Suchen

Expertenbeitrag

M.A. Marcus Metzner

M.A. Marcus Metzner

Chief Marketing Officer, Arvato Systems GmbH

Dieser Beitrag ist im Rahmen des Themenspecials "Industrie 4.0" erschienen.

sponsored by

Künstliche Intelligenz Smart: KI-Projekte in vier Schritten realisieren

| Autor / Redakteur: Marcus Metzner / Sebastian Human

Künstliche Intelligenz, konkret Machine Learning, und Big Data: Viele Unternehmen stehen diesen Technologien noch immer skeptisch gegenüber. Dabei können diese schon heute die Effizienz von Unternehmen und die Qualität ihrer Arbeit steigern. Die Einführung erfolgt in vier Schritten.

Firmen zum Thema

Das Thema wirkt aufgrund seiner Komplexität teils noch immer abschreckend, doch vier Schritte helfen bei der strukturierten Einführung von KI.
Das Thema wirkt aufgrund seiner Komplexität teils noch immer abschreckend, doch vier Schritte helfen bei der strukturierten Einführung von KI.
(Bild: gemeinfrei / Pixabay )

So lassen sich mittels künstlicher Intelligenz beispielsweise aus den Analysen umfangreicher Daten Rückschlüsse ziehen, die als Basis für unternehmerische Entscheidungen dienen können. Deshalb sollten Unternehmen KI definitiv auf die Agenda ihrer Digitalisierungsstrategie setzen.

Immer mehr Geschäftsführer und Manager haben inzwischen erkannt, wie wichtig es ist, KI-basierte Lösungen einzusetzen – das zeigte bereits eine Bitkom-Studie aus 2017. KI ist immer häufiger Bestandteil von Branchenlösungen. Und doch herrscht rund um die Verwendung von KI-Technologie häufig noch große Unsicherheit. Zum einen ist oftmals nicht klar, wie sich Integration und Implementierung von KI zielgerichtet durchführen lassen. Zum anderen wissen viele Unternehmen nicht, wie sie davon konkret profitieren.

Ziele definieren

Die aktuell zur Verfügung stehende KI-Technologie ist als sogenannte schwache KI zu bezeichnen, die klar definierte Aufgaben lösen kann – die Möglichkeiten sogenannter starker KI, die jedoch noch nicht entwickelt werden konnte, würden weit darüber hinausgehen. Daraus ergibt sich in jedem Falle, dass aktuelle KI-Systeme immer konkrete Ziele benötigen. Unternehmen müssen also zunächst entscheiden, welche wesentlichen Einzelaufgaben anstehen. Anhand des Ergebnisses können Firmen dann genauer untersuchen, in welchen Prozessen sich künstliche Intelligenz sinnstiftend einsetzen lässt.

Daten sind notwendig

Die technischen Möglichkeiten zur extrem schnellen Datenanalyse sind heutzutage vorhanden. Eine wesentliche Voraussetzung, um KI nutzen zu können, ist aber eine ausreichend große Datenmenge. Und genau dafür müssen Unternehmen sorgen.

Das kann auf zwei Arten geschehen: Entweder tragen sie umfassende Daten rund um ihre Kerngeschäftsprozesse zusammen. Dafür sind allerdings im Normalfall sowohl Zeit als auch (technische) Investitionen notwendig, da alle Systeme, mit denen das Unternehmen Daten erfasst, zu integrieren sind. Oder das Unternehmen erhebt zunächst die Daten anhand des Bedarfs, der von nur einem spezifischen Anwendungsfall oder Geschäftsmodell ausgeht. Das führt schneller zu Ergebnissen und anhand des konkreten Beispiels lässt sich gut überprüfen, welche Datenmenge für den spezifischen Case notwendig ist.

Mitarbeiter involvieren

Darüber hinaus dürfen Unternehmen nicht vergessen: Künstliche Intelligenz bringt Änderungen mit sich, die wiederum Ängste auslösen können. Daher ist es sehr wichtig, Mitarbeiter von Beginn an einzubeziehen, sie auf Veränderungsprozesse vorzubereiten und ihnen zu ermöglichen, sich aktiv einzubringen. Für die digitale Transformation sind Offenheit, Anpassungs- und Gestaltungswille notwendig, weshalb sich ein professionelles Change Management auszahlt.

Sobald die strukturellen und technischen Voraussetzungen geschaffen sind, können Unternehmen ein erstes KI-Projekt starten.

Zwei Beispiele von KI im Unternehmenseinsatz

Voice Commerce

Im Handel gibt es viele Möglichkeiten, vom KI-Einsatz zu profitieren. Sprachassistenten wie Amazon Echo, Google Home oder Apples Home-Pod sind bereits in vielen Haushalten angekommen. Nutzer verwenden diese unter anderem, um per Sprachbefehl komfortabel einzukaufen. Selbst komplexe Anfragen wie „Finde eine farblich passende Jacke mit schmal geschnittener Taille, die zu T-Shirt A der Marke C passt“ können die digitalen Butler verstehen. Anschließend lässt sich die passende Jacke per Sprachbefehl bestellen, was ohne KI nicht möglich wäre.

Hierzu arbeiten KI-Algorithmen mehrstufig: Im ersten Schritt muss das System Audio-Signale in Phoneme umwandeln. Hierbei handelt es sich um einen sprachwissenschaftlichen Begriff, der die kleinsten bedeutungsunterscheidenden sprachlichen Einheiten bezeichnet, aus denen Sätze und Wörter entstehen. Die Logik ermittelt anschließend, was genau sich der Nutzer wünscht, und wandelt seine Anfrage in textbasierte Befehle an das Backend des Systems um. Dies geschieht meist durch den Aufruf von Webservices. Anschließend wird das Ergebnis mittels Text-to-Speech-Algorithmen in Sprache umgewandelt und an den Nutzer übertragen. Voice Commerce ist für den Handel also eine äußerst attraktive Verkaufsmöglichkeit.

Metadaten von Bild- und Videomaterial automatisch erzeugen

Im Bereich Medien ist KI schon längst angekommen, etwa in der Metadaten-Erzeugung. Bewegtbilder spielen eine immer größere Rolle. Die allerdings immer weiter zunehmende Datenflut ist für Journalisten und Produzenten kaum mehr manuell zu bewältigen. Dabei müssen sie für Beiträge Videosequenzen mitunter sehr schnell finden.

Dies gelingt am einfachsten über Metadaten, also Inhaltsinformationen, die sich Videos oder Bildern zuordnen lassen. Je besser die Metadaten verschlagwortet sind (Tagging), desto einfacher können Journalisten sie wiederfinden. Bei einer überschaubaren Menge lassen sie sich noch manuell taggen. Aber wenn es irgendwann um Millionen Bilddaten geht, etwa bei TV-Sendern, ist dies nicht mehr möglich. KI kann Videodateien analysieren und automatisch mit Metadaten versehen. Sie erkennt bekannte Personen, Firmenlogos, Städte oder Gebäude und hinterlegt diese Informationen in den Metadaten. So sind Video- oder Bilddateien sehr schnell auffindbar. Auch in der industriellen Bildverarbeitung kann man diese Methode effizient nutzen, um beispielsweise einzelne Komponenten eines Bauteils ohne weitere Informationen in Sekundenschnelle und zweifelsfrei zu identifizieren.

KI-Projekte im Unternehmen realisieren

Schon diese beiden skizzierten Beispiele zeigen: Es gibt nicht das eine ideale KI-Projekt, das zu jedem Unternehmen passt. Empfehlenswert ist daher eine schrittweise Einführung. Zunächst sollten Unternehmen mit kleineren Projekten starten und später größere initiieren. Dabei ist es sinnvoll, sich von einem erfahrenen Dienstleister unterstützen zu lassen. In der Praxis hat sich ein vierstufiger Prozess bewährt:

1. Use Case mit dem größten Mehrwert identifizieren

Im Rahmen einer Ist-Analyse überprüft man zunächst, welche Grundlagen man für den KI-Einsatz schaffen muss. Inwieweit ist Big Data bereits im Einsatz? Welches Know-how gibt es im Unternehmen bereits bezüglich KI? Gilt es besondere Herausforderungen zu bewältigen?

In der Regel erarbeiten Unternehmen diese Fragen gemeinsam mit einem Dienstleister in einem Workshop. Aus den Resultaten können sie dann ein Use-Case-Portfolio erstellen, in dem sich potenzielle Einsatzmöglichkeiten künstlicher Intelligenz nach Nutzen und Aufwand priorisieren lassen. Die vielversprechendsten Use Cases sollten Sie weiter analysieren, sodass sich danach überprüfen lässt, welche Voraussetzungen für die Umsetzung der Cases noch zu schaffen sind. Dabei muss man das Datenmanagement sowie vorhandene Systeme und Prozesse berücksichtigen.

2. Von der Idee zum Prototyp

Anschließend ist es wichtig, ein Konzept zur Vorgehensweise zu entwerfen. Das Ziel: möglichst schnell einen Prototyp entwickeln. Hierfür sollten Sie erwartete Ergebnisse und Anforderungen detailliert aufbereiten. Eine standardisierte Entwicklungsumgebung hilft dabei, Störfaktoren zu beseitigen und die Entwicklung schnell abzuschließen. Dank eines iterativen Vorgehens und der Berücksichtigung von Benutzerfeedback kann binnen kurzer Zeit der KI-Prototyp entstehen, der mit Echtdaten arbeitet. Daraus lässt sich ableiten, ob die gewünschten Effekte eintreten und die definierten Ziele erreichbar sind.

3. Vom Prototyp zum produktiven KI-Service

Aus dem Prototyp lässt sich anschließend ein sogenanntes Minimum Viable Product (MVP) erstellen. Die Datenbasis und Funktionalitäten werden iterativ erweitert. Für eine reibungslose Integration in die Systemumgebung sorgen kontinuierliche Funktions-, Last- und Integrationstests. In einem Skalierungsplan können Sie festlegen, wie aus dem MVP ein skalierender KI-Service wird. So müssen Unternehmen zum Beispiel die zukünftige Produktivumgebung, Einflussfaktoren und Schnittstellen des KI-Services analysieren und berücksichtigen. Damit entsteht schließlich ein produktives Angebot, das sich via API in bestehende Anwendungen und Prozesse integrieren lässt.

4. Stabiler Betrieb und Verbesserungen

Für den Betrieb und ein kontinuierliches Monitoring ist es empfehlenswert, sich für einen professionellen Partner zu entscheiden, der das Unternehmen mit umfassenden Managed Artifical Intelligence Services unterstützen kann. Vor allem bei geschäftskritischen Einsätzen ist ein 24/7 Monitoring empfehlenswert. Zudem sollte die Qualität des KI-Algorithmus durch ein stetiges Re-Training gesichert sein. Und ein Service-Management, das nach standardisierten ITIL-Prozessen aufgebaut ist, kann alle Routinetätigkeiten, die für den täglichen Betrieb notwendig sind, übernehmen.

Zusammenfassend lässt sich festhalten: KI ist keine Zukunftsmusik mehr, sondern bereits Realität. Wer sich heute nicht mit den technologischen Möglichkeiten der künstlichen Intelligenz beschäftigt, wird zukünftig das Nachsehen haben. Es ist Zeit, KI einzusetzen. Die vordergründige Komplexität von entsprechenden Systemen sollte dabei kein Hindernis sein: Durch ein strukturiertes Vorgehen und eine professionelle Begleitung lassen sich die Herausforderungen bei der Einführung von KI im Unternehmen meistern.

(ID:46575764)

Über den Autor

M.A. Marcus Metzner

M.A. Marcus Metzner

Chief Marketing Officer, Arvato Systems GmbH