Skill-Level zu heben. Der Aufbau entsprechender Kurs- und Ausbildungsprogramme und Übungen ist dabei nicht trivial und erfordert Zeit, Energie und Geld. Dieses sollte aber gut investiert sein, betrachtet man die potenziellen Geschäftschancen und Effizienzpotenziale. Spezialisierte Data-Science-Dienstleister wie etwa Alexander Thamm, Eoda oder Unbelievable Machine Company können in der Enablement-Phase und beim Aufbau schlagkräftiger Machine-Learning-Teams einen guten Beitrag leisten.
Carlo Velten, Senior Analyst & CEO Crisp Research, www.crisp-research.com
Hier folgt eine Auswahl an Fachbeiträgen, Studien, Stories und Statistiken die zu diesem Thema passen. Geben Sie in der »Artikelsuche…« rechts oben Ihre Suchbegriffe ein und lassen sich überraschen, welche weiteren Treffer Sie auf unserer Webseite finden. Diese Auswahl wurde von Menschen getroffen und nicht von Algorithmen.
Totale Eigenständigkeit von Smart Machines ist vielleicht weder möglich noch wünschenswert
Digital Labs: Wie aus Daten erfolgreiche Geschäftsmodelle entstehen
Business Intelligence – Aus Daten entscheidungsrelevante Informationen gewinnen
Industrie sieht künstliche Intelligenz als Produktionsturbo und hilfreiche Assistenz