Im Vertrieb, in der Produktion und im Service – Künstliche Intelligenz bietet enorme Chancen. Doch die Technologie alleine ist kein Erfolgsgarant. Der Plattformbetreiber Augmentir zeigt, wie Unternehmen die vier häufigsten Anfangshürden umgehen.
Stolperfallen: Ein gemeinsames Verständnis über die Chancen der Technologie, klar umrissene Projekte, eine gute Datenqualität und genügend qualifizierte Experten – das sind nach den Erfahrungen des Plattformbetreibers Augmentir die häufigsten Hürden, wenn es um Projekte mit Künstlicher Intelligenz geht. Bevor sich Unternehmen an ein großes Projekt wagen, sollten sie im Idealfall Erfahrung mit kleinen Anwendungsfällen sammeln.
1. Die Verständnis-Hürde: Über was reden wir hier eigentlich?
Kein Zweifel: Künstliche Intelligenz birgt ein riesiges Potenzial für Unternehmen. Doch wie bei vielen Trends, beginnen die Probleme oft schon mit dem Begriff „Künstliche Intelligenz“ selbst. Wer ein Projekt starten will, sollte sich darum zuallererst fragen, was innerhalb des eigenen Unternehmens unter Künstlicher Intelligenz verstanden wird und Führungs-, Management- und operative Ebene auf dasselbe Wissensniveau bringen. Es empfiehlt sich, intern Klarheit zu schaffen, wie Machine Learning, Deep Learning, Künstliche Intelligenz, Neuronale Netze und Natural Language Processing zusammenhängen und worin sie sich unterscheiden.
Auf dieser Basis lassen sich vorhandene Wünsche, Vorstellungen und Erwartungen abklären: An welchem Punkt der traditionellen Kernfähigkeiten eines IT-Systems soll die Künstliche Intelligenz ansetzen? Beim Wahrnehmen (Eingabe), dem Verstehen (Verarbeiten) oder Handeln (Ausgabe)? Wo geht es den Beteiligten darum, dass das System die definitionsgemäßen, menschenähnlichen, intelligenten Verhaltensweisen zeigt? Wo streben sie eher selbsttätiges Lernen aus Feedbacks oder Fehlern an und wo wird nur intelligentes Erfassen und Anreichern von Daten gewünscht? Erst, wenn solche grundsätzlichen Fragen geklärt sind, ist es möglich, sich intern fundiert über Ziele, Strategien und Ansätze auszutauschen.
2. Die Größen-Hürde: Das Vorhaben klar umreißen
Ein Fehler kann es sein, ein Projekt zu groß aufzusetzen. „Wer durch Künstliche Intelligenz Resultate erzielen will, statt aufwändige und risikoreiche Experimente zu veranstalten, sollte Ziele klar definieren und sich idealerweise auf einzelne Prozesse beschränken“, erklärt Carsten Hunfeld, Head of Operations der DACH-Region bei Augmentir. Hunfeld empfiehlt, ein übergeordnetes Ziel, wie zum Beispiel ein besseres Betriebsergebnis, in Teilziele herunterzubrechen, etwa in konkrete Verbesserungen der Produktivität, Qualität, beim Arbeitsschutz oder der Compliance, und auch diese in Milestones zu zerlegen.
Ein solches Vorgehen macht transparent, was erreicht werden soll: Es erleichtert zum einen die Einschätzung, an welchen Stellen und in welchen Prozessen Künstliche Intelligenz sinnvoll eingesetzt werden kann und hilft auch bei der exakten Zieldefinition bis hin zu Schlüsselkennzahlen. Am Ende geht es darum, Mehrwerte zu erzielen. Mit Technik um der Technik willen ist niemandem gedient.
Ein solches Teilziel könnte sein, Personal schneller einzuarbeiten. Ein weiteres wäre der Wunsch sicherzustellen, dass die Mitarbeiter bei ihren Aufgaben über genau das Wissen verfügen, das sie für hochqualitatives und sicheres Arbeiten benötigen. Softwareplattformen, die mit Künstlicher Intelligenz arbeiten, können diese und viele weitere Vorhaben vorantreiben, indem sie Schulung, Anweisung und Unterstützung über Smartphone, Tablet oder Datenbrille direkt an den Arbeitsplatz liefern. Mit Hilfe von Algorithmen lässt sich die Anleitung so personalisieren, dass jeder Mitarbeiter genau das Maß an Information und Kontrolle bekommt, das ihn voranbringt. Während Anfänger bei allen Details an die Hand genommen werden, erhalten geschulte Profis nichts, was ihre Arbeit durch ein Zuviel an Information verlangsamen würde.
3. Die Daten-Hürde: Viel hilft viel, aber sauber muss es sein
Ein weiterer Faktor, den es ganz zu Anfang zu überprüfen gilt, ist die Datenlage. Denn ohne den richtigen Input kann Künstliche Intelligenz nicht arbeiten, Das gilt insbesondere dann, wenn eine Anwendung auf maschinellem Lernen basiert. Im ersten Schritt kommt es darauf an, Anwendungsbereiche zu finden, in denen genug Datensätze anfallen, um einen Algorithmus so zu trainieren, dass eine verlässliche Prognose möglich wird. Statt mit „small data“ wie etwa Kundendaten zu operieren, sollten sich Unternehmen also entweder existierende Big-Data-Szenarien suchen oder damit beginnen, große Datenmengen zu erfassen. Eine reiche Quelle bieten vernetzte Mitarbeiter und Maschinen. Denn nicht nur Sensoren liefern jede Menge wertvollen Input, sondern auch Personal: Beispiele hierfür sind die Rückmeldung von Arbeitsschritten oder die Bestätigung von Hygienemaßnahmen über mobile Geräte, die Dokumentation von Stati, Fehlern und viele andere Informationen über Maschinen, Anlagen und Aufgaben.
Doch nicht nur auf die Menge der Daten kommt es an, sondern insbesondere auf deren Qualität. Nach dem Motto „garbage in – garbage out“ passiert es sonst allzu leicht, dass eine Anwendung auf Basis Künstlicher Intelligenz zum Sargnagel wird, statt zum erhofften Erfolg zu führen. Datenbereinigung und immer wieder ein korrigierender Blick von menschlicher, kompetenter Seite gehören bei derartigen Projekten zum Pflichtprogramm.
4. Die Personal-Hürde: Abhängigkeit von Experten vermeiden
Genau hier baut sich für viele Unternehmen ein weiteres Hindernis auf. Sie fragen sich, ob sie zuerst Modell-Entwickler und Data Scientists einstellen müssen, um mit dem ersten Projekt zu starten. Fakt ist, dass solche Experten rar und teuer sind. Ideal eigenen sich daher Cloud-Lösungen, die bereits fertige Modelle mitbringen. Sie erfordern kein Spezialwissen und sind teils in weniger als einer Woche einsatzbereit. Sie können dann direkt die Einsatzplanung der Mitarbeiter auf der Basis ihrer Skills und Erfahrungen optimieren oder damit starten, für einen Bot die häufigsten Fragen aus der Fertigung nebst Antworten von Experten zu einer Wissensdatenbank zusammenzustellen.
Hinzu kommt: Die Fülle von Daten aus dem Connected-Work-Bereich lassen sich mit herkömmlichen Business-Intelligence-Tools nicht einfach auswerten. Hier brauchte es bisher einen Data Scientist, um sie in nutzbringende Erkenntnisse zu verwandeln. Nicht so bei Systemen, die intelligente Analysefunktionen und Dashbords „Plug-and-Play“ mitliefern. Deren Algorithmen sind fähig, selbst in „noisy data“ Ungereimtheiten oder Ausreißer zu erkennen und Korrelationen zu finden. Sie helfen damit, die vielversprechendsten Verbesserungsmöglichkeiten zu identifizieren, für ein kontinuierliches Lernen.
Fazit: Jetzt auf den Zug der Künstlichen Intelligenz aufzuspringen ist eine gute Idee. Ohne Vorbereitung ein ganz großes Projekt zu starten, kann jedoch Unternehmen schnell überfordern. „Oft ist es besser, zunächst im kleinen Rahmen erste Erfahrungen zu sammeln“, rät Hunfeld. „Gelegenheit dazu geben Out-of-the-Box-Lösungen für klar umrissene Anwendungsfälle, wie zum Beispiel die autonome Wartung oder vorausschauende Instandhaltung. Sie lassen sich ohne lange Vorbereitung, große Risiken und personelle Veränderungen implementieren und bringen raschen Resultate.“ Um Silos zu vermeiden, sei es wichtig, dass sich eine solche Cloud-Plattform leicht mit bestehenden Systemen verbinden lässt, um den Gewinn an Daten und Erkenntnissen in nachgelagerte Prozesse einzuspeisen – und so der ganzen Organisation zugänglich zu machen. Jürgen Frisch
Anzeige | Trovarit-Academy
Webinarreihe „KI konkret“ – Praxisnahe Use Cases
In vielen Unternehmen herrscht immer noch große Unsicherheit bei der Frage, ob und wie KI nutzbringend für die eigenen Prozesse eingesetzt werden kann.
Die Webinarreihe „KI konkret“ stellt in mehreren Terminen Use Cases vor, bei denen reale Herausforderungen in unterschiedlichen Unternehmensbereichen durch den Einsatz von KI gelöst werden konnten.
