Was ist Machine Learning?
... Und wie können es sich Unternehmen im ERP zu Nutze machen, um Prozesse zu optimieren und Kosten zu reduzieren?
Das maschinelle Lernen (engl. machine learning) gewinnt immer mehr an Bedeutung und birgt in den unterschiedlichsten Einsatzbereichen vielversprechende Potenziale. Im Folgenden befassen wir uns daher einmal näher mit dem Thema Machine Learning (ML) und zeigen dabei insbesondere Einsatzmöglichkeiten im Bereich des Enterprise Resource Planning sowie die Vorteile, die damit einhergehen, auf. Zunächst muss jedoch definiert werden, worum es sich bei Machine Learning ML eigentlich handelt.
Inhaltsverzeichnis
- Was ist Machine Learning?
- Modelle
- Deep Learning
- Machine Learning im ERP
- Die Zukunft des ML in Unternehmen
Was ist Machine Learning?
Das maschinelle Lernen ist ein Oberbegriff für die künstliche Generierung von Wissen aus Erfahrungswerten. Konkret lernt ein künstliches System hier aus Beispielen. Nach Abschluss der Lernphase können diese dann vom System verallgemeinert werden. Dazu werden nicht einfach die Beispiele auswendig gelernt, sondern es werden daraus Gesetzmäßigkeiten und Muster erkannt.
Auf diese Weise kann das System dann auch bei unbekannten Beispielen und Datensätzen (data sets) Erlerntes anwenden - oder auch scheitern. So ist das maschinelle Lernen ein Teilbereich der Computerwissenschaft, welcher sich auf die Verwendung von Algorithmen und Daten konzentriert, um die Art und Weise des menschlichen Lernens zu imitieren und die Genauigkeit Schritt für Schritt zu verbessern (vgl. ibm.com, 21.02.2023).
Beispiele von Machine Learning in der Praxis
Mögliche Anwendungsbereiche, in denen das maschinelle Lernen bereits heute zum Einsatz kommt, erstrecken sich von automatisierten Diagnose-Verfahren über Analysen des Aktienmarktes bis hin zur Sprach- und Texterkennung oder der systematischen Erkennung von Kreditkartenbetrug. Auch Filmempfehlungen auf Streaming-Plattformen stützen sich auf Algorithmen, die auf Grundlage der bisher angesehenen Serien und Filme Vorschläge ermitteln, die den Präferenzen des Nutzers entsprechen.
Data-Mining
ML ist eng mit dem Data Mining verwandt, lässt sich jedoch begrifflich und inhaltlich abgrenzen. Im Data Mining geht es vorrangig darum, neue Gesetzmäßigkeiten und Muster zu finden. Algorithmen aus dem Machine Learning (machine learning algorithms) finden jedoch auch im Data Mining Anwendung. Data Mining wird beispielsweise eingesetzt, um Hypothesen zu validieren oder möglichst genaue Prognosen bzw. Vorhersagen für die Zukunft zu erstellen. Darüber hinaus lassen sich Kundenbedürfnisse mithilfe von Data Mining besser identifizieren und verstehen. So birgt es auch im Bereich des Customer Relationship Managements (CRM) ein großes Potenzial, um Unternehmen dabei zu unterstützen, Kundenanforderungen besser und gezielter gerecht werden zu können.
Machine Learning Modelle
Im Machine Learning gibt es unterschiedliche Modelle bzw. Ansätze. Es ist zwischen überwachtem, unüberwachtem, teilüberwachtem und bestärkendem Lernen zu differenzieren. Im Folgenden finden Sie eine Übersicht der vier Modelle des Maschinellen Lernens (machine learning models) sowie Beispielen für mögliche Anwendungsbereiche.
Supervised Learning: Überwachtes Lernen
Beim überwachten Lernen (supervised learning) lernt der Algorithmus eine Funktion aus vorgegebenen Ein- und Ausgaben-Paaren. Ziel ist es dabei, dem Algorithmus beizubringen, Assoziationen herzustellen. So ist beispielsweise die automatische Klassifizierung ein möglicher Anwendungsbereich von überwachtem Lernen.
Bei der automatischen Klassifikation im Rahmen des maschinellen Lernens kommen sogenannte Entscheidungsbäume (decisions trees) zum Einsatz. Hierbei handelt es sich um geordnete, gerichtete Bäume, welche der Darstellung von Entscheidungsregeln dienen. Das überwachte Lernen findet in vielen Bereichen Anwendung. So ist es beispielsweise Grundlage von Verkehrsanalyse-Apps oder Empfehlungsdiensten für Produkte (vgl. sap.com, 21.02.2023).
Unsupervised Learning: Unüberwachtes Lernen
Beim unüberwachtem Lernen (unsupervised learning) wird durch den Algorithmus für eine gegebene Eingaben-Menge ein statistisches Modell erzeigt. Dieses beschreibt die Eingaben und enthält zudem erkannte Zusammenhänge wie auch Kategorien. Dies ermöglicht wiederum Vorhersagen auf Grundlage dieser Informationen. Mithilfe eines Clsutering-Verfahrens lassen sich die Daten in mehrere Kategorien unterteilen, welche sich wiederum durch charakteristische Muster voneinander unterscheiden. Auf diese Weise werden selbstständig Klassifikatoren erstellt, nach welchen die Eingabemuster eingeteilt werden können.
Es gibt jedoch auch Methoden des unüberwachten Lernens, welche auf die Kategorisierung verzichten. Diese übersetzen die beobachteten Daten stattdessen in einfachere Repräsentationen. Das unüberwachte Lernen kommt beispielsweise bei der Gesichtserkennung zum Einsatz. Im unternehmerischen Kontext ist ein beliebtes Anwendungsbeispiel die Marktforschung (vgl. sap.com, 21.02.2023).
Semi-Supervised Learning: Das teilüberwachte Lernen
Zwischen dem überwachten und dem unüberwachten Lernen steht zudem noch das teilüberwachte Lernen. In diesem Fall ist nur für eine bestimmte Menge an Eingaben auch die Ausgabe bekannt. Das teilüberwachte Lernen wird dann besonders hilfreich, wenn große Mengen an Rohdaten bzw. unstrukturierten Daten zum Einsatz kommen (vgl. sap.com, 21.02.2023).
Reinforcement Learning: Bestärkendes Lernen
Beim bestärkenden Lernen (reinforcement learning) ist kein Antwortschlüssel bekannt. Stattdessen gibt es eine Reihe von zulässigen Aktionen, Regeln und potenziellen Endzuständen. Es beschäftigt sich mit der Frage, wie Agenten agieren sollten, um einen bestimmten Wert der kumulierten Belohnung maximieren. Die Belohnung ist in diesem Fall numerisch und in den Algorithmus als etwas programmiert, welches das System erfassen möchte. Ein Beispiel für einen möglichen Anwendungsbereich des bestärkenden Lernens sind automatisierte Preisangebote für Käufer von Online-Werbung (vgl. sap.com, 21.02.2023).
Deep Learning
Beim Deep Learning handelt es sich um eine Form des maschinellen Lernen, bei der künstliche neuronale Netze mit zahlreichen Zwischenschichten zum Einsatz kommen. Diese Zwischenschichten befinden sich zwischen Eingabeschicht und Ausgabeschicht. Auf diese Weise wird eine umfangreiche innere Struktur erzeugt, welche charakteristisch für Deep Learning ist. Das Deep Learning ist somit dem ML unterzuordnen.
Was ist der Unterschied zwischen KI und Machine Learning?
Doch wie verhält es sich um Künstliche Intelligenz? In welcher Form hängt KI mit maschinellem Lernen zusammen? Tatsächlich handelt es sich beim maschinellen Lernen um eine Teilmenge von Artificial Intelligence. Die Algorithmen für ML ermöglichen es der Künstlichen Intelligenz, Daten zu verarbeiten und zu verwenden, um zu lernen und intelligenter zu werden - ohne, dass es dazu einer zusätzlichen Programmierung bedarf (vgl. sap.com, 21.02.2023).
Machine Learning im ERP
Werfen wir nun einen Blick auf die Möglichkeiten, die ML im Bereich des Enterprise Resource Planning (ERP) für Unternehmen bereit hält. Intelligente Systeme, die sich Machine Learning zu Nutze machen, erfreuen sich zunehmender Beliebtheit. Im Zuge der zunehmenden Digitalisierung und des digitalen Fortschritts werden immer mehr Anwendungen und Einsatzbereiche hervorgebracht, auf welche Privatpersonen wie auch Unternehmen zugreifen können. Im unternehmerischen Bereich geht es dabei häufig um die Optimierung oder Automatisierung bestehender Prozesse mithilfe intelligenter Systeme.
Automatisierungen im ERP
Bereits in ERP-Systemen, die nicht auf Machine Learning bauen, lassen sich Prozesse verschlanken. Dadurch, dass alle Mitarbeiter abteilungsübergreifend mit demselben System arbeiten, wird eine einheitliche Datenbasis geschaffen. Dies sorgt einerseits für prozessübergreifende Transparenz im Rahmen von Workflows. Auf der anderen Seite wird auch eine arbeits-, zeit- und fehleranfällige, doppelte Datenpflege obsolet. Weiterführende Informationen finden Sie auf der Themenseite Automatisierung.
Automatisierungen dank ML
Mithilfe intelligenter Anwendungen lassen sich Prozessoptimierungen und -Automatisierungen auf eine neue Ebene anheben. So lassen sich beispielsweise Datensätze auf Grundlage von Keywords mit deutlich weniger Aufwand importieren und selektieren. Auf diese Weise werden Kapazitäten geschont und Ressourcen eingespart, welche wiederum an anderer Stelle zielführender eingesetzt werden können. So lassen sich letztlich vor allem auch Kosten reduzieren, die im administrativen Bereich anfallen (vgl. applus-erp.de, 04.01.2023).
Machine Learning in der Logistik
Ein weiterer, möglicher Anwendungsbereich für ML im unternehmerischen Kontext liegt im Bereich der Logistik/ des Supply Chain Management. Bei einer KI-gestützten Optimierung von Lagerbeständen geht es beispielsweise darum, bestehende Parameter zu optimieren, um effizienter operieren zu können. Mithilfe Künstlicher Intelligenz ist es so möglich, Beschaffungsart, Mindestbestände und zukünftigen Bedarf bzw. Verbrauch anhand von vorliegenden Daten zu optimieren. Auch bei Herausforderungen wie Ressourcenknappheuten und Lieferzeiten können smarte Systeme Abhilfe schaffen (vgl. applus-erp.de, 04.01.2023).
Dashboards
Darüber hinaus kann Künstliche Intelligenz auch in Dashboards eingesetzt werden, um zu tracken, wie sich Nutzer durch eine ERP-Software bewegen. Auf Grundlage des Verhaltens der Anwender lassen sich dann wiederum automatisiert Vorschläge für neue Elemente generieren. Auf diese Weise wird Nutzern die Navigation in der Softwareoberfläche erleichtert. Dieser Prozess erleichtert zudem die Suche nach Informationen und Daten. Auch kann Machine Learning Anstöße für die Erstellung neuer Prozesse geben, welche wiederum die alten ablösen können. Dies optimiert letztlich vor allem die User Experience (UX) innerhalb der ERP-Software und die Bedienung des Systems wird effizienter (vgl. applus-erp.de, 04.01.2023).
Die Zukunft des maschinellen Lernens in Unternehmen
Im Zuge unserer innovationsgeprägten Gesellschaft und zunehmend schnellem, digitalen Fortschritt wachsen auch die Anwendungsmöglichkeiten und Einsatzbereiche und somit letztlich auch die Bedeutung von maschinellem Lernen für Unternehmen. Business-Software wie beispielsweise ERP-Systeme werden zunehmend intelligenter und stützen sich auf Künstliche Intelligenz, um Unternehmen eine zunehmende Optimierung der eigenen Geschäftsprozesse zu ermöglichen.
Einsparungs- und Optimierungspotenziale werden von smarten Systemen eigenständig erkannt und aufgezeigt. Auf diese Weise kann Unternehmen ein entscheidender Wettbewerbsvorteil gegenüber Mitbewerbern am Markt entstehen. Die zunehmende Bedeutung smarte Systeme wird sich langfristig auch auf die Art und Weise der geleisteten Arbeit auswirken (vgl. Leukert et al., "Künstliche Intelligenz, 2018).
Big Data und das Potenzial von ML
Bereits heute nimmt Künstliche Intelligenz in vielen Bereichen eine unterstützende Funktion ein und kann Betrieben beispielsweise bei der systematischen Analyse großer Datensätze (Stichwort big data) helfen, deren manuelle Auswertung anderenfalls kaum zu schultern wäre. Bei Big Data handelt es sich um Daten, welche in großen Mengen, in großer Vielfalt und mit hoher Geschwindigkeit anfallen.
Es handelt es sich somit um große und komplexe Datensätze, die vor allem aus neuen Datenquellen stammen (vgl. oracle.com, 21.02.2023). Daten werden nicht ohne Grund auch als "Öl" des 21. Jahrhunderts bezeichnet. Künstliche Intelligenz und Machine Learning kann Unternehmen dabei helfen, den größtmöglichen Nutzen aus den ihm zur Verfügung stehenden Daten zu ziehen und so das Potenzial der Daten voll auszuschöpfen.