Anbieter von Machine Learning (ML)- und Data-Science-Plattformen stehen in starkem Wettbewerb miteinander und alle behaupten, einen klaren Vorteil auf dem Digitalisierungsmarkt zu bieten. Künstliche Intelligenz (KI), Data-Science, Internet of Things (IoT), Deep Learning und andere Technologien, die Geschäftsmodelle und -prozesse antreiben – auf dem Weg zum intelligenten Unternehmen ist es nicht leicht, die richtige Wahl zu treffen. SAP bietet eine einzigartige Data-Intelligence-Plattform, die diese Bemühungen unterstützt.

In diesen Tagen kündigte SAP die SAP Data Intelligence-Plattform an, mit der das Unternehmen eine durchgängige Grundlage für Machine Learning und Data Science bieten möchte, die Unternehmen auf ihrem Weg zum intelligenten Unternehmen unterstützt.

Die Vision vom intelligenten Unternehmen steht im Mittelpunkt der SAP-Strategie; um sie zu verwirklichen, müssen KI-Anwendungen in großem Maßstab bereitgestellt werden. Idealerweise sollte dies ein integriertes Angebot mit einem Data-Science-Frontend sein, welches das gesamte Lifecycle-Management abdeckt und vollständig mit SAP-Systemen integriert ist.

Die Bereitstellung dieser Anwendungen kann jedoch eine große Herausforderung darstellen, und jeder Stakeholder hat eine andere Sichtweise:

  1. Der CIO möchte Data Science- oder ML-Anwendungen kostengünstig bereitstellen und skalieren und verlangt eine stabile Lösung.
  2. Das Data Science-Team hätte gern eine Entwicklungsumgebung, die den Unternehmensanforderungen entspricht und außerdem weitere Explorationsmöglichkeiten bietet.
  3. Der endgültige IT-Betrieb oder das DevOps-Team wünscht Wiederverwendbarkeit, stabile Bereitstellung und Wartungsfreundlichkeit.

SAP zielt genau auf diese drei Stakeholder ab und möchte End-to-Ende-Machine-Learning-Szenarios in einem einzigen System verwalten.

Camelots Sicht auf KI

Bei Camelot wissen wir dieses Ziel sehr zu schätzen und haben in der Vergangenheit immer wieder Beiträge zur professionellen Umsetzung von Data Science veröffentlicht, etwa zu folgenden Themen:

  • Wertidentifizierung
  • Visuelle Analytik
  • Microservices
  • Allgemeine Bedeutung von Data Science

Tatsächlich wird der gesamte CRISP-Zyklus mit Wertidentifizierung, Datenvorbereitung, Modellerstellung, Servicebereitstellung und -betrieb seit Langem von Camelot in unseren Data-Science-Projekten zur Digitalisierung von Unternehmen eingesetzt.

Erster Schritt: EDA

Vor der Implementierung einer Data-Science-Technik muss eine explorative Datenanalyse (EDA) durchgeführt werden, um erste Erkenntnisse über die potenzielle Komplexität des vorliegenden Problems zu gewinnen, wie in beschrieben. Die EDA ist essenziell für ein klar definiertes und strukturiertes Data-Science-Projekt und sollte noch vor statistischen oder ML-Modellphasen erfolgen. Die Hauptsäulen der EDA sind Datenbereinigung, Datenvorbereitung, Datenexploration und Datenvisualisierung. Seit Kurzem nutzen wir aktiv SAP Analytics Cloud als wichtigste Unternehmensanwendung für die Visualisierung der Datenanalyse.

Zweiter Schritt: Modellierung

Wenn die Daten zur Bearbeitung bereit sind, beginnen wir mit der Modellierungsphase. Machine Learning (ML) kann einen echten Mehrwert für Ihr Unternehmen schaffen. Das ist eine Tatsache. Wie jedoch in Data Science zur Gewinnung von Erkenntnissen erwähnt, ist das keine Zauberei, und die Verwendung von Data Science zur Lösung Ihrer Probleme sollte eng mit Ihrem unternehmensspezifischen Wissen verbunden und mit Geschäftsexperten abgestimmt sein. Ihr Wissen und ihre Erfahrung sind entscheidend, um Erkenntnisse aus Ihren Daten gewinnen zu können. Data-Science-Tools hingegen sind entscheidend für die Entwicklung von Optimierungsmodellen für Ihr Unternehmen, und die korrekte Interpretation der Ergebnisse ermöglicht es uns, Ihre betrieblichen Abläufe zu verbessern und mit ML Wert zu schaffen.

Viel diskutiert: Microservice-Architektur

Wir sind der festen Überzeugung, dass es im Zuge der Bestrebungen zur digitalen Transformation eine signifikante Veränderung bei der IT-Infrastruktur von Unternehmen geben wird. Die Microservice-Architektur ist derzeit wahrscheinlich das meistdiskutierte und am weitesten verbreitete Architekturmuster. Mit dem Aufkommen der Cloud-nativen Architektur werden Softwareanwendungen heute als eine Sammlung von Microservices erstellt, die Docker- oder Kubernetes-Technologien nutzen. Die wesentliche Veränderung ist die Gruppierung um Services statt um Bibliotheken, wie in Mikroservices – geschäftliche und technologische Ebene beschrieben. Kurz gesagt: Microservices-basierte Architekturen ermöglichen eine kontinuierliche Lieferung und Implementierung. Ein Microservice sollte ein Kundenbedürfnis erfüllen und sein Design wird von gemeinsamen Entwicklungs- und Betriebsteams mit einer engen Verbindung zu den Geschäftsbereichen verwaltet und verantwortet. Es geht um die Gruppierung nach Zweck/Wert statt um die Gruppierung nach identischen Fähigkeiten/Funktion. So betreiben fast alle Unternehmen eine Microservices-Architektur oder versuchen, eine einzuführen.

Wichtig: Lernreise

Wie in unserem letzten Blogbeitrag Warum eine Data-Science-Lernreise für Ihre Organisation entscheidend ist besprochen, geht es für fast alle Unternehmen in Zukunft darum, die digitale Transformation zu bewältigen. Immer neue Informationstechnologien, ML-Anwendungen und operative Technologien kommen auf den Markt und verändern rasant den Rahmen der geschäftlichen Möglichkeiten. Niemand sollte erwarten, dass die heutige Geschäftswelt noch sehr lange Bestand haben wird.

Neue SAP-Plattform

SAP wird nun die meisten Probleme lösen, indem es verschiedene Serviceangebote zu einem integrierten Data-Science-Angebot bündelt (siehe Abbildung 1).

Die neue Plattform wird folgende Kernkomponenten haben:

  • SAP Data Hub auf Basis von Kubernetes zur Bereitstellung von Datenaustausch und -orchestrierung
  • SAP Predictive Analytics mit Fokus auf Operationalisierung und Automatisierung
  • SAP Leonardo ML Foundation für die Bereitstellung von Managed ML-Services, die über REST APIs aufgerufen werden
  • SAP Hana ML als zentrale In-Memory-Datenbank, die Machine-Learning-Services und schnelles Datenmanagement unterstützt

Bei der Betrachtung aller Aspekte wird deutlich, dass es sich nicht um ein schlankes exploratives System handelt, sondern dass es das Problem eines vollständigen KI-Lebenszyklusmanagements angeht. Ein schneller Einstieg für Nicht-Experten wird nach wie vor schwierig sein, zumal das Versprechen einer sogenannten Citizen Data Science noch nicht erfüllt ist.

Dennoch sind wir der festen Überzeugung, dass Richtung und Kombination des neuen Angebots stimmen. Darüber hinaus wird Camelot in den kommenden Monaten seine ersten Microservices auf dieser Plattform bereitstellen. Als SAP Gold Partner werden wir unsere Erkenntnisse und Erfahrungen mit SAP und natürlich mit unseren Kunden teilen, um den schnellen Fortschritt der gesamten angewandten Datenwissenschaft zu unterstützen.

Kommentare

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht.

Empfohlene Artikel

Data & Analytics

Künstliche Intelligenz im Master Data Management – es geht los!

Lesen Sie, wie künstliche Intelligenz (KI) auch komplexe MDM-Aufgaben übernehmen wird, die in der Vergangenheit allein durch Menschen zu bewä…

weiterlesen
Logistics

Echtzeit-Verkehrsdaten für „Live“-Distributionsmanagement

Die Distribution auf der „letzten Meile“ (letztes Wegstück beim Transport der Ware zum Kunden) ist mit vielfältigen Herausforderungen konfrontiert. …

weiterlesen
Future Value Chain

Aufbruch zu einem neuen Value-Chain-Modell

Angesichts eines zunehmend unbeständigen und ungewissen äußeren Umfelds müssen Unternehmen das Modell ihrer Wertschöpfungskette grundlegend überdenken. Stabile …

weiterlesen