3.2.2 Potential und Leistungsfähigkeit der Softwarelösungen

Dieses Problem wird noch durch den fortbestehenden Fachkräftemangel verstärkt, der z.B. verhindert, dass viele SAP Kunden auf die aktuelle Version S4/HANA migrieren können[1].

Im Bereich der Datenanalyse treffen wir zum einen auf langjährig etablierte Statistiksoftware wie IBM SPSS oder SAS, die größtenteils als Einzelplatzlizenzen genutzt werden und zum anderen seit ungefähr fünf Jahren vermehrt auf Cloud basierte Data Science Plattformen, die von Teams genutzt werden.

SPSS uns SAS fanden in erster Linie große Verbreitung an Universitäten und wurden von zahlreichen Fachdisziplinen in den Sozial- und Wirtschaftswissenschaften sowie in der Medizin angewendet. Meist wurden die Universitäten mit Campus Lizenzen ausgestattet, sodass alle Studenten die Software kostenfrei nutzen können.

Die Ausbreitung der Data Science Tools und Plattformen begann auch im wissenschaftlichen Bereich und profitierte vom wachsenden Trend zu Open Source Software und Algorithmen sowie zu Open Data. Hinzu kam die Entwicklung neuer Programmiersprachen wie R und Python, die eine Vielzahl analytischer Libraries bieten, durch die statistische Verfahren oder Machine Learning Algorithmen einfach und ohne Lizenzkosten genutzt werden können. Außerdem lebt die Data Science Community auch von dem Sharing Gedanken der Open Source Welt, bei der es darum geht selbst erarbeitetes Wissen der Allgemeinheit zur Verfügung zu stellen und damit gemeinsam noch bessere Lösungen zu entwickeln, die dann wiederum selbst quelloffen zur Nutzung durch die Gemeinschaft verfügbar gemacht werden.

Gerade um die gemeinsame Nutzung von Algorithmen, Rechenkapazitäten und Tools für die Steuerung von Machine Learning Prozessen zu ermöglichen wurden in den letzten 5 Jahren zunehmend Plattformen an den Markt gebracht. Spezialisierte Anbieter wie Alteryx und DataIku oder etablierte Softwarehersteller wie Amazon, Microsoft und IBM entwickelten Plattformen, die die bekannten und bei Data Scientisten beliebten Entwicklungstools wie R Studio und Jupyter Notebooks oder die Machine Learning Umgebung Lime auf mandantenfähigen Cloud Lösungen zu Verfügung stellen. Hierbei geht es darum größeren Teams von Datenwissenschaftlern eine zentrale Umgebung zur Verfügung zu stellen, die effiziente Zusammenarbeit fördert und den gesamtem Entwicklungszyklus von der Beschaffung und Anbindung von Datenquellen über die Katalogisierung bis hin zur Entwicklung von Anwendungen in Python oder R und dem Deployment von Machine Learning Modellen unterstützt. Moderne Umgebungen wie Watson Studio von IBM bieten bereits Funktionen wie automatisiertes maschinelles Lernen, bei dem der aufwendige Trainingsprozess von Modellen deutlich vereinfacht und beschleunigt wird[2].

Wie in Kapitel 2.3 am Beispiel Service Automatisierung gezeigt bietet künstliche Intelligenz zwar aus Sicht der Befragten der BearingPoint Studie eine ganze Reihe an Vorteilen, wie die direkte Beantwortung von Fragen auch außerhalb der Geschäftszeiten oder kürzere Wartezeiten in Hotlines, dennoch ist die Akzeptanz nicht besonders hoch. Dies zeigt auch, dass es für 83% der befragten ist es wichtig ist zu wissen, ob sie mit einem Menschen oder einer Maschine interagieren. Der Trainingsaufwand für die Machine Learning Modelle, die den Chat-Bots zu intelligenten Antworten und einer flüssigen Kommunikation verhelfen ist immer noch sehr hoch. Hier arbeiten zumeist interdisziplinäre Teams aus Software Entwicklern, Computer Linguisten und Experten aus dem Fachbereich zusammen, um die Nutzererfahrung so realitätsnah zur Unterhaltung mit einer echten Person wie möglich zu gestalten. Die Akzeptanz der Nutzer sinkt rapide, wenn Chat Bots die gestellte Frage falsch verstehen oder zu viele Rückfragen stellen, um die Fragestellung korrekt einzugrenzen.

[1]

Christof Kerkmann,2021

[2] IBM Watson Studio Auto AI, https://www.ibm.com/de-de/cloud/watson-studio/autoai