Roboter und Sensoren, Big Data und Künstliche Intelligenz (KI) - für CIOs sind das mehr als Buzzwords. Wie sie Machine Learning konkret für ihr Unternehmen nutzbar machen, zeigt ein Webcast der Computerwoche.
Martin Guther, VP Digital Platform Center of Excellence MEE bei SAP und Alexander Hoffmann, Geschäftsführer STATMath (SAP Development Partner), erklären, warum die reine Kenntnis von Daten, Algorithmen und Tools nicht mehr ausreicht und wie man Machine Learning in die Produktion einbringt. Schließlich wollen CIOs aus den digitalen Spuren von Fertigungs- und Kundendaten mehr herausholen. Fachjournalist Detlef Korus moderiert den Webcast.
Data Scientist Hoffmann stellt eines gleich klar: "Wir sind digitale Modellbauer, das ist keine Magie!" Er sucht in der Vergangenheit eines Unternehmens Datenspuren, auf denen er aufbauen kann, um das Unternehmen und seine Angebote zukunftsfähig zu machen. Hoffmanns Kunden kommen aus allen Branchen. Ihre Fragen kreisen meist um Predictive Maintenance und Qualitätsüberwachung in Echtzeit.
Nicht Big Data, sondern Smart Data
"Und was hat das nun mit Machine Learning zu tun?", fragt Korus ganz direkt. Die Antwortet lautet Big Data - ein Begriff übrigens den Hoffmann nicht mag. Für ihn geht es um Smart Data, und hier braucht er die Maschine: "Machine Learning bricht sehr komplexe Daten auf eine Relevanz herunter", erklärt er.
Beim Stichwort Big Data knüpft Guther an: SAP stamme aus der Prozesswelt, und zu diesen Geschäftsprozessen komme nun das Thema Big Data hinzu. "Wir haben gesehen, es gibt jetzt wesentlich mehr Daten, also brauchen wir eine offene Datenplattform und ergänzend dazu intelligente Technologien", sagt er. Ziel ist, die traditionelle Welt aus Geschäftsdaten mit einer neuen Welt unstrukturierter Daten zusammenbringen. Bei SAP spricht man von einer Data Werkstatt. Diese umfasst vier Bestandteile: Prototyping Mode, Machine Learning, Data Access und diverse Technologien wie etwa Spark, Kafka und multiple Clouds.
Das sieht in der Praxis laut Hoffmann so aus: "Wir machen einen Prototypen, dessen Schnittstellen so flexibel gestaltet sein sollen, dass man damit auch weiterkommt!" Es reiche nicht, "eine Formel aufzuschreiben". Von dieser Daten-Werkstatt geht es zur Fabrik ("Data Factory"), in der Data Pipelines gebaut werden, so Guther weiter. "Das ist wie in einem Chemieunternehmen, wo die Materialien zusammenkommen müssen." Data Orchestration und Data Visibility erfolgen dann im Data Hub.
Ein Vorgehen, dass sich laut Hoffmann bewährt: "Bisher verbringen Data Scientists 80 Prozent der Zeit für Data-Aufbereitung und nur 20 Prozent für das Entwickeln von Algorithmen, mit standardisierten Data Pipelines kann man diese 80 Prozent senken", sagt er. Guther sieht es betriebswirtschaftlich: "Wir wollen nicht nur einen Innovationsfall bearbeiten, sondern nachhaltig Geschäftsprozesse verbessern und eine Plattform schaffen, auf der man bestehende Geschäftsprozesse sehr schnell digital anreichern kann." Er will den Weg von der Data Werkstatt über die Data Factory zum intelligenten Unternehmen weitergehen.
Tipp: Pragmatisch anfangen
Tipp beider Experten: Pragmatisch anfangen! Hoffmann illustriert das am Beispiel eines großen OEMs. Dieser will eine große Press-Straße überwachen. Doch die Vielfalt an Sensorik war "zu viel für den Anfang", wie der Data Scientist offen sagt. "Also haben sie mit dem Filter angefangen, weil der der einfachste Bestandteil ist, um mal ein Gefühl dafür zu bekommen, was Machine Learing ist." Schritt um Schritt wird jetzt skaliert. "Das ist ja gerade die spannende Phase, wenn die künstliche Welt aus betriebswirtschaftlicher Modellierung auf die echte Welt trifft wie eben in einer Press-Straße", ergänzt Guther.
Der SAP-Manager gibt Entscheidern das typische Mantra aus dem Silicon Valley "Fail early, fail often" mit auf den Weg. Und fügt an: "Dabei muss immer klar sein: was machen wir eigentlich? Was wollen wir erreichen?"