Just as KYOTO is not a misspelling of TOKYO - DGITIZATION and DIGITALIZATION are vastly different!

The 90’s were the years of computerization. Data from ledgers and files was moved into electronic data storage devices. Computers facilitated this transformation and provided means of easy retrieval. Execution times of typical accounting processes were cut down drastically, bringing about disruptive changes in almost all branches of the business world. The change started by digitization culminated with the availability of digitized information via the internet.

Then, what on earth is Digitalization? Intuitively speaking, it is the task of extracting value from all the data that has been made computer readable during the digitization phase. Now you might say, easy retrieval and automation were already done, what is left to do? Here comes the kicker. Digitalization pushes the bar higher, by bringing in the promise of automating tasks which previously required human cognitive capabilities. For example, evolution has trained us to recognize faces and objects. Even small children distinguish an elephant from a giraffe with ease. However, making the computer do the same has been a daunting task until very recently.

Computers are very good at diligently performing well defined tasks, like column wise summing up all the numbers in a large spreadsheet. When a given task cannot be formulated by a well-defined set of rules, computers are next to useless. This is where machine learning comes in. The craft of machine learning consists in writing algorithms which let the computer learn the rules by itself from example data. So, for our object recognition problem, instead of writing rules about how to identify an elephant as an elephant, we just show the computer examples of what an elephant is and what is not. Machine learning algorithms allow the computer to discover on its own the rules of making this distinction. The number of examples needed for this learning task depends upon the complexity of the problem and the choice of learning procedure.

Digitalization is thriving because its three primal requirements are being met in more and more places:

- Availability of large data sets to learn from. (Think of all the giraffe and elephant pictures on Instagram.)

- Capacity to computationally handle these large data sets. (Compare the computing power of your 1990 desktop PC with your current one.)

- Algorithms to discover patterns and learn rules efficiently. (The last 15 years have seen spectacular breakthroughs in academic research on machine learning, which was

immediately put to use by the big tech companies.)

Confluence of these three requirements was necessary to bring Digitalization to the fore in many business areas. Before proceeding with Digitalization in your organization, it is of vital importance to develop an understanding if and how these requirements can be met for your specific use case.

---

Die Digitalisierung kennen wir doch schon seit den Neunzigern, oder? Auf einmal gab es überall Computer, und Informationen wanderten aus Aktenordnern und Karteikästen in elektronische Datenbanken auf Festplatten. Der nötige Aufwand, um gespeicherte Informationen abzufragen oder zu durchsuchen sank drastisch. Typische Planungs- und Buchhaltungsaufgaben ließen sich plötzlich in einem Bruchteil der vorher benötigten Zeit erledigen, und die neuen technischen Möglichkeiten veränderten Arbeitsabläufe in nahezu allen Wirtschaftszweigen. Die Digitalisierung erreichte um die Jahrtausendwende ihren Höhepunkt in der breiten Verfügbarkeit von digitalisierter Information über das Internet.

So. Und warum dann nun immer noch der ganze Rummel um die Digitalisierung? Der Begriff bedeutet 30 Jahre später nicht mehr das Gleiche. Heute geht es darum, aus all den Informationen, die in maschinenlesbarer Form abgelegt werden, den größtmöglichen Nutzen zu ziehen. Haben wir doch schon, weil wir Informationen nicht mehr in Leitz-Ordnern suchen müssen? Nun ja, die Messlatte liegt heutzutage höher. Bei der neuen Welle der Digitalisierung geht es darum, Prozesse zu automatisieren, bei denen man sich bis dahin auf die menschliche Urteilskraft verlassen musste. Zum Beispiel hat die Evolution dem menschlichen Gehirn beigebracht, Gesichter und Objekte wiederzuerkennen. Auch sehr kleine Kinder können schon zuverlässig Elefanten von Giraffen unterscheiden. Für einen Computer dagegen grenzte diese Aufgabe noch bis vor kurzem an ein Ding der Unmöglichkeit.

Computer sind sehr gut darin, mathematisch klar umrissene Aufgaben zu erledigen. Zum Beispiel kann ein Computer spaltenweise alle Zahlen in einer Tabelle aufaddieren, auch wenn die Tabelle sehr lang ist. Wenn sich aber eine Aufgabe nicht mathematisch klar durch Regeln beschreiben lässt, wird ein Computer daran scheitern. Hier liegt die Stärke von Machine Learning Verfahren.

Machine Learning bezeichnet eine Klasse von Algorithmen, die dem Computer erlauben, aus Beispieldaten selbst Regeln abzuleiten. Anstatt also ein detailliertes Regelwerk auszuarbeiten, das beschreibt was den Elefanten zum Elefanten macht, wird dem Computer anhand von Beispielfotos gesagt, welche Bilder Elefanten darstellen und welche nicht. Durch das Ausführen von Machine Learning Algorithmen kann der Computer dann selbst Regeln aufstellen, die es ihm erlauben, zwischen Elefanten und Giraffen zu unterscheiden. Wie viele Beispiele der Computer gesehen haben muss, um genug zu lernen, hängt stark von der Komplexität der Problemstellung und vom verwendeten Lernverfahren ab.

Die Digitalisierung macht rasende Fortschritte, weil ihre drei Grundvoraussetzungen in immer mehr Anwendungsfällen erfüllt sind:

• Verfügbarkeit von großen Datenmengen, aus denen sich lernen lässt. (Zum Beispiel hunderttausende von Giraffen- und Elefantenfotos auf Instagram.)

• Verfügbarkeit von Rechenleistung und Speicherkapazität. (Vergleichen sie dazu die Rechenleistung Ihres Desktop PCs von 1990 mit Ihrem heutigen Modell.)

• Geeignete Algorithmen, mit denen sich Muster erkennen und Regeln lernen lassen. (In den letzten 15 Jahren gab es spektakuläre Durchbrüche in der Grundlagenforschung zur Bilderkennung, und aktuelle Forschungsergebnisse lassen sich meist sofort kommerziell verwerteten.)

Das Zusammenkommen dieser drei Bedingungen ist entscheidend für den Erfolg von Digitalisierung heute. Bevor Sie damit beginnen in Ihrer Organisation über Digitalisierungsmaßnahmen nachzudenken, ist es wichtig genau zu verstehen, ob und wie sich diese Grundvoraussetzungen für Ihr spezielles Vorhaben erfüllen lassen.