Das mit Abstand größte Hemmnis bei der Umsetzung von Machine-Learning-Projekten ist der Mangel an Fachpersonal. So sehen es zumindest 37 Prozent der befragten Unternehmen einer aktuellen Studie zum Thema „Machine Learning“ von IDG Reserach Services in Zusammenarbeit mit Lufthansa Industry Solutions, INFORM DataLab und Microsoft.
Mit nur wenig Abstand folgen auf dem zweiten und dritten Platz die Gründe „unzureichende Programmierkenntnisse“ (25 Prozent) und „fehlendes internes Know-how“ (24 Prozent). Zusammenfassend zeigen diese Ergebnisse, dass der Mangel an fachspezifischen Kenntnissen und Spezialisten ganz klar die Umsetzung von KI- und ML-Projekten und damit die Wettbewerbsfähigkeit deutscher Unternehmen negativ beeinflusst. Für die Studie wurden im Frühjahr dieses Jahres insgesamt 367 (IT-)Entscheider aus Unternehmen der D-A-CH-Region befragt.
19 Prozent der Befragten gaben jedoch auch an, dass Unternehmen kein Budget für die Weiterbildung eigener Mitarbeiter vorsehen. Das heißt, der Mangel von Fachwissen ist zumindest teilweise ein Problem, das von den Unternehmen selbst geschaffen wird. Die fehlende Expertise spiegelt sich auch in der Datenqualität wider. Dieser Faktor stellt vor allem für kleinere Firmen (21 Prozent) eine Herausforderung dar, während Großkonzerne (sieben Prozent) die Datenqualität weitgehend im Griff haben. Vermutlich verfügen große Unternehmen über personell besser ausgestattete IT-Abteilungen und mehr Budget für die Qualitätssicherung von Daten. Dabei ist festzuhalten, dass beispielsweise Datenverfügbarkeit, -integration und Data Governance auf einem ganz anderen Blatt stehen und insbesondere bei komplexer werdenden Unternehmensstrukturen umso schwieriger zu handhaben sind.
Knackpunkt Know-how und Spezialisten
Ganz deutlich wird durch die Ergebnisse: Unternehmen haben oft nicht die internen Ressourcen, um Machine-Learning-Projekte zielgerichtet und erfolgreich umzusetzen. Schade: Denn der ROI dieser Projekte zeigt sich laut Umfrageergebnissen in den meisten Fällen bereits nach nur drei Monaten.
Wie sollen Unternehmen also mit dem Fachkräftemangel am besten umgehen? Oft geht der erste Schritt dahin, einen Data Scientist einzustellen. Doch unabhängig von den fachlichen Kenntnissen und inhaltlichen Schwerpunkten des (neuen) Mitarbeiters, ist bei der Entscheidung für eine Einstellung meist nicht ganz klar, was dieser eigentlich im Unternehmen machen soll. Mal eben an den vorhandenen Daten arbeiten? Das ist meist nicht der richtige Weg. Ohne zu verstehen, wie die einzelnen Abteilungen mit Daten arbeiten und welche Herausforderungen sie in ihrer täglichen Arbeit bewältigen müssen, lässt sich keine Lösung entwickeln, die für das Unternehmen einen Mehrwert schafft. Hier sind unternehmensweite Kooperation und ein konkretes Ziel gefragt. Und oft ist ein solches Projekt auch kapazitativ nicht über eine einzelne Person zu stemmen. Denn im Grunde ist die Aufgabe, angepasste KI-Lösungen zu entwickeln, sehr zeitintensiv. Es geht um internes Marketing, den Bus-Faktor, Entwicklung, Integration, Aufbau von Domänenkenntnissen und vieles mehr. So gilt als Faustregel: mit weniger als drei Data Scientists sollten Unternehmen nicht starten. Gerade kleinere Unternehmen sollten daher in Betracht ziehen, externe Unterstützung hinzuzuziehen, da der Aufbau interner Kapazitäten ineffizient wäre. Hierzu können Unternehmen auch ihren Data Maturity Index, der Grad inwieweit ein Unternehmen schon gezielt für den Unternehmenserfolg einsetzt – als Indikator dienen, um einzuschätzen, wie viel Kapazität nötig ist. Der Data Maturity Index gibt zusätzlich einen Hinweis darauf, welche Aufgaben gegebenenfalls intern und welche besser extern abgedeckt werden.
Außerdem muss ein geplantes KI-Projekt so nicht „liegen bleiben“, nur weil aktuell kein passender Data Scientist gefunden wird. Daher ist es keine Überraschung, dass bereits rund 78 Prozent der befragten Firmen bei Machine-Learning-Projekten auf externe Unterstützung setzen.
Fazit
Aktuelle Studienergebnisse zeigen: Machine-Learning-Projekte lohnen sich! Doch ist es nicht leicht für Unternehmen, diese Projekte aufgrund mangelnder Kenntnisse und Spezialisten auf diesem Gebiet umzusetzen. Eine interne Abwicklung kann zudem zeitintensiv und nicht sicher zielgerichtet sein. Je nach Umfang und Gebiet des Projektes ist es dann sinnvoller, sich externe Experten hinzuzuziehen, um das Projekt nicht – wie so oft – noch einmal zeitlich zu verschieben. Ein Großteil der Firmen hat dies bereits verstanden und setzt für den Erfolg der Projekte auf externes Knowhow.
