Planung, PoC und Produktion einer erfolgreichen KI-gesteuerten Unternehmenslösung

Unternehmen beschleunigen ihre Initiativen im Bereich der künstlichen Intelligenz (KI) rasant. Eine Studie von Algorithmus zeigte, dass 76 Prozent der CIOs ihre IT-Budgets priorisieren und erhöhen, um sich stärker auf KI- und maschinelle Lernlösungen (ML) zu konzentrieren. Auch Unternehmen erkennen die Bedeutung von Daten und die meisten akzeptieren die Tatsache, dass 80 Prozent der Unternehmensdaten unstrukturierter Natur sind.

Unstrukturierte Daten werden in Unternehmen mit alarmierender Geschwindigkeit produziert und wachsen. Die Maßeinheit hat sich von Terabyte auf Petabyte verlagert. Infolgedessen stehen IT-Experten, CDOs und CIOs vor neuen Herausforderungen, um der steigenden Nachfrage nach nutzbaren Daten und umsetzbaren Erkenntnissen gerecht zu werden. Trotz des enormen Potenzials der KI, jede Branche zu verändern, 15 Prozent der bis Ende 2022 eingesetzten KI-Lösungen werden erfolgreich sein, und weniger davon generieren einen positiven ROI.

Das größte Problem besteht darin, dass die meisten KI-Lösungen für Unternehmen aufgrund unterschiedlicher Erwartungen nicht das Licht der Welt erblicken. Es gibt weiterhin Missverständnisse über die Möglichkeiten von KI und Projekte werden weiterhin auf der Grundlage von Hype-getriebenen Modellen konzipiert. Die meisten Produkte oder Modelle sind weit von der tatsächlichen Realität des Unternehmensalltags entfernt. Weitere treibende Faktoren für geringere Erfolgsquoten sind unter anderem: Kostenüberschreitungen, Mangel an KI-Kompetenzzentren (CoE), unerfahrene Talente, Nichtverfügbarkeit von Daten und veraltete Richtlinien.

Planung ebnet den Weg für den KI-Erfolg von Unternehmen

Unstrukturierte Daten sind Daten, denen ein vordefiniertes Datenmodell fehlt und die alles umfassen, von textlastigen Dokumenten und Websites bis hin zu Bildern, Videodateien, Chatbots, Audiostreams und Social-Media-Beiträgen. Angesichts der zunehmenden Menge unstrukturierter Daten in der Unternehmensarchitektur ist es von entscheidender Bedeutung, über einen effizienten und inkrementellen Plan zu verfügen, der mit den Zielen aller Unternehmensbeteiligten übereinstimmt. Typische Ziele auf Organisationsebene können sein: Prozessautomatisierung, Betrugserkennung, Verbesserung des Kundenerlebnisses, Verbesserung der Sicherheit, Steigerung des Umsatzes usw. Während einige dieser Ziele recht effektiv erreicht werden können, kann die Planung rund um unstrukturierte Daten aufgrund der strukturierten Natur der Daten eine Herausforderung darstellen.

Typischerweise beginnt die Planung mit der Identifizierung von Chancenbereichen innerhalb einer Organisation. Während es auf der Führungsebene eine große KI-Vision geben kann, ist es wichtig, einen Bereich zu identifizieren, der große Auswirkungen, geringes Risiko und kontinuierliches Datenwachstum aufweist. Ein gutes Beispiel für einen solchen Anwendungsfall wäre die Funktion der Kreditbearbeitung in der Banken- und Finanzbranche. Von der Kreditvergabe bis hin zur Kreditabwicklung ist es mit manuellen Prozessen verbunden, bei denen Informationen immer wieder von Hand in Systeme eingegeben werden. Die sorgfältige Prüfung von Kreditanträgen erfordert einen erheblichen Umfang der Einreichung von Dokumenten, der mehrere Risiken birgt. Allerdings kann KI in mehreren Bereichen des Arbeitsablaufs eingesetzt werden, einschließlich der Dokumentenverarbeitung und der Betrugserkennung. Dies ist auch ein Bereich, in dem es von Jahr zu Jahr ein kontinuierliches Datenwachstum gibt.

Zu den weiteren wichtigen Schritten, die in dieser Planungsphase berücksichtigt werden müssen, gehören die Definition messbarer Erfolgskriterien, die Formulierung einer zusammenhängenden Datenstrategie, kontinuierliche Schulung und Feedback sowie die Messung der Benutzererfahrung, Skalierbarkeit und Infrastruktur.

Messbare Erfolgskriterien definieren (und den „Vom Karren vor dem Pferd“-Moment vermeiden!)

Der frühe Erfolg von Google wird oft der Einführung von Objective Key Results (OKRs) durch das Unternehmen zugeschrieben. Während dieser Ansatz auf jeden Aspekt geschäftlicher oder persönlicher Ziele angewendet werden kann, könnte die Anwendung dieses bewährten Ansatzes für Ihre KI-Strategie zu vielversprechenden Ergebnissen führen. Allerdings handelt es sich bei unstrukturierten Daten um ein sich entwickelndes Problem, das die Branche insgesamt zu lösen versucht. Angesichts der Herausforderungen sollten Unternehmensleiter verschiedene Fragen stellen, um das „Was“ und das „Warum“ herauszufinden. Wenn beispielsweise die Steigerung der Produktivität das Hauptziel ist, könnten zwei Fragen beantwortet werden:

• Sollte ich planen, den Durchsatz durch Automatisierung zu verbessern? oder
• Sollte ich planen, bei 80 Prozent aller eingereichten Fälle 100 Prozent des Problems zu lösen?

Die Beantwortung dieser Fragen führt zu zwei verschiedenen Implementierungswegen und es ist wichtig zu entscheiden, welcher für Ihr Unternehmen der richtige ist.

Bei unstrukturierten Daten besteht ein weiterer unklarer Messbereich Genauigkeit. Im Beispiel der Kreditbearbeitung gibt es so große Unterschiede in den von Kunden eingereichten Dokumenten, dass es für Unternehmens- und Technologieführer von entscheidender Bedeutung ist, einen Konsens darüber zu erzielen, wie die Genauigkeit der KI-Lösung gemessen wird. Wenn Produktivität eines der Ziele bei der Einführung einer KI-Lösung ist, müssten andere Bereiche identifiziert werden, die sich auf die Produktivität auswirken. Dies kann erreicht werden, indem man sich den aktuellen Ist-Prozess genau ansieht und den Prozess mit KI-Automatisierung neu konzipiert. Häufig führt eine neue Automatisierung zu neuen Schritten im Prozess, wie z. B. manuellem Ausnahmemanagement, Anmerkungen, Schulungen usw. Mit diesen Schritten wäre es einfacher zu bestimmen, wie die Genauigkeit gemessen werden kann.

Daten sind das Lebenselixier aller Unternehmen

Unstrukturierte Daten weisen ein hohes Maß an Variabilität in der Art und Weise auf, wie Informationen strukturiert und präsentiert werden. Unternehmen sind mit Informationen überhäuft, die in Dokumenten präsentiert werden, die von Natur aus komplexe Strukturen aufweisen, die aus Absätzen, Sätzen und, was noch wichtiger ist, mehrdimensionalen Tabellenstrukturen bestehen. Zusätzlich zu Dokumenten investieren Unternehmen zunehmend in Chatbots, die Überwachung von Social-Media-Daten und anderen Formen unstrukturierter Daten wie Nachrichten, Bilder und Videos.

Die meisten Unternehmen unterschätzen, wie viele Daten verfügbar und zugänglich sind. Oftmals besteht die Herausforderung darin, Compliance-Einschränkungen zu überwinden und Daten innerhalb des Unternehmens auszutauschen. Dennoch ermöglichen saubere und hohe Datenvariabilität eine bessere Bewertung eines Problems und die Entwicklung einer optimalen Lösung.

Ein weiterer wichtiger Faktor ist, welches Ergebnis Sie von diesen unstrukturierten Daten erwarten. Dadurch wird eine genaue Menge an Ground-Truth-, Trainings- und Testdaten sichergestellt. Um auf das Beispiel der Kreditbearbeitung zurückzukommen: Wenn das Ergebnis dieser KI-Lösung darin besteht, den durchschnittlichen Tagessaldo der Antragsteller zu ermitteln, können sich Ground-Truth- und Trainingsdaten stark auf Kontoauszüge konzentrieren. Wenn der Schwerpunkt jedoch darauf liegt, betrügerische Antragsteller anhand eingereichter Kontoauszüge zu identifizieren, muss auf ein breiteres Spektrum an Dokumenten zugegriffen werden, um die erforderlichen Ground-Truth- und Trainingsdaten zu erhalten.

Skalierung vom PoC zur Produktion

Durch die Durchführung eines messbaren Proof of Concept (PoC) wird sichergestellt, dass alle Beteiligten die Herausforderungen, Ergebnisse und das Wertversprechen einer KI-Lösung verstehen. Ein PoC ist jedoch nicht dasselbe wie eine produktionsreife Lösung. Ein PoC ermöglicht es einer Organisation, Lücken zu identifizieren, regt Design Thinking für eine Produktionslösung an und optimiert die Ziele und Schlüsselergebnisse, die erreicht werden sollen. Um von PoC zu einer skalierbaren Lösung zu gelangen, sollten Unternehmen komplexe Datenszenarien einplanen, die ständige Datenänderungen, die Nichtverfügbarkeit gekennzeichneter Daten und ein hohes Maß an Variation in Form und Formaten umfassen. Ebenso wichtig ist die Neugestaltung des Arbeitsablaufs, die Umschulung Ihrer Belegschaft und die Festlegung der richtigen Infrastruktur, Kosten, Leistung, Datenarchitektur, Informationssicherheit und Service-Level-Agreements (SLAs).

Es ist unbedingt erforderlich, den gesamten Arbeitsablauf und Geschäftsprozess zu bewerten, um mit jeder KI-Lösung die besten Ergebnisse zu erzielen. In Anlehnung an die Verhaltensökonomie ist es wichtig, das Ergebnis mit einem bestehenden Referenzpunkt (auch als „Referenzabhängigkeit“ bezeichnet) zu vergleichen. An diesem Punkt können durch Design Thinking und Prozessneuzuordnung bessere Effizienzen vor der Produktion erwartet werden.

In diesem Szenario wird davon ausgegangen, dass sich sowohl geschäftliche als auch technische Führungskräfte auf einen MI- oder Deep-Learning-Ansatz basierend auf dem PoC geeinigt haben. Einige Problemstellungen könnten deterministisch sein und zur Lösung des Problems kann ein statistischer Ansatz gewählt werden, wohingegen andere Herausforderungen möglicherweise eine Kombination aus MI- und neuronalen Netzwerk-basierten Ansätzen erfordern, um die gewünschten Ergebnisse zu erzielen.

Einige KI-Lösungen erfordern die Einbindung von Natural Language Processing (NLP). Obwohl allgemeine Sprachmodelle als grundlegender Schritt dienen, sind die meisten Modelle nicht darauf ausgelegt, die individuellen Anforderungen jeder Unternehmensproblemstellung zu erfüllen, und erfordern eine Feinabstimmung. Gleichzeitig dürften die meisten Führungskräfte von riesigen Modellen wie GPT3 begeistert sein, die erhebliche Rechenleistung erfordern und einen direkten Einfluss auf den ROI eines Unternehmens haben können. Diese Modelle passen höchstwahrscheinlich nicht zu Ihrem Unternehmen.

Ihr KI-gesteuerter PoC ist nur der Anfang eines langen Prozesses. Beachten Sie daher Folgendes:

• Wählen Sie in der PoC-Phase kein komplexes Problem zur Lösung aus
• Wenden Sie Design Thinking an und überprüfen Sie Ihren End-to-End-Prozess. Risiken frühzeitig vorhersagen und steuern
• Genauigkeit ist nicht das einzige Maß; Entwerfen und planen Sie den Aufbau einer wertorientierten Lösung, anstatt eine 100-prozentige Genauigkeit zu erreichen
• Bewerten Sie Ihren KI-Ansatz; Planen Sie nicht mit hypegetriebenen Modellen, sondern wählen Sie den optimalsten Ansatz, der modularer Natur ist
• Verwalten Sie die Erwartungen aller Beteiligten, um das erfolgreichste Ergebnis zu erzielen
• Entwerfen Sie Ihre Lösung und Architektur so, dass sie mit dem Wachstum Ihrer Daten skaliert, um den optimalen ROI zu erzielen

Best Practices für KI-gesteuerte Lösungen

Heutzutage führen die meisten Unternehmen ein oder mehrere KI-Projekte durch. Trotz hervorragender Absichten und harter Arbeit bleiben viele KI-Programme in Unternehmen hinter den Erwartungen zurück, lassen sich nicht skalieren und generieren nicht den gewünschten ROI. Es wird einige Zeit dauern, künstliche Intelligenz als Kerngeschäftskomponente zu integrieren. Zu den Best Practices erfolgreicher Unternehmen gehören jedoch:

• Beginnen Sie mit AI CoE: Viele große Unternehmen, auch solche, die nicht im Technologiebereich tätig sind, haben AI Centers of Excellence (AI CoE) eingerichtet, um ihre Erfolgschancen zu maximieren. Ein KI-CoE vereint das notwendige Fachwissen, die Ressourcen und die Menschen, um KI-basierte Transformationsinitiativen zu ermöglichen. Zu den Hauptvorteilen gehören:
  • Konsolidierung von KI-Lernen, Ressourcen und Talenten an einem einzigen Ort
  • Entwicklung einer einheitlichen KI-Vision und Geschäftsstrategie
  • Standardisierung von KI-Ansätzen, Plattformen und Prozessen
  • Identifizierung neuer Umsatzmöglichkeiten für KI und Innovation
  • Skalierung der Datenwissenschaftsbemühungen durch Bereitstellung von KI für alle Geschäftsfunktionen
• Executive Buy-In: Eine KI-Strategie ist am erfolgreichsten durch einen Top-Down-Ansatz. Die erfolgreiche Skalierung von Pilotprojekten im gesamten Unternehmen erfordert die Zustimmung der Führung, die erforderlichen Fähigkeiten und Daten sowie die Einrichtung einer Organisationsstruktur, die sicherstellt, dass die Modelle über einen längeren Zeitraum hinweg korrekt bleiben.
• Verfügbarkeit der Daten: Die meisten Unternehmen haben Daten aus verschiedenen Compliance-Gründen isoliert. Daten sind jedoch das Lebenselixier jeder KI-Lösung und die Bereitstellung dieser Daten ist von entscheidender Bedeutung. Neben der Bereitstellung ist auch die Klassifizierung und Bereinigung der Daten von wesentlicher Bedeutung. Die Entwicklung genauer Bodenwahrheits- und Trainingsdaten kann über den Erfolg oder Misserfolg einer KI-Lösung entscheiden.
• Die Architektur: Der Einsatz von KI ist für jedes Unternehmen ein Paradigmenwechsel, der neue Denk- und Planungsweisen erfordert. Die Gestaltung einer optimalen technischen und betrieblichen Architektur erhöht Ihre Erfolgschancen. Dazu gehören unter anderem neue Funktionen wie ML-Operationen, Datenoperationen, iteratives Training und Anmerkungen.
• Modularität und Flexibilität: KI-gesteuerte Lösungen stecken noch in den Kinderschuhen, insbesondere wenn Unternehmen mit umfangreichen unstrukturierten Daten arbeiten. Es ist von entscheidender Bedeutung, eine modulare und flexible Lösung zu entwerfen und aufzubauen, die mit dem Unternehmen und seinen wachsenden Herausforderungen skaliert werden kann.

Die Etablierung und Umsetzung einer KI-Strategie birgt für die meisten Unternehmen großes Potenzial und die Anwendungsfälle sind endlos. Machine- und Deep-Learning-Lösungen berühren jeden Aspekt eines Unternehmens, von Vertrieb und Marketing bis hin zum täglichen Betrieb. Doch wie beim Bau einer Rakete oder der Erfindung eines neuen Geräts stellt sich der Erfolg nicht auf einmal ein. KI-gesteuerte Lösungen sollten schrittweise angegangen werden und im Laufe der Zeit auf kleineren Erfolgen aufbauen.