Demokratisierung von Daten Wie Industrieunternehmen eine KI-Kultur schaffen

Anbieter zum Thema

DUALIS GmbH IT Solution

COSCOM Computer GmbH

OMNIZON NETWORKS GmbH

Dataiku

Der Einsatz von künstlicher Intelligenz in einem Unternehmen bleibt nur dann wertschöpfend, wenn alle beteiligten Teams Zugriff auf Daten haben. Eine übergreifende Zusammenarbeit mit einem Werkzeug und eine zukunftsfähige KI-Kultur sind der Schlüssel.

„Ab einem gewissen Punkt muss der Zugang zu Daten und Projekten der künstlichen Intelligenz (KI) für Mitarbeiter außerhalb der Datenteams geöffnet werden.“ Das sagt Rachel Boskovitch, Expertin der Enterprise-AI-Plattform Dataiku. Wenn sie das nicht tun, stoßen Industrieunternehmen an die Grenzen des Potenzials dieser Zukunftstechnik. Obwohl riesige Datenmengen bereit stehen und Datenprojekte in der Branche bereits in vielen Anwendungen (Use Cases) bereits Mehrwerte schaffen, Geschäftsprozesse verbessern und Ressourcen sparen, findet die Arbeit an den Daten noch in Silos statt.

Erst wenn neben hochqualifizierten Data Scientists auch Entscheider, Geschäftsprofile und Mitarbeiter aus verschiedensten Unternehmensbereichen eingebunden werden, entstehen bessere Entwicklungen. Im Zentrum steht dabei eine ganzheitliche Kultur der künstlichen Intelligenz. Das setzt ein zentrales Werkzeug voraus, mit dem ein Echtzeit-Datenzugriff und eine neue Ebene der teamübergreifenden Zusammenarbeit möglich ist.

Bitkom-Umfrage

Jedes vierte Unternehmen plant Investitionen in KI

Neue Möglichkeiten mit ganzheitlicher KI-Kultur

Damit Mitarbeiter aus unterschiedlichen Abteilungen in die Arbeit mit Daten eingebunden werden können, ist unternehmensintern eine ganzheitliche KI-Kultur notwendig. Das ist vor allem ein strategisches Projekt und weniger ein rein technisches Vorhaben. Klar ist: Nur wenn sich alle Teams mit der Arbeit mit Daten identifizieren können und ein grundlegendes Verständnis für den daraus entstehenden Mehrwert haben, funktioniert die neue Art der Zusammenarbeit. Deshalb ist es wichtig, Ziele, Mehrwerte und Nutzung von Datenprojekten an die verschiedenen Teams zu kommunizieren und in den gemeinsamen Diskurs zu gehen.

Die ganzheitliche KI-Kultur wird durch zugeschnittene Fortbildungen gestärkt, die zur Arbeit mit den Daten notwendig sind. Nur so können die unterschiedlichen Teams verstehen, in welchem Umfang und zu welchem Zweck KI in Projekten umgesetzt wird und welche Erwartungshaltungen und Herausforderungen dabei bestehen. Aufkommende Missverständnisse lassen sich vorbeugen. Notwendig sind ausreichende Information oder eine Diskussion bei unterschiedlichen Sichtweisen.

Bei dieser Transformation müssen nicht alle Mitarbeiter ein tiefes Verständnis für große Datenmengen, Data Science oder künstliche Intelligenz haben. Es genügt, wenn die eingebundenen Mitarbeiter wissen, woher Daten kommen, wofür sie genutzt werden und wie sich der Datenworkflow gestaltet. Ist dieser grundlegende Schritt geschafft, ergeben sich abseits bereits bestehender Use Cases weitere Möglichkeiten: Die gewonnenen Blickwinkel und die damit verbundene Kreativität der einzelnen Positionen sind Grundlage für neue Ansätze der Datennutzung, die von KI-Experten zu echten Anwendungen weiterentwickelt werden.

Vernetzte Industrie

Warum ein Industrie-Unternehmen Daten sammeln sollte

Das maschinelle Lernen automatisieren

Werden neue Teams eingebunden, so entstehen gleichzeitig auch neue Positionen im Unternehmen. Das beste Beispiel dafür ist der Citizen Data Scientist. Er ist, anders als der hochqualifizierte Data Scientist, vor allem mit den Problemstellungen und Anforderungen in der Industrie vertraut und kennt die geschäftlichen Anforderungen an Datenprojekte genau. Obwohl er keine tiefgreifenden Kenntnisse im Machine Learning hat, ist er aktiv in die Arbeit mit Daten und die Erstellung von Modellen eingebunden – ohne auf einen Data Scientist angewiesen zu sein.

Diese Option ergibt sich allerdings erst durch den Einsatz von AutoM: die Automatisierung des maschinellen Lernens. Je nach Grad der Komplexität lassen sich einzelne Schritte des maschinellen Lernens (ML) oder sogar der komplette Prozess so vereinfachen, sodass Anwender ohne spezifische Programmierkenntnisse Modelle (mit)entwickeln können. Das Einsatzgebiet ist dabei sehr breit und resultiert darin, dass ein Citizen Data Scientist in verschiedenen Ausprägungen und mit verschiedenen Aufgaben existiert. So kann er einerseits neue Datenquellen anbinden und Daten zusammenführen und aufbereiten, andererseits auch Modelle erstellen und sie in den Workflow der Industrie implementieren. Für Unternehmen bedeutet das einen wesentlich geringeren Bedarf an hochqualifizierten Data Scientists und weniger Zeitverlust bei der Programmierung der Modelle für das maschinelle Lernen.

Zusammenarbeit auf einem zentralen Tool in Echtzeit

Damit Teams und einzelne Mitarbeit mit AutoML arbeiten können, benötigen sie einen Zugang zu den Daten. Dieser demokratisierte Zugriff auf aktuelle Daten in Echtzeit ist Grundlage für den Citizen Data Scientists. Gerade in der Industrie gelten für diesen Datenzugriff besondere Anforderungen, denn alle Daten müssen in Echtzeit und als dynamische Daten zur Verfügung stehen. Es bietet sich eine zentrale, workflow-orientiere Plattform an, in der sämtliche Datenprojekte abgebildet sind. Die zu den Projekten gehörigen Datensätze und Funktionen sind dabei in Dashboards so visualisiert, dass auch nicht-technische Profile sie verstehen und interpretieren können.

Gleichzeitig läuft die datenbezogene Kommunikation direkt über die Plattform – so ist das gesamte Vorgehen für alle einsehbar dokumentiert und nachvollziehbar. Ein weiterer Vorteil: Kritische Daten und die interne Kommunikation zu diesen laufen Data Governance konform direkt über die Plattform.

Digitale Fabrik

Dem deutschen Mittelstand fehlt eine Vision

Wissen der Fachbereiche in Projekte einbinden

Mit der Demokratisierung von KI in der Industrie ergibt sich automatisch eine neue, verstärkte Zusammenarbeit und Kommunikation über sämtliche Unternehmensbereiche und Positionen hinweg. Somit kann das Wissen aus einzelnen Fachbereichen aktiv in Projekte eingebunden werden, was durch neue Sichtweisen zu besseren Lösungen beiträgt. So fehlen künftig keine wichtigen Einblicke in Abläufe mehr und auch Informationslücken gibt es keine mehr.

Vorhandene Ressourcen werden viel besser genutzt. Hochqualifizierte Data Scientists werden durch Citizen Data Scientist und den Einsatz von AutoML entlastet. Anstelle grundlegender Arbeiten wie der Datenaufbereitung stehen jetzt hochtechnologische und spezifische Fragestellungen und deren Lösungen im Mittelpunkt.

Für Industrieunternehmen hat die Demokratisierung von KI ganz praktische Vorteile: Weniger Zeitverlust, bessere und neue KI-Entwicklungen und nicht zuletzt die Transformation in ein zukunftsfähiges, datengesteuertes Unternehmen. Obwohl dazu Investitionen notwendig sind und sich die Unternehmenskultur nachhaltig verändert, macht sich die Industrie gleichzeitig bereit für eine wertschöpfendere, datengetriebene Zukunft.

* Rachel Boskovitch leitet das Zentraleuropa-Team bei der Enterprise-AI-Plattform Dataiku in Frankfurt am Main.

(ID:47434032)