Die Erwartungen an Künstliche Intelligenz (KI) im Wirtschaftsleben sind oft hoch. Alle Unternehmen wollen von den Vorteilen profitieren. Wenn es eben geht, soll KI dem Geschäftsmodell über Nacht Superkräfte einhauchen. Doch allzu oft sind die verantwortlichen Manager dafür digital nicht reif genug und ungewollt mehr Bremser als Treiber beim Einstieg in die KI. Hinzu kommt, dass die Entwicklung von KI-Anwendungen viel Geld kostet und viele Monate bis Jahre in Anspruch nimmt. Und wenn die Verantwortlichen nicht aufpassen, überholt die technologische Entwicklung am Markt den Projektfortschritt, so dass die KI-Lösung schon wieder veraltet ist, bevor sie überhaupt zum Einsatz kommt. Was kann man also tun, um mit seiner KI-Entwicklung eine Erfolgsgeschichte zu schreiben?
Allgemeine Voraussetzung für erfolgreiche KI-Projekte
Natürlich gibt es für viele Anwendungsfälle bereits standardisierte Software, die Unternehmen nach ihren Bedürfnissen konfigurieren können. Sie profitieren zwar relativ schnell von den Vorteilen der KI, verfügen dann aber nicht über eine einzigartige Anwendung, die ihnen einen Wettbewerbsvorteil verschafft, der nur schwer aufzuholen ist. Eine selbst entwickelte KI-Lösung ist jedoch kein Hexenwerk, wenn verschiedene Faktoren berücksichtigt werden. Eine der wichtigsten Voraussetzungen für erfolgreiche KI-Projekte sind klare Ziele und Anforderungen. Das Projektteam muss verstehen, was mit dem Projekt erreicht werden soll, und welche Anforderungen erfüllt werden müssen. KI-Systeme benötigen große Datenmengen, um lernen und sich verbessern zu können. Ohne ausreichende Daten ist das Vorhaben, ein erfolgreiches KI-System zu entwickeln, zum Scheitern verurteilt. Der Umgang mit den unterschiedlichen KI-Technologien setzt ein Team von entsprechenden Experten auf diesen Gebieten voraus. Doch damit nicht genug. Das KI-System muss auch bestimmte Voraussetzungen erfüllen, um zum Erfolg des Projekts beizutragen. Es muss erklärbar sein, damit das Projektteam und die Anwender verstehen, wie Entscheidungen getroffen werden und es muss skalierbar sein, d.h. es muss mit wachsenden Datenmengen und Anforderungen mitwachsen können. Nicht zuletzt spielt auch die Flexibilität des KI-Systems eine wichtige Rolle, um sich an veränderte Bedingungen anpassen und schnell auf neue Anforderungen reagieren zu können.
12 Fragen, die Unternehmen sich stellen sollten, bevor sie ein KI-Projekt starten
Jede Reise beginnt mit der Überprüfung, ob alles bereit ist, was während der KI-Reise benötigt wird – insbesondere dann, wenn es sich um die Entwicklung einer Lösung handelt, die auf künstlicher Intelligenz basiert. In diesem Zusammenhang sind die nachfolgenden zwölf Schlüsselfragen wichtig, die man sich stellen sollte, bevor man sich auf die KI-Reise begibt:
- Was sind die genauen Ziele des Projekts und wie werden wir wissen, dass wir erfolgreich waren?
- Welche Daten benötigen wir, um das Projekt erfolgreich durchzuführen, und wo können wir sie bekommen?
- Welche Art von KI-Modell wird am besten für das Projekt geeignet sein?
- Welche Fähigkeiten und Ressourcen benötigen wir, um das Projekt erfolgreich durchzuführen?
- Wie werden wir das Modell testen und evaluieren, um sicherzustellen, dass es die Anforderungen erfüllt?
- Wie werden wir das Modell in die Lösung integrieren und betreiben?
- Wie werden wir das Modell überwachen und optimieren, um sicherzustellen, dass es die Ziele des Projekts erreicht?
- Welche ethischen und sicherheitsrelevanten Anforderungen müssen wir berücksichtigen?
- Wie werden wir sicherstellen, dass das Modell die Ziele und Wünsche des Benutzers und der Gesellschaft unterstützt?
- Wie werden wir das Modell erklären und transparent machen, damit der Benutzer verstehen kann, wie Entscheidungen getroffen werden?
- Wie werden wir das Modell skalieren, um mit wachsenden Datenmengen und Anforderungen mithalten zu können?
- Wie werden wir das Modell an veränderte Bedingungen anpassen und schnell auf neue Anforderungen reagieren können?
Es reicht allerdings nicht, sich die Fragen nur einmal zu stellen. Wichtig ist, die Antworten regelmäßig zu überprüfen, um sicherzustellen, dass das Projekt auf Kurs bleibt und dass alle Anforderungen erfüllt werden.
Whitepaper "Intelligent Process Automation für Unternehmensentscheider"
Erfahren Sie, wofür Sie Intelligent Process Automation in Ihrem Unternehmen einsetzen können, welche Kosten bei der Einführung entstehen und welchen ROI Sie erwarten können.
AI Alignment für erfolgreiche KI-Projekte
Laut dem MIT Center for Information Systems Research erfordern erfolgreiche KI-Programme einen Ansatz namens AI Alignment, bei dem erfolgreiche KI-Programme drei voneinander abhängige Konsistenzzustände erreichen: wissenschaftliche Konsistenz, Anwendungskonsistenz und Stakeholder-Konsistenz. Dabei geht es um die Übereinstimmung von menschlicher und künstlicher Intelligenz, um sicherzustellen, dass die Ziele und Entscheidungen des KI-Systems mit denen des menschlichen Benutzers übereinstimmen.
Was steckt hinter AI Alignment?
Hintergrund dieses Ansatzes ist die Überlegung, dass die wachsende Verbreitung von KI-Systemen in Unternehmen und der Gesellschaft das Potenzial hat, die Beziehungen zwischen Menschen und Technologie zu verändern. In diesem Zusammenhang ist es wichtig, sicherzustellen, dass KI-Systeme die Ziele und Wünsche der Menschen unterstützen und nicht gegen sie arbeiten. Der Entwickler eines KI-Systems muss sicherstellen, dass das System die Ziele und Wünsche des Benutzers versteht und berücksichtigt. Es muss transparent und erklärbar sein, damit der Benutzer verstehen kann, wie Entscheidungen getroffen werden. Dabei ist AI Alignment ein laufender Prozess. Die Entwickler im Unternehmen müssen folglich kontinuierlich daran arbeiten, dass ihre KI-Systeme mit den Zielen und Wünschen des Benutzers und der Gesellschaft stets im Einklang stehen.
Wissenschaftliche Konsistenz
Unter wissenschaftlicher Konsistenz versteht man, dass das KI-Modell den realen Phänomenen, die es beschreiben soll, möglichst genau entspricht. Es muss den gleichen Regeln und Gesetzmäßigkeiten folgen, die auch in der Realität gelten. Nehmen wir zum Beispiel ein künstliches neuronales Netzwerk, das darauf trainiert ist, Wetterdaten vorherzusagen. Wenn das Modell die gleichen physikalischen und meteorologischen Prozesse berücksichtigt, die auch in der Realität ablaufen, kann es als realitätskonform angesehen werden. Ein wissenschaftlich konsistentes Modell kann neue und unbekannte Daten generalisieren und auf realistische Weise Vorhersagen treffen.
Anwendungskonsistenz
Die Anwendungskonsistenz bezieht sich auf die Übereinstimmung zwischen dem KI-Modell und der Lösung, die es unterstützt. Dies bedeutet, dass das Modell und die Lösung gut miteinander integriert sind und sie sich gegenseitig unterstützen, um die Ziele des Unternehmens zu erreichen. Dazu muss das KI-Modell die Anforderungen der Lösung verstehen und berücksichtigen. Es muss in der Lage sein, die Daten zu verarbeiten und die für die Lösung erforderlichen Ergebnisse zu liefern, so dass das Modell die Ergebnisse interpretieren kann, um die Ziele des Unternehmens zu erreichen. Ein Beispiel könnte ein Modell zur Analyse von Kundenfeedback und zur Vorhersage der Kundenzufriedenheit sein. Ist das KI-Modell gut in die Lösung integriert, die das Feedback sammelt und speichert, und kann die Lösung die Ergebnisse des Modells interpretieren und nutzen, um die Kundenzufriedenheit zu verbessern? Dann ist die Anwendungskonsistenz hoch.
Stakeholder-Konsistenz
Die Stakeholder-Konsistenz bezieht sich auf das Verhältnis zwischen der Lösung und den Bedürfnissen der Stakeholder. Das Programm sollte Vorteile für ein Netzwerk von Interessengruppen wie Managern, Mitarbeitern an vorderster Front, Investoren und Kunden generieren. Konsistenz entsteht dann, wenn das KI-Modell Werte schafft, die die Beteiligten verstehen, unterstützen und von denen sie profitieren.
Roadmap für erfolgreiche KI-Projekte
Wenn man ein KI-Projekt aufsetzt, gibt es mehrere Ansätze, die Unternehmen dabei verfolgen können. Welcher Ansatz gewählt wird und welcher der optimale ist, hängt vom Grad der Digitalen Transformation, den Zielen und der Unternehmensorganisation ab. Allen Ansätzen gemeinsam sind die folgenden Meilensteine einer Roadmap für erfolgreiche KI-Projekte.
- Analyse des Status quo
- Definition der KI-Ziele
- Entwicklung der KI-Strategie
- Einführung des KI-Modells
Analyse des Status quo
Am Anfang eines jeden KI-Projekts steht die ehrliche Bestandsaufnahme des digitalen Reifegrads des eigenen Unternehmens. Wie ausgeprägt ist die Digitalisierung? Welche Fachbereiche eignen sich aus fachlicher Sicht für ein KI-Pilotprojekt? In welchen Bereichen sind signifikante Verbesserungen aus Unternehmenssicht wichtig und wertvoll? Vor der Betrachtung einzelner Use Cases ist allerdings ein Überblick über die im Unternehmen verfügbaren Daten und deren Qualität unabdingbar. Dazu sollte eine Datenstrategie ausgearbeitet und die Datenerhebung systematisiert werden. Denn die vorhandene Datenbasis zeigt am besten, wo KI-Einsätze möglich sind.
Definition der KI-Ziele
Liegen die Ergebnisse der Status quo-Analyse vor, muss sich die Unternehmensführung über die KI-Ziele klar werden, die Anforderungen festlegen, die das KI-System erfüllen muss, und die Nutzenerwartung quantifizieren, um erfolgreich zu sein. Soll das aktuelle Geschäftsmodell optimiert, neue Märkte erschlossen oder ein komplett neues Geschäftsmodell entwickelt werden? Die Beantwortung derartiger Fragen schafft einen Überblick über alle potenziellen Anwendungsfälle. Soll die Effizienz eines Prozesses verbessert werden, müssen Kennzahlen für einen Vorher-Nachher-Vergleich definiert werden. Dabei sollten sich alle Beteiligten darüber im Klaren sein, dass die IT-Anforderungen andere sind als bei herkömmlichen Systemen. Das heißt, der Aufwand für Personal, Wartung und Schulung ist höher als bei üblichen IT-Projekten, bevor ein spürbarer Mehrwert erzielt wird.
Entwicklung der KI-Strategie
In aller Regel startet man mit einem Pilotprojekt, das in die KI-Strategie eingebettet ist, die im Einklang mit der globalen Unternehmensstrategie steht. Dabei geht es um das übergeordnete Ziel aller zukünftig geplanten KI-Anwendungen. Die Grundlage bildet die Definition der Prozesse, Produkte und Geschäftsbereiche, die mit Hilfe von KI optimiert oder weiterentwickelt werden, welche Technologien und Methoden eingesetzt und wie der Erfolg gemessen werden soll. Es muss eruiert werden, welche finanziellen und personellen Voraussetzungen für die Realisierung notwendig sind und welche organisatorischen Veränderungen sukzessive vorgenommen werden müssen. An diesem Punkt sollte auch die Entscheidung fallen, ob die KI-Strategie mit einer gängigen Software-Lösung umgesetzt oder eine eigene Lösung entwickelt werden soll. Das heißt, es fällt auch die Entscheidung darüber, welches geeignete KI-Modell ausgewählt und mit den bereitgestellten Daten trainiert wird.
Einführung des KI-Modells
Für ein Pilotprojekt eignen sich besonders kritische Punkte in der Wertschöpfungskette. An bisherigen Engpässen wird die Optimierung wahrscheinlich den größten Einfluss auf die Produktivität haben, so dass die positiven Auswirkungen des KI-Einsatzes am schnellsten sichtbar werden. Bekanntermaßen motivieren und fördern Quick Wins Veränderungen in der Unternehmenskultur am besten. Denn ob ein KI-Projekt erfolgreich ist oder nicht, hängt maßgeblich davon ab, wie gut die Mitarbeiter die neue Technologie annehmen. Oftmals werden KI-Projekte erfolglos abgebrochen. In diesen Fällen liegt es oft daran, dass die KI-Konzepte im Elfenbeinturm erdacht wurden. Hier schaffen externe KI-Experten Abhilfe, da sie Praxiserfahrung einbringen und mit den richtigen Fragen und einem methodischen Vorgehen die KI-Projekte so steuern, dass Unternehmen die größten Fehler vermeiden.
Technische Realisierbarkeit - Welche Technologien und Geräte sind notwendig
Ein nicht zu unterschätzender Punkt bei der Umsetzung jedes KI-Projekts ist die technische Realisierbarkeit. Sie bestimmt die Möglichkeiten und Grenzen des Projekts. In aller Regel sind folgende Technologien und Geräte erforderlich:
Hardware
Um ein KI-Modell zu trainieren und zu betreiben, braucht man ausreichende Computing-Performance-Ressourcen. Größe und Umfang des Projekts bestimmen die höhere Rechenleistung z.B. GPUs (Grafikprozessoren) oder TPUs (Tensor Processing Units). Eine CPU-basierte Umgebung kann grundlegende KI-Arbeitslasten bewältigen, aber Deep Learning erfordert mehrere große Datensätze und die Bereitstellung skalierbarer neuronaler Netzwerkalgorithmen. Dafür reicht ein CPU-basiertes Computing möglicherweise nicht aus. Beispielsweise können GPUs das Deep Learning im Vergleich zu herkömmlichen CPUs um das 100-fache beschleunigen.
Software
Eine Vielzahl von Softwaretools und -frameworks sind erforderlich, um das KI-Modell zu entwickeln, zu trainieren und zu betreiben. Beispiele für derartige Softwaretools sind TensorFlow, PyTorch, Caffe, und Scikit-learn. Um das Modell zu überwachen und zu optimieren, kommen Tools für die Analyse, Visualisierung und Überwachung zum Einsatz.
Speicherkapazität
Es ist von grundlegender Bedeutung, dass die Infrastruktur in der Lage ist, den Speicher zu skalieren, wenn das Datenvolumen wächst. Welche Art von Speicher ein Unternehmen benötigt, hängt von vielen Faktoren ab, unter anderem davon, wieviel KI ein Unternehmen verwenden möchte und ob es Entscheidungen in Echtzeit treffen muss. Auch die Menge der generierten KI-Datenanwendungen muss berücksichtigt werden. KI-Anwendungen treffen bessere Entscheidungen, wenn sie auf mehr Daten zurückgreifen können. Da Datenbanken im Laufe der Zeit wachsen, müssen Unternehmen die Kapazität überwachen und Erweiterungen vorausschauend einplanen.
Netzwerkinfrastruktur
Die Vernetzung ist eine weitere Schlüsselkomponente der KI-Infrastruktur. Deep Learning-Algorithmen sind stark von der Kommunikation abhängig und Netzwerke müssen mit der Nachfrage Schritt halten, wenn die KI-Bemühungen zunehmen. Aus diesem Grund muss Skalierbarkeit eine hohe Priorität haben. Dies erfordert ein Netzwerk mit hoher Bandbreite und geringer Latenz.
Cloud-Services
Insbesondere in Bezug auf die Infrastruktur werden die Unternehmen sich anpassen und flexibel sein müssen. Cloud-Technologien, insbesondere hybride Cloud-Lösungen, sind und bleiben die Grundlage der KI, da der Bedarf an erheblichen Datenmengen steigt. Hybrid-Cloud-Lösungen stellen sicher, dass die Technologie kontinuierlich an die Anforderungen von Unternehmen und Workloads angepasst wird, die erforderlich ist, um die KI-Systeme aufrechtzuerhalten.
Weissenberg Intelligence – Ihr kompetenter Partner in allen Fragen der digitalen Transformation
Möchten auch Sie die Wettbewerbsfähigkeit Ihres Unternehmens im digitalen Zeitalter stärken? Wir beraten Sie gern zur digitalen Transformation Ihres Unternehmens.
Notwendige Fähigkeiten
Die Bereitstellung eines KI-Systems ist schwierig. Deshalb bedarf es eines leistungsstarken Teams mit komplementären Talenten und Fähigkeiten. Ein tiefes Verständnis für grundlegende Konzepte der Mathematik und Statistik ist erforderlich, um KI-Modelle zu entwickeln und zu verstehen, wie sie funktionieren und wie sie zu trainieren sind. Fähigkeiten in einer oder mehreren Programmiersprachen (wie Python, Java, R) sind nötig, um KI-Modelle zu entwickeln und zu implementieren. Profunde Kenntnisse der verschiedenen Arten von Machine Learning-Methoden und -Algorithmen sind unerlässlich, um das geeignete Modell für das Projekt auswählen und trainieren zu können. Abgerundet wird das Talentpaket mit einem Experten, der die Techniken der Datenanalyse und -vorbereitung beherrscht, um die Daten für das Modell vorzubereiten und zu analysieren. Ein Mitarbeiter kann je nach seinen Fähigkeiten auch mehrere Rollen besetzen. Die Idee dabei ist, dass das Projektteam alle notwendigen Fähigkeiten abdeckt, um die Chancen für ein erfolgreiches Projekt zu maximieren.
Fazit
Künstliche Intelligenz durchdringt Geschäftsprozesse unaufhaltsam, da sie branchenübergreifend bestehende Lösungen verbessert und neue Business Cases ermöglicht. Aber ohne sorgfältige Planung und Umsetzung muss jedes KI-Projekt ein Stückwerk bleiben. Die richtigen Zutaten zu kennen und miteinander zu kombinieren, ist der Schlüssel zum Erfolg. Darüber hinaus darf nicht vergessen werden, dass ein KI-Projekt eine „never ending story“ ist. Denn im Gegensatz zu anderen traditionellen IT-Projekten ist ein KI-Projekt nie wirklich abgeschlossen. Ein einmaliges Training der KI reicht nicht aus, um die gewünschten Effekte zu erzielen. Das System muss mit immer neuen Daten ständig weiter trainiert werden. Aber nur dann, wenn die Ergebnisse dauerhaft überprüft und die Anwendungsfälle gegebenenfalls angepasst werden, kann man von einem erfolgreichen KI-Projekt sprechen.
