Zuvor veröffentlicht in der LSE Business Review.
Das maschinelle Lernen ist bereit, den Weg für viele spannende Möglichkeiten für Unternehmen zu ebnen, aber es gibt viele Hürden zu überwinden, bevor man die Ziellinie erreicht. Viele Unternehmen haben noch mit Altsystemen zu kämpfen und investieren nur langsam in fortschrittlichere Technologien. Das dringendere Problem, das den Technologiesektor immer wieder beschäftigt, ist jedoch der Mangel an qualifizierten Fachkräften für diese sich schnell verändernde und anspruchsvolle Branche.
Unerforschtes Gebiet
Das maschinelle Lernen ist von Natur aus experimentell und oft unvorhersehbar. Bevor Unternehmen überhaupt einen Sinn in den Daten erkennen können und wissen, welche Algorithmen für das maschinelle Lernen am besten geeignet sind, sind viele Untersuchungen erforderlich. Während die Unvorhersehbarkeit des maschinellen Lernens verständlicherweise entmutigend ist, haben viele Unternehmen noch nicht vollständig begriffen, was erforderlich ist, um es effektiv einzusetzen und zu verwalten.
Zugang zu den Daten
Der Zugang zu Daten ist für jede Form des maschinellen Lernens von entscheidender Bedeutung, aber praktisch alle Unternehmen haben Richtlinien, die den Zugang zu bestimmten Informationen und Daten beschränken. Sie müssen verstehen, dass das maschinelle Lernen letztlich durch alle Arten von Daten gespeist wird. Daher ist es für die Effektivität der Algorithmen unerlässlich, einen konsistenten und kontinuierlichen Zugang zu diesen Daten zu gewährleisten und gleichzeitig die Sicherheits- und andere Data-Governance-Vorschriften einzuhalten. Selbst wenn Unternehmen über Richtlinien verfügen, die einen einfachen Zugang zu Echtzeitdaten ermöglichen, müssen sie überlegen, wie sie die vielen Datensätze zusammenführen, um einen stetigen Datenfluss zu gewährleisten. Modelle des maschinellen Lernens sollten nicht auf einem festen, einmaligen Datensatz trainiert werden, da die Wirksamkeit der Modelle dann nachlässt, sondern kontinuierlich auf den sich ändernden Daten trainiert werden, damit sich die Modelle mit dem sich ändernden Verhalten der Daten und Systeme weiterentwickeln können.
Veraltete Technologie
Ein weiteres Hindernis für die Einführung des maschinellen Lernens ist die veraltete Technologie. Viele Unternehmen verlassen sich immer noch auf veraltete Technologien und lokale Datensysteme, was es unglaublich schwierig macht, die zunehmende Menge und Vielfalt der erzeugten Daten effektiv zu verarbeiten und zu verwalten. Infolgedessen verbringen IT-Fachleute zu viel Zeit mit der manuellen Programmierung, um das Datenwirrwarr zu beseitigen und die Datenpipelines aufzubauen, und nicht genug mit höherwertigen Aufgaben.
Raus mit dem Alten, rein mit dem Neuen
Unternehmen haben in der Technologiefrage zwei Möglichkeiten: Entweder sie bleiben ihrer Konkurrenz voraus oder sie riskieren, veraltet zu sein. Unternehmen müssen nicht nur die Nutzererfahrung verbessern und eine effektive Nutzung ihrer Ressourcen sicherstellen, sondern auch in der Lage sein, die Handlungen und Erwartungen ihrer Nutzer zu antizipieren und vorherzusagen, um präzise Empfehlungen oder umsetzbare Erkenntnisse zu liefern. Zur Bewältigung der technischen Probleme sollten Unternehmen nicht nur in neue Cloud-Technologien investieren, sondern auch in solche, die ein gewisses Maß an intelligenter Automatisierung bieten und nur minimalen Programmieraufwand erfordern, um IT-Experten zu entlasten.
Die Investitionen beziehen sich nicht nur auf die Technologie, sondern auch auf die Schulung und Weiterbildung der Mitarbeiter. Unternehmen sollten sicherstellen, dass ihre Mitarbeiter sowohl im IT-Bereich als auch in den verschiedenen Geschäftsbereichen gut gerüstet sind, um diese neuen Technologien in vollem Umfang zu nutzen, und dass sie regelmäßig geschult werden, um ihre Fähigkeiten zu aktualisieren und zu erweitern.
Schließung der Qualifikationslücke
Ein weiteres großes Problem, mit dem Unternehmen seit langem konfrontiert sind, ist der Mangel an qualifizierten Fachkräften. Mit der zunehmenden Verbreitung von maschinellem Lernen und Cloud-Technologien ist auch die Nachfrage nach qualifizierten Fachkräften gestiegen, die für den effektiven Einsatz dieser Tools ausgebildet sind. Die Zahl der Data Scientists und der Spezialisten für maschinelles Lernen nimmt zu, aber die Realität ist, dass es Zeit braucht, diese speziellen Fähigkeiten zu entwickeln. Folglich hält das derzeitige Angebot nicht mit der Nachfrage Schritt.
Es sollte nicht nur Aufgabe der Unternehmen sein, das Problem des Fachkräftemangels anzugehen - auch die Universitäten müssen eine Rolle spielen. Es ist ermutigend zu sehen, dass die Universitäten jeden Tag mehr Kurse in maschinellem Lernen und Datenwissenschaft anbieten, wobei einige diese neuen Disziplinen zu einem Teil der Kernlehrpläne für bestimmte Abschlüsse machen. Doch dabei sollte es nicht bleiben: Während die Hochschulen den Studierenden eine theoretische Ausbildung bieten, können Unternehmen Einblicke und Erfahrungen auf der Grundlage realer Geschäftsprobleme vermitteln. Die Unternehmen sollten mit den Universitäten zusammenarbeiten, um den Studenten zu helfen, praktische Erfahrungen am Arbeitsplatz zu sammeln. Eine Möglichkeit, dies zu tun, besteht darin, Praktika zu einer Studienvoraussetzung zu machen. Fortschrittliche Universitäten machen es für Studenten dieser Studiengänge zur Pflicht, ein Semester lang in einem Unternehmen in einem relevanten Bereich zu arbeiten. Dies gibt den Studenten nicht nur die Möglichkeit, mit einer Vielzahl von Unternehmen zusammenzuarbeiten, sondern verkürzt auch den Einstellungsprozess für die Unternehmen erheblich, wenn es darum geht, die nächste Welle von Vollzeitbeschäftigten einzustellen.
Darüber hinaus müssen die Unternehmen nicht nur Hochschulabsolventen für Stellen im Bereich maschinelles Lernen und Datenwissenschaft einstellen. In einer Branche, in der qualifizierte Talente Mangelware sind, wird die Ausbildung bestehender Mitarbeiter, die über andere relevante Fähigkeiten verfügen, dazu beitragen, die Qualifikationslücke zu schließen. Es ist erstaunlich zu sehen, wie viele wertvolle und kostengünstige Ressourcen und Materialien es gibt, die Menschen dabei helfen, sich selbst weiterzubilden, damit sie lernen können, wie man programmiert und sich mit neuen Technologien vertraut macht.
Ein interessanter Trend, den wir zu beobachten beginnen, ist, dass Fachleute wie Senior Business Analysten und Softwareingenieure ihr Wissen über Data Science und maschinelles Lernen erweitern. Viele Software-Ingenieure sind zum Beispiel mit maschinellem Lernen vertraut, da es sich dabei um Software handelt. IT-Business-Analysten haben zwar keine Erfahrung in der Softwareprogrammierung, aber ihr Fachwissen, ihre Erfahrung im Umgang mit Daten und Analysen sowie eine Reihe neuer intuitiver Selbstbedienungstools ermöglichen es ihnen, die Vorteile des maschinellen Lernens zu nutzen. Der Blick über den Tellerrand der Datenwissenschaftler hinaus und die Investition in Menschen mit anderen nützlichen Fähigkeiten wird nicht nur dazu beitragen, den Talentmangel zu lindern, sondern auch einem breiteren Spektrum von Nutzern die Möglichkeit geben, sich mit maschinellem Lernen zu beschäftigen und einen Mehrwert für das Unternehmen zu schaffen.
Wie man das Beste aus dem maschinellen Lernen herausholt
Maschinelles Lernen und KI werden schließlich alle Aspekte von Anwendungen und Systemen durchdringen, nicht nur die prädiktive Analytik. Aber bis dahin ist es noch ein weiter Weg. Unternehmen müssen sich entschlossen von Altsystemen trennen und in Technologien und Ressourcen investieren, die ihnen einen Vorsprung verschaffen. Aber es wird eine verlorene Sache sein, wenn die Unternehmen nicht sicherstellen, dass ihre Mitarbeiter so ausgestattet sind, dass sie das Beste aus diesen Technologien machen können. Die Zusammenarbeit mit Universitäten und Berufsschulen ist nicht nur wichtig, um neue Talente zu gewinnen, sondern auch, um sicherzustellen, dass die Mitarbeiter ihre Fähigkeiten und ihr Wissen ständig erweitern.
All diese Entwicklungen deuten auf eine vielversprechende Zukunft hin, in der maschinelles Lernen auf breiter Front eingesetzt wird, um einige der dringenden geschäftlichen Herausforderungen von morgen zu lösen.
