Projektmanagement


Kontrollverlust, Datenschutz, Fachkräfte

Woran Machine-Learning-Projekte scheitern

Christiane Pütter ist Journalistin aus München. Sie schreibt über IT, Business und Wissenschaft. Zu ihren Auftraggebern zählen neben CIO und Computerwoche mehrere Corporate-Publishing-Magazine, vor allem im Bereich Banken/Versicherungen.
Datenschutz und Angst vor Kontrollverlust gelten in Machine-Learning-Projekten als große Herausforderungen. Der häufigste Use Case für Machine Learning ist Prozessoptimierung.
  • 22 Prozent der Unternehmen planen die Nutzung von Machine Learning, 37 Prozent sammeln erste Erfahrungen mit Prototypen
  • Die Daten für Machine Learning-Projekte sind in erster Linie SAP-Daten (59 Prozent)

Wer Machine LearningMachine Learning einsetzt, will damit vor allem Prozesse verbessern. So lautet das Ergebnis einer aktuellen Studie von Crisp Research in Kooperation mit Dell EMC und The unbelievable Machine Company. 60 Prozent der gut 150 befragten Entscheider aus deutschen Unternehmen nennen Prozessoptimierung als Use Case, gefolgt von digitalen Produkten (52 Prozent) und Customer AnalyticsAnalytics (49 Prozent). Alles zu Analytics auf CIO.de Alles zu Machine Learning auf CIO.de

Nach Verlust aufgrund falscher Vorhersagen oder nach Datenschutzproblemen würden Unternehmen Machine Learning-Projekte stoppen.
Nach Verlust aufgrund falscher Vorhersagen oder nach Datenschutzproblemen würden Unternehmen Machine Learning-Projekte stoppen.
Foto: Crisp Resarch

Der Erhebung zufolge stecken 22 Prozent der Unternehmen noch in der Evaluierungs- oder Planungsphase, 19 Prozent haben mit Machine Learning noch gar nicht begonnen. Eine relative Mehrheit von 37 Prozent sammelt bereits erste Erfahrungen mit Prototypen. Die verbleibenden 21 Prozent nutzen Machine Learning "in ausgewählten Einsatzbereichen" oder in "weiten Teilen des Unternehmens".

Die Studienteilnehmer sehen eine ganze Reihe an Herausforderungen. Sie scheuen den Verlust von Kontrolle und fürchten Datenschutzprobleme (36 Prozent), sie verfügen nicht über genug SkillsSkills und qualifizierte Mitarbeiter (35 Prozent) und die Business-Nutzer können die Ergebnisse von Machine Learning nicht nachvollziehen (34 Prozent). Weitere 32 Prozent berichten von fehlendem Verständnis für Daten im Unternehmen. Alles zu Skills auf CIO.de

Crisp Research hat erfragt, wann Entscheider Machine Learning-Projekte stoppen würden. Fast jeder Zweite (47 Prozent) nennt zwei Szenarien: die Modelle liefern falsche Vorhersagen, so dass das Unternehmen Verluste hinnehmen muss, oder es gibt Datenschutzprobleme. Weitere Szenarien: die Datenbasis reicht nicht für einen effizienten Einsatz von Machine Learning-Modellen aus (33 Prozent), Key Performance Indikatoren werden nicht erreicht oder die Kunden nehmen die Produkte nicht an (jeweils 25 Prozent).

Unternehmen stemmen das Thema Machine Learning nicht alleine.
Unternehmen stemmen das Thema Machine Learning nicht alleine.
Foto: Crisp Resarch

Die Daten für Machine Learning-Projekte stammen in erster Linie aus SAP-Systemen (59 Prozent). Es folgen Produktionsdaten (42 Prozent), Maschinendaten (35 Prozent), Daten aus dem Internet of ThingsInternet of Things (31 Prozent) und aus externen Quellen (30 Prozent). Die Machine Learning Teams sind meist in der Business IntelligenceBusiness Intelligence Unit angesiedelt (41 Prozent) oder bilden eine eigene Unit (36 Prozent). Viele Unternehmen stemmen solche Vorhaben nicht alleine: knapp zwei von dreien (64 Prozent) ziehen externe Berater hinzu oder kooperieren mit IT-Dienstleistern (55 Prozent). 45 Prozent bauen Teams aus Data Scientists und Machine Learning-Experten in Digital Labs oder arbeiten mit Universitäten (36 Prozent) und Startups (34 Prozent) zusammen. Alles zu Business Intelligence auf CIO.de Alles zu Internet of Things auf CIO.de

Potenzial von 61 Milliarden Euro

Trotz der Bedenken in Sachen DatenschutzDatenschutz kommentiert Crisp Research: "Machine Learning und Künstliche IntelligenzKünstliche Intelligenz werden 2022 ein Viertel der digitalen Wertschöpfung ausmachen: Bereits 2020 lassen sich 61 Milliarden Euro der digitalen Wertschöpfung auf den Einsatz von Machine Learning und intelligenten Algorithmen in Produkten und Diensten zurückführen." 40 Prozent der Unternehmen haben bereits einen eigenen Topf für Machine-Learning-Projekte eingeführt. 56 Prozent nehmen das Geld dafür aus dem Digitalisierungs-Budget. Alles zu Datenschutz auf CIO.de Alles zu Künstliche Intelligenz auf CIO.de

Die Marktforscher raten Unternehmen aller Branchen, einen Chief Technology Officer (CTO) einzusetzen. Er soll "ein tiefes Verständnis moderner Cloud-Architekturen und Technologie-Stacks ("Stackology")" mitbringen. IT müsse Teil des Produkts und des Kundennutzens werden, schreibt Crisp Research. Mit Blick auf Machine Learning müssten Entscheider ihre IT-Strategie wie auch das Risiko-Management an juristische und gesellschaftliche Fragen anpassen. Dazu zählten auch Exit-Strategien für einzelne Produkte.

Zur Startseite