Planung, PoC und Produktion einer erfolgreichen AI-getriebenen Unternehmenslösung

Unternehmen beschleunigen ihre künstlichen Intelligenz- (AI-) Initiativen in rasantem Tempo. Eine Studie von Algorithmia zeigte, dass 76 Prozent der CIOs AI und Machine Learning (ML) priorisieren und ihre IT-Budgets erhöhen, um einen stärkeren Fokus auf AI- und ML-Lösungen zu legen. Unternehmen erkennen auch die Bedeutung von Daten und erkennen größtenteils an, 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-Fachleute, CDOs und CIOs mit neuen Herausforderungen umgehen, um den zunehmenden Bedarf an nutzbaren Daten und handhabbaren Erkenntnissen zu decken. Trotz des enormen Potenzials von AI, jedes Gewerbe zu transformieren, werden nur 15 Prozent der AI-Lösungen, die bis Ende 2022 bereitgestellt werden, erfolgreich sein, und noch weniger werden einen positiven ROI generieren.

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

Planung ebnet den Weg für Unternehmens-AI-Erfolg

Unstrukturierte Daten sind Daten, die kein vordefiniertes Datenmodell haben und alles von textlastigen Dokumenten und Websites bis hin zu Bildern, Video-Dateien, Chatbots, Audio-Streams und Social-Media-Beiträgen umfassen. 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 Folgendes umfassen: Prozessautomatisierung, Betrugsbekämpfung, Verbesserung der Kundenerfahrung, Verbesserung der Sicherheit, Erhöhung des Umsatzes und so weiter. Während einige dieser Ziele relativ effektiv erreicht werden können, aufgrund der strukturierten Natur der Daten, kann die Planung um unstrukturierte Daten herum herausfordernd sein.

Typischerweise beginnt die Planung mit der Identifizierung von Bereichen mit Chancen innerhalb eines Unternehmens. Während es auf der Ebene der Geschäftsleitung eine großartige AI-Vision geben kann, ist es kritisch, einen Bereich zu identifizieren, der einen hohen Einfluss, geringes Risiko und kontinuierliches Wachstum an 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 eingetragen werden. Die Due-Diligence-Prüfung von Kreditanträgen beinhaltet eine erhebliche Menge an Dokumenten, die mehrere Risiken bergen. AI kann jedoch in verschiedenen Bereichen des Workflows angewendet werden, einschließlich Dokumentenverarbeitung und Betrugsbekämpfung. Dies ist auch ein Bereich, in dem es kontinuierlich von Jahr zu Jahr ein Wachstum an 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, könnte die Anwendung dieses bewährten Ansatzes auf Ihre AI-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 Schlüsselziel ist, könnten zwei Fragen beantwortet werden:

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

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

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

Daten sind das Lebensblut aller Unternehmen

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

Die meisten Organisationen 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 der Organisation. 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 von diesen unstrukturierten Daten erwartet wird. Dies stellt sicher, dass eine genaue Menge an Ground-Truth-, Schulungs- und Testdaten vorhanden ist. Wenn man auf das Beispiel der Kreditvergabe zurückkommt, wenn das Ergebnis dieser AI-Lösung darin besteht, die durchschnittlichen täglichen Salden der Antragsteller zu bestimmen, können Ground-Truth- und Schulungsdaten sehr fokussiert auf Bankauszüge sein. Wenn jedoch der Fokus darauf liegt, betrügerische Antragsteller durch eingereichte Bankauszüge zu identifizieren, muss man auf eine breitere Palette von Dokumenten zugreifen, um die notwendigen Ground-Truth- und Schulungsdaten zu erhalten.

Skalierung von PoC zu Produktion

Die Durchführung eines messbaren Proof of Concept (PoC) stellt sicher, dass alle Beteiligten die Herausforderungen, Ergebnisse und den Mehrwert einer AI-Lösung verstehen. Ein PoC ist jedoch nicht dasselbe wie eine produktionssreife Lösung. Ein PoC ermöglicht es einer Organisation, Lücken zu identifizieren, stimuliert Design-Denken für eine Produktionslösung und strukturiert die Ziele und Ergebnisse, die erreicht werden sollten. Um von PoC zu einer skalierbaren Lösung zu gelangen, sollten Organisationen komplexe Datenzenarien planen, die kontinuierliche Datenänderungen, Nichtverfügbarkeit von gelabelten Daten und einen hohen Grad an Variation in Form und Formaten 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-Agreements (SLAs).

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

Dieses Szenario geht davon aus, dass sowohl Geschäfts- als auch technische Führer sich auf einen MI- oder Deep-Learning-Ansatz auf Basis des PoC geeinigt haben. Einige Problemstellungen könnten deterministisch sein und ein statistischer Ansatz kann zur Lösung des Problems eingesetzt werden, während andere Herausforderungen eine Kombination von MI und neuronaler Netzwerkbasierten Ansätzen erfordern, um die gewünschten Ergebnisse zu erzielen.

Einige AI-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 ROI eines Unternehmens haben können. Diese Modelle sind wahrscheinlich nicht der richtige Fit für Ihr Unternehmen.

Ihr AI-getriebener 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; predict und manage Risiken frühzeitig
• Genauigkeit ist nicht die einzige Messung; entwerfen und planen Sie eine wertgetriebene Lösung anstelle der Erreichung von 100-prozentiger Genauigkeit
• Bewerten Sie Ihren AI-Ansatz; planen Sie nicht auf Basis von Hype-getriebenen Modellen, sondern wählen Sie den optimalen Ansatz, der modularen Natur ist
• Verwalten Sie Erwartungen über alle Beteiligten, um das erfolgreichste Ergebnis sicherzustellen
• Entwerfen Sie Ihre Lösung und Architektur, um mit dem Wachstum Ihrer Daten für die beste ROI zu skalieren

Best Practices für AI-getriebene Lösungen

Heute führen die meisten Unternehmen ein oder mehrere AI-Projekte durch. Trotz guter Absichten und harter Arbeit fallen viele Unternehmens-AI-Programme unter den Erwartungen, skalieren nicht und generieren nicht den gewünschten ROI. Es wird Zeit brauchen, um künstliche Intelligenz als Kernkomponente des Geschäfts zu integrieren, jedoch folgen einige der besten Praktiken, die von erfolgreichen Organisationen befolgt werden:

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

Die Einführung und Umsetzung einer AI-Strategie hat ein großes Potenzial für die meisten Organisationen und die Anwendungsfälle sind endlos. Machine- und Deep-Learning-Lösungen berühren jeden Aspekt eines Unternehmens, von Vertrieb und Marketing bis hin zu täglichen Operationen. Allerdings, wie beim Bau einer Rakete oder der Erfindung eines neuen Geräts, wird der Erfolg nicht auf einmal erreicht. AI-getriebene Lösungen sollten schrittweise angegangen und auf kleinen Erfolgen über die Zeit aufgebaut werden.