Zusammenfassung
Der Beitrag behandelt das Thema Machine Learning aus der Perspektive mittelständischer Betriebe. Er gibt eine kurze Einführung in die Thematik und den Grad der Maturität der Technologie, Kern des Beitrages ist aber die Zusammenfassung einer Studie zum gleichen Thema, an der elf mittelständische Unternehmen aus Deutschland und der Schweiz teilgenommen haben. Drei ausgewählte Fallstudien, die hier etwas ausführlicher herausgestellt werden, dienen der Herausarbeitung von Ansätzen und Erfolgsfaktoren. Diese sollen dabei helfen, das Thema Machine Learning in die unternehmerische Praxis mittelständischer Unternehmen zu integrieren. Sie umfassen wirtschaftlich relevante Anwendungsfälle, Best Practices beim Umgang mit Open-Source-Lösungen und kosteneffiziente Möglichkeiten des Aufbaus technischer Kompetenzen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
https://keras.io. Zugegriffen am 28.06.2019.
- 2.
https:// clarifai.com. Zugegriffen am 28.06.2019.
- 3.
https://azure.microsoft.com/de-de. Zugegriffen am 28.06.2019.
- 4.
https://docs.aws.amazon.com/ec2. Zugegriffen am 28.06.2019.
- 5.
https://cloud.google.com/gpu. Zugegriffen am 28.06.2019.
- 6.
https://meetup.com/de-DE. Zugegriffen am 28.06.2019.
- 7.
https://coursera.org. Zugegriffen am 28.06.2019.
- 8.
https://udemy.com/de. Zugegriffen am 28.06.2019.
- 9.
https://eu.udacity.com. Zugegriffen am 28.06.2019.
- 10.
https://en.wikipedia.org/wiki/Andrew_Ng. Zugegriffen am 28.06.2019.
- 11.
Interview mit Jan Tamm (YXLON International), 14.08.2018.
- 12.
Interview mit IT Dienstleistungs- und Beratungsunternehmen, 13.08.2018.
- 13.
Barmettler (2018).
- 14.
Zu diesem als MVP bekannten Ansatz vgl. Ries (2014).
Literatur
Barmettler, M. (2018). Personalizing journalism: How we are creating a smarter, more personal news experience at „Neue Zürcher Zeitung“. https://medium.com/nzz-the-thinking-box/personalizing-journalism-how-we-are-creating-a-smarter-more-personal-news-experience-at-neue-b1d823f76c00. Zugegriffen am 28.06.2019.
Bughin, J., Hazan, E., Ramaswamy, S., Chui, M., Allas, T., Dahlström, P., Henke, N., & Trench, M. (2017). Artificial Intelligence – The next digital frontier? https://www.mckinsey.com/~/media/mckinsey/industries/advanced%20electronics/our%20insights/how%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/mgi-artificial-intelligence-discussion-paper.ashx. Zugegriffen am 28.06.2019.
Chollet, F. (2018). Deep Learning mit Python und Keras. Frechen: mitp.
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542, 115–118.
Fenn, J., & Blosch, M. (2018). Understanding Gartner’s hype cycles. https://www.gartner.com/en/documents/3887767. Zugegriffen am 28.06.2019.
Heise Online. (2018). Amazon könnte Sprach-Mikrowelle auch nach Deutschland bringen. https://www.heise.de/newsticker/meldung/Amazon-koennte-Sprach-Mikrowelle-auch-nach-Deutschland-bringen-4254105.html. Zugegriffen am 28.06.2019.
Hildesheim, W., & Michelsen, D. (2019). Künstliche Intelligenz im Jahr 2018 – Aktueller Stand von branchenübergreifenden KI-Lösungen: Was ist möglich? Was nicht? Beispiele und Empfehlungen (S. 119 ff.). In P. Buxmann & H. Schmidt (Hrsg.), Künstliche Intelligenz (S. 119–142). Heidelberg: Springer.
o. V. (2004). Künstliche Intelligenz. In Gabler Wirtschaftslexikon (S. 1827). Wiesbaden: Gabler.
Pfitzner, R. (2017). Data science for a smart news experience. https://medium.com/@RenePfitznerZH/data-science-for-a-smart-news-experience-35d316846d04. Zugegriffen am 28.06.2019.
Ries, E. (2014). Lean Startup: Schnell, risikolos und erfolgreich Unternehmen gründen. München: Redline.
The Economist. (2017). How Germany’s Otto uses artificial intelligence. https://www.economist.com/business/2017/04/12/how-germanys-otto-uses-artificial-intelligence. Zugegriffen am 05.10.2019.
Zilis, S., & Cham, J. (2016). The current state of machine intelligence 3.0. https://www.oreilly.com/ideas/the-current-state-of-machine-intelligence-3-0. Zugegriffen am 28.06.2019.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Dahm, M.H., Constantine, B. (2020). Machine Learning für den Mittelstand. In: Dahm, M., Thode, S. (eds) Digitale Transformation in der Unternehmenspraxis. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-28557-9_16
Download citation
DOI: https://doi.org/10.1007/978-3-658-28557-9_16
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-28556-2
Online ISBN: 978-3-658-28557-9
eBook Packages: Business and Economics (German Language)