Die Annahme, dass Technologie allein ausreicht, ist jedoch einer der Gründe für das Scheitern der meisten AI-Projekte. Wirkliche Vorteile ergeben sich nur, wenn die Ergebnisse der AI mit der menschlichen Erfahrung und Entscheidung kombiniert werden.
Warum ist Machine Learning gerade aktuell so beliebt?
Eine der Fragen, die ich heute oft in Bezug auf Künstliche Intelligenz höre, ist: Warum gerade jetzt? Meiner Meinung nach ist die Popularisierung von Clouds einer der Schlüsselaspekte, die die Dinge in diesem Bereich bewegt haben. Sie ermöglichte es Unternehmen, kosteneffektiv zu sein, während sie verschiedene Lösungen pilotierten und verschiedene Ansätze mit ihren Daten ausprobieren.Wie können Unternehmen vom Einsatz des Machine Learnings profitieren?
Es gibt auch viele Schlagwörter in diesem Bereich, aber eine wichtige Botschaft an Unternehmen ist, geschäftliche Fragen an erster Stelle zu setzen, und dann werden technische Schlagwörter die Lösung dieser Probleme sein. Im Allgemeinen gibt es in jeder Branche eine ganze Reihe datenintensiver Geschäftsprobleme. Es ist schwer, sie unter einen Hut zu bringen, aber in etwa wären das: Vorhersage/Schätzung, Optimierung, Erkennung/Identifizierung und Personalisierung. Betrachten Sie diese nicht aus der technischen Perspektive, denn nicht alle sind immer AI-Probleme, einige lassen sich durch einfaches Reporting, Analytik oder verbesserte Prozesse lösen, sondern betrachten Sie sie als geschäftliche Probleme, die sich auf verschiedene Branchen anwenden lassen.
Gibt es einige Branchen, die von der Technologie des Machine Learnings mehr als andere profitieren können?
Die Zukunft ist bereits da! AI beeinflusst alle Branchen und jeden Geschäftsprozess und hat darüber hinaus ein großes Potential, nicht nur unser Geschäft zu verändern, sondern natürlich auch unser persönliches Leben - von der Art und Weise, wie wir unseren Urlaub verbringen, Essen bestellen bis hin zum Auto fahren.
Vor allem aber wird der Einsatz von Künstlicher Intelligenz jedoch die Wirtschaft verändern. In erster Linie sind es verbraucherbezogenen Branchen, die mehr Vorteile bemerken werden, da der Trend zur Personalisierung wirklich datenintensiv ist - Finanzdienstleister, die in den kommenden Jahren stark auf eine personalisierte Kundenansprache angewiesen sein werden und all jene entlang alle entlang der Lieferkette vom Hersteller über den Distributor bis hin zum Einzelhändler.
Können Sie typische Anwendungsfälle beschreiben, in denen Machine Learning angewendet werden kann?
Identifizieren und nutzen Sie neue Möglichkeiten mit der Kraft der Künstlichen Intelligenz
Mehr dazuUnterscheidet sich das Projekt des Machine Learnings sehr von anderen IT-Projekten (CRM, ERP, BI)?
Zunächst ist es wichtig zu verstehen, wie diese Projekte aus der Perspektive der IT-Investitionen positioniert sind. ERP-, CRM- und BI-Projekte sind in den meisten Fällen Teil dieser unteren Quadranten (2), die als "Key operational" und "Support" bezeichnet werden. Sie bilden die solide Basis, auf der Ihr Unternehmen aufbaut, aber sie zu haben bedeutet nur, Nachteile auf einem Markt zu vermeiden. Wenn Sie z.B. Flugtickets weiterverkaufen, aber kein Webportal haben, dann ist es nahezu genauso fatal, als würden Sie nicht auf dem Einzelhandelsmarkt existieren. Diese Lösungen müssen sehr gut eingebettet und in das IT-Portfolio der Unternehmen integriert sein.
Andererseits können AI-Projekte, die es schaffen, gut in die Unternehmensprozesse eingebettet zu sein, wirklich Vorteile auf einem Markt schaffen und Ihrem Unternehmen die Möglichkeit geben, ihr Geschäft zu transformieren und einen Mehrwert für Ihre Kunden zu schaffen.
Im Moment Null, wenn Unternehmen gerade erst anfangen, über sie nachzudenken, sind sie wie "High Potential"-Projekte positioniert, die in Zukunft zum Erfolg führen können, ihr Ergebnis ist jedoch noch unklar. Das bedeutet, dass Unternehmen diese Projekte "Quick & Dirty" angehen. Bei BE-terna wird dieser "Quick & Dirty"-Ansatz „Datendiagnostik“ genannt. Dabei handelt es sich um eine etwa 1 bis 2-monatige Phase, in der das Potenzial der Daten, die der Kunde hat, eingehend analysiert wird. Wenn das Potenzial aufgezeigt wird, hat der Kunde sowohl ein klares Bild von den Vorteilen, die er in einem realen Projekt erzielen kann, als auch vom Return on Investment (ROI), den er erzielen kann.
Am Ende der Investigation steht der Einstieg in ein vollständiges Projekt. Eine McKinsey-Analyse(3) hat gezeigt, dass einer der Hauptunterschiede zwischen erfolgreichen AI-Projekten und solchen, die in der Pilotphase stecken geblieben sind, in der Zeit und im Geld besteht, die auf der "letzten Meile" eines Projekts ausgegeben werden, d.h. in der Investition in die Neugestaltung der Prozesse und in die Ausbildung der Mitarbeiter. Wir beobachten genau die gleiche Situation: Die Projekt-Intensivbetreuung erweist sich als die vielleicht wichtigste Projektphase, in der wir eng mit den Kunden zusammenarbeiten, die Lösung fein abstimmen und ihnen helfen, ihr Vertrauen in die Lösung zu gewinnen.
