Keynote auf der DSX 2021 Data Storage Conference „Verbesserungen im zweistelligen Prozentbereich“

Redakteur: Dr. Jürgen Ehneß

Auf der DSX 2021 Data Storage Conference, die am 7. Oktober 2021 als virtueller Event stattfindet, hält Constantin Gonzalez, Principal Solutions Architect bei Amazon Web Services EMEA SARL, eine Keynote zum Thema „Mit künstlicher Intelligenz erfolgreich im Geschäft: So geht’s!“. Im Interview gibt er einen aufschlussreichen und äußerst vielversprechenden Einblick in seinen Vortrag.

Firmen zum Thema

Auf der virtuellen DSX-Konferenz am 7. Oktober 2021 gibt es geballte Informationen zum Thema „Die Zukunft des Enterprise-Storage“.
Auf der virtuellen DSX-Konferenz am 7. Oktober 2021 gibt es geballte Informationen zum Thema „Die Zukunft des Enterprise-Storage“.
(Bild: Vogel IT-Medien)

Storage-Insider: Die überwiegende Mehrheit der Bürger und darüber hinaus auch viele IT-Profis haben zum Thema künstliche Intelligenz nur sehr diffuse, wenn nicht falsche Vorstellungen. Was verstehen Sie genau unter dem Begriff?

Constantin Gonzalez, AWS: Künstliche Intelligenz und Maschinelles Lernen (ML) sind Werkzeuge, um aus Daten Mehrwerte zu schaffen. Beispielsweise kann man mit modernen ML-Methoden aus Zeitreihendaten wie zum Beispiel Bestellungen und Lieferzeiten zusammen mit anderen Daten wie Wetter- und Kalenderdaten genauere Prognosen für zukünftige Bestellungen und Lieferzeiten bekommen. Damit kann man Supply-Chain-Prozesse in Industrie und Handel entscheidend verbessern. Auch kann man heutzutage Daten aus Sensoren in Fabriken sammeln und mithilfe von ML-Methoden Muster darin erkennen, um beispielsweise Maschinen frühzeitig zu warten und dadurch Produktionsausfälle vermeiden.

Früher war Machine Learning mit hohem Personal- und IT-Aufwand verbunden. Amazon hat über 20 Jahre in ML-Methoden für Empfehlungssysteme, Supply-Chain-Optimierung und innovative neue Services investiert. Heute können wir Kunden dieses Know-how in Form von einfach nutzbaren KI-Services aus der Cloud anbieten, die den gesamten Ablauf von der Dateneingabe über das Trainieren und Optimieren von ML-Modellen bis hin zur Nutzung des trainierten Modells in der Produktion vollständig automatisieren. So kann man mit geringem Aufwand ML in Unternehmen erfolgreich nutzen.

► Mehr Infos zur DSX 2021 Data Storage Conference

 

 

Gibt es spezielle Branchen, in denen es sich eine Implementierung künstlicher Intelligenz besonders anbietet? Und wenn ja, welche Branchen sind das?

Gonzalez: Zehntausende von Kunden in sämtlichen Branchen transformieren ihr Geschäft mithilfe von KI und bieten ihren Kunden eine bessere Erfahrung mit neuen Produkten und Dienstleistungen bei niedrigeren Kosten. Zalando, Europas größte Plattform für Mode und Lifestyle, nutzt ML-Technologien, um die Entwicklung von Innovationen zu beschleunigen und das Online-Shopping-Erlebnis neu zu definieren. Der Kugellagerhersteller SKF verwendet sogenannte Data Lakes, um Daten zu sammeln und mithilfe von ML-Methoden Produktionsprozesse zu optimieren. Die Bundesliga reichert das Fußballerlebnis durch Echtzeitstatistiken an. Wir werden immer wieder von neuen Anwendungsfällen in allen Branchen überrascht, in denen deutsche Kunden aller Größen ML erfolgreich einsetzen.

Welche Grundvoraussetzungen muss ein Unternehmen für einen erfolgreichen KI-Einsatz aufweisen?

Gonzalez: Normalerweise brauchen Unternehmen ML-Experten und Data Scientists sowie große Mengen an Daten, um erfolgreich ML-Modelle zu trainieren und in Produktion zu bringen. Das ist sicher richtig, wenn man KI von Grund auf neu aufbauen möchte, und wir haben viele Kunden in Deutschland, die das sehr erfolgreich tun. Jedoch gibt es auch Unternehmen, die nicht über diese Experten verfügen und dennoch Mehrwerte aus ihren Daten schöpfen möchten. Solchen Kunden helfen wir mit fertig aufgebauten und optimierten ML-Services, so dass sie lediglich Zugriff auf Transaktions-, Sensor- oder sonstige Daten aus der Produktion brauchen, um ML erfolgreich einzusetzen.

Selbst ohne Daten und ohne Expertise können Kunden von moderner KI profitieren, etwa um Chatbots mit Spracherkennung und Sprachverstehen aufzubauen, Produktkataloge zu übersetzen oder Bilder zu analysieren. Man kann also auch ganz ohne Grundvoraussetzungen anfangen, KI zu nutzen. Wer mehr will, sollte zusätzlich anfangen, Daten aus der Produktion systematisch, etwa in einem Data Lake, zu sammeln, um daraus weitere Optimierungspotenziale zu realisieren.

Welchen Stellenwert hat dabei die Unternehmenskultur?

Constantin Gonzalez, Principal Solutions Architect bei AWS EMEA SARL, hält auf der DSX 2021 Data Storage Conference am 7. Oktober 2021 eine Keynote zum Thema „Mit künstlicher Intelligenz erfolgreich im Geschäft: So geht’s!“.
Constantin Gonzalez, Principal Solutions Architect bei AWS EMEA SARL, hält auf der DSX 2021 Data Storage Conference am 7. Oktober 2021 eine Keynote zum Thema „Mit künstlicher Intelligenz erfolgreich im Geschäft: So geht’s!“.
(Bild: blende11_Fotografen)

Gonzalez: Das ist eine sehr wichtige Frage, wichtiger noch als die Technologie: Wir brauchen heute eine Unternehmenskultur, bei der Mitarbeiter über mehrere Abteilungen hinweg flexibel zusammenarbeiten können. Experimente haben einen besonderen Stellenwert, um iterativ durch Ausprobieren herauszufinden, was geht und was nicht. Hier hilft es, eine „positive Fehlerkultur“ zu entwickeln, die das Scheitern als Lernerfahrung sieht und die Angst davor nimmt. Schließlich sind lange Entwicklungszyklen wie Fünf-Jahres-Pläne wenig hilfreich, um im Zeitalter der Digitalisierung erfolgreich sein zu können. Stattdessen ist es besser, als Unternehmen eine agile Kultur mit kurzen Sprints und adaptierbaren Plänen zu unterstützen. Die besten Ideen sind die, die erst auf halbem Wege entstehen und an die am Anfang niemand gedacht hätte!

Von der Theorie zur Praxis ist der Weg oft länger als erhofft. Wie könnten denn idealerweise die ersten Schritte aussehen, wenn ein Unternehmen mittels KI einen Mehrwert aus Daten schöpfen will?

Gonzalez: Wir reden in diesem Zusammenhang vom „Working backwards from the customer“-Prinzip. Es bedeutet, dass wir uns zuerst die Frage stellen, was unser Kunde erlebt und was sie oder er braucht, um dabei erfolgreich zu sein. Welche kleinen und großen Probleme treten immer wieder auf, die noch ungelöst sind? Welche Prozesse könnten beschleunigt werden, wenn man nur besser wüsste, was dabei passiert? Wo sind die Blocker in der Wertschöpfung, die Zeit kosten oder schwer skalierbar sind? Welche Daten gibt es dazu, und wie kann man, etwa durch Sensorik, Analysewerkzeuge oder schlichte Datenimports diese Daten bekommen? Was für Muster ergeben sich aus den Daten, wenn man sie erstmal zentral, etwa in einem Data Lake, zusammen hat? Wie können wir Kunden, Mitarbeitern oder Maschinen auf diesem Weg helfen, besser oder effizienter zu arbeiten?

Mit solchen Fragen kann man im Unternehmen an einem Nachmittag erste Ideen entwickeln, mit denen man konkrete Probleme im Unternehmen adressieren kann. Unsere Kunden nutzen ML-Methoden beispielsweise, um ihre Disposition besser zu planen, die Kundennachfrage besser vorherzusagen, Maschinen besser zu warten, Kundenempfehlungen zu generieren oder einfach nur eine Sprachschnittstelle aufzubauen, wo Tastatur und Bildschirm unpraktisch wären.

Am besten bezieht man von Anfang an Kunden, Domänen-Experten und Mitarbeiter aus dem Feld in diesen Prozess ein. Wir sagen, dass Innovation „am äußeren Rand“ stattfindet, nämlich genau dort, wo die Produktion täglich abläuft und Chancen und Herausforderungen am besten sichtbar sind.

Wie lässt sich ein solcher Mehrwert beziffern? Und was wäre ein mustergültiges Beispiel eines Unternehmens, das KI „gewinnbringend“ einsetzt?

Gonzalez: Unsere Kunden sehen regelmäßig Verbesserungen im zweistelligen Prozentbereich, wenn sie bestehende Prozesse mithilfe von ML-Technologien optimieren. Noch spannender ist es, zu sehen, wie Kunden mit ML Dinge machen, die vorher unmöglich oder nicht praktikabel erschienen. Siemens verwendet etwa Amazon Translate, um Feedbackbögen von 377.000 Mitarbeitern in 50 Sprachen zu übersetzen, und Amazon Comprehend, um daraus wichtige Themen und Schlagwörter sowie Stimmungen zu extrahieren. So kann das Unternehmens-Management besser auf die Bedürfnisse und Ideen der Belegschaft eingehen. Die Analyse eines Feedbackbogens kostete früher bis zu drei Euro, und die Menge und Komplexität der Daten war eine große Herausforderung. Mit KI-Methoden kostet die Auswertung eines Feedback-Bogens weniger als einen Euro, sie erfolgt 75 Prozent schneller, und das Unternehmen erhält zusätzlich eine automatische Sortierung der Antworten nach Themengebiet. Dabei konnte der Übersetzungsschritt im Prozess lediglich mit drei Zeilen Code implementiert werden.

Vielen Dank, Herr Gonzalez!

Neugierig geworden? Dann melden Sie sich jetzt zur DSX 2021 Data Storage Conference am 7. Oktober 2021 an!

► Zur DSX 2021 Data Storage Conference anmelden

 

 

(ID:47635258)