IT-Trends von ISG
Was auf die CIO-Agenda 2018 gehört
Luis Praxmarer ist Partner bei ISG, Provider Lens Global Lead.
6. Robotic Process Automation (RPA) & Machine Learning
Maschinelles Lernen ist als Teil Künstlicher Intelligenz (KI) derzeit eines der prominentesten Themen am Markt. Dennoch ist der Markt für Robotic Process Automation (RPA) im Moment besonders attraktiv, da im ersten Schritt gut dokumentierte und repetitive Prozesse über Roboter-Systeme schnell, kostengünstig und vor allem mit hoher Zuverlässigkeit abgearbeitet werden können. Trotz der hohen Adaption von RPA steht jedoch vor allem die nächste Stufe "Machine Learning" im Fokus der Software- und letztlich KI- bzw. Cloud-Unternehmen.
Die grundlegende Annahme beim maschinellen Lernen ist, dass entsprechende Lösungswege und Ableitungen durch die Analyse und Dazugabe historischer Daten bereitgestellt werden können. Die Erkennung von Mustern und Gesetzmäßigkeiten in vorhandenen Datenbeständen sowie die daraus getroffenen Vorhersagen erfolgt mittels mathematischer Modelle und wird für viele Bereiche, wie z.B. Marketing-Kampagnen, Kundenservices oder auch Logistikrouten angewandt.
Somit zählen zum Bereich "Machine Learning" die Anbieter, deren umfassende, eigenständige und differenzierte Lösungen geeignet sind, große Datensätzen/-mengen aus unterschiedlichen Quellen (Text, Sprache, Bilder/Video, Sensoren, etc.) aufzubereiten und zu analysieren.
In letzter Zeit wurden bei der Entwicklung neuer Lernalgorithmen und -theorien große Fortschritte gemacht. Gepaart mit der stetig sich verbessernde Verfügbarkeit von Cloud-Rechenkapazitäten forciert dies das rasante Wachstum in diesem Marktumfeld und führt dazu, dass Machine Learning eines der am schnellsten wachsenden Felder im gesamten Data Analytics-Umfeld darstellt.
Machine Learning stellt die Basis der aktuellen KI- Entwicklung.Die Disziplin des "Deep Learning" setzt dabei auf das wiederholte Ineinandergreifen und Feinschleifen von Datenanalysen in multiplen neuronalen Netzwerken und ist vom Aufbau an das menschliche Gehirn angelehnt, um komplexe Aufgaben wie Gesichts- und Bilderkennung, Bildklassifizierung und Stimmerkennung zu kombinieren.
Die Nutzung solcher Verfahren, erfordert in der Regel eine sehr performante Rechenzentrumsinfrastruktur oder besser echtes Public Cloud Computing aus den Händen eines Hyperscalers. Nur so können nachhaltige Lernmodelle etabliert und trainiert werden, um Datenberge schnell verarbeiten und analysieren zu können.