Deutschland ist Spitze in der Forschung von Künstlicher Intelligenz und Maschinellem Lernen. Es hapert noch in der Anwendung dieser Technologien. Eine aktuelle Studie von mehreren Fraunhofer-Instituten möchte aufklären, die gesellschaftliche Akzeptanz fördern und vor allem kleine und mittelständische Unternehmen erreichen.

Beitrag teilen

Sie haben Fragen zu Studien?

Mein Name ist Kamuran Sezer. Bei der Iodata GmbH verantworte ich die Bereiche Forschung und Kommunikation. Ich bin Ihr Ansprechpartner für folgende Themen: Studien, digitale Transformation und IO-Reifegradmodell.

Deutschland ist Spitze in der Forschung von Künstlicher Intelligenz und Maschinellem Lernen. Es hapert noch in der Anwendung dieser Technologien. Eine aktuelle Studie von mehreren Fraunhofer-Instituten möchte aufklären, die gesellschaftliche Akzeptanz fördern und vor allem kleine und mittelständische Unternehmen erreichen.

Es gibt kaum einen Bereich, der nicht von Technologien der Künstlichen Intelligenz und des Maschinellen Lernens entscheidend transformiert wird: von der Güterproduktion über die Logistik bis zur Medizintechnik. Schon die Vielzahl der Einsatzmöglichkeiten ist ein Grund für das öffentliche Interesse. Die Debatte ist jedoch oft von Halbwissen, Vermutungen und Mythen geprägt, führen Wissenschaftler verschiedener Fraunhofer Institute in einer aktuellen Studie an.

Lade...

Dabei sei Aufklärung gefragt, die für die gesellschaftliche Akzeptanz und die weitere Verbreitung maschinell basierter Lernverfahren von zentraler Bedeutung ist. Hier setzt die im Kontext eines vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Projekts erstellte Studie „Maschinelles Lernen – Kompetenzen, Anwendungen und Forschungsbedarf“ an. Durchgeführt wurde das Projekt vom Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS, dem Fraunhofer-Zentrum für Internationales Management und Wissensökonomie IMW sowie der Zentrale der Fraunhofer-Gesellschaft.

Kompakte Einführung in Maschinelles Lernen und Künstliche Intelligenz

Die Studie gibt eine kompakte Einführung in die wichtigsten Konzepte und Methoden des Maschinellen Lernens, einen Überblick über Herausforderungen und neue Forschungsfragen. Darüber hinaus ermöglicht sie eine Übersicht zu Akteuren, Anwendungsfeldern und sozioökonomischen Rahmenbedingungen der Forschung mit Fokus auf den Standort Deutschland.

Forschung ist die Basis jeder neuen Technologie. Für die weitere Entwicklung neuer ML-Techniken wurde in Deutschland bereits eine solide Grundlage geschaffen. Entscheidend ist aber vor allem der Transfer von wissenschaftlichen Ergebnissen in konkrete Produkte, Prozesse und Dienstleistungen. So sind Länder wie die USA, China, Südkorea oder Japan Deutschland noch weit voraus, was die Anzahl der Patentfamilien im Bereich Maschinellem Lernen und Künstliche Intelligenz angeht. Dementsprechend wichtig ist es, nicht den Anschluss zu verlieren. Es gelte sowohl in die Forschung von Maschinelles Lernen zu investieren als auch gezielt den Transfer von der Wissenschaft in die Wirtschaft zu fördern.

Vor allem den Einsatz in KMU fördern

Hier gilt es vor allem, den Einsatz in kleinen und mittelständischen Unternehmen zu fördern und Eigenentwicklungen anzuregen, um hinsichtlich des Rückstands bei den Patentanmeldungen im internationalen Vergleich aufzuschließen. Dies ist insbesondere eine Frage zielgerichteter Informationsangebote – etwa in Form von Best Practices und konkreten Anwendungsszenarien. So zeigen KMU vielfach Interesse an Technologien des Maschinellen Lernens, sobald ihnen konkrete Einsatzmöglichkeiten mit unternehmerischem Mehrwert aufgezeigt werden.

Über den Forschungsbedarf in den zentralen Handlungsfeldern hinaus spielen auch übergeordnete rechtliche, gesellschaftliche und politische  Rahmenbedingungen eine wichtige Rolle. Die Studie betont hier vor allem den Fachkräftemangel. Der Bedarf an Expertinnen und Experten für Datenanalyse in Deutschland ist immens: Aktuell fehlen rund 85 000 Akademikerinnen und Akademiker mit fortgeschrittenen Datenanalysekenntnissen sowie zusätzlich rund 10.000 IT-Spezialfachkräfte in den Bereichen Big Data, Advanced Analytics, Business Intelligence und Data Science.

Es mangelt an verwertbaren Daten und Fachkräften

Handlungsbedarf besteht auch hinsichtlich der Verfügbarkeit von Daten. Gerade im internationalen Vergleich mangelt es in Deutschland an allgemein zugänglichen, verwertbaren Daten. Um Anreize zu schaffen, entsprechende Daten zu generieren und auszutauschen, ist es jedoch wichtig, dass Urheber die Kontrolle und Souveränität über ihre Daten behalten. Modelle wie der International Data Space, in dem Unternehmen ihre Daten zum gegenseitigen Nutzen teilen und dabei stets die Kontrolle über die Verwendung ihre Daten behalten, sind hier beispielhaft. (fraunhofer/iovolution)

Die Studie „Maschinelles Lernen – Kompetenzen, Anwendungen und Forschungsbedarf“ wird auf der CEBIT 2018 vorgestellt (Fraunhofer Stand Halle 27, Stand E78).

 

Vorab zum Download steht sie bereit unter: www.bigdata.fraunhofer.de/ml-studie