HPE Blog, Austria, Germany & Switzerland
1748072 Mitglieder
5622 Online
108758 Lösungen
Neuer Artikel
TechNow_DE

Data & Analytics im rasanten Wandel

Von Mike Shaw

Der Beitrag ist ursprünglich bei Strategy and Technology erschienen.

Was kann Machine Learning leisten? Um die verschiedenen Einsatzfelder zu charakterisieren, ist es sinnvoll einen Blick auf die Veränderungen zu werfen, denen die Datenanalyse unterworfen ist.

Echtzeit-Analysen

Früher: Bei den Analysen haben wir bisher zurückgeblickt, untersucht, was bereits passiert war: „Das waren die Umsätze.“, „Hier lagen die Support-Probleme.“

Jetzt: Nun beginnen wir, die Analysen in Echtzeit durchzuführen und auf dieser Basis Maßnahmen zu ergreifen.

  • Ein selbstfahrendes Auto.
  • Eine Analytics-Lösung für Bohrinseln, die vorhersagt, wann ein Bohrer Probleme haben wird und die Bohrungen dann sofort stoppt.
  • Ein Gesundheitssystem, das auf die „digitalen Fußabdrücke“ der Patienten schaut und warnt, wenn ein Patient Nierenprobleme haben könnte.

 

Erfahren Sie mehr zu den Analytics-Lösungen von Hewlett Packard Enterprise auf der HPE Discover 2017 in Madrid.

Man with Tablet analyzing data.jpg 

Analysen von strukturierten Daten, menschlichen Interaktionen und IoT

Früher: Wir haben zuerst nur strukturierte Transaktionsdaten analysiert – Verkaufstransaktionen, Rücksendungen, Krankenhausaufenthalte.

Dann: Wir erfassten und bearbeiteten Daten bezüglich menschlicher Interaktionen: Texte, Tweets,  Facebook-Posts etc.

Jetzt und zukünftig: Wir digitalisieren unsere analoge Welt, beispielsweise durch das Internet der Dinge (Video-Analysen inbegriffen). Die Anzahl von Daten, die momentan verarbeitet werden müssen, ist enorm. Walmarts Gesamtumfang an Dokumenten wird auf ca. 6 Petabytes geschätzt. Facebook erfasst ungefähr 4 Petabytes pro Tag. Ein selbstfahrendes Auto wird 4 Terabytes Daten täglich generieren – ein einziges Fahrzeug, an nur einem einzigen Tag.

Jetzt geht es bei Analysen darum, Informationen aus allen Bereichen zu erfassen – von strukturierten Daten, über diejenigen, die sich auf menschliche Interaktionen beziehen, bis hin zur Digitalisierung der analogen Realität. Das Datenvolumen ist enorm und unsere Systeme verlangen schnelle Reaktionen. Darum können wir nicht alle Informationen zurück ins Rechenzentrum schicken. Wir benötigen Edge Computing.

Analytics in und außerhalb von Applikationen

Früher: Analysen „ohne App“ – wir berücksichtigten die von der Anwendung gespeicherten Transaktionsdaten. Mit anderen Worten wurden unsere Analysen von außerhalb der App durchgeführt: Geprüft wurde, was die Benutzer mit Hilfe der App gemacht haben.  

Jetzt: Analysiert wird nun auch „in der App“ (und immer noch „ohne App“). Wir verabschieden uns von Anwendungen, die dem Computer bloß erklären, was zu tun sei („Wenn X, dann mach Y“).

Unsere Anwendungen beginnen Machine Learning zu verwenden (eine Beschreibung, was Machine Learning und andere Arten von Künstlicher Intelligenz genau sind, finden Sie in diesem Blog-Artikel). Anstatt „Wenn X, dann mach Y“, verlangen wir von den Machine-Learning-Systemen, dass sie erkennen, was geschieht. Erst dann benutzen wir Programmieranweisungen.

Einige Beispiele dafür:

  • Eine im Gesundheitswesen verwendete Machine-Learning-App wird „lernen“, wie der digitale Abdruck eines Patienten mit Nierenkrankheit aussieht.
  • Ein Machine-Learning-System innerhalb einer Applikation lernt, wann ein Öl-Bohrer Probleme haben wird.
  • Ein Machine-Learning-System lernt, welche Art von Shopping die Kunden bevorzugen.
  • Ein Machine-Learning-System lernt vorherzusagen, wann eine Lokomotive Wartung braucht.
  • Ein Machine-Learning-System lernt, wie eine bestimmte Art von Cyber-Attacke aussieht.

Anstatt „falls..., dann...“-Statements anzuwenden,  fragt die App das Machine-Learning-System: „Was passiert?“Je nach der Antwort des Systems werden Maßnahmen ergriffen.

 

 

Die Rolle von Daten und Analytik in der digitalen Transformation

Unternehmen setzen zunehmend Datenanalysen ein, um ihrer Konkurrenz voraus zu sein. Auf welche Art und Weise kann die Analytik dafür verwendet werden? Vor einiger Zeit haben wir im HPE Digital Transformation Team ein Modell geschaffen, das veranschaulicht, wie die digitale Technologie verwendet werden kann.

Die High-Performance Computing Group von HPE, die sich mit der Künstlichen Intelligen, und Deep Learning befasst, hat das Modell um zwei neue Bereiche ergänzt. Unternehmen können die AI in den folgenden 5 Business-Bereichen anwenden:

  1. Bessere Geschäftserfahrungen liefern. Machine Learning kann verwendet werden, um die Kundenbedürfnisse zu verstehen und somit ihre Erfahrungen besser zu individualisieren. Als reger Spotify-Nutzer freue ich mich ganz besonders auf Freitag, wenn ihr Machine-Learning-System mir meine eigene, personalisierte Wiedergabeliste liefert, die auf den von mir gehörten Stücken basiert.
  2. Neue und bessere Produkte und Dienstleistungen. Selbstfahrende Fahrzeuge sind voller Künstlicher Intelligenz.
  3. Bessere Backend-Geschäftsprozesse. Machine Learning kann Lieferketten optimieren. Oder es kann (und wird) beim Identifizieren von Brennpunkten – Bereiche in der Versorgungskette, die vermutlich von Fälschungen betroffen sind – angewendet werden.
  4. Bessere Erfahrungen der Mitarbeiter. Das mag ich besonders. Die Einführung neuer Technologien ist mit der Frage verbunden, wie man damit Geld verdienen kann und wie die Kundensituation aussieht. Wenn Sie aber wirklich daran glauben, dass Ihre Mitarbeiter Ihnen einen Wettbewerbsvorsprung geben, verwenden Sie KI zu ihren Gunsten. Ich habe bereits eine Menge Verkaufsportale gesehen – eines besser als das andere. Aber wenn sie sich nach einigen Jahren mit Präsentationen, Sales Guides und Battle Cards füllen, werden sie alle schwer anwendbar. KI-Bots könnten beim Suchen nach Inhalten helfen.
  5. Die Künstliche Intelligenz wird beim Entwerfen völlig neuer Geschäftsmodelle angewendet werden. In Großbritannien gibt es ein auf Machine Learning basierendes System, das ein Testament niederschreibt, ohne jegliche Hilfe von Juristen. Natürlich wird diskutiert, ob das System tatsächlich so gut wie ein Jurist ist, aber mit Sicherheit ist es günstiger. Und wenn es ein gutes Machine-Learning-System ist, wird es mit der Zeit noch besser werden. So funktionieren diese Systeme.

Ich finde solche Modelle  sehr nützlich für das Brainstorming und die Planung. Sie können alle fünf Bereiche durchgehen und sich dabei die Frage stellen, wie die Künstliche Intelligenz Ihnen für die einzelnen Kategorien nutzen könnte.

Auch, wenn Sie jemanden in Ihrem Unternehmen haben, der prüft, was bei der Digitalisierung, und insbesondere im Bereich der Künstlichen Intelligenz passiert, könnte er das oben besprochene Modell einsetzen.

 

Ähnliche Beiträge:

 

Übersetzung: Aneta Kuhnel

0 Kudos
Über den Autor

TechNow_DE