Mit demrasanten technologischen Fortschritt wird künstliche Intelligenz - und insbesondere maschinelles Lernen - für SparkOptimus und seine Kunden immer wichtiger.
Bevorich im Sommer bei SparkOptimus anfing, habe ich verschiedene Tools für maschinelles Lernen entwickelt, von einem Web Scraper über einen automatisierten Handelsalgorithmus bis hin zu einem Prädiktor für Immobilienpreise und alles Mögliche dazwischen. SparkOptimus hilft seinen Kunden bereits seit einiger Zeit dabei, die Möglichkeiten zu definieren, wie maschinelles Lernen einen Mehrwert für das Unternehmen schaffen kann, und ich freue mich darauf, 2019 bei der Entwicklung und Implementierung dieser Lösungen zu helfen.
Bei SparkOptimus habe ich mir für das nächste Jahr vorgenommen, bei der Entwicklung von Lösungen für maschinelles Lernen (ML) in zwei spezifischen Bereichen zu helfen: eCommerce und Fertigung. Für eCommerce-Akteure geht es darum, mehr zu verkaufen und zu wissen, warum man mehr verkauft. Nützliche Tools für den eCommerce könnten zum Beispiel eine Empfehlungsmaschine sein, die passende Produkte vorschlägt, oder ein Churn-Predictor zur Steigerung des CLV. Im verarbeitenden Gewerbe hingegen stehen die Kunden vor ganz anderen Problemen, z. B. wie sie den Durchsatz optimieren und die Kosten senken können. Mein Ziel ist es hier, eine vorausschauende Wartungsmaschine zu entwickeln, die unvorhergesehene Ausfälle und einen geringeren Durchsatz verhindern und stattdessen rechtzeitige, weniger kostspielige Reparaturen ermöglichen kann, sowie ein System zur Vorhersage der Nachfrage, das eine sorgfältige Abstimmung von Angebot und Nachfrage ermöglicht.
Es versteht sich von selbst, dass die Qualität des Outputs zu 100 % vom Input abhängt: den Daten. Die Unternehmen sammeln immer mehr Daten in dem Glauben, dass sich diese auf magische Weise in goldene Eier verwandeln werden. Der häufigste Fallstrick ist der Glaube, dass Daten allein uns alles sagen werden. Meiner Meinung nach liegt die Herausforderung für die Unternehmen vor allem darin, 1) zu entscheiden, welche Daten gespeichert werden sollen, 2) Daten zu kennzeichnen und zu bereinigen und 3) private und öffentliche Datenquellen miteinander zu verbinden und zu verknüpfen.
Maschinelles Lernen ist jedoch nur dann sinnvoll, wenn es einfach zu nutzen ist. Wenn man bedenkt, dass Alexa und Google Home bereits in der Lage sind, Fragen wie "Wie hoch war mein Umsatzwachstum in den letzten 5 Jahren?" zu beantworten, kann man sich fragen, wie lange es noch dauern wird, bis CEOs fragen können "Wie sollte ich meine Lieferkette anpassen, um Kosten zu sparen?". Können Sie sich vorstellen, welche Auswirkungen dies auf die Beratungsbranche haben wird?
Da maschinelles Lernen immer leichter und einfacher verfügbar ist, wird es auch immer weniger zu einem "optionalen Extra" für Unternehmen. Stellen Sie sich vor, die Möglichkeiten des maschinellen Lernens sind das Meer und Ihr Unternehmen ist das Ufer. Sie haben zwei Möglichkeiten: Werden Sie zum Schiff und reiten Sie auf den Wellen des immensen Werts und der Gewinnspanne, oder bleiben Sie an Ort und Stelle und lassen Sie zu, dass das Wasser Ihre Gewinnspanne immer weiter erodiert, bis nichts mehr übrig ist.
Das Jahr 2019 wird einen Wandel beim maschinellen Lernen markieren: Es wird keine neutrale Position mehr geben. Entweder man geht unter oder man schwimmt.
