Die meisten verstehen den weisen Ratschlag, Technologie nicht um der Technologie willen einzusetzen. Aber im Zeitalter digitaler Technologien wie Advanced Analytics, maschinellem Lernen und künstlicher Intelligenz (KI) kann es schwer sein, zu widerstehen. In diesem Interview gibt Dragan Rakovich, Chief Technology Officer für Analytik bei DXC Technology und ein Distinguished Technologist, Ratschläge, wie man es hinbekommt, coole Technologie in erster Linie für wertvolle Geschäftsergebnisse zu nutzen.

 

F: Warum sind Analysen ein so wichtiger Teil jeder digitalen Transformation?

A: Mithilfe von Datenanalysen und maschinellem Lernen können sich CIOs auf die Mehrung des Geschäftswertes für ihre Kunden sowie die Bereitstellung wichtiger Geschäftsinformationen im Rahmen von Geschäftsprozessen konzentrieren.

 

F: Welcher ist der richtige Weg für den Einstieg?

A: Manchmal beginnen Ad-hoc-Analysen und maschinelles Lernen damit, dass jemand etwas wirklich Cooles entdeckt und sich fragt: „Schaut mal, was diese Technologie kann. Wo können wir das jetzt im Unternehmen anwenden?“ Dabei sollte es umgekehrt sein – das Geschäftsergebnis sollte an erster Stelle stehen. Beim Einsatz von Datenanalysen, modernem maschinellen Lernen und KI geht es darum, spezifische Lösungen mit eindeutig erkennbarem Geschäftswert für das Unternehmen zu identifizieren. Hier sollten Sie beginnen.

Dann können Sie den Algorithmus testen und erstellen. Anschließend stellen Sie die Frage, wie Sie diesen Algorithmus in den Geschäftsprozess integrieren können. Dabei sollte auch der Kulturwandel berücksichtigt werden, denn zwischen den Menschen und dem Geschäftsprozess könnte eine ganz andere Art der Interaktion erforderlich sein, als durch diesen Algorithmus ermöglicht wird. Auf der anderen Seite können Sie den Prozess nicht unbeaufsichtigt lassen, denn Algorithmen sind keine fest programmierten Bestandteile der Anwendung. Wenn sich die Dateneingaben ändern, kann es also sein, dass sich der Algorithmus anders verhält und dem Geschäftsprozess andere Ergebnisse liefert.

Aus diesem Grund müssen Sie die Algorithmen konstant überwachen. Sie müssen die Ein- und Ausgaben im Algorithmus bei jeder Ausführung erfassen, um diese wieder in den Datensatz einbringen zu können, der zum Trainieren des Algorithmus verwendet wird und zu dessen kontinuierlicher Verbesserung beiträgt. Diese Idee der kontinuierlichen Verbesserung, des kontinuierlichen Wandels und des kontinuierlichen Lernens ist sehr wichtig, wenn der Algorithmus im Geschäftsprozess implementiert wird.

 

F: Wie weit sind wir mit der Einführung von Analytik in den Geschäftsbetrieb?

A: Heute sind schon die meisten Unternehmen ziemlich aktiv in den Bereichen Analytik, maschinelles Lernen und KI, gehen dabei aber meist spontan vor. Es gibt viele Wirksamkeitsnachweise, die den Wert belegen. Aber nur wenige Unternehmen haben Algorithmen für maschinelles Lernen und Analysemodelle direkt in ihre Geschäftsprozesse implementiert, um ihren Geschäftsbetrieb zu verbessern. Tatsächlich haben nur sehr wenige von ihnen überhaupt Analytik eingesetzt, um das Geschäftsmodell ihrer Arbeitsweise zu ändern, indem sie den menschlichen Anteil an diesem Prozess durch maschinelles Lernen unterstützen. Was maschinelles Lernen und KI angeht, so stehen wir nach wie vor am Anfang.

Meiner Ansicht nach fehlt es vielen Unternehmen noch immer an einer klaren Vision, wie sie diese neuen Technologien für sich nutzen sollen. Das ist eine der großen Herausforderungen: Vielen CIOs fehlt ein standardisierter Ansatz für Analytik und KI – allgemein als industrialisierte KI bezeichnet.

 

F: Welcher Weg führt zu weiteren Fortschritten?

A: CIOs benötigen Hilfe bei der Analyse. Eine KI-Plattform könnte ihnen helfen, den Informationsfluss sowohl als Batch wie auch als End-to-End-Streaming mit dem Algorithmus als Endprodukt zu realisieren. Das würde ihnen helfen, das Verhalten des jeweiligen Geschäftsprozesses oder der Geräte zu verstehen, die sie überwachen.

Unternehmen brauchen nicht nur eine digitale Grundlage für die Datenanalyse, sondern müssen auch die langfristigen Ziele ihrer Datenanalyse im Blick haben. Dies lässt sich mit mehreren Bereitstellungsoptionen für Public Cloud, lokaler Hardware, Virtual Private Cloud oder mit einer hybriden Umgebung erzielen.

 

F: Wie läuft das in der Realität ab?

A: Die BMW Group hat als wichtigen Meilenstein auf dem Weg zu den autonomen Fahrzeugen – insbesondere der Level 4 und 5, die der Konzern in den nächsten Jahren auf der Straße zu sehen hofft – eine Plattform für Forschung und Entwicklung geschaffen. Hierzu ein paar Daten als Einblick: Die High Performance D3-Plattform bzw. datengesteuerte Entwicklungsplattform von BMW kann über 230 Petabyte speichern; das Unternehmen bezieht von seiner Flotte aus autonomen Fahrzeugen weltweit jeden Tag rund 1,5 Terabyte an neuen Daten.

Unternehmen, die in der Entwicklung autonomer Fahrsysteme tätig sind, sind auf der Suche nach Partnern, die eine technische Lösung wie diese erstellen und dann verwalten können. Unsere Beschleuniger und unser geistiges Eigentum verschaffen den Mitarbeitern aus Engineering, Testing und Data Science die Möglichkeit, schnell mit diesen ständig wachsenden Datenmengen fertig zu werden. Die Plattform kann Daten in Sekunden statt in Tagen oder Wochen zur Analyse bereitstellen. Diese Daten sind bereit für die Analyse, vollständig kategorisiert und vollständig synchronisiert. Das ist wichtig, denn ein Fahrzeug kann alle möglichen Arten von Daten liefern: Video, GPS, Sensordaten und mehr.

Lösungen für die Herausforderungen der Entwicklung autonomer Fahrzeuge zu entwickeln, ist ein gutes Beispiel dafür, wie Technologie wirklich an den Geschäftsanforderungen ausgerichtet werden kann, um eine völlig neue Geschäftslösung zu entwickeln. Beim autonomen Fahren gibt es einen großen Druck, zuerst auf den Markt zu kommen – und damit einen eindeutigen Geschäftsbedarf.

Weitere Informationen finden Sie im Whitepaper Use IT modernization to accelerate and scale business transformation.