Elektrotechnik

(Bild: iStock.com)

Dienste aus der Cloud statt aus der eigenen IT. (Bild: R. Sellin)

Daten sammeln und mit Data Mining zielgerichtet interpretieren. (Bild: R. Sellin)

Wie KI unsere Welt verändert

Die Künstliche Intelligenz (KI) verändert unseren Alltag nachhaltig. Sie hilft bei der Sondierung der weiterhin stark wachsenden Datenmenge. Welche Verfahren gibt es hier und welchen Nutzen können Unternehmen daraus ziehen?

Bereits heute fällt die zunehmende Komplexität der IT auf, die seit Jahren durch eine grosse Zunahme der zu bewältigenden Datenmenge erschwert wird. Dazu prägen bereits seit etwa dem Jahre 2016 verschiedene Trends wie Cloud Computing, Big Data und Data Mining den Markt. Sie sind jedoch noch nicht überall an der Front angekommen, weshalb eine Übersicht dazu hilfreich sein kann.

Cloud Computing

Cloud Computing beschreibt die Bereitstellung von IT-Infrastruktur wie beispielsweise Speicherplatz, Rechenleistung oder Anwendungssoftware als Dienstleistung über das Internet. IT-Infrastrukturen werden also über ein Rechnernetz «aus der Wolke» zur Verfügung gestellt, ohne dass diese auf dem lokalen Rechner installiert sind. Die Nutzung dieser Cloud-Services erfolgt dabei ausschliesslich über technische Schnittstellen und Protokolle, etwa via Webbrowser. Die innerhalb des Cloud Computings angebotenen Services decken eine grosse Bandbreite ab. Sie umfassen das gesamte IT-Spektrum und beinhalten unter anderem Infrastruktur, Plattformen und Software. Entsprechend existieren bereits folgende Cloud Services:

Infrastructure as a Service (IaaS): IaaS bietet einen Zugang zu virtualisierten Ressourcen wie Computerhardware (Rechner, Netze, Speicherplatz usw.). Mit IaaS können sich Cloud-Benutzer ihre eigenen virtuellen Computer-Cluster gestalten und sind daher für Auswahl, Installation, Betrieb und Funktion ihrer Software selbst verantwortlich.

Platform as a Service (PaaS): Bei PaaS stellt der Service Provider in Serverfarmen/ Rechenzentren umfassende Plattformen bereit, die z. B. aus OS, Programmiersprachen, Datenbanken und Webservern bestehen. Dies erlaubt die Nutzung ganzer Plattformen wie Programmierungs- oder Laufzeitumgebungen mit flexiblen, dynamisch anpassbaren Rechen- und Datenkapazitäten. Dank PaaS können die Nutzer eigene
Software-Anwendungen entwickeln oder in einer Softwareumgebung ausführen, die vom Service Provider bereitgestellt und unterhalten wird.

Software as a Service (SaaS): SaaS bietet einen Zugang zu Software-Bibliotheken und Anwendungsprogrammen, die vom Service Provider auf dessen Infrastruktur bereitgestellt werden. SaaS wird auch als «Software on demand» (Software auf Anforderung) bezeichnet.

Desktop as a Service (DaaS): DaaS ist ein Cloud Computing-Angebot, bei dem eine dritte Partei das Backend einer VDI-Bereitstellung hostet (Virtual Desktop Infrastructure). Dort laufen Desktop- Betriebssysteme in virtuellen Maschinen auf Servern im Rechenzentrum eines Cloud-Anbieters. Die gesamte erforderliche Infrastruktur (einschliesslich Speicher- und Netzwerkressourcen) befindet sich ebenfalls in der Cloud. Wie bei lokalen VDIs streamt ein DaaS-Anbieter virtuelle Desktops über ein Netzwerk zu den Endpunktgeräten eines Kunden, wobei Endbenutzer über Client-Software oder einen Webbrowser darauf zugreifen können. DaaS ist eine Sonderform von SaaS.

Data as a Service (ebenfalls DaaS): DaaS ist ein Modell zur Bereitstellung und Verteilung von Informationen. Dabei werden den Kunden Daten (zum Beispiel Text-, Bild-, Sound- und Videodateien) via Internet oder andere Netzwerke zur Verfügung gestellt. Bei allen genannten Diensten ist ein leistungsfähiger Internet-Anschluss mit hohen symmetrischen Bandbreiten eine wichtige Voraussetzung zu deren einwandfreien Funktion. Auch eine tiefe Latenz von wenigen Millisekunden garantiert flüssige Abläufe mit hoher Benutzerakzeptanz.

Big Data

Die verschiedenen Clouds wurden dazu geschaffen, Software bereitzustellen und grosse Datenmengen zu speichern – Stichwort Big Data. Dieser Begriff wurde zunächst als Phänomen wahrgenommen, und in der jüngeren Vergangenheit entstand eine ähnliche Hype darüber wie bei der Cloud. Big Data umfasst neben der immer rasanter wachsenden Datenmenge auch neue und leistungsstarke IT-Lösungen und Systeme, mit denen Unternehmen die Informationsflut vorteilhaft verarbeiten können. Big Data geht mit einer schnell fortschreitenden Digitalisierung einher und umfasst die Sammlung, Nutzung, Verwertung, Vermarktung und vor allem die nachgehende Verarbeitung und Analyse digitaler Daten. Weil Letzteres oft negative Assoziation hervorruft und zudem einen grundlegenden gesellschaftlichen Wandel einleitet, kam Big Data anfangs in Verruf. Nach etwa drei bis vier Jahren kann man unterdessen jedoch ein durchaus positives Fazit ziehen, da man mit Big Data Analytics klare Wettbewerbsvorteile generieren kann. Durch die grossen Datenmengen erhalten die Unternehmen nämlich ganz neue Einblicke in die Interessen, das Kaufverhalten und auch das Risikopotenzial von Kunden sowie von potenziellen weiteren Interessenten. Unter Zuhilfenahme von genauen Datenanalysen werden die grossen Datenmengen gefiltert, untersucht, beurteilt und entsprechend interpretiert. Dabei verbergen sich hinter dem Begriff Big Data Analytics Methoden und Verfahren, um in Datenbergen versteckte Muster, bisher unbekannte Korrelationen und andere nützliche Markt- und Nutzungsinformationen zu entdecken. Praktisch alle Schweizer Grossfirmen nutzen solche Analysemethoden z. B. für ein zielgerichteteres und daher effektiveres Marketing. Durch genauere Markt- und Kundenkenntnis können diese Unternehmen ihren Kunden passendere Angebote unterbreiten oder bessere Dienstleitungen auf den Markt bringen, was deren Marktakzeptanz und das Unternehmensimage nachhaltig verbessern kann.

Data Mining

Das Data Mining ist im Vergleich dazu wesentlich diffiziler und aufwendiger. Darunter versteht man die systematische Anwendung computergestützter Methoden, um in vorhandenen Datenbeständen Muster, Trends oder Zusammenhänge zu finden. Die zur Wissensentdeckung eingesetzten Algorithmen basieren unter anderem auf Methoden der Statistik, Kombinatorik und Wahrscheinlichkeitsrechnung. Das Data Mining beinhaltet rechnergestützte Analysen von Datenbeständen und nutzt Verfahren der künstlichen Intelligenz (KI), um grosse Datenbestände auf neue Querverbindungen, Trends oder auffällige Muster hin zu untersuchen. Data Mining extrahiert die Zusammenhänge automatisch und stellt sie übergeordneten Zielen zur Verfügung. Die erkannten Muster können dazu beitragen, die Entscheidungsfindung bei bestimmten Problemen zu erleichtern. Die Aufgaben des Data Minings umfassen die Einzelbereiche Klassifikation, Segmentierung, Prognose sowie Abhängigkeits- und Abweichungsanalysen. Die Klassifikation ordnet bestimmte Klassen einzelnen Datenobjekten zu, während die Segmentierung Objekte mitgemeinsamen Merkmalen zu Gruppen zusammenfasst. Dabei sollten alle Objekte einer Gruppe möglichst homogen sein. Als Prognose bezeichnet man die Vorhersage von bisher nicht bekannten Merkmalen auf Basis zuvor gewonnener Erkenntnisse. Mit der Abhängigkeitsanalyse lassen sich Beziehungen zwischen einzelnen Merkmalen eines Objekts oder zwischen verschiedenen Objekten finden. Schliesslich werden bei der Abweichungsanalyse Objekte identifiziert, welche den Regeln der Abhängigkeiten anderer Objekte nicht entsprechen,womit sich mögliche Ursachen für die Abweichungen finden lassen. Das Data Mining kommt im Marketing, im Finanz- und Versicherungswesen, im Onlinehandel, in der Verbrechensbekämpfung oder in der Medizin  branchenübergreifend zur Anwendung. Banken und Versicherungen nutzen es beispielsweise zur Durchführung von Risikoanalysen und entsprechend genauerer Berechnung individueller Prämien. Im Handel dient Data Mining zur Analyse des Kaufverhaltens von Kunden und zur Differenzierung von zahlungsfähigen und zahlungsunfähigen Kunden.

Data Mining versus Big Data

Obwohl die Begriffe Big Data und Data Mining oft im ähnlichen Kontext verwendet werden, teilweise ähnliche Ziele haben, sind sie klar voneinander zu trennen:
Big Data befasst sich mit besonders grossen Datenmengen, die sich mit konventionellen Methoden und IT-Werkzeugen weder effizient noch in einem zeitlich vertretbaren Rahmen verarbeiten lassen.
Data Mining beschreibt den eigentlichen Vorgang der Analyse von grossen Datenmengen mit dem Ziel, für den Analysten relevante Zusammenhänge und Erkenntnisse zu erhalten. Big Data speichert also grosse Datenmengen und stellt geeignete technische Plattformen zur effizienten Verarbeitung zur Verfügung, während sich das Data Mining die vorliegende Daten mit der Hilfe von KI-Werkzeugen eingehend analysiert und vom Untersucher gewünschte Zusammenhänge bereitstellt.
Beide Verfahren erwecken den Eindruck, dass sie sehr aufwendig und daher auch mit hohen Kostenfolgen verbunden sind. Jedoch haben die enormen Fortschritte im Bereich der Big-Data-Technologien sowie günstigere und leistungsfähigere Hardware in den Rechenzentren dafür gesorgt, dass sich Aufwand und Ertrag im vertretbaren Rahmen halten. Zudem liefern Big Data und Data Mining bei der Sammlung umfangreicher Datenmengen und der anschliessenden Strukturierung und Analyse für das jeweilige Unternehmen relevante Ergebnisse. Das Cloud Computing ist längst auch bei den KMUs angekommen und erleichtert ihnen den Alltag, weil sie sich nicht mehr um die lästige IT inkl. immer neuer Softwarelizenzen kümmern müssen. Und bei der Nutzung von Big Data und Data Mining stimmt die zunehmende Möglichkeit  zuversichtlich, dank KI auch kleinere Kundenbasen mit beschränkteren Datenmengen zu analysieren und neue Erkenntnisse und Marktpotenziale daraus abzuleiten. Damit werden auch diese beiden Themen für KMUs interessant.