Jeder will Machine Learning. Doch das Ganze funktioniert nur mit der nötigen analytischen Power dahinter – und der Data Scientist ist noch längst nicht obsolet.
Bereits vor fast 20 Jahren hatte der Technologie-Pionier Kevin Ashton eine Vision von Computern, die Informationen über Gegenstände des Alltags und der Fabrikation sammeln und mit diesen Daten beispielsweise vorhersagen, wann die Dinge kaputtgehen, um sie frühzeitig reparieren zu können. Predictive Maintenance ist heute längst Unternehmensrealität. Basis dafür ist die Vernetzung von Dingen, das “Internet of Things” (IoT). Eine Steuerung all dieser komplexen Geräte und Maschinen geht aber nur über intelligentes Verhalten – und das setzt sich aus drei Schritten zusammen:
- Daten sammeln,
- mittels Analytik die relevanten Signale aus den Daten herausholen, interpretieren und interessante Zusammenhänge aufdecken,
- Aktionen vorschlagen.
Woran es noch hapert? Laut einer Studie der MIT Sloan School of Management meinen immerhin noch 58 Prozent der Unternehmen, die IoT für wichtig halten, dass es ihnen an ausreichend analytischen Fähigkeiten mangelt. Das liegt nicht zuletzt an der schieren Masse an Daten, die heute mit IoT und Sensortechnologie anfallen. Da reicht kein “scharfes Hinsehen” mehr; deskriptive Analytics oder gar Excel greifen zu kurz, um Erkenntnisse aus den Datenbergen zu ziehen.
Woran es bei Unternehmen zudem oftmals noch im Hinblick auf die Analyse von IoT-Daten scheitert, ist das Einbinden dieser Analytics in die vorhandenen Prozesse: das Operationalisieren von Analytics.
Nicht der raffinierteste Algorithmus zählt
Darüber hinaus haben Unternehmen nicht selten zu hohe Erwartungen. Maschinelles Lernen gilt als Schlüssel für moderne analytische Anwendungen. Doch es ist kein Wundermittel und nicht der raffinierteste Algorithmus zählt. Im Wesentlichen steckt klassische Technologie dahinter, die Muster lernt und diese anwenden kann. Solche analytischen Modelle werden anhand von Beispieldaten trainiert.
Anders ausgedrückt: Ein System lernt aus Beispielen und kann diese nach Abschluss der Lernphase verallgemeinern. Der Data Scientist muss immer noch Daten richtig aufbereiten, Parameter optimieren, verschiedene Verfahren miteinander vergleichen, gegebenenfalls kombinieren und am Schluss ein gutes Verfahren präsentieren, das valide Vorhersagen ermöglicht.
Beispiel: Predictive Maintenance
Wie das in der Praxis funktioniert, lässt sich beispielsweise anhand eines Computertomografen zeigen, dessen Wartung optimiert werden soll. Zunächst muss man gute Modelle entwickeln, die aufgrund von Sensordaten und Eventcodes die Ausfallwahrscheinlichkeit einer Komponente (sei es die Röntgeneinheit, die Kühlung oder der Patiententisch) mit hoher Trefferquote und geringer Anzahl von Fehlalarmen vorhersagen – hier hilft Machine Learning. Im zweiten Schritt müssen die Modelle in die Produktion gebracht werden. Dazu werden Geschäftsregeln benötigt, die analytische Vorhersagen mit Handlungsempfehlungen verbinden und somit bei Entscheidungen helfen.
Ein weiterer wichtiger Faktor: Man muss Modelle und Regeln dorthin bringen, wo die Daten entstehen beziehungsweise hingeleitet werden. Zum Beispiel in ein Hadoop-Cluster, direkt in einen Datenstrom oder über eine Datenbank in ein operatives Dispatching-System, das dem Gerätetechniker sagt, welche Ersatzteile und Werkzeuge er in sein Fahrzeug packen muss, welche Kliniken er in welcher Reihenfolge anfährt und welche Komponenten er warten muss. Um die Anwendung der Modelle und Regeln dann kontinuierlich zu überwachen, ist eine Model Governance erforderlich, die die Effizienz bei der Registrierung von Modellen und die Auditierbarkeit sicherstellt.
Fazit
Für Firmen, die IoT und Analytics nutzen wollen, sind einige Punkte zu beachten. Sie sollten ihre klassischen mit IoT-Daten verknüpfen, die zuvor auf ihre Relevanz hin intelligent gefiltert wurden. Wichtig ist zudem, Daten schon im Datenstrom zu analysieren und eine Modellierung im Endgerät vorzunehmen. Und letztlich gilt es, tief in Geschäftsprozesse einzugreifen und Geschäftsregeln zu hinterlegen, anhand derer die analytischen Erkenntnisse in sinnvolle Aktionen überführt werden.
Findet dies alles in einer hochperformanten analytischen Umgebung statt, sind die Voraussetzungen erfüllt, um IoT von der Spielwiese zum Geschäftsfeld zu machen – und Ashtons Vision in die Realität zu überführen. Wie Machine Learning zielführend eingesetzt werden kann, hat SAS auch jüngst auf seiner europäischen Konferenz Analytics Experience 2017 und bei seinem Projekt “Paradise Found gezeigt.
Loading ...
