Planung, PoC und Produktion einer erfolgreichen AI-getriebenen Unternehmenslösung

Unternehmen beschleunigen ihre künstlichen Intelligenz (KI)-Initiativen in rasantem Tempo. Eine Studie von Algorithmia zeigte, dass 76 Prozent der CIOs KI und maschinelles Lernen (ML) in ihren IT-Budgets priorisieren und erhöhen. Unternehmen erkennen auch die Bedeutung von Daten und erkennen, dass 80 Prozent der Unternehmensdaten unstrukturiert sind.

Unstrukturierte Daten werden in einem Unternehmensstack in alarmierendem Tempo produziert und wachsen. Die Einheit der Messung hat sich von Terabyte auf Petabyte verschoben. Als Ergebnis müssen IT-Professionals, CDOs und CIOs mit neuen Herausforderungen umgehen, um den zunehmenden Bedarf an nutzbaren Daten und handhabbaren Erkenntnissen zu decken. Trotz der enormen Potenziale von KI, jedes Gewerbe zu transformieren, werden nur 15 Prozent der KI-Lösungen, die bis Ende 2022 bereitgestellt werden, erfolgreich sein, und weniger davon werden einen positiven ROI generieren.

Das größte Problem ist, dass die meisten Unternehmens-KI-Lösungen nie das Licht der Welt sehen, aufgrund von Fehlern in der Ausrichtung der Erwartungen. Es gibt weiterhin Missverständnisse über die Möglichkeiten von KI und Projekte werden aufgrund von Hype-getriebenen Modellen konzipiert. Die meisten Produkte oder Modelle sind weit entfernt von der tatsächlichen Realität des täglichen Unternehmensbetriebs. Andere treibende Faktoren für niedrigere Erfolgsraten umfassen: Kostenüberschreitungen, fehlende KI-Zentren für Exzellenz (CoE), unerfahrene Talente, Unverfügbarkeit von Daten und veraltete Richtlinien, um nur einige zu nennen.

Planung ebnet den Weg für Unternehmens-KI-Erfolg

Unstrukturierte Daten sind Daten, die kein vordefiniertes Datenmodell haben und alles umfassen, von textlastigen Dokumenten und Websites bis hin zu Bildern, Video-Dateien, Chatbots, Audio-Streams und Social-Media-Beiträgen. Mit der zunehmenden Menge an unstrukturierten Daten in der Unternehmensarchitektur ist es kritisch, einen effizienten und inkrementellen Plan zu haben, der mit den Zielen aller Unternehmensbeteiligten übereinstimmt. Typische Ziele auf organisatorischer Ebene können umfassen: Prozessautomatisierung, Betrugsbekämpfung, Verbesserung der Kundenerfahrung, Verbesserung der Sicherheit, Erhöhung des Umsatzes und so weiter. Während einige dieser Ziele effektiv erreicht werden können, aufgrund der strukturierten Natur der Daten, kann die Planung um unstrukturierte Daten herausfordernd sein.

Typischerweise beginnt die Planung mit der Identifizierung von Chancen innerhalb eines Unternehmens. Es kann eine großartige KI-Vision auf der Ebene der Unternehmensführung geben, aber es ist kritisch, ein Gebiet zu identifizieren, das einen hohen Einfluss, geringes Risiko und kontinuierliches Wachstum in Daten hat. Ein gutes Beispiel für einen solchen Anwendungsfall wäre die Funktion der Kreditvergabe in der Banken- und Finanzindustrie. Kreditvergabe von der Originierung bis zur Verwaltung ist von manuellen Prozessen geprägt, bei denen Informationen von Hand in Systeme eingeben werden. Die Due-Diligence-Prüfung von Kreditanträgen umfasst eine erhebliche Menge an Dokumenten, die mehrere Risiken birgt. KI kann jedoch in mehreren Bereichen des Workflows angewendet werden, einschließlich Dokumentenverarbeitung und Betrugsbekämpfung. Dies ist auch ein Bereich, in dem es ein kontinuierliches Wachstum von Daten gibt.

Andere kritische Schritte, die während dieser Planungsphase zu berücksichtigen sind, umfassen die Definition messbarer Erfolgskriterien, die Formulierung einer kohärenten Datenstrategie, kontinuierliche Schulung und Feedback sowie die Bewertung der Benutzererfahrung, Skalierbarkeit und Infrastruktur.

Definition messbarer Erfolgskriterien (und Vermeidung des “Cart before the Horse”-Moments!)

Googles früher Erfolg wird oft der Einführung von Objective Key Results (OKRs) zugeschrieben. Während dieser Ansatz auf jeden Aspekt von Geschäft oder persönlichen Zielen angewendet werden kann, kann die Anwendung dieses bewährten Ansatzes auf Ihre KI-Strategie einige vielversprechende Ergebnisse liefern. Wenn es jedoch um unstrukturierte Daten geht, ist es ein sich entwickelndes Problem, das die Branche im Großen und Ganzen zu lösen versucht. Angesichts der Herausforderungen sollten Geschäftsleiter verschiedene Fragen stellen, um das “Was” und das “Warum” zu bestimmen. Zum Beispiel, wenn die Steigerung der Produktivität das Hauptziel ist, können zwei Fragen beantwortet werden:

• Sollte ich planen, die Produktivität durch Automatisierung zu verbessern?
• Sollte ich planen, 80 Prozent des Problems für 100 Prozent aller vorgelegten Fälle zu lösen?

Die Beantwortung dieser Fragen führt zu zwei unterschiedlichen Implementierungsreisen und es ist wichtig, zu entscheiden, welche für Ihr Unternehmen richtig ist.

Bei unstrukturierten Daten ist ein weiterer ambiguer Messbereich die Genauigkeit. Im Beispiel der Kreditvergabe gibt es so viel Variabilität in den von den Kunden vorgelegten Dokumenten, dass es für Geschäfts- und Technologie-Führer kritisch ist, eine Einigung über die Messung der Genauigkeit der KI-Lösung zu erzielen. Wenn die Produktivität eines der Ziele der Einführung einer KI-Lösung ist, dann ist es notwendig, andere Bereiche zu identifizieren, die die Produktivität beeinflussen. Dies kann durch die Untersuchung des aktuellen Prozesses und die Neukonzeption des Prozesses mit KI-Automatisierung erreicht werden. Oft führt neue Automatisierung zu neuen Schritten im Prozess, wie manueller Ausnahmeverwaltung, Annotation, Schulung usw. Mit diesen Schritten kann es einfacher sein, zu bestimmen, wie die Genauigkeit gemessen werden kann.

Daten sind das Lebensblut aller Unternehmen

Unstrukturierte Daten haben einen hohen Grad an Variabilität in der Art und Weise, wie Informationen strukturiert und präsentiert werden. Unternehmen sind von Informationen überzogen, die in Dokumenten präsentiert werden, die von Natur aus komplexe Strukturen aus Absätzen, Sätzen und, wichtiger, mehrdimensionalen Tabellenstrukturen bestehen. Zusätzlich zu Dokumenten investieren Unternehmen zunehmend in Chatbots, überwachen Social-Media-Daten und andere Formen unstrukturierter Daten wie Nachrichten, Bilder und Videos.

Die meisten Unternehmen unterschätzen, wie viel Daten verfügbar und zugänglich sind. Oftmals ist die Herausforderung so einfach wie die Überwindung von Compliance-Einschränkungen und das Teilen von Daten innerhalb des Unternehmens. Dennoch ermöglicht saubere und hochvariable Daten eine bessere Bewertung eines Problems und die Konzeption einer optimalen Lösung.

Ein weiterer wichtiger Faktor, der zu berücksichtigen ist, ist das Ergebnis, das Sie von diesen unstrukturierten Daten erwarten. Dies stellt sicher, dass eine genaue Menge an Grundwahrheit, Schulung und Testdaten vorhanden ist. Wenn wir uns das Beispiel der Kreditvergabe wieder ansehen, wenn das Ergebnis dieser KI-Lösung darin besteht, die durchschnittlichen täglichen Salden der Antragsteller zu bestimmen, kann die Grundwahrheit und die Schulungsdaten auf Bankauszüge fokussiert werden. Wenn jedoch der Schwerpunkt darauf liegt, betrügerische Antragsteller durch vorgelegte Bankauszüge zu identifizieren, muss auf eine breitere Palette von Dokumenten zugegriffen werden, um die notwendige Grundwahrheit und Schulungsdaten zu erhalten.

Skalierung von PoC zu Produktion

Das Starten eines messbaren Proof of Concept (PoC) stellt sicher, dass alle Beteiligten die Herausforderungen, Ergebnisse und den Mehrwert einer KI-Lösung verstehen. Ein PoC ist jedoch nicht dasselbe wie eine produktionsreife Lösung. Ein PoC ermöglicht es einem Unternehmen, Lücken zu identifizieren, die Konzeption einer Produktionslösung zu stimulieren und die Ziele und Ergebnisse zu strukturieren, die erreicht werden sollten. Um von PoC zu einer skalierbaren Lösung zu gelangen, sollten Unternehmen komplexe Datenzenarien planen, die kontinuierliche Datenänderungen, Unverfügbarkeit von gelabelten Daten und einen hohen Grad an Variation in Form und Format umfassen. Ebenso wichtig ist die Neukonzeption des Workflows, die Umschulung der Belegschaft und die Bestimmung der richtigen Infrastruktur, Kosten, Leistung, Datenarchitektur, Informationssicherheit und Service-Level-Vereinbarungen (SLAs).

Es ist absolut notwendig, den gesamten Workflow und die Geschäftsprozesse zu bewerten, um die besten Ergebnisse aus jeder KI-Lösung zu erzielen. Wenn man sich an die Verhaltensökonomie erinnert, ist es kritisch, das Ergebnis mit einem bestehenden Referenzpunkt zu vergleichen (auch bekannt als “Referenzabhängigkeit”), bei dem bessere Effizienzen vor der Produktion durch Design-Denken und Prozess-Remapping erwartet werden können.

Dieses Szenario geht davon aus, dass sowohl Geschäfts- als auch technische Führer eine MI- oder Deep-Learning-Ansatz auf der Grundlage des PoC vereinbart haben. Einige Problemstellungen könnten deterministisch sein und ein statistischer Ansatz kann zur Lösung des Problems verwendet werden, während andere Herausforderungen eine Kombination von MI- und neuralen Netzwerkansätzen erfordern, um die gewünschten Ergebnisse zu erzielen.

Einige KI-Lösungen erfordern die Integration von Natural Language Processing (NLP). Während allgemeine Sprachmodelle als grundlegender Schritt dienen, sind die meisten Modelle nicht darauf ausgelegt, den einzigartigen Bedürfnissen jedes Unternehmensproblems zu entsprechen und würden eine Feinabstimmung erfordern. Gleichzeitig sind die meisten Führungskräfte wahrscheinlich von großen Modellen wie GPT3 begeistert, die erhebliche Rechenleistung erfordern und einen direkten Einfluss auf die Rentabilität eines Unternehmens haben können. Diese Modelle sind wahrscheinlich nicht für Ihr Unternehmen geeignet.

Ihre KI-getriebene PoC ist nur der Anfang eines langen Prozesses, also beachten Sie Folgendes:

• Wählen Sie kein komplexes Problem aus, um es in der PoC-Phase zu lösen
• Wenden Sie Design-Denken an und überprüfen Sie Ihren End-to-End-Prozess; erkennen und managen Sie Risiken früh
• Genauigkeit ist nicht die einzige Messung; entwerfen und planen Sie eine wertgetriebene Lösung anstelle der Erreichung von 100-prozentiger Genauigkeit
• Bewerten Sie Ihren KI-Ansatz; planen Sie nicht aufgrund von Hype-getriebenen Modellen, sondern wählen Sie den optimalen Ansatz, der modulartig ist
• Managen Sie die Erwartungen aller Beteiligten, um das erfolgreichste Ergebnis zu erzielen
• Entwerfen Sie Ihre Lösung und Architektur, um mit dem Wachstum Ihrer Daten für den optimalen ROI zu skalierten

Best Practices für KI-getriebene Lösungen

Heute führen die meisten Unternehmen ein oder mehrere KI-Projekte durch. Trotz guter Absichten und harter Arbeit fallen viele Unternehmens-KI-Programme unter den Erwartungen, skalierten nicht und generieren nicht den gewünschten ROI. Es wird Zeit brauchen, um künstliche Intelligenz als Kerngeschäftskomponente zu integrieren, aber einige der besten Praktiken, die von erfolgreichen Organisationen verfolgt werden, umfassen:

• Beginnen Sie mit KI-CoE: Viele große Konzerne, auch nicht-technische, haben KI-Zentren für Exzellenz (KI-CoE) eingerichtet, um die Chancen auf Erfolg zu maximieren. Ein KI-CoE bringt die notwendige Expertise, Ressourcen und Menschen zusammen, um KI-basierte Transformationsinitiativen zu ermöglichen. Die primären Vorteile umfassen:
• Konsolidierung von KI-Lernen, Ressourcen und Talenten an einem Ort
• Entwicklung einer einheitlichen KI-Vision und Geschäftsstrategie
• Standardisierung von KI-Ansätzen, Plattformen und Prozessen
• Identifizierung neuer Umsatzmöglichkeiten für KI und Innovation
• Skalierung von Data-Science-Bemühungen durch Bereitstellung von KI für alle Geschäftsfunktionen
• Exekutive Zustimmung: Eine KI-Strategie ist am erfolgreichsten durch einen Top-Down-Ansatz. Die Skalierung von Pilotprojekten in einem Unternehmen erfordert Führungskräfte, notwendige Fähigkeiten und Daten sowie die Einrichtung einer Organisationsstruktur, die sicherstellt, dass Modelle über die Zeit hinweg genau bleiben.
• Verfügbarkeit von Daten: Die meisten Unternehmen haben siloisierte Daten aus verschiedenen Compliance-Gründen. Daten sind jedoch das Lebensblut jeder KI-Lösung und die Bereitstellung dieser Daten ist kritisch. Neben der Bereitstellung ist die Klassifizierung und Reinigung von Daten unerlässlich. Die Entwicklung genauer Grundwahrheit und Schulungsdaten kann eine KI-Lösung machen oder brechen.
• Architektur: Die Nutzung von KI ist ein Paradigmenwechsel für jedes Unternehmen, der neue Denk- und Planungswege erfordert. Die Konzeption einer optimalen technischen und betrieblichen Architektur erhöht Ihre Chancen auf Erfolg. Dazu gehören neue Funktionen wie ML-Ops, Data-Ops, iterative Schulung und Annotationen.
• Modularität und Flexibilität: KI-getriebene Lösungen sind noch in ihren Anfängen, insbesondere wenn Unternehmen mit großen unstrukturierten Daten umgehen. Es ist kritisch, eine modulare und flexible Lösung zu entwerfen und zu bauen, die mit dem Unternehmen und seinen wachsenden Herausforderungen skaliert.

Die Etablierung und Umsetzung einer KI-Strategie hat ein großes Potenzial für die meisten Unternehmen und die Anwendungsfälle sind endlos. KI- und Deep-Learning-Lösungen berühren jeden Aspekt eines Unternehmens, von Vertrieb und Marketing bis hin zu täglichen Operationen. Es wird jedoch nicht auf einmal erfolgreich sein. KI-getriebene Lösungen sollten schrittweise angegangen und auf kleineren Erfolgen über die Zeit aufgebaut werden.