Machine Learning als Siebenmeilenstiefel für Innovation

siebenmeilenstiefel

Volker Bilgram, Oliver Gluth

Innovationen galten lange Zeit als Königsdisziplin menschlichen Schaffens. Schon heute entscheiden jedoch nicht mehr nur Menschen, sondern auch Maschinen das Wettrennen um die Innovationen, die unsere Zukunft prägen werden. Welche Kundenbedürfnisse besonders relevant sind, welche Trends ganze Branchen dominieren und Konsumentengewohnheiten ändern werden – diese zentralen Fragen entscheiden zwar heute meist immer noch Manager, doch Maschinen sind ihre „Souffleure“.

Eine kürzlich von uns veröffentlichte Fallstudie zeigt beispielsweise, wie ein Technologieunternehmen Machine Learning Verfahren einsetzt, um automatisch Innovationspotenziale und Trends zu identifizieren und zu bewerten. Als Datenbasis dienen Crowdfunding-Projekte, die von Startups initiiert und von innovativen Konsumenten und Trendsettern unterstützt werden. Der Machine Learning Ansatz analysiert die Beschreibungen der Crowdfunding-Projekte und liefert ein umfassendes Clustering aller Technologietrends und Ideen. Anhand der Geldsumme, die Konsumenten für die jeweilige Idee aufgebracht haben, bewertet der Algorithmus das Potenzial eines jeden Clusters. An der Spitze der Konsumentengunst und Startups stehen die Innovationscluster „Headphones & Multimedia Tools“, „Future Mobility“ und „Maker Tools“ (siehe Abbildung 1). Sie sammelten mit über $80 Millionen die höchsten Fördermittel im Beobachtungszeitraum ein.

Abbildung 1: Durch Machine Learning Ansätze gebildete Metacluster von Technologieprojekten

Betrachtet man die Cluster auf der nächsten Detailebene, so zeigen sich Unterkategorien, die Aufschluss über konkretere Innovationsfelder und -potenziale geben. Abbildung 2 stellt die Unterkategorien für das Metacluster „Smart Home & Living“ dar. Die Projekte in diesem Cluster spiegeln die zunehmende Konnektivität in Haushalten und den fortschreitenden Automatisierungstrend in allen Bereichen des täglichen Lebens wider. Sie reichen von Modulen für spezifische Anwendungsfälle bis hin zu ganzheitlichen Smart Living Systemen. Während die relativ großen Finanzierungsvolumen von „Smart Lighting“ und „Smart Room Climate“ den Erwartungen entsprechen, ist die deutlich höhere Summe aus Projekten zu „Smart Security“ ein bemerkenswertes Signal für ein lohnendes Smart Home Innovationsfeld.

abbildung2

Abbildung 2: Detailansicht der Sub-Cluster innerhalb von Smart Home & Living

Das Vorgehen ist in zweierlei Hinsicht neu: Erstens beleuchtet es den Einsatz künstlicher Intelligenz und zeigt, wie Machine Learning genutzt werden kann, um Daten automatisiert zu analysieren. Zweitens nutzt das Vorgehen große Datensätze aus einer einzigartigen Datenquelle, nämlich Crowdfunding Plattformen. Neben den abgeleiteten Clustern bietet das aufsummierte Crowdfunding-Volumen einen Indikator für die Relevanz und kommerzielle Realisierbarkeit des Innovationspotenzials. Machine Learning Ansätze können im Vergleich zu herkömmlichen Trendanalysen und Marktforschungsmethoden insbesondere hinsichtlich Geschwindigkeit und Automatisierungsgrad des Prozesses sowie hinsichtlich Objektivität der Ergebnisse punkten. Darüber hinaus ermöglicht der Ansatz etablierten Unternehmen, die dynamischen Entwicklungen von Startups in ihrem Geschäftsfeld systematisch zu verfolgen und zu evaluieren.

Auch wenn künstliche Intelligenz in naher Zukunft noch nicht vollends die Rolle des Innovators übernehmen wird, so sind Machine Learning Ansätze heute schon die Siebenmeilenstiefel für jeden Innovationsverantwortlichen.

Autoren:

Dr. Volker Bilgram ist Geschäftsführer bei HYVE. Er leitet dort die AI-Initiative, die künstliche Intelligenz als essenziellen Designparameter von Innovationen begreift und AI-basierte Innovationen entwickelt.

Oliver Gluth verantwortet den Data Science Bereich bei HYVE. Sein inhaltlicher Fokus liegt auf dem Einsatz von Machine Learning Verfahren im Bereich Natural Language Processing sowie der Ableitung von Gestaltungsprinzipien für AI-basierte Interfaces.