Welcome to the jungle! Das ist nicht nur der Titel eines ebenso bekannten wie vogelwilden Songs von Guns N‘ Roses. Das Video dazu spielt in New York und zeigt einen jungen Mann (Sänger Axl Rose) in der Rolle eines zunächst unbedarften Jugendlichen, der unter den negativen Einfluss moderner Laster und Verführungen gerät. Der Titel ist als Analogie zur IT und ihren vielfältigen Buzzwords und Hypes gedacht. Auch sie rufen ständig: Kauf mich, nein nimm mich.

Das kennzeichnet somit ganz gut die Situation wie sie sich derzeit in der IT darstellt. Begriffe und Aspekte in Theorie und Praxis wie Big Data, Analytics, Cloud, IoT, Security, KI, Maschinelles Lernen, DevOps, Service Mesh oder Microservices, sie alle verschmelzen

miteinander. Wie soll man da den Überblick behalten? Vielfach handelt es sich nur um mehr oder weniger leere Worthülsen, aber wo ist Substanz vorhanden und wann passt sie zur mir und zu meinem Unternehmen?

BI und Big Data verschmelzen zu einer Analytics-Plattform

Im Zuge der Digitalisierung der Geschäftsmodelle verschmelzen die eher in die Vergangenheit schauende klassische Business-Intelligence-Welt und das in die Zukunft gerichtete Analyseverständnis von Big Data zu einer gemeinsamen Analytics-Plattform. Diese neue „analytische Plattform“ zeichnet sich durch technologische Vielfalt und stetige Veränderung aus und verbindet in verstärktem Maße unterschiedliche Cloud-Ansätze zu einer hybriden analytischen Infrastruktur.

Reale und virtuelle Welt gehen heute immer mehr ineinander über. Eine radikale Transformation unseres beruflichen und privaten Umfeldes ist bereits im vollen Gange. Gerade die Ex-post-Sicht der Business Intelligence (BI) gerät damit unter Druck, denn der Wert einer Information nimmt in Relation zurzeit stetig ab. Geschwindigkeit ist gefragt. Nichts ist schließlich so alt, wie die Zeitung von gestern!

Zwar hat die IT in den letzten Jahren BI-Lösungen geschaffen, die die Zeitspanne zwischen Verarbeitung und Kommunikation von Informationen reduzieren können. Die Digitalisierung verändert die Anforderungen jedoch noch einmal dramatisch durch ihre Forderung nach Near-Realtime-Analysen und -Nutzung. Somit entfällt der zeitliche Versatz, der den aktuellen BI-Architekturen innewohnt. Dazu kommt, dass der Blick der BI-Welt eher auf die Vergangenheit gerichtet ist. Die Vergangenheit ist bei digitalen Geschäftsmodellen jedoch oft nur ein Teilaspekt: Next-Best-Offer, Predictive Maintenance oder Deep Learning sind als Analyseansätze integraler Bestandteil von operativen Prozessen. Sie verwenden Prognoseergebnisse der Gegenwart zur Steuerung von Entscheidungen.

Parallel dazu verspricht Cloud Computing „IT Power aus der Steckdose“. Welche IT träumt nicht davon? Die IT-Kosten beziehen sich damit auf die tatsächliche Nutzung und auf Preismodelle, die nutzungsbezogen abrechnen. Betriebswirtschaftlich ist somit eine Wandlung der Kapitalbindung durch IT-Infrastruktur (CAPEX) in operative Betriebskosten (OPEX) möglich.

Den vollständigen Fachbeitrag von Rolf Scheuch, Opitz Consulting GmbH, finden interessierte Leser in dem eBook Big Data & Analytics.

Mehr aus Machine Learning herausholen

Unternehmen, die Wettbewerbs- und Innovationsstärke demonstrieren wollen, schreiben sich vermehrt Künstliche Intelligenz (KI) oder Maschinelles Lernen (ML) auf die Fahnen. Wer aber hinter die Firmenversprechen und Marketing-Botschaften schaut, erkennt: Es gibt noch großen Nachholbedarf, insbesondere hinsichtlich Umsetzung und realer Geschäftsnutzen. Hier kommen MLOps ins Spiel, eine Wortkopplung aus Machine Learning und Operations (Abläufe oder Prozesse).

Die aktuelle „Studie Machine Learning/Deep Learning 2019“ der IDC zeigt auf, dass ML und Deep Learning derzeit zu den drei wichtigsten IT-Themen gehören. Nur Cloud Computing und Sicherheit haben einen noch höheren Stellenwert. Die Ausgaben für ML-Anwendungen sollen bis 2021 demnach auf rund 57,6 Milliarden Euro steigen. Konkrete ML-Einsatzbeispiele sind die Automatisierung des Kundendienstes, vorausschauende Wartung im Produktionsumfeld oder eine Zusammenführung von Finanzdaten, um Prognosen und KPIs für die kommenden Monate herauszuarbeiten.

Das Problem: Die meisten Unternehmensentscheider sehen in ML eher ein Optimierungstool als eine Möglichkeit, neue Dienstleistungen und Produkte zu entwickeln. Deshalb wird das Machine Learning-Potenzial noch längst nicht in seiner Gänze ausgeschöpft und ML-Initiativen, die messbare Ergebnisse liefern, bleiben häufig hinter den Erwartungen zurück. MLOps können hier Abhilfe schaffen, denn sie unterstützen bei Planung und Implementierung entsprechender Initiativen.

Aleksandar Kovacevic, InterSystems, erklärt in seinem Beitrag in dem eBook Big Data & Analytics, eine durchdachte und auf verlässlichen Daten beruhende Herangehensweise, die künftige ML-Projekte auf ein verlässliches Fundament stellt, so dass Unternehmen deutlich mehr aus ihren Bestrebungen in Sachen Maschinelles Lernen herausholen können. So können KI und ML ihren messbaren Geschäftswert entfalten.

Die drei Bausteine moderner Datenanalyse

Unsere Welt besteht aus einer Vielfalt an Informationen – laut einer kürzlich erschienen Studie des Speichermedienherstellers Seagate und IDC wird die globale Datensphäre von 33 Zettabyte im Jahr 2018 auf 175 Zettabyte im Jahr 2025 anwachsen. Fast 30 Prozent der weltweiten Daten werden dabei in Echtzeit verarbeitet werden müssen.

Für das menschliche Gehirn erscheint eine solche Masse an Daten absurd und schwer zu fassen. Mit jeder technologischen Weiterentwicklung sind wir jedoch mehr und mehr in der Lage, all diese Informationen gemeinsam zu betrachten und uns ein umfassenderes Bild von der Welt zu machen. Dabei ist der Einsatz moderner Technologien unabdingbar, wenn wir diese Daten nutzen wollen. Denn nicht nur die Masse an Daten steigt, sondern auch die Rechenleistung, um diese zu verarbeiten, wie die BaFin in ihrer Studie zu Big Data und KI für Finanzdienstleistungen dargelegt hat.

Nicht zuletzt können auch die Algorithmen für Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) besser trainiert werden, je mehr Daten zur Verfügung stehen. Mit Hilfe von leistungsstarken Rechnern und weit entwickelter Software können mittlerweile Datenmengen aufbereitet, verarbeitet und analysiert werden, die uns ohne technische Hilfsmittel unzugänglich wären. Doch in welchem Verhältnis stehen nun ML und KI und an welcher Stelle steht der Mensch?

Tom Becker, Alteryx, beschreibt das Dreigestirn Maschinelles Lernen, Künstliche Intelligenz und menschliches Wissen in dem eBook Big Data & Analytics.

Ganz so vogelwild wie bei Guns N‘ Roses geht es in dem IT-Dschungel mit seinen verführerischen Buzzwords und Hypes nun doch nicht zu. Trotzdem können nur Fachkenntnis und kritischer Verstand den IT-Verantwortliche auf ihrem Weg durch den Wildwuchs die Machete ersetzen. Das eBook „Big Data & Analytics“ dient dabei als hilfreicher Begleiter.

Die Themen:

• Die Zukunft von BI und Big Data
• Mehr aus Machine Learning herausholen
• Megatrend Konnektivität – Der Erfolg von IOT
• Predictive Analytics im Projektmanagement
• Datenbank-Migration – Fünf Tipps für agilere Legacy-Systeme
• DevOps, Big Data und die Digitalisierung
• Big Data-Projekte: Problemlöser Service Mesh?
• Big Data und Datenintegration
• Big Data & IOT: Angriff dank Entity Analytics abwehren
• Big Data im Wandel – Mainframe-Daten migrieren
• KI und Big Data: Die Reifeprüfung
• Daten, Daten, Daten – Die Innovationen nehmen kein Ende
• Bereit für KI? Die Bedeutung von Datenmanagement
• Die vier Säulen der Digitalisierung
• Die drei Bausteine moderner Datenanalyse

Das eBook „Big Data & Analytics“ ist eine Sonderausgabe des Fachmagazins it_management. Es ist deutschsprachig, 70 Seiten lang und das PDF ca. 13  MB groß. Es steht unter diesem Link kostenlos zum Download bereit:

https://www.it-daily.net/download/22357-big-data-analytics-ki-und-maschinelles-lernen-auf-dem-vormarsch

Weitere Informationen:  www.it-daily.net

Ansprechpartner:

Ulrich Parthier
it Verlag GmbH
Rudolf-Diesel-Ring 21
82054 Sauerlach
Telefon: +49-8104-649414
E-Mail: u.parthier@it-verlag.de