Machine Learning – Der nächste Quantensprung

Was sich heute verändert hat, sind die technischen Rahmenbedingungen, die eine Umsetzung von künstlicher Intelligenz in die Praxis erst möglich machen:

Dazu zählen eine größere Rechenpower ebenso wie erschwingliche Speicher, leistungsstarke In-memory-Datenbanken wie Hana und hochentwickelte Algorithmen – vor allem aber Big Data, eine Begleiterscheinung der digitalen Transformation und Grundlage von maschinellem Lernen.

Der Druck auf Unternehmen steigt: Sie sind heute auf die Automatisierung von Geschäftsprozessen angewiesen, um einem steigenden Wettbewerbs- und Innovationsdruck standzuhalten und den Mangel an IT-Fachkräften zu kompensieren.

Riesige Datenschätze liegen heute in den Systemen begraben. Daraus einen Mehrwert zu generieren hat in vielen Unternehmen heute schon Priorität. Eine Aufgabe, die zunächst viel zu ressourcenintensiv ist.

Machine Learning eröffnet hier ganz neue Dimensionen: Nicht mehr der Mensch allein, sondern smarte Algorithmen analysieren nun die Daten – und das so schnell, umfangreich und intelligent, dass sie jegliche Querverbindungen auch innerhalb größter Datenmengen identifizieren können.

Kein menschliches Gehirn wäre imstande, derart viele Daten in vergleichbarer Geschwindigkeit und Exaktheit zu verarbeiten und dabei innerhalb von Nanosekunden ein fundiertes, datenbasiertes Ergebnis zu liefern.

Bislang ist Mustererkennung die am häufigsten verwendete Variante des maschinellen Lernens: Zusammenhänge zwischen großen Datenmengen herzustellen ist dabei nur ein Teilbereich.

Wichtiger noch ist es, dass der Algorithmus lernt, wie eine Aufgabe erfüllt werden kann. Nur so kann die Software etwa Prozessabweichungen von der Norm erkennen und Empfehlungen darüber geben, wie sich Ist- in Soll-Prozesse verwandeln lassen.

Durch die Inte­gration von Machine-Learning-Komponenten kann eine Anwendung quasi selbstständig denken, lernen und planen. Das geht weit über eine rein vorausschauende Datenanalyse hinaus.

Es geht dabei um mehr als das Durchführen von Berechnungen nach starren Regeln und das Auslösen von Ereignissen. Es geht um Agilität. Um diese zu erreichen und wirklich predictive sein zu können, muss ein System leicht anpassbar sein.

Schließlich ändern sich auch Daten, Datenquellen, Formate und Prozesse ständig. Es soll Raum für Kreativität und Innovationen bleiben. Mithilfe künstlicher Intelligenz gewonnene Einsichten und Vorschläge sollen anregen, nicht limitieren. Denn am Ende kommt wirkliche Kreativität, echtes Quer- und Andersdenken, immer noch vom Menschen.

Öffnen sich Unternehmen gegenüber KI, machen sie den Weg frei für eine kleine Revolution. Alte, rollenbasierte Prozesse weichen neuen, effizienteren und intelligenteren Abläufen.

Erfolg hat Machine-Lear­ning nur dann, wenn Managementwissen kombiniert wird mit IT-Know-how und hoher Programmierkunst. Im Vergleich zu kleineren Unternehmen haben es große Anbieter wie SAP bei der Implementierung von selbstlernenden Systemen leichter, immerhin läuft ein Großteil der Geschäftsaktivitäten eines Unternehmens über SAP-Systeme.

Integriert man hier KI, liegen die meisten Daten automatisch vor – und Anwendungsszenarien auf der Hand. Man denke an die Zuordnung von Zahlungen zu Rechnungen, die Auswahl von Bewerbern, die Bewertung von Marketing-ROI oder Prognosen zum Kundenverhalten bei E-Commerce.

Auch für mittelständische Unternehmen aus dem Big-Data-Umfeld bietet Machine Learning großes Potenzial – vorausgesetzt, sie bringen die notwendigen Entwicklerkapazitäten auf, um Machine Learning in ihre Applikationen zu integrieren.

Wir bei Celonis haben hier viel investiert und sind immer noch dabei, uns in dieser Richtung weiterzuentwickeln – aus der Überzeugung heraus, dass KI die Zukunft ist. Der Impuls kam nicht nur aus der Entwicklung selbst, sondern auch von unseren Kunden.

Sie wollten nicht nur Einblick in die eigenen Prozesse über das klassische Process Mining gewinnen, sondern wünschten sich konkrete Unterstützung für das Treffen von Entscheidungen: Handlungsempfehlungen, wie sie einzelne Prozessschritte weiter optimieren oder noch bestehende Hürden effizient beseitigen können. Und sie wollten wissen, an welchen Stellschrauben es sich lohnt, zuerst anzusetzen.