Suchen

Kommentar In fünf Schritten zur eigenen KI-Anwendung

| Autor / Redakteur: Dr. Olivia Lewis / Nico Litzel

Um zukunftsfähig zu bleiben, müssen Unternehmen ihre Produkte und Prozesse optimieren. Künstliche Intelligenz (KI) kann Ihnen dabei helfen. Doch wie bringen Sie die KI an den Start? In vier Schritten plus einem dauerhaft fünften.

Firmen zum Thema

Die Autorin: Dr. Olivia Lewis ist Head of Data Science bei The unbelievable Machine Company (*um)
Die Autorin: Dr. Olivia Lewis ist Head of Data Science bei The unbelievable Machine Company (*um)
(Bild: The unbelievable Machine Company)

Ein Beispiel: Viele Unternehmen verfügen über umfangreiche Datenmengen. Manche wissen auch bereits, dass sie diese für (Business-)Analysen nutzen wollen. Andere sollten das wissen. Und ebenso, dass sie dies auch automatisiert tun können, indem – grob skizziert – ein Algorithmus implementiert wird, der z. B. Muster in diesen Daten erkennen und damit Erkenntnisse gewinnen kann, die gezielt bei Geschäftsentscheidungen oder gar -modellen helfen.

Eben dies ermöglicht eine eigene KI-Anwendung. Diese lässt sich natürlich nicht ad-hoc realisieren, doch bedarf sie überraschend weniger Entwicklungsschritte – von der Mindset- und Ideenfindung über die Lösungsentwicklung bis zur Implementierung und konkreten Anwendung im Unternehmen. Hier anhand eines Fahrplans erläutert.

Zur Einstimmung: Noch ein Blick auf die Karte, dann geht es los

Data Thinking ist der Ausgangspunkt jeder digitalen Entwicklung. Dieses gar nicht mehr so neue, aber grundlegend wichtige Denken und Handeln setzt vor Beginn konkreter Daten- und KI-Projekte an. Bevor sie bestimmen, wohin die KI-Reise geht, müssen Unternehmen erst einmal verinnerlichen, warum und auf welche (digitale) Art sie reisen wollen. Also zunächst darüber nachdenken und sich bewusst machen, inwiefern Daten, Algorithmen und neue Technologien künftig eine Rolle für das eigene Business spielen können. Es gilt, sich prinzipiell für neue Ideen, Ansätze und Arbeitsweisen zu öffnen.

Der Fahrplan: Data Leadership Process Model
Der Fahrplan: Data Leadership Process Model
(Bild: The unbelievable Machine Company)

Entsprechend eingestimmt, steht nun an, die richtigen Schritte zu gehen, um Daten- und KI-Projekte erfolgreich in die Tat umzusetzen. Als Ansatz dafür hat sich das von Unbelievable Machine entwickelte Data Leadership Process Model (*umDLPM) bewährt.

Der ganzheitliche Prozess-Plan integriert sämtliche organisatorischen und strategischen Aspekte. Er gliedert den kompletten Prozess der datengetriebenen digitalen Entwicklung in klar definierte Phasen: vom Data Thinking oder grundlegenden Denken und Lernen über die Data Solution, also konkrete Anwendungen und Potenziale bis zum Data Enterprise samt der gezielten Verankerung und kontinuierlichen Optimierung in der Organisation.

Das 4-Phasen-Modell: Von der Idee zur Lösung
Das 4-Phasen-Modell: Von der Idee zur Lösung
(Bild: The unbelievable Machine Company)

Schritt 1 und 2: Ideation und Scoping

Im ersten und zweiten Schritt (3 Tage) gilt es, die Anfangshürden zu überwinden. Klein und mit Greifbarem anzufangen bzw. es überhaupt greifbar zu machen: Erste Ideen müssen entwickelt und auf ihre KI-Tauglichkeit geprüft, die vorhandene Datenlage muss ausgelotet werden.

In intensiven Workshops definieren Data-Science- und KI-Experten gemeinsam mit den Fachabteilungen zunächst Strategien, Ziele und Erfolgskriterien und identifizieren dann mögliche Use Cases für ein erstes Leuchtturmprojekt.

Auf dieser Grundlage erfolgt eine Bewertung des Reifegrads in puncto Data Science und Infrastruktur, um die erforderlichen Rahmenbedingungen für die gewünschte Lösung zu gewährleisten.

Am Ende des zweiten Schritts steht ein Konzept zur folgenden Umsetzung eines Proof of Concept (PoC), das wiederum die Grundlage für ein Minimum Viable Project (MVP) bildet.

Schritt 3: Proof of Concept (PoC)

Im dritten Schritt (in der Regel ein bis drei Monate) stellt der Auftraggeber Beispieldaten zur Verfügung, die es den Data Scientists ermöglichen, praktikable datenwissenschaftliche Methoden und Algorithmen zur Anwendung zu bringen. Ziel ist, eine Lösung zu liefern und zu implementieren, die belegt, dass bzw. ob der gewünschte Output im Use Case mit den verfügbaren Daten und Tools erreicht werden kann.

Der PoC-Prozess an sich ist in mehrere verknüpfte Phasen unterteilt und wird in einer agilen Form durchgeführt, um unmittelbares Feedback und Kursänderungen während des Entwicklungsprozesses zu ermöglichen.

Detaillierte Schritte bis zum PoC hängen vom technischen Umfang und Kursrichtung des jeweiligen Use Cases ab – z. B. Predictive Analytics / Predictive Maintenance, Deep Image / Video Analysis, Fraud Detection, Text Mining / Natural Language Processing (NLP), Time Series Prediction, Robotic Process Automation (RPA), Digital Virtual Assistant, Recommender Systems. Ist der PoC erfolgreich, bildet die entwickelte Lösung den Kern des MVP.

Die Phasen des PoC-Prozesses
Die Phasen des PoC-Prozesses
(Bild: The unbelievable Machine Company)

Schritt 4: Minimum Viable Product (MVP)

In diesem vierten Schritt (drei Monate oder länger) geht es darum, die KI-Anwendung des Auftraggebers fertigzustellen und in die Produktion innerhalb der Zielinfrastruktur und unter Verwendung von Live-Daten zu überführen. Dies ist der letzte Schritt im Entwicklungsprozess und zugleich der Punkt, an dem der Business-Mehrwert erzielt wird.

Um eine zuverlässige Produktionsfunktion und ein skalierbares Produktmanagement zu gewährleisten, werden zunächst erste Software- und Hardware-Frameworks aufgesetzt. Damit das digitale Produkt von Beginn an skalierbar sein kann, ist es entscheidend, es gleich auf unbegrenzt ausbaufähiger Infrastruktur zu planen, wie sie von Cloud-Plattformen wie Amazon Web Services (AWS), Microsoft Azure oder die Google Cloud (GCP) angeboten wird.

Während der Entwicklung des MVP werden weitere Dienste der Datenarchitektur und -freigabe, der Data Governance und Informationssicherheit für die Infrastruktur und Live-Datenintegration benötigt und können je nach Bedarf in den Prozess einbezogen werden.

Am Ende dieser iterativen MVP-Erstellungszyklen wird die Testversion einer ersten funktionsfähigen Data Science- und KI-Lösung dann zum Einsatz gebracht.

Schritt 5: Kontinuierliche Verbesserung

Der Übergang zwischen der Entwicklung und dem Betrieb ist fließend und kontinuierlich – und nie wirklich abgeschlossen. Dem aktuellen DevOps-Verfahren folgend, stehen Produktentwicklung und operativer Betrieb in einer Wechselbeziehung zueinander. Digitale Produkte werden kontinuierlich und agil entwickelt. Es ist daher von entscheidender Bedeutung, die digitale Infrastruktur so aufzubauen, dass sie flexibel skalierbar ist und somit je nach Bedarf bzw. Rechenleistung oder Belastung erweitert werden kann.

Nochmal zum Anfang: Wo und wie geht es los?

Was Mitarbeiter vor allem benötigen, sind Zeit und Raum, sich inspirieren zu lassen und Neues zu lernen. Sie müssen Bestehendes in Frage stellen und gezielt „hacken“ dürfen. Dafür müssen sie „Start-up-Spirit” atmen, neue Technologien und Tools ausprobieren können, um die Möglichkeiten der Digitalisierung für das Unternehmen zu verstehen und in Angriff nehmen zu können.

Zehn Tipps für die Umsetzung von Daten- und KI-Projekten

1. Klein beginnen: Versuchen Sie, einzelne Prozesse und Arbeitsschritte gezielt mit KI zu verbessern. Das schafft kleine Fortschritte und wichtiges Wissen für größere Aufgaben.
2. Zeitig starten: Identifizieren Sie Use Cases möglichst früh und setzen Sie schnell erste Prototypen um. So lassen sich Feedback- und Lernprozesse in Gang setzen.
3. Tech Stack definieren: Überlegen Sie sich die Rolle, die Machine Learning im unternehmenseigenen „Tech Stack“ einnehmen soll, und legen Sie diese fest.
4. Skalieren: Setzen Sie zu Beginn auf Cloud-Provider und bauen Sie mit steigender Erfahrung eigene KI-Systeme auf. (Hybrider Ansatz.)
5. Duale Skill-Strategie implementieren: Holen Sie professionelle Unterstützung von externen Dienstleistern ein und bauen Sie parallel Skills im eigenen Team auf.
6. Auf den Nutzwert achten: Der Erfolg von KI-Projekten steht und fällt mit dem erzielten Nutzen. Statt der IT sollten daher die Fachabteilungen KI-Projekte initiieren und vorantreiben.
7. Groß denken: So wichtig es ist, klein anzufangen – im Fortlauf Ihrer Erfahrungen sollten Sie auch große Herausforderungen angehen.
8. Nachhaltig arbeiten: Machine Learning ist ein Langstreckenlauf und braucht Zeit. Die Entwicklung und das Training komplexer Modelle und Algorithmen sind kein Drei-Monats-Projekt.
9. Testen: Planen Sie vor allem beim Einsatz an der Kundenschnittstelle (z. B. digitale Assistenten und Bots) immer genügend Zeit für Testing und Qualitätssicherung ein.
10. Abteilungsübergreifend agieren: Bei allen Bestrebungen, KI-Projekte im Unternehmen voranzutreiben, darf der Mensch nicht vergessen werden: Versuchen Sie, alle Mitarbeiter mitzunehmen und vom Nutzen der KI-Projekte zu überzeugen.

Der Artikel erschien zuerst auf unserem Partnerportal Big Data Insider.

Artikelfiles und Artikellinks

(ID:46647762)