KI-Einführung Wie Sie KI-Projekte auf ihre Machbarkeit prüfen – Teil 1

Ein Gastbeitrag von Joachim Reinhart, Christian Greiner & Oliver Mayer*

Alle Wege führen nach Rom – aber nicht alle auch zu einem erfolgreichen KI-Projekt. Worauf es bei der Vorbereitung zu achten gilt, warum es wichtig ist, die Nutzerinnen und Nutzer zu verstehen und wie man Lösungswege findet, verrät Teil 1 unserer Serie.

Anbieter zum Thema

Die Möglichkeiten und Grenzen scheinen fließend, aber wie findet man heraus, ob ein KI-Projekt im eigenen Unternehmen umsetzbar ist?
Die Möglichkeiten und Grenzen scheinen fließend, aber wie findet man heraus, ob ein KI-Projekt im eigenen Unternehmen umsetzbar ist?
(Bild: gemeinfrei / Unsplash)

Bild 5.7 Gesucht ist die Schnittmenge aus technisch Machbarem, ökonomisch Sinnvollen und vom Kunden bzw. Nutzer Gewünschten. Der Kunde kann dabei intern oder extern sein.
Bild 5.7 Gesucht ist die Schnittmenge aus technisch Machbarem, ökonomisch Sinnvollen und vom Kunden bzw. Nutzer Gewünschten. Der Kunde kann dabei intern oder extern sein.
(Bild: Joachim Reinhart, Christian Greiner & Oliver Mayer)

Viele KI-Projekte scheitern an einem überhasteten und nicht bis zum Ende durchdachten Vorgehen. Nicht jede Aufgabe lässt sich zwangsläufig am besten mit Methoden der Künstlichen Intelligenz lösen. Nicht alles, was auf den ersten Blick KI-unwürdig zu sein scheint, ist es auch bei genauerer Betrachtung. Sind sich Unternehmens- und Projektverantwortliche jedoch einig, welche Aufgabenstellung ein KI-Projekt adressieren soll, geht es daran, dessen Machbarkeit zu prüfen.

Wichtigstes Ziel dieser Phase ist es, das technisch Machbare (Feasability) mit dem vom Nutzer Gewünschten (Desirability) und dem für das Unternehmen Rentablen (Viability) unter einen Hut zu bringen, wie in Bild 5.7 gezeigt.

Weil längst nicht alle KI-Projekte zum Erfolg führen, soll diese Schnittmenge schnell und kostengünstig gefunden werden (Fail Fast) [83]. Unter Fail Fast versteht man das schnelle Erkennen von Fehlern, welches das schnelle Einstellen eines Projekts nach sich zieht. Deshalb bedienen wir uns hier des Werkzeugkastens des Design Thinking.

Das Vorgehen zur schnellen und effizienten Prüfung der Machbarkeit ist in Bild 5.8 im Überblick abgebildet. Die dargestellte Doppelschleife kann in sehr kurzer Zeit durchlaufen werden.

Bild 5.8 Vorgehen zur Prüfung der Machbarkeit mit Design Thinking als Methode
Bild 5.8 Vorgehen zur Prüfung der Machbarkeit mit Design Thinking als Methode
(Bild: Freepiks/Flaticon.com)

Bevor wir die einzelnen Stationen nachfolgend detaillierter beschreiben, hier ein Schnelldurchlauf als Überblick: Gestartet wird mit der Vorbereitung links im Bild, weiter geht es mit der zweiten Station Kunden verstehen. Die dritte Station heißt Lösungswege finden. Hier können Werkzeuge wie TRIZ oder SixSigma DFSS eingesetzt werden. Die vierte Station Prototyp bauen wird anschließend angesteuert. Hier geht es zum Beispiel darum, sehr schnell und einfach einen Demonstrator zu bauen, der noch gar nicht alle Funktionalitäten beinhaltet.

Erklärung TRIZ & SixSigma DFSS

TRIZ: russische Abkürzung, übersetzt: Theorie zur Lösung erfinderischer Probleme
Six Sigma DFSS: Design for Six Sigma ist eine Methode des Qualitätsmanagements für robuste, also möglichst fehlerarme Produkte und Prozesse.

Damit soll die fünfte Station Annahmen überprüfen erreicht werden, bei der die Prüfung der bisher getroffenen Annahmen im Mittelpunkt steht. Die Doppelschleife wird dabei so oft durchlaufen, bis Ergebnisse vorliegen, die in der Schnittmenge aus technisch Machbarem, ökonomisch Sinnvollen und vom Kunden Gewünschten liegen. Alle Ergebnisse der Stationen der Doppelschleife werden in einem Businessplan, dargestellt im Mittelpunkt der Doppelschleife (Bild 5.8), erfasst. Falls kein formaler, ausformulierter Plan vorliegen muss, genügt es, die wichtigsten Inhalte in einem Lean Businessplan in Stichpunkten festzuhalten. Der Lean Businessplan dient dem Management als Entscheidungsgrundlage im Review, rechts im Bild, ob das Vorhaben weiterverfolgt, also implementiert werden soll. Eine ausführliche Beschreibung des Vorgehens mit Design Thinking mit zahlreichen Beispielen und Werkzeugen findet sich zum Beispiel bei van der Pijl, Lokitz und Soloman [84].

Im Folgenden erläutern wir die sieben Schritte zur geprüften Machbarkeit detaillierter.

Vorbereiten

Zu Beginn der Machbarkeitsprüfung sollten folgende Punkte geklärt sein:

Die Ziele: Je präziser die Ziele formuliert sind, desto besser sind sie zu erreichen.

Wenn ein Seemann nicht weiß, welchen Hafen er ansteuern muss, dann ist kein Wind der richtige.

Seneca, 4 v.Chr. – 65 n.Chr.

Das Team: Die richtigen Personen zu identifizieren und ins interdisziplinäre Team, zum Beispiel aus Data Scientist, Entwickler, Anwender und Management, einzubeziehen, ist eine der wichtigsten Aufgaben. Fachliche Diversität ist der Schlüssel zum Erfolg.

Das Vorgehen: Die betreffenden Mitarbeiter sollten in agilen Vorgehensmodellen, zum Beispiel Design Thinking, geschult sein.

Ressourcen und Committment: Fehlende Unterstützung durch das Management ist eine der Hauptursachen für das Scheitern von Innovationsprojekten. Hand in Hand damit geht die Einforderung von ausreichenden Ressourcen für die Machbarkeitsprüfung.

Nutzer verstehen

Potenzielle Nutzer des KI-Systems, also Kunden oder Mitarbeiter, sollten so früh wie möglich einbezogen werden, um das Gewünschte, soll heißen Ziele und Barrieren, zu verstehen. Die folgenden Punkte sollten dabei geklärt werden:

  • Die Zielgruppe ist bekannt und beschrieben. Dabei kann man sich mit sogenannten Personas behelfen. Unter Personas verstehen wir ein Instrument zur Komplexitätsreduktion, das beispielsweise Eigenschaften, Verhaltensweisen oder Ziele anschaulich zu Typen clustert. Personas sollen helfen, Nutzer greifbar zu machen und das KI-System aus deren Blickwinkel zu betrachten. Wenn das Ziel externe Kunden sind, sollte idealerweise hier auch eine grobe Customer- beziehungsweise Employee Journey erstellt werden, wie wir in Kapitel 5.2 unseres Fachbuchs „Künstliche Intelligenz“ zeigen.
  • Der Nutzen des KI-Systems ist aus Sicht der Anwender beschrieben. Sinnvoll ist es auch, erste Interviews mit potenziellen Nutzern des Systems zu führen. Hilfreich ist es, den Gesprächspartnern eine Vorstellung vom geplanten KI-System mit seinen Stärken und Schwächen zu vermitteln. Dazu reichen mündliche Erläuterungen oder selbst gefertigte Zeichnungen aus.
  • Die Größe des externen Marktes oder der intern eingesparten Kosten ist vor dem Hintergrund der relevanten Markttrends herausgearbeitet. Falls keine Marktdaten zur Verfügung stehen, kann auch mit möglichst nachvollziehbaren Schätzungen von Mengen und Preisen beziehungsweise Kosten gearbeitet werden, die auf dem Nutzen basieren. Ein einfaches Beispiel für eingesparte Kosten sind die Gehälter von Mitarbeitern, die bei Einsatz eines KI-Systems für die Qualitätssicherung andere Aufgaben übernehmen könnten, sowie eingesparte Kosten wegen reduzierter Reklamationen.
  • Die alternativen Systemlösungen sind mit Stärken und Schwächen darzustellen. Oft wird der Fehler begangen, anzunehmen, die Idee sei so neu, dass es noch keine Alternative gibt. Dabei hat man meist nur seine Alternativen zu eng gefasst, schließlich gibt es fast immer mehrere Wege, ein Ziel zu erreichen. Man kann bestimmte Krankheiten wie zum Beispiel Corona mit KI-Systemen erkennen, Hunde sind aber auch dazu in der Lage [85].

Lösungswege finden

In diesem Schritt steht die technische Machbarkeit im Vordergrund. Es werden konkrete Ideen zur Lösung der Kundenprobleme generiert und bewertet.

  • Obwohl der Ausgangspunkt unseres Vorgehens hier ein Use Case für ein KI-System ist, sollte dessen Entwicklung und Einsatz nicht zwangsweise erfolgen. Nach der vertieften Betrachtung des Nutzerproblems im vorigen Schritt kommt vielleicht auch eine andere Möglichkeit der Realisierung in Betracht. Wie oben schon angemerkt, können Hunde auch sehr gut darauf trainiert werden, Krankheiten wie Corona zu erkennen. Zur Ideenfindung von alternativen Lösungswegen stehen viele Werkzeuge zur Verfügung, zum Beispiel morphologische Kästen oder TRIZ.
  • Zur Bewertung der Ideen kann eine Innovationsmatrix genutzt werden. Eine Innovationsmatrix ordnet Ideen visuell zu, zum Beispiel nach ihrer Wirkungshöhe auf Umsatz, Kosten oder Business Value. Die aussichtsreichsten Ideen werden weiterverfolgt.
  • Einen Hinweis, wann ein KI-System sinnvoll einsetzbar ist, kann man mit folgendem Werkzeug aus der Theorie des erfinderischen Problemlösens (TRIZ) eruieren: dem Modell der Small Smart People. Hier werden das Problem und die Lösung simuliert, indem man gedanklich eine Vielzahl von kleinen schlauen Helfern verwendet, die das Problem lösen. Je anspruchsvoller die Tätigkeit eines der kleinen Helfer ist, desto eher empfiehlt es sich, ein KI-System einzusetzen.
  • Eine erste Evaluierung der Möglichkeiten bereits auf dem Markt verfügbarer KI-Systeme erscheint uns an dieser Stelle sinnvoll. Zahlreiche Systeme für maschinelles Lernen stehen zum Kauf, zur Miete oder als Open Source Modelle zur Verfügung, so dass die Entscheidung Make or Buy nicht einfach fallen wird.
  • KI-Systeme können beispielsweise auf Marktplätzen erworben werden, zum Beispiel Bonseyes, Yolo für Real Time Objekterkennung. Es existieren rund 50 Anbieter von Cloud AI. Hier lohnt gegebenenfalls ein Blick auf die großen vier, nämlich Cloud AI von Google, Microsoft AI, Amazon AWS oder IBM Watson, aber auch kleinere Anbieter wie Data Robot sind verfügbar. Übliche Entscheidungskriterien zum Make or Buy sind die Bedeutung der Anwendung für das Unternehmen, verfügbare Ressourcen, wie Menschen und Kapital, und Datensicherheit. Bei unternehmenskritischen Anwendungen oder Anwendungen, auf denen entscheidende Wettbewerbsvorteile aufbauen, wird es eher in Frage kommen, diese selbst zu entwickeln, als bei unkritischen Anwendungen.

Prototyp bauen

Um den aussichtsreichsten Ideen Leben einzuhauchen, sollte ein Prototyp oder Technologie-Demonstrator erstellt werden. Im Mittelpunkt sollte dabei die Überprüfung der wichtigsten Annahmen stehen. Bei KI-Systemen sind erfahrungsgemäß drei kritische Größen genauer zu betrachten:

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung
  • 1. Die Akzeptanz der Nutzer. Der Prototyp sollte dazu dienen, Nutzer noch besser zu verstehen und verschiedene Perspektiven kennenzulernen. Aus dieser Sicht genügt ein Minimum Viable Product (MVP) oder eine Attrappe (Mock Up) zum Beispiel aus Papier. Ein solcher Prototyp soll nur dazu dienen, möglichst schnell aus Nutzerfeedback zu lernen und so Fehlentwicklungen an den Anforderungen der Nutzer vorbei zu verhindern.
  • 2. Die Qualität der Daten. Um ein Gefühl für die vorhandenen Daten zu bekommen, sollte man diese – soweit im gegebenen Rahmen möglich – in den Prototyp integrieren. Falls geeignete Schnittstellen fehlen, sind Simulationen mit möglichst echten Daten hilfreich.
  • 3. Die erforderlichen Investitionen. Die für Entwicklung und Implementierung des Systems erforderlichen Aufwendungen an Zeit und Geld sind oft schwierig abzuschätzen. Im Rahmen des Prototyps geht es nur darum, ein Gefühl für die erforderlichen Aufwendungen zu bekommen, um die wichtigsten Annahmen für den nächsten Schritt besser identifizieren zu können.

Wir empfehlen, bei der Entwicklung des Prototyps sehr auf die Zweckmäßigkeit zu achten und sich der Gefahr der Verkünstelung immer bewusst zu sein. Es ist sonst gut möglich, dass Zeit- und Kostenbudgets gesprengt werden.

Lesen Sie im zweiten Teil unserer Serie zur KI-Einführung, wie Sie getroffene Annahmen prüfen, einen Lean Businessplan erstellen und eine abschließende Review durchführen.

Hinweis

Dieser Artikel ist ein Auszug aus dem Fachbuch „Künstliche Intelligenz“, das eine fundierte Einführung in die Grundlagen der Künstlichen Intelligenz und der neuronalen Netze bietet. Anhand von Beispielen aus der Unternehmenspraxis werden mögliche Einsatzgebiete aufgezeigt und Wege dargelegt, wie Unternehmen die Potenziale von Künstlicher Intelligenz erkennen und strategisch umsetzen können.

Mehr Infos

Quellen

[83] Ries, E. The lean startup: how today’s entrepreneurs use continuous innovation to create radically successful businesses. Currency international edition. New York: Currency, 2017.

[84] van der Pijl, P., Lokitz, J. und Soloman, L. Design a better Business. Vahlen, 2018.

[85] MDR Wissen. Corona statt Sprengstoff: Hunde, die Sars-Cov-2 riechen, 2021. Online unter https://www.mdr.de/wissen/corona-covid-hunde-riechen-viren-100.html.
Abgerufen am 01.02.2022.

* Christian Greiner studierte und promovierte in Mathematik an der Universität Ulm mit Schwerpunkt auf Entscheidungsprozessen. Seit 2003 ist er Professor und Prodekan für Wirtschaftsinformatik und Management an der Hochschule München. Sein Forschungsinteresse gilt der erweiterten Intelligenz, intelligenten Informationssystemen und der Entrepreneurship-Ausbildung.

* Oliver Mayer studierte an der Technischen Universität München und promovierte an der Universität der Bundeswehr. 2004 wechselte er zur GE-Forschungseinrichtung in München, derzeit ist er Leiter des Spezialisierungsfelds Energie bei der Bayern Innovativ GmbH. Er beschäftigt sich intensiv mit Möglichkeiten der KI im Bereich der Energietechnik.

* Joachim Reinhart studierte Wirtschaftswissenschaften an der Universität Augsburg. Er leitet den Bereich KI und Innovation der arborsys GmbH und unterstützt in dieser Funktion Unternehmen bei der digitalen Transformation. Mit KI beschäftigt er sich seit Anfang der 90er Jahre, u.a. bei der Deutschen Telekom AG sowie als Geschäftsführer eines Beratungsunternehmens.

(ID:47973121)