get started with AI

KI und Machine Learning: Tipps für den Einstieg

Wie gelingt die Umstellung auf KI?

Aller Anfang ist schwer – erst recht, wenn es um die Einführung von künstlicher Intelligenz (KI) und Machine Learning (ML) zur Unterstützung von Geschäftsprozessen geht. Daher möchte ich hier aus langjähriger Berufserfahrung ein paar Einstiegstipps für die Nutzung dieser großartigen Technologien geben. Vorweg eine kurze Begriffsklärung zur Erläuterung der Unterschiede zwischen KI und ML:

KI und ML – was ist das eigentlich?

  • Künstliche Intelligenz (KI) bezeichnet Computersysteme, die Probleme mit Methoden lösen können, die traditionell mit menschlicher Kognition und Lernfähigkeit in Verbindung gebracht werden.
  • Machine Learning (ML) bezeichnet die Schulung eines Computersystems zur Erstellung von Vorhersagen anhand datengestützter statistischer Modelle. Diese Technologie bildet die wesentliche Grundlage für die Entwicklung künstlicher Intelligenz.

Beide Technologien zielen letztlich auf eine Entscheidungsfindung ohne menschliches Zutun ab. Beispielsweise kann es dabei um die Erstellung eines einheitlichen Regelwerks gehen, die Ihrem Unternehmen bislang schwere Probleme bereitet. Wenn es gelingt, ein geeignetes Regelwerk zur Implementierung einer beliebig skalierbaren Lösung zu identifizieren, könnte das Unternehmen viel Geld sparen bzw. hohe Gewinne erwirtschaften.

Was ist der erste Schritt für künstliche Intelligenz in der Wirtschaft?

Als erster Schritt empfiehlt sich, zu klären, welche Probleme konkret durch den Einsatz von KI und ML gelöst werden sollen. Eine möglichst präzise Formulierung der Problemstellung ist hilfreich bei der Entscheidung darüber, welche Daten jeweils benötigt werden und ob ein Algorithmus der ideale Lösungsansatz ist. Unternehmen nutzen KI und ML vor allem in Fällen, wenn komplexe Regeln für die Entscheidungsfindung sich nicht eindeutig bzw. nicht einfach formulieren lassen.

Bei der Bewertung des Problems und der betreffenden Daten sollte die Frage im Vordergrund stehen, inwieweit sich durch Automatisierung Zeit, Geld und Arbeit sparen lässt. Womöglich treten Fehler bei der Datenverarbeitung gehäuft bei einer bestimmten Anwendung oder in einem bestimmten Geschäftsbereich auf. Hier kann es sinnvoll sein, einen Algorithmus zur präziseren Erkennung von Mustern einzusetzen, um den betreffenden Vorgang entsprechend zu automatisieren.

Vor einer massiven Investition in KI bzw. ML sollte ein Proof of Concept durchgeführt werden, damit Sie sich mit eigenen Augen von dem Potenzial der jeweiligen Lösung überzeugen können. Weiterhin ist zu bedenken, welche Mitarbeiter und/oder Abteilungen ggf. von der Umstellung auf die neue Lösung betroffen wären bzw. das Projekt mittragen müssten, um eine erfolgreiche Umsetzung zu gewährleisten. Wenn Sie beispielsweise die unternehmensweite Verteilung von Dokumenten automatisieren möchten, sollten Sie die dafür zuständigen Mitarbeiter um ihre Meinung zu den komplexen Zusammenhängen und Nuancen bitten, die bei der Automatisierung zu berücksichtigen sind.

Wie funktionieren KI und ML?

Ein Modell bzw. Algorithmus wird anhand vorliegender Daten darauf geschult, die jeweils wahrscheinlichste Konfiguration zur Vorhersage eines Ergebnisses zu finden. In der Regel werden Machine Learning und KI zur Vorhersage sehr spezifischer Ergebnisse (insbesondere Zahlen oder Kategorien) eingesetzt.

Ist die statistische Gleichung bzw. der Algorithmus (beide Begriffe sind hier im Wesentlichen synonym) einmal konfiguriert, kann das Modell zur zügigen Erstellung neuer Vorhersagen über zukünftige Ergebnisse eingesetzt werden.

Eine jüngere Studie von Rackspace ergab, dass KI und ML in erster Linie zur Optimierung von Arbeitsabläufen (52 %), zum besseren Verständnis von Mitarbeitern und Kunden (44 %) und zur Umsatzprognose und Vorhersage von Branchentrends (42 %) eingesetzt werden. Unter den vielen Einsatzmöglichkeiten von KI und maschinellem Lernen zeigt unsere Untersuchung an, dass die meisten Technologieführer künstliche Intelligenz im Unternehmen für das Folgende einsetzen:

  • Optimierung von Arbeitsabläufen: Bei der Automatisierung von Abläufen, der effizienteren Planung von Wartungsaufgaben und der Optimierung von Lagerbeständen kann der Einsatz von KI dafür sorgen, dass weniger Zeit bzw. Material verschwendet wird. So können Unternehmen z. B. durch Automatisierung des Kundendienstes Kosten sparen, indem Chatbots Kunden bei gängigen Problemen unterstützen.
  • Kundenerkenntnisse: Unternehmen verfügen über große Volumen an Kundendaten, die zur Analyse des Kaufverhaltens unterschiedlicher Kunden genutzt werden können. Beispielsweise lassen sich mittels unüberwachter Lernalgorithmen latente Kundenklassen erkennen, die nicht auf den ersten Blick sichtbar sind.
  • Umsatzprognose und Vorhersage von Branchentrends: Zahlreiche Unternehmen setzen KI zur Erstellung von Prognosen ein. Mithilfe einer KI-Lösung lässt sich die Bestandsentwicklung präziser bewerten und das Produktangebot entsprechend verbessern, indem sichergestellt werden kann, dass Produkte bedarfsgerecht in ausreichenden Mengen bzw. in bestimmten Farben oder Größen vorrätig sind.

Selbst entwickelt oder vorgefertigt: Welche KI/ML-Lösungen sind besser?

In unserer Studie gaben 53 % der befragten IT-Führungskräfte an, sie würden eine KI/ML-Lösung lieber von Grund auf neu entwickeln, statt mit vorgefertigten Komponenten zu arbeiten.

Diese Begeisterung für „Marke Eigenbau“ ist wohl der (irrigen) Annahme geschuldet, dass die Implementierung einer KI-Lösung mit vorgefertigten Komponenten mehr Zeit in Anspruch nimmt.

Dank Hyperscale-Cloud-Anbietern wie Google Cloud Platform™ und AWS ist die Nutzung KI-bezogener Services und Tools für Unternehmen heute sehr viel einfacher als noch vor fünf Jahren. Die von diesen Anbietern bereitgestellten Komponenten lassen sich unkompliziert implementieren und reichen für einfache KI-Projekte vollkommen aus.

Oft lassen sich durch den Erwerb schlüsselfertiger Services oder Tools, die bereits über Automatisierungsfunktionen verfügen, erhebliche Kosten- und Zeiteinsparungen erzielen.

Diese Drittanbieter-Tools und -Services automatisieren bestimmte Phasen, in denen bei jedem KI- bzw. ML-Projekt  – unabhängig vom jeweiligen Unternehmen – identische Schritte durchgeführt werden müssen. Durch Verwendung vorgefertigter Komponenten haben Entwickler mehr freie Kapazitäten für die unternehmensspezifische Anpassung.

Häufige Hindernisse und Tipps zu ihrer Überwindung

Als weiterer Stolperstein bei der Einführung von KI-Lösungen erwies sich in unserer Studie die Abstimmung von KI- und ML-Strategien auf die Geschäftsstrategien. Zur erfolgreichen Umsetzung eines KI-Projekts ist sowohl die Unterstützung anderer Stakeholder im Unternehmen als auch eine Konsensbildung in Bezug auf Ergebnisse, Meilensteine und Abwicklungstermine erforderlich.

Die Mehrzahl aller KI-Projekte dient dem Zweck, aus Daten gewonnene Erkenntnisse gewinnbringend zu nutzen. Jedes Unternehmen verfolgt das Geschäftsziel, Daten in konkrete Maßnahmen umzusetzen. In der Praxis stellt der Versuch, verwertbare Erkenntnisse aus Daten zu gewinnen, die Unternehmen jedoch häufig vor schwere Herausforderungen. Hier werden Datensilos (36 %), Mangel an technischen Kompetenzen und Fachkräften (36 %) sowie Komplikationen bei der Zeitplanung (35 %) als die drei Hauptprobleme wahrgenommen, wie unsere Studie zum Thema KI und Machine Learning ergab. Voraussetzung für die Überwindung dieser Hürden und die Gewinnung der gewünschten Erkenntnisse ist eine präzisere Kompilierung, bessere Zugänglichkeit und höhere Qualität der erhobenen Daten. Die Fähigkeit, praxistaugliche Erkenntnisse aus Daten zu gewinnen, kann auch durch eine entsprechende Personalpolitik gefördert werden. Dies umfasst einschlägige Schulungsangebote für Mitarbeiter ebenso wie die Einstellung von Fachkräften mit entsprechenden Spezialkenntnissen und die effizientere Nutzung vorhandener Kompetenzen.

In vielen Unternehmen werden die mit KI und Machine Learning einhergehenden Anwendungsfälle leider nicht transparent kommuniziert. Unseren Studienergebnissen zufolge ist weniger als die Hälfte der Befragten der Meinung, dass die Mitarbeiter ihrer Fachabteilungen – mit Ausnahme der IT-Abteilung – ausreichend über die Vorteile von KI informiert sind.

Die verantwortlichen Führungskräfte können einiges dazu beitragen, hier Abhilfe zu schaffen und abteilungsübergreifend ein besseres Verständnis für KI zu vermitteln: durch entsprechende Schulungsangebote und Lektüre-Empfehlungen, aber auch, indem Mitarbeiter zur Teilnahme an Konferenzen und Veranstaltungen zum Thema angeregt werden. Bei unserer Studie waren 51 % der Befragten der Meinung, dass Weiterbildungen für vorhandene Mitarbeiter in den Bereichen KI und Machine Learning, Programmieren und Software-Design sowie Datenqualitätsanalyse dringend erforderlich sind.

Wer morgen noch mitmischen will, sollte heute schon auf KI setzen

Laut Prognosen von PricewaterhouseCoopers ist davon auszugehen, dass der Anteil von KI an der Weltwirtschaft bis 2030 auf 16 Billionen USD (14,5 Billionen Euro) steigen wird. Mit 13 Billionen USD (11,8 Billionen Euro) liegt die Prognose von McKinsey leicht darunter. Fest steht jedenfalls, dass KI sich aller Voraussicht nach massiv auf die Weltwirtschaft auswirken wird. Für Unternehmen wird es daher höchste Zeit, einen Dialog über KI und ihre konkreten Anwendungsfälle anzustoßen.

 

Join the Conversation: Find Solve on Twitter and LinkedIn, or follow along via RSS.

Stay on top of what's next in technology

Learn about tech trends, innovations and how technologists are working today.

Subscribe

build or buy AI

Sollten Sie KI/ML-Lösungen einkaufen oder selbst entwickeln?

About the Authors

Miriya

Professional Services Delivery Architect

Miriya Molina

Miriya Molina has 10 years of experience designing, developing and leading technology teams delivering the future in Artificial Intelligence, Machine Learning and Data Science. She has a creative passion for solving interesting problems and has contributed to a diverse range of industries including finance, real estate, and energy technology. Prior to Rackspace Technology, Miriya was Vice President of Product and Chief Technology Officer across different startups where she implemented pattern recognition systems and delivered end-to-end technology solutions. She is currently a rising star at Rackspace Technology within the Onica Group.

Read more about Miriya Molina