Künstliche Intelligenz
16.08.2018
Künstliche Intelligenz
1. Teil: „So führen Sie Ihre KI-Projekte zum Erfolg“

So führen Sie Ihre KI-Projekte zum Erfolg

Künstliche IntelligenzKünstliche IntelligenzKünstliche Intelligenz
Phonlamai Photo / Shutterstock.com
KI-Lösungen haben ihren Weg aus den Forschungslaboren in die Praxis gefunden. com! professional zeigt, wie Unternehmen bei der Einführung von KI-Projekten am besten vorgehen sollten.
Künstliche Intelligenz (KI) hat überraschend schnell den Weg aus den Laboren in die Praxis gefunden. Immer mehr Unternehmen initiieren Projekte für KI und maschinelles Lernen, um ihre Geschäftsprozesse zu verbessern, Entscheidungen fundierter zu treffen oder neue Business-Modelle zu etablieren. Sieben von zehn deutschen Unternehmen werden in den nächsten zwölf Monaten ein KI-Projekt umsetzen, haben die Marktforscher von IDC in einer eben veröffentlichten Studie herausgefunden. Gut ein Viertel der befragten Unternehmen hat sogar bereits KI-Projekte abgeschlossen.
„Wir sind davon überzeugt, dass Künstliche Intelligenz in zwei Jahren in jedem Unternehmen präsent sein wird“, sagt Matthias Zacher, Manager Research und Consulting bei IDC. „Aus diesem Grund sollte sich jede Organisation jetzt ganz gezielt mit KI beschäftigen, um schnellstmöglich Mehrwert aus den bereits am Markt verfügbaren Lösungen zu ziehen.“
IDC hat allerdings beobachtet, dass vielerorts noch Unklarheit darüber herrscht, wie KI-Projekte angegangen werden sollten. Das ist nicht weiter erstaunlich. Denn KI und maschinelles Lernen stellen sich für die meisten Unternehmen ganz anders dar als die herkömmliche IT. Oft benötigen KI-Projekte eine grundsätzlich andere Herangehensweise, als Unternehmen sie traditionell gewöhnt sind. Sie erfordern zudem andere Hardware, andere Software und völlig neues Wissen.

Überlegungen im Vorfeld

Wenn es darum geht, KI-Projekte umzusetzen, tappen deshalb viele Unternehmen im Dunkeln und wünschen sich konkrete Best Practices. Die Analysten von Crisp Research haben in ihrer Studie „Machine Learning im Unternehmenseinsatz“ auf Basis der Befragung von KI-Anwendern einige Best Practices und handlungsleitende Empfehlungen herausgearbeitet, von denen com! professional hier einige vorstellt – zusammen mit den Erkenntnissen anderer Analysten.
Geeignete Anwendungsfälle ausfindig zu machen, dürfte nicht das Problem sein. KI-Use-Cases sollten aber möglichst früh identifiziert und als Prototypen schnell umgesetzt werden. So gewinnen Unternehmen erste Erfahrungen und es lassen sich Feedback- und Lernprozesse in Gang setzen. Dafür können neue Teams gebildet oder bestehende – wie BI- oder Cloud-Teams – erweitert werden. Im Vorteil sind hier Unternehmen, die frühzeitig auf Technologietrends setzen und es gewohnt sind, neue Technologien schnell zu realisieren.
Prototypen sind das eine, doch letztendlich müssen mit KI und Machine Learning bestimmte Unternehmensziele erreicht werden. Trotz der frühen Markt- und Entwicklungsphase sollten mit KI-Projekten deshalb auch schon ganz konkrete Ziele gesetzt werden – etwa die Minimierung von Fehlern bei Produkten und Dienstleistungen. Die Ziele und die Rolle, die Machine Learning im unternehmenseigenen „Tech-Stack“ beziehungsweise der IT-Architektur spielen soll, sollten möglichst früh reflektiert und festgelegt werden.
10 Tipps für erfolgreiche KI-Projekte
  • 1. Beginnen Sie klein: Versuchen Sie, einzelne Prozesse und Arbeitsschritte gezielt mit KI zu verbessern. Das schafft kleine Fortschritte und wichtiges Wissen für größere Aufgaben.
  • 2. Starten Sie zeitig: Identifizieren Sie Use-Cases möglichst früh und setzen Sie schnell erste Prototypen um. So lassen sich Feedback- und Lernprozesse in Gang setzen.
  • 3. Definieren Sie Ihren Tech-Stack: Überlegen Sie sich die Rolle, die Machine Learning im unternehmenseigenen „TechStack“ einnehmen soll, und legen Sie diese fest.
  • 4. Skalieren Sie: Setzen Sie zu Beginn der eigenen Erfahrungskurve auf Cloud-Provider und bauen Sie mit steigender Erfahrung eigene KI-Systeme auf (hybrider Ansatz).
  • 5. Setzen Sie auf eine duale Skill-Strategie: Holen Sie professionelle Unterstützung von externen Dienstleistern ein und bauen Sie parallel Skills im eigenen Team auf.
  • 6. Achten Sie auf den Nutzwert: Der Erfolg von KI-Projekten steht und fällt mit dem erzielten Nutzen. Statt der IT sollten daher die einzelnen Fachabteilungen KI-Projekte initiieren und vorantreiben.
  • 7. Denken Sie groß: So wichtig es ist, klein anzufangen – im Fortlauf Ihrer Erfahrungen sollten Sie auch große Herausforderungen angehen.
  • 8. Haben Sie einen langen Atem: Machine Learning ist ein Langstreckenlauf und braucht Zeit. Die Entwicklung und das Training komplexer Modelle und Algorithmen sind kein Drei­monatsprojekt.
  • 9. Vergessen Sie nicht zu testen: Planen Sie vor allem beim Einsatz an der Kundenschnittstelle (zum Beispiel digitale Assistenten und Bots) immer genügend Zeit für Testing und Qualitätssicherung ein.
  • 10. Nehmen Sie alle mit: Bei allen Bestrebungen, KI-Projekte im Unternehmen und damit auch die digitale Transformation voranzutreiben, darf eines nicht vergessen werden: der Mensch. Versuchen Sie, alle Mitarbeiter mitzunehmen und vom Nutzen von KI-Projekten zu überzeugen.
2. Teil: „Ohne Daten geht nichts“

Ohne Daten geht nichts

Von Anfang an sollten sich IT-Verantwortliche bewusst sein, dass KI keine Stand-alone-Technologie ist. Sie benötigt eine Menge Daten, um belastbare Modelle entwickeln zu können. „Oft ist der erste Schritt, die Datenerhebung, schon nicht trivial, da beispielsweise Produktionsanlagen erst einmal dazu befähigt werden müssen, Daten zu senden. Gerade viele ältere Anlagen sind dafür nicht entwickelt worden“, betont Björn Böttcher, AI & Data Practice Lead bei Crisp Research (siehe auch Interview). Erst wenn genügend Daten in ausreichender Güte vorlägen, könnten KI-Modelle trainiert werden, auf deren Basis dann
Bewertungen und Empfehlungen abgegeben werden.
Wenn ein Unternehmen bereits über die für KI-Anwendungen notwendigen Daten verfügt, dann heißt das nicht, dass das Datenproblem gelöst ist. Oft sind die Daten ungeordnet und liegen verteilt in unterschiedlichen Silos vor. Um die Entwicklung von KI-Projekten zu ermöglichen, muss die Datengrundlage zunächst geordnet werden.
„In KI-Projekten nimmt 50 Prozent der Zeit allein die Vorverarbeitung der Daten ein“, weiß Gunar Ernis, Data Scientist beim Fraunhofer-Institut IKIS. „Damit die Daten des KI-Modells genutzt werden können, muss erst einmal geklärt werden, welche Datenquellen zur Verfügung stehen, wie die Datenquelle angezapft werden kann, wie sich unterschiedliche Daten zusammenführen lassen und wie sich die Daten bereinigen lassen.“ Im Vorteil sind hier Unternehmen, die im großen Stil in Big-Data-In­frastrukturen und eigene Data Lakes investiert haben, um ihre Daten zusammenzuführen und zentralisiert nutz- und auswertbar zu machen.

Start small and scale

Geht es an die konkrete Umsetzung, müssen sich Unternehmen entscheiden, ob sie eine eigene KI-Infrastruktur aufbauen oder die Dienste von Cloud-Providern in Anspruch nehmen. Crisp empfiehlt: „Start small and scale“. Das heißt: Zu Beginn der eigenen KI-Erfahrung sollten IT-Verantwortliche auf die Machine-Learning-as-a-Service-Angebote der großen Cloud-Provider wie Amazon, Google, IBM oder Microsoft setzen. Mit steigenden Ansprüchen und größeren Erfahrungen können in der Folge unternehmenseigene Systeme aufgebaut werden. Diese lassen sich dann On-Premise oder in einem hybriden Ansatz betreiben.
Cloud-Services punkten vor allem bei einfachen Standard-Problemstellungen wie der Klassifikation von Produkten. Damit kann man schnell zu guten Ergebnissen kommen. „Wenn Sie beispielsweise auf Ihrer Website bestimmte Produkte verkaufen und Produktbilder klassifizieren möchten, können Sie auf Public-Cloud-Anbieter zurückgreifen“, rät KI-Experte Böttcher.
Amazon Machine Learning, Microsoft Azure Machine Learning, IBM Bluemix und Google Machine Learning sind hier momentan mit ihren KI-Cloud-Plattformen die Platzhirsche. Unternehmen mit wenig Erfahrung in Entwicklung, KI und maschinellem Lernen werden mit den Angeboten von Microsoft und Amazon zurechtkommen. Amazon schottet den Anwender fast ganz von KI-spezifischen Problemen ab.
IBM und Google ermöglichen hingegen die Erstellung sehr anspruchsvoller KI-Modelle. Das setzt etwas mehr Verständnis der Materie voraus. Salesforce Einstein mit seinen fertig integrierten KI-Systemen bietet KI aus der Box, allerdings sind die Services auf die Dienste des Anbieters beschränkt.
3. Teil: „Lokale KI-Infrastruktur“

Lokale KI-Infrastruktur

Die As-a-Service-Angebote sind nicht in jedem Anwendungsfall die beste Option. Cloudbasiertes Machine Learning funktioniert nur bei Standardaufgaben wie Texte vorlesen lassen oder Bilder kategorisieren. Für anspruchsvollere KI-Projekte müssen Unternehmen selbst Modelle trainieren.
  • Verwendete KI-Technologien: Am häufigsten nutzen deutsche Unternehmen Künstliche Intelligenz zur Extraktion von Wissen aus Daten und zur Spracherkennung.
    Quelle:
    IDC (n = 350)
„Wenn in der Produktion beispielsweise ein gefertigtes Produkt oft Ausschuss ist oder Sie in der Produktion allgemein Probleme haben, dann sollten Sie Ihre eigene KI-Umgebung aufbauen und das System mit den Daten, die aus der Anlage kommen, trainieren“, rät Björn Böttcher.
Beim Inhouse-Betrieb gilt zu bedenken: KI-Anwendungen führen häufig eine Vielzahl von Prozessen in kurzen Zeit­intervallen aus, was in hohen Ansprüchen an Rechenkapazitäten und Infrastruktur resultiert. Diese anspruchsvollen Anforderungen an Performance und auch Kosteneffizienz benötigen für das Processing komplexer Machine-Learning-Verfahren ein entsprechendes technisches Framework mit teils neuen Chip-Designs und Hardware-Konzepten.
Hier hat der Wettlauf der Hersteller bereits begonnen. Internetfirmen wie Google stellen längst ihre eigenen Chips (TPUs) her, die für bestimmte Anwendungsfälle des Machine Learnings optimiert sind. Auch Nvidia und Intel versuchen, sich mit eigenen Chips oder ganzen Clustern samt CPU und GPU entsprechend zu positionieren.
Mittels solcher optimierter Systeme – basierend auf CPUs, GPUs oder TPUs – kann die Trainingszeit deutlich minimiert werden, was oft ein gravierender Wettbewerbsvorteil ist. In jedem Fall sollten Rechenzentrums- und IT-Betriebskonzepte für den Machine-Learning-Einsatz überprüft und gegebenenfalls weiterentwickelt werden.

Duale Skill-Strategie

Die eigene Infrastruktur bietet mehr Freiheit – bei gleichzeitig höherer Komplexität und erforderlichem KI-Know-how. KI-Skills sind aber nicht nur im internen Betrieb notwendig, das Wissen um KI-Techniken und -Verfahren muss auch bei As-a-Service-Konzepten vorhanden sein. Machine-Learning-Algorithmen müssen verstanden und evaluiert werden.
Angesichts der Komplexität des Themas empfiehlt sich deshalb eine duale Strategie. Skills im eigenen Team sollten sukzessive aufgebaut werden. Business-Intelligence- und Analytics-Abteilungen sind hier federführend. Dazu sollte aber zusätzlich professionelle Unterstützung von externen Providern eingeholt werden. Externe Berater und professionelle Dienstleister sind laut den Analysten unverzichtbar, um Machine-Learning-Strategien erfolgreich umzusetzen. Vor allem in der Datenexploration und im Training der eigenen Mitarbeiter sehen die Unternehmensentscheider wichtige Einsatzbereiche für externe Dienstleister.
Nicht zu vergessen bei KI-Projekten ist auch der finanzielle Mehrbedarf. KI-Vorhaben erfordern wegen der zusätz­lichen technischen und personellen Ressourcen zusätzliche finanzielle Mittel. Dies gilt insbesondere im internen Betrieb. Um Anfangsinvestitionen in die KI zu rechtfertigen und Ressourcen langfristig neu allokieren zu können, schlägt Crisp Research vor, Einspar- und Konsolidierungspotenziale durch Prozessoptimierung und Automation zu prüfen.
Bei all dem ist aber auch Geduld angebracht: Die Einführung vom Machine Learning braucht Zeit. Die Entwicklung und das Training komplexer Modelle und Algorithmen ist kein Dreimonatsprojekt. IT-Verantwortliche sollten eher in Jahren als in Monaten denken.
Und mit der Entwicklung ist es auch noch nicht getan. Gerade bei KI-Systemen wie digitalen Assistenten oder Chat-Bots, die auf Kunden losgelassen werden, muss auf die Qualitätssicherung geachtet – und die Software intensiv getestet werden.
4. Teil: „Björn Böttcher von Crisp Research im Interview“

Björn Böttcher von Crisp Research im Interview

  • Björn Böttcher ist AI & Data Practice Lead bei der Unternehmensberatung Crisp Research.
    Quelle:
    Crisp Research
Björn Böttcher ist AI & Data Practice Lead bei der Unternehmensberatung Crisp Research und Mitautor der Studie „Machine Learning im Unternehmenseinsatz“. com! professional spricht mit ihm darüber, wie Unternehmen bei der KI-Einführung am besten vorgehen sollten.
com! professional: Herr Böttcher, wie sehen Sie aktuell den Bedarf an KI-Technologien und -Verfahren?
Björn Böttcher: Unsere letzte Studie hat gezeigt, dass in allen Branchen Anwendungsbedarf für den Einsatz von Machine-Learning-Methoden und Verfahren der Künstlichen Intelligenz besteht. In einzelnen Branchen kommen allerdings bestimmte Technologien und Verfahren stärker zum Einsatz als in anderen. In der Fertigung beispielsweise können Sie die hergestellten Produkte mit der Kamera fotografieren und die Aufnahmen analysieren. Das ist natürlich ein anderes Anwendungsgebiet als in einem Umfeld, in dem viel mit Texten gearbeitet wird – etwa in Banken, im Versicherungswesen oder im juristischen Bereich. Hier müssen Sie Texte erfassen und analysieren.
com! professional: Und wie sollten Unternehmen ihre KI-Projekte beginnen?
Böttcher: Primär geht es darum, einen vernünftigen Umgang mit Daten im Unternehmen aufzubauen und die Daten entsprechend bereitzustellen. Unternehmen sollten deshalb eine Datenstrategie entwickeln und die Daten so sammeln und aufbereiten, dass sie nutzbar gemacht werden können. Das fängt bei der Erhebung der Daten an und endet bei einer Daten-Lifecycle-Management-Strategie.
Oft ist der erste Schritt, die Datenerhebung, schon nicht trivial, da beispielsweise Produktionsanlagen erst einmal dazu befähigt werden müssen, Daten zu senden. Gerade viele ältere Anlagen sind dafür nicht entwickelt worden. Erst wenn Daten in ausreichender Güte vorliegen, können Sie Ihre Modelle trainieren und dann prüfen, ob die Modelle dazu führen, dass Sie erfolgreich Vorhersagen, Bewertungen und Empfehlungen abgeben können.
com! professional: Was bedeutet die zentrale Rolle der Daten für die IT-Infrastruktur?
Böttcher: Daten müssen möglichst nah an die Rechenkapazitäten herangeführt werden, damit eine effiziente Analyse der Daten möglich wird. Damit ist je nach Anwendungsfall schon eine Gravität für die Daten vorgegeben – beispielsweise dass eine Nutzung in der Cloud nicht infrage kommt aufgrund von Latenz. Für die Datenspeicherung und Datenaufbereitung sollten Sie auch überprüfen, welche Systeme Sie bereits in Ihrer IT-Landschaft vorliegen haben. Nutzen Sie zum Beispiel SAP-Systeme oder haben Sie schon Big-Data-Umgebungen oder Public-Cloud-Infrastrukturen, dann stellt sich die Frage: Können Sie einen dieser Infrastrukturteile für die Erstellung von Machine-Learning-Anwendungen sinnvoll und anwendungsübergreifend einsetzen?
Abseits der Betrachtung der einzelnen Systeme sollten auch immer der Datenschutz und die Datensicherheit im Auge behalten werden.
com! professional: Und wie sehen die Hardware-Voraussetzungen bei der Analyse beziehungsweise dem Training aus?
Böttcher: Für das Trainieren sollten größere Investitionsmittel bereitgestellt werden – wenn Sie nicht auf Cloud-Services zurückgreifen. Mit optimierter Hardware und KI-Frameworks können Sie viel an Performance herausholen.
com! professional: In Ihrer Studie raten Sie KI-Einsteigern, zunächst einmal Cloud-Services zu nutzen.
Böttcher: Ja, Cloud-Services sind prinzipiell ein guter Einstiegspunkt, weil die Public-Cloud-Provider bereits vortrainierte, gut konfigurierte und skalierbare Machine-Learning-Dienste im Angebot haben. Damit kann man relativ schnell zu guten Ergebnissen kommen. Wenn Sie beispielsweise auf Ihrer Webseite bestimmte Produkte verkaufen und Produktbilder klassifizieren möchten, dann können Sie auf Public-Cloud-Anbieter zurückgreifen. Praktisch bedeutet das: Sie laden Ihre Bilder hoch und testen dann mit mehreren Cloud-Anbietern, ob der bereitgestellte Dienst das Ergebnis liefert, das Sie brauchen.
com! professional: Wie sollten Unternehmen personell mit KI-Projekten starten?
Böttcher: Idealerweise sollten sie mit einem auf Machine Learning spezialisierten Dienstleister loslegen. Je nach eigener Ressourcenverfügbarkeit kann der Partner temporär unterstützen oder langfristig zu einem strategischen Partner werden. Wichtig dabei ist: Eigene Mitarbeiter sollten – je nachdem wie fortgeschritten sie sind – sukzessive in das Projekt integriert werden und gemeinsam von den Erfahrungen des Dienstleisters lernen.

mehr zum Thema