Erfolgsfaktoren für KI-Projekte: Strategie & Realismus

Die Erwartungshaltung ist groß: Unternehmen wollen verstärkt auf Künstliche Intelligenz (KI) setzen. Viele Projekte scheitern aber an zu hohen und unrealistischen Erwartungen. Auch ist noch nicht ganz klar, was alles möglich ist. Auf speicherguide.de zeigen Experten Erfolgsfaktoren auf, um KI-Projekte erfolgreich zu entwickeln.

Für die Marktforscher von IDC gehört Künstliche Intelligenz (KI) zu den momentan am intensivst diskutierten Themen in Unternehmen und IT-Abteilungen. Wobei zum Teil gar nicht so ganz klar ist, was genau diskutiert wird, denn neben KI stehen noch zahlreiche weitere Begriffe zur Auswahl, wie zum Beispiel AI, ML, RPA oder kognitives Computing. Für Unternehmen ist es gar nicht so einfach, den für sich richtigen Ansatz herauszufiltern.

Für IDC ist Künstliche Intelligenz ein Ansatz zur Bereitstellung von Software und Hardware mit dem Ziel der »Nachbildung« menschlicher Intelligenz. »Wir definieren Systeme der künstlichen Intelligenz als Technologie, die auf Natural-Language-Processing (NLP), Cognitive-Computing oder neuronalen Netzen basieren«, erklärt Matthias Zacher, Manager Research und Consulting bei IDC, die Definition von KI. »Sie geben Antworten und Empfehlungen auf Fragen bzw. ziehen auf Basis statistischer Korrelationen oder vorgegebenen semantischen Beziehungen Schlussfolgerungen und stellen diese für Folgeaktivitäten zur Verfügung. ML und Cognitive-Computing sind Teilmengen von KI.« KI ermögliche es Unternehmen, Organisationen und Konsumenten Informationen und Erkenntnisse zu erlangen, um darauf basierend Handlungen abzuleiten.

Künstliche Intelligenz: Definition

Stephan Gillich, Director of Artificial Intelligence bei Intel Deutschland rät Firmen KI-Projekte zunächst strategisch zu betrachten: »KI bietet unendlich viele Möglichkeiten und kann mit der richtigen Technologie und Anwendung vieles leisten, was im Unternehmen gebraucht wird. Der erste Schritt ist immer die Frage `Was wird benötigt?´. Ein umfassendes Bild der Ausgangssituation inklusive einer realistischen Einschätzung der vorhandenen Datenbasis sowie ein klares Ziel vor Augen sind unerlässlich.« Erst dann könne die Suche nach der geeigneten Technologie beginnen.

Ziel von KI: Aus Daten Mehrwert erschaffen

Alexander ThammLaut Alexander Thamm, CEO & Founder des gleichnamigen Data-Science-Dienstleisters Alexander Thamm, geht es vor allem darum, aus Daten Mehrwert zu schaffen: »Ohne Daten hat die Maschine nichts zu lernen. Algorithmen und damit KI entstehen nicht aus dem Nichts, sondern brauchen Daten als Futter. Meist mangelt es in Unternehmen nicht an Daten, im Gegenteil.«

Jeder betriebliche Ablauf hinterlasse Daten als Spuren, dazu gehören beispielsweise Sensordaten von Maschinen, Finanzvorgänge im SAP-ERP-System oder Kundeninteraktionen im Call-Center. Aus diesen Daten Mehrwert oder Nutzen zu erzeugen, sei allerdings keine triviale Angelegenheit.

»Dank geschickten Marketingversprechungen großer Software-Anbieter glauben viele immer noch an den `Big-Data-Dukatenesel´ – vorne Daten rein und hinten purzeln die Taler wie von Geisterhand heraus«, sagt Thamm. »Data-Mining is Dead – in unseren mittlerweile über 500 Projekten und Use-Cases waren wir immer dann erfolgreich, wenn wir mit unseren Kunden die fachliche Fragestellung klar formuliert haben. Das heißt, man sollte den Mehrwert im Sinne des Problems, das wir lösen, gezielt angehen – so wie im Vorgehensmodell des Datenkompass formuliert: Es gilt erstens, das Problem zu verstehen, zweitens die relevanten Daten zu suchen und aufzubereiten, drittens Prognosen in die Zukunft mittels passender ML-Methoden abzugeben und viertens Ergebnisse klar zu visualisieren, zu kommunizieren und dann danach zu handeln.« Zuerst komme daher der Anwendungsfall, gefolgt von Daten und Methoden.

Erfolgsfaktoren um KI-Projekte weiterzuentwickeln

Johannes Wagmüller, NetappJohannes Wagmüller, Director Solutions Engineering Germany bei NetApp, nennt vier Faktoren, die Firmen berücksichtigen sollten, um mit KI richtig zu starten bzw. KI-Projekte erfolgreich weiterzuentwickeln: »Der Anwendungsfall muss für ML passen und das Know-how für die richtige Herangehensweise muss da sein. Dann müssen Daten in ausreichender Menge vorhanden sein, um das Modell zu trainieren, und schließlich wird eine flexible und leistungsfähige Entwicklungsumgebung benötigt. Dabei läuft es wieder auf die Datenpipeline hinaus. Technische Aspekte wie Datenmengen und Bandbreiten spielen genauso hinein wie Data-Privacy und Compliance, aber natürlich auch kommerzielle Überlegungen wie Rechenkosten. Oft gewinnt eine hybride Lösung. Sie erlaubt, große Modelle mit lokalen Datenmengen on-premises auf einer performanten Infrastruktur kostengünstig zu trainieren, um sie anschließend mit `fertigen´ kognitiven Modellen aus Cloud-Services zu ergänzen.«

KI-Projekte scheitern oft an zu hohen Erwartungen und mangelnder Abstimmung

Ludger Wölfel, VipconKI-Projekte sind allerdings keine Selbstläufer, oft passt die Erwartungshaltung nicht. »Die häufig nicht mit der Realität übereinstimmenden Vorstellungen und Erwartungen an die selbstlernende KI beeinflussen massiv die Bewertung des Projektaufwandes und der Projektergebnisse«, meint Ludger Wölfel, Manager Product Development bei Vipcon. »Für ein erfolgreiches Projekt ist eine große Menge an Test- und Trainingsdaten notwendig. Weiterhin muss das System ständig überwacht und mit neuen Daten trainiert werden. Dieser kontinuierliche Prozess wird leider oft nicht eingeplant und unterschätzt, mit dem Ergebnis, dass sich das System in einer `Entscheidungsblase´ befindet, ohne neue Gegebenheiten zu berücksichtigen.«

»KI-Plattformen selbst bauen und vor allem unterhalten zu wollen, ist fatal«, ergänzt Netapp-Manager Wagmüller. »Die Gefahr ist groß, dass sich Data-Scientists und Engineers hauptsächlich mit der Implementation und Pflege einer komplexen Umgebung beschäftigen werden. Unsere Aufgabe ist es, den Entwicklern diese Aufgabe abzunehmen und eine leistungsfähige Plattform bereitzustellen, auf der sie ihre Frameworks ohne Aufwand nutzen und damit ihre Arbeitszeit besser einsetzen können. Letztlich ist jedes KI-Projekt eine Frage von Kosten und Ertrag. Die Entwicklungskosten können sehr hoch ausfallen, der Kundennutzen bleibt jedoch möglicherweise bescheiden. KI findet dann Akzeptanz beim Kunden, wenn sich der praktische Nutzen im Alltag einstellt: in der Spracherkennung bei Diktier-Software für Ärzte, in fehlerfreien Übersetzungen mit Google Translate oder bei Kaufempfehlungen, die wirklich den Interessen des Kunden entsprechen.«