Suchen

Künstliche Intelligenz So setzen Unternehmen KI erfolgreich ein

| Autor / Redakteur: Marcus Metzner* / Julia Krause

Künstliche Intelligenz, Machine Learning, Big Data: Viele stehen diesen Themen skeptisch gegenüber. Allerdings kann KI die Effizienz von Unternehmen und die Arbeitsqualität steigern, weshalb sie auf die Agenda der Digitalisierungsstrategie zu setzen ist.

Firma zum Thema

KI ist keine Zukunftsmusik mehr, sondern bereits Realität.
KI ist keine Zukunftsmusik mehr, sondern bereits Realität.
(Bild: gemeinfrei / Unsplash)

Immer mehr Unternehmen haben inzwischen erkannt, wie wichtig es ist, KI-basierte Lösungen einzusetzen – das zeigen auch aktuelle Studien. KI ist jetzt oft Bestandteil von Branchenlösungen. Trotzdem herrscht rund um die Verwendung von KI noch Unsicherheit. Zum einen ist nicht klar, wie sich Integration und Implementierung von KI zielgerichtet durchführen lassen. Zum anderen wissen viele Unternehmen nicht, wie sie von KI profitieren.

Ziele definieren und Daten sammeln

Die aktuell verfügbare Art von KI bezeichnet man als „schwache“ KI, die klar definierte Aufgaben lösen kann. Die Möglichkeiten sogenannter „starker“ KI, die man jedoch noch nicht entwickelt hat, würden weit darüber hinausgehen. Deshalb benötigen aktuelle KI-Systeme immer konkrete Ziele. Unternehmen müssen entscheiden, welche Einzelaufgaben anstehen. Anhand des Ergebnisses können sie dann genauer untersuchen, in welchen Prozessen sich KI einsetzen lässt. Außerdem benötigen Unternehmen Daten, um KI zu nutzen. Hierfür gibt es zwei Wege: Entweder tragen sie Daten rund um ihre Kerngeschäftsprozesse zusammen. Dafür sind aber sowohl Zeit als auch (technische) Investitionen notwendig, da alle Daten erfassende Systeme zu integrieren sind. Oder sie erheben die Daten anhand des Bedarfs, der von einem spezifischen Anwendungsfall oder Geschäftsmodell ausgeht. Das führt schneller zu Ergebnissen, an denen sich dann überprüfen lässt, welche Daten für den spezifischen Case notwendig sind. Sobald die strukturellen und technischen Voraussetzungen geschaffen sind, können Unternehmen ein KI-Projekt starten.

Beispiel: Voice Commerce

Im Handel gibt es viele Möglichkeiten, von KI zu profitieren. Sprachassistenten wie Amazon Echo, Google Home oder Apples Home-Pod sind bereits in den Haushalten angekommen. Nutzer verwenden diese unter anderem, um per Sprachbefehl komfortabel einzukaufen. Selbst komplexe Anfragen wie „Finde eine farblich passende Jacke mit schmal geschnittener Taille, die zu T-Shirt A der Marke C passt“ können die digitalen Butler verstehen. Anschließend lässt sich die passende Jacke per Sprachbefehl bestellen, was ohne KI nicht möglich wäre. KI-Algorithmen arbeiten dabei mehrstufig: Im ersten Schritt wandelt das System Audio-Signale in Phoneme um – kleinste bedeutungsunterscheidende sprachliche Einheiten, aus denen Sätze und Wörter entstehen. Die Logik ermittelt anschließend, was genau sich der Nutzer wünscht, und wandelt seine Anfrage in textbasierte Befehle an das Backend des Systems um. Dies geschieht meist durch den Aufruf von Webservices. Anschließend wird das Ergebnis mittels Text-to-Speech-Algorithmen in Sprache umgewandelt und an den Nutzer übertragen. Damit hat der Handel einen weiteren attraktiven Verkaufskanal.

Beispiel: Metadaten von Bild- und Videomaterial automatisch erzeugen

Auch im Medien-Bereich ist KI längst angekommen, etwa bei der Metadaten-Erzeugung. Bewegtbilder spielen eine immer größere Rolle. Die allerdings immer größere Datenflut ist für Journalisten und Produzenten kaum mehr manuell zu händeln. Dabei müssen sie mitunter für Beiträge Videosequenzen sehr schnell finden. Dies gelingt am einfachsten über Metadaten, also Inhaltsinformationen, die Videos und Bildern zugeordnet sind. Je besser die Metadaten verschlagwortet sind (Tagging), desto einfacher können Journalisten sie wiederfinden. Bei einer überschaubaren Menge lassen sie sich noch manuell taggen. Aber wenn es irgendwann um Millionen Bilddaten geht, etwa bei TV-Sendern, ist dies nicht mehr möglich. KI kann Videodateien analysieren und automatisch mit Metadaten versehen. Sie erkennt bekannte Personen, Firmenlogos, Städte sowie Gebäude und hinterlegt diese Informationen in den Metadaten. So sind Video- oder Bilddateien sehr schnell auffindbar.

KI-Projekte im Unternehmen realisieren

Die beiden skizzierten Beispiele zeigen: Es gibt nicht das eine ideale KI-Projekt, das zu jedem Unternehmen passt. Empfehlenswert ist daher eine schrittweise Einführung. In der Praxis hat sich ein vierstufiger Prozess bewährt:

  • 1. Use Case mit dem größten Mehrwert identifizieren: Im Rahmen einer Ist-Analyse wird überprüft, welche Grundlagen für den KI-Einsatz zu schaffen sind. Inwieweit ist Big Data bereits im Einsatz? Welches Know-how gibt es schon bezüglich KI? Sind besondere Herausforderungen zu bewältigen? In der Regel erarbeiten Unternehmen diese Fragen gemeinsam mit einem Dienstleister. Aus den Resultaten können sie dann ein Use-Case-Portfolio erstellen, in dem sich potenzielle Einsatzmöglichkeiten von KI nach Nutzen und Aufwand priorisieren lassen. Die vielversprechendsten Use Cases können sie letztlich weiter analysieren.
  • 2. Von der Idee zum Prototyp: Anschließend wird ein Konzept zur Vorgehensweise entwickelt, um möglichst schnell einen Prototyp zu entwickeln. Dafür sind Ziele und Anforderungen detailliert aufzubereiten. Eine standardisierte Entwicklungsumgebung hilft dabei, Störfaktoren zu beseitigen und die Entwicklung zügig abzuschließen. Dank eines iterativen Vorgehens und Benutzerfeedback kann binnen kurzer Zeit der KI-Prototyp entstehen, der mit Echtdaten arbeitet. Daraus lässt sich ableiten, ob die gewünschten Effekte eintreten und die definierten Ziele erreichbar sind.
  • 3. Vom Prototyp zum produktiven KI-Service: Aus dem Prototyp lässt sich anschließend ein sogenanntes Minimum Viable Product (MVP) erstellen. Die Datenbasis und weitere Funktionalitäten werden iterativ erweitert. Für eine reibungslose Integration in die Systemumgebung sorgen kontinuierliche Funktions-, Last- und Integrationstests. Im Skalierungsplan ist festzulegen, wie aus dem MVP ein skalierender KI-Service wird. So müssen Unternehmen zum Beispiel die zukünftige Produktivumgebung, Einflussfaktoren und Schnittstellen des KI-Services analysieren und berücksichtigen. Damit entsteht schließlich ein produktiver KI-Service, der sich via API in bestehende Anwendungen und Prozesse integrieren lässt.
  • 4. Stabiler Betrieb und Verbesserungen: Für den Betrieb und ein Monitoring ist es empfehlenswert, sich für einen professionellen Partner zu entscheiden, der das Unternehmen mit umfassenden Managed Artifical Intelligence Services unterstützen kann. Vor allem bei geschäftskritischen Einsätzen ist ein 24/7 Monitoring empfehlenswert. Zudem sollte die Qualität des KI-Algorithmus durch ein stetiges Re-Training gesichert sein. Und die Mitarbeiter im Service-Management, das nach standardisierten ITIL-Prozessen aufgebaut ist, übernehmen alle Routinetätigkeiten, die für den täglichen Betrieb notwendig sind.

KI ist demnach keine Zukunftsmusik mehr, sondern bereits Realität. Wer sich heute nicht mit den technologischen Möglichkeiten beschäftigt, wird zukünftig das Nachsehen haben. Es ist jetzt an der Zeit, KI einzusetzen.

* Marcus Metzner ist Chief Marketing Officer bei Arvato Systems.

(ID:46264316)