{"id":11569,"date":"2022-04-11T16:40:00","date_gmt":"2022-04-11T14:40:00","guid":{"rendered":"https:\/\/laigo.ai\/?p=11569"},"modified":"2025-08-17T09:52:37","modified_gmt":"2025-08-17T07:52:37","slug":"machine-learning-from-hype-to-the-new-standard","status":"publish","type":"post","link":"https:\/\/laigo.ai\/de\/blog\/machine-learning-from-hype-to-the-new-standard\/","title":{"rendered":"MASCHINELLES LERNEN \u2013 VOM HYPE ZUM NEUEN STANDARD"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Wie die meisten Themen im Zusammenhang mit k\u00fcnstlicher Intelligenz liegt auch maschinelles Lernen (ML) derzeit im Trend. Dabei handelt es sich um IT-Systeme, die gro\u00dfe Datenmengen auswerten, um selbstst\u00e4ndig Muster und Regelm\u00e4\u00dfigkeiten zu erkennen und diese auf neue Daten anzuwenden, um Prognosen zu erstellen und Zusammenh\u00e4nge zu identifizieren. F\u00fcr Unternehmen stellt sich fr\u00fcher oder sp\u00e4ter die Frage, ob ML wirklich die Zukunftstechnologie ist, als die sie in der \u00d6ffentlichkeit dargestellt wird, ob sie das leisten kann, was von ihr erwartet wird, und ob sie auch f\u00fcr sie geeignet ist, um aktuelle Herausforderungen zu bew\u00e4ltigen und die Zukunft des Unternehmens zu sichern.

<\/p>

AUFSTIEG UND ABSTIEG ZUR MARKTREIFE: DER GARTNER HYPE CYCLE<\/b><\/h2>

Die \u201eklassische\u201c Informationsquelle f\u00fcr die Bewertung neuer Technologien ist der Hype Cycle des Marktforschungsunternehmens Gartner. Dabei handelt es sich um eine Kurve, die die Regelm\u00e4\u00dfigkeit des Aufstiegs, Niedergangs und \u00dcbergangs zu einer akzeptierten Technologie nachzeichnet und prognostiziert. Gartner pr\u00e4gte den Begriff f\u00fcr dieses Auf und Ab und entwickelte die Darstellung in einer Fortschrittskurve. Die Einstufung von Technologien in diesem Schema ist sicherlich subjektiv, aber sie hilft Unternehmen, ihre eigene Einsch\u00e4tzung des Potenzials neuer Technologien mit den gesammelten Einsch\u00e4tzungen anderer zu vergleichen.
Ein Blick auf die Grafik f\u00fcr KI f\u00fcr 2021 zeigt, dass ML den H\u00f6hepunkt \u00fcbertriebener Erwartungen \u00fcberschritten hat und sich auf dem Weg in die Talsohle der Ern\u00fcchterung befindet \u2013 verbunden mit der Erwartung, dass der \u00dcbergang zu einer weit verbreiteten und akzeptierten Technologie innerhalb weniger Jahre stattfinden wird. Mit anderen Worten: ML ist noch nicht Standard, aber auf dem besten Weg dahin. Unternehmen, die bereits auf ML setzen, verschaffen sich einen deutlichen Vorsprung, sind aber nicht davor gefeit, eine Lektion zu lernen.

<\/p>

IMMER MEHR UNTERNEHMEN SETZEN ML EIN<\/b><\/h2>

Studien in Deutschland zeigen die wachsende Akzeptanz von ML in Unternehmen. Laut dem IDG-Bericht \u201eStudie Machine Learning 2020\u201c werden ML-Technologien von mehr als 43 Prozent der befragten Gro\u00dfunternehmen und rund 30 Prozent der mittelst\u00e4ndischen Unternehmen eingesetzt. Kleinere mittelst\u00e4ndische Unternehmen mit 50 bis weniger als 500 Mitarbeitern liegen mit zehn Prozent noch zur\u00fcck. In der Folgestudie aus dem Jahr 2021, die einen anderen Ansatz hinsichtlich der Unternehmensgr\u00f6\u00dfe verfolgt, liegt der Anteil mittelst\u00e4ndischer und gro\u00dfer Unternehmen mit ML-Projekten bei 70 Prozent, w\u00e4hrend die Zahl f\u00fcr Unternehmen mit weniger als 1.000 Mitarbeitern bei knapp 60 Prozent liegt. 41 Prozent der Befragten der Studie \u201eArtificial Intelligence in the Midmarket\u201d, die 2021 von der Wirtschaftspr\u00fcfungsgesellschaft Deloitte ver\u00f6ffentlicht wurde, sehen ML als wichtige Technologie f\u00fcr mittelst\u00e4ndische Unternehmen.

<\/p>

VON DER NISCHE ZUR FUNKTIONALEN ANWENDUNG<\/b><\/h2>

Aber nicht nur die Zahl der Unternehmen, die an ML-Projekten arbeiten, steigt, auch das Spektrum der Anwendungsf\u00e4lle w\u00e4chst. Nach Angaben des Internet-Branchenverbands eco und Arthur D. Little werden bis 2025 mindestens 50 verschiedene Anwendungsf\u00e4lle in Unternehmen fest etabliert sein.
Anwendungsbereiche finden sich zunehmend in der IT mit ihren immer komplexer werdenden Infrastrukturen und zur Abwehr von Cyberangriffen sowie in der Produktion. Dort wird ML vor allem f\u00fcr die vorausschauende Wartung, die Qualit\u00e4tssicherung und die Optimierung von Produktionsprozessen sowie f\u00fcr die Optimierung von Lieferketten eingesetzt. Im Marketing und Vertrieb spielen Marktanalysen und die Unterst\u00fctzung durch digitale Assistenten die Hauptrolle. Die Teilnehmer der Deloitte-Studie sehen unter anderem auch in den Bereichen Finanzen und Rechnungswesen, Personalwesen und Forschung und Entwicklung gro\u00dfes Potenzial.
Laut der IDG-Folgestudie mangelt es neuen Anwendungen wie Kundenselbstbedienungsangeboten, die von einigen Unternehmen entwickelt werden, manchmal an Kundenakzeptanz, beispielsweise wenn es um medizinische Diagnosen geht. Was ML braucht, ist Zeit, um sich in Unternehmen zu etablieren. In vielen Unternehmen fehlt es weniger an Geld f\u00fcr ML-Projekte als vielmehr an der Akzeptanz der Belegschaft und an Bef\u00fcrchtungen hinsichtlich einer mangelnden Akzeptanz bei Kunden und Partnern. Au\u00dferdem fehlt es an spezifischem Know-how, das derzeit auf dem Arbeitsmarkt kaum zu finden ist, sodass insbesondere mittelst\u00e4ndische Unternehmen auf die Zusammenarbeit mit geeigneten Dienstleistern zur\u00fcckgreifen.

<\/p>

FAZIT<\/b><\/h2>

ML hat sich von einer Nischenanwendung f\u00fcr Nerds zu einer Technologie mit einem breiten Spektrum an Anwendungsm\u00f6glichkeiten entwickelt. Die meisten Unternehmen haben erkannt, dass die neue Technologie einen hohen Wert f\u00fcr ihre zuk\u00fcnftige Entwicklung hat. Gleichzeitig haben ML-L\u00f6sungen einen Reifegrad erreicht, der innerhalb weniger Monate positive Auswirkungen f\u00fcr die Mehrheit der Nutzer haben kann. Unternehmen, die bisher gez\u00f6gert haben, sich mit ML zu befassen, sollten den Wissensvorsprung ihrer Konkurrenten nicht zu gro\u00df werden lassen, damit sie nicht in wenigen Jahren ins Hintertreffen geraten, denn ML ist auf dem besten Weg, zum zuk\u00fcnftigen Standard zu werden.

<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Like most topics related to artificial intelligence, machine learning (ML) is also in vogue. This refers to IT systems that evaluate large volumes of data with the aim of independently recognizing patterns and regularities and applying them to new data in order to make forecasts and identify correlations. For companies, the question will sooner or […]<\/p>","protected":false},"author":7,"featured_media":18573,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-11569","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-regulation"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/posts\/11569","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/comments?post=11569"}],"version-history":[{"count":0,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/posts\/11569\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/media\/18573"}],"wp:attachment":[{"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/media?parent=11569"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/categories?post=11569"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/tags?post=11569"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}