Die große Mehrheit der Firmenlenker ist mittlerweile davon überzeugt, dass die digitale Transformation eine Schlüsselrolle für die Zukunft ihres Unternehmens spielt. Dabei ist im digitalen Zeitalter die Geschwindigkeit entscheidend. Grundlage dafür sind fortgeschrittene Analytik und Automatisierung.
Es vergeht kaum ein Tag, ohne dass neue Studien die weitreichenden Auswirkungen der digitalen Transformation vorstellen, kaum ein Tag vergeht, ohne dass Berater oder Blogs von neuen, sogenannten disruptiven Geschäftsmodellen berichten – etwa vom Hersteller von Schiffsschrauben, der Sensoren an eben diesen Schiffsschrauben angebracht hat und die Daten über Strömung, Temperatur und Grad der Umweltverschmutzung verkauft. Oder vom Start-up aus Berlin, das über ein Handy und mit etwas künstlicher Intelligenz analysiert, ob pflegebedürftige Menschen akut von Stürzen betroffen sind. Und. Und. Und.
Es gibt mittlerweile dutzende, hunderte, tausende Geschichten von Unternehmen, die die Art und Weise, wie sie ihre Leistungen erbringen, verändert haben. Was nahezu allen Unternehmen – allen Fallbeispielen – gemein ist: Die handelnden Personen setzen auf moderne Technologien, integrieren Daten und Datenanalysen in ihre Prozesse und messen dem Thema Geschwindigkeit – oder auch der Agilität – besondere Bedeutung bei. Sie handeln regelmäßig in den drei Dimensionen – die „drei Ws“ Wirtschaftlichkeit („Lohnt sich das?“), Wahrscheinlichkeit („Ist das realisierbar?“; Machbarkeit) und Wünschbarkeit („Gibt es Bedarfe oder Bedürfnisse hierfür?“).
Keine Zeit
Geschwindigkeit und Agilität ist heute das, was vor 27 Jahren Kanban oder Six Sigma oder vor 10 Jahren die Blaue-Ozean-Strategie war. Geschwindigkeit und Agilität: Klingt irgendwie gehetzt! Und sind jetzt alle gehetzt? Mitnichten. Agilität bezieht sich, vereinfacht ausgedrückt, auf die Anpassungsfähigkeit von Strategien und Geschäftsmodellen. Platt ausgedrückt: um Flexibilität. Beim Thema Geschwindigkeit bezieht man sich immer wieder gerne auf das Thema „Time-to-Market“, also die Zeit von der Produktentwicklung bis zur Markteinführung. Das ist zwar grundsätzlich im Rahmen der Digitalisierung auch richtig, trifft es aber nicht ganz. Wird im Kontext von Digitalisierung von Geschwindigkeit gesprochen, wird auf die „Economies of time“ abgezielt. Hier geht es um die Zeitersparnis, respektive um das Einsparen der in einem bestimmten Zeitraum aufgewendeten Arbeitszeit sowie die reduzierten Aufwände für Roh-, Hilfs- und Betriebsstoffe, Maschinen, Ausrüstungen und andere Produktionsmittel. Um diese Ziele zu erreichen, wird auf Informationstechnologie und Künstliche Intelligenz (KI), auf maschinelles Lernen und Advanced Analytics gesetzt.
Was Sie wissen müssen
Allgemein betrachtet umfasst KI (Künstliche Intelligenz/KI, Artificial Intelligence/AI) fortgeschrittene Algorithmen, die einer mathematischen Funktion folgen. Ein Algorithmus gibt dem Computer genau vor, wie er eine Aufgabe zu lösen hat. Algorithmen sind die Grundlage künstlicher Intelligenz. Diese ist in der Lage, Prozesse ähnlich wie der Mensch zu handhaben. Beispiele hierfür sind visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und das Übersetzen von Texten. Im Gegensatz zum Menschen können diese Systeme nur lernen, wie bestimmte Aufgaben zu erledigen sind. Sie können in der Regel nur eine Aufgabe erledigen. Es sind quasi Fachidioten. Echte Intelligenz liegt ihnen demnach nicht zugrunde, weshalb sie auch als „schwache“ KI bezeichnet werden.
„Schwache KI“? Ja! Bei einem groben Blick lässt sich künstliche Intelligenz, lässt sich Artificial Intelligence in zwei übergeordnete, größere Segmente unterteilen: in Narrow bzw. Weak AI und Strong AI. Je nach Auslegung kommt noch eine dritte Einstufung hinzu: künstliche Superintelligenz.
Narrow AI ist, was heute auf Computern und Smartphones zu sehen ist: quasi intelligente Systeme, die trainiert und angelernt, also für die eigentliche Ausführung nicht explizit programmiert werden, um definierte Aufgaben zu erledigen.
Hinzu kommt: Deep Learning. Deep Learning geht einen Schritt weiter als Machine Learning (ML), das maschinelle Lernen. Der zentrale Unterschied: Während das maschinelle Lernen statistische Techniken nutzt, die es Maschinen ermöglichen, sich bei Aufgaben weiter zu verbessern, setzt sich das Deep Learning selbst aus hierarchischen Schichten von Algorithmen zusammen, die darauf ausgelegt sind, sich selbst zu trainieren; Aufgaben zu erledigen. Somit kann ML besonders dann genutzt werden, wenn es um Qualität & Co. geht.
Derzeit lässt sich Folgendes festhalten: KI erfordert maschinelles Lernen! Maschinelles Lernen setzt auf Training. Muster und Gesetzmäßigkeiten werden erkannt. Daraus entsteht eine Handlung. Maschinelles Lernen erfordert Analytik! Analytik erfordert die richtige Daten- und Informationsarchitektur (IA).
Mit anderen Worten: Wer den Anforderungen hinsichtlich Agilität und Geschwindigkeit gerecht werden will, muss neben den drei „Ws“ (Wirtschaftlichkeit, Wünschbarkeit, Wahrscheinlichkeit) auf fortgeschrittene Analytik setzen. Grundlage hierfür ist eine effektive Datenstrategie – eine Datenarchitektur – und eine Form der „künstlichen Intelligenz“. Voraussetzung hierfür wiederum ist die passende Informationsarchitektur.
In Rechenzentren, die auf Technologien von Intel basieren, lassen sich entsprechende Anwendungen oftmals ohne zusätzliche Investitionen entwickeln (Foto: Intel)
Künftig wird der Erfolg vieler Unternehmen daher nicht zuletzt von ihrer Fähigkeit abhängen, sich durch KI Wettbewerbsvorteile zu sichern. Mögliche Einsatzszenarien reichen hier von automatisierten und schnelleren Tests über eine optimale Maschinenauslastung bis hin zu verkürzten Innovationszyklen und der Entlastung der Mitarbeiter von Routineaufgaben. In Rechenzentren, die auf Technologien von Intel® basieren, lassen sich entsprechende Anwendungen oftmals ohne zusätzliche Investitionen entwickeln.
Fazit
Heutzutage ist schnelles Handeln enorm wichtig. Um im Wettbewerb in Sachen Innovation die Nase vorn zu haben, müssen Entscheidungen schnell, aber dennoch fundiert getroffen werden. Möglich ist das nur mithilfe von Datenanalysen und Advanced Analytics. Damit können vorhandene Daten optimal genutzt und das Potenzial voll ausgeschöpft werden. Auf Basis dieser Analysen lassen sich dann auch Entscheidungen automatisiert treffen, was wiederum einen Geschwindigkeitsvorteil bedeutet und die Agilität erhöht. Um diese Analysen erstellen zu können, ist jedoch Fachwissen notwendig – und eine moderne IT-Infrastruktur: Viele Unternehmen kommen um eine Modernisierung der Rechenzentrumstechnologie, die Automatisierung von IT-Prozessen und eine Transformation der Unternehmensdynamik nicht herum.
