Künstliche Intelligenz als Chance
KI-Ansätze im Unternehmen einführen – Wie gehe ich ran?

Dr.-Ing. Martin Gottwald ist Wissenschaftlicher Mitarbeiter bei fortiss, Partner im Mittelstand-Digital Zentrum Augsburg. Er betreibt zum einen Lehre und Grundlagenforschung im Bereich Reinforcement Learning. Zum anderen wirkt er bei Transferprogrammen für den Mittelstand mit, um aktuelle Forschungs- und Entwicklungsergebnisse für Unternehmen nutzbar zu machen.

privat; © Fortiss

KI als Universalwerkzeug - die Technologie verstehen und Maschinelles Lernen nutzen

Künstliche Intelligenz (KI) ist ein Sammelbegriff für Technologien, die Maschinen dazu befähigen, menschliches Denken nachzuahmen. Innerhalb dieser Technologien ist das maschinelle Lernen eine bedeutende Teilmenge, die wiederum das Deep Learning umfasst.

Maschinelles Lernen hat eine zentrale Funktion für Unternehmen. Es kann lästige oder repetitive Arbeitsprozesse automatisieren und optimieren, was zu einer erheblichen Steigerung der Effizienz führt. Routineaufgaben können übernommen werden, sodass sich Mitarbeiter auf wertschöpfendere und kreative Tätigkeiten konzentrieren können.

Drei typische Schritte: Vorbereitung der Daten - Lernphase - Testphase

Maschinelles Lernen umfasst in der Anwendung typischerweise drei zentrale Schritte. Zunächst erfolgt die Vorbereitung der Daten, bei der relevante Datensätze gesammelt und bereinigt werden. Dabei wird für jedes Eingangssignal das gewünschte Ausgangssignal festgelegt und ein Ähnlichkeitsmaß oder spezifische Metriken definiert. Die verfügbaren Daten werden nun in einen Trainings- und Testdatensatz aufgeteilt (70 Prozent zu 30 Prozent). In der anschließenden Lernphase wird auf Basis der vorbereiteten Trainingsdaten ein Modell berechnet. Schließlich folgt die Testphase, in der überprüft wird, wie gut das gelernte Modell auf neue, ungesehene Signale der Testdaten passt. Zudem sollte das gelernte Modell testweise auch im produktiven Umfeld eingesetzt werden, um dessen reale Leistungsfähigkeit zu ermitteln.

Es gibt mehrere Herausforderungen im maschinellen Lernen.

Eine wichtige Entscheidung beim Erstellen eines Modells ist, wie komplex es sein soll (Wahl der Kapazität). Einfach ausgedrückt geht es darum, wie genau das Modell die Daten analysiert. Wenn ein Modell zu genau auf die Trainingsdaten abgestimmt ist (Overfitting), funktioniert es sehr gut mit diesen speziellen Daten, kann aber die erkannten Muster nicht auf neue Daten anwenden. Im gegenteiligen Fall (Underfitting) ist das Modell so einfach, dass es die wichtigen Zusammenhänge oder Muster in den Daten nicht erkennt oder darstellt.

Ein weiteres Problem ist der sogenannte "Fluch der Dimension". Je mehr Merkmale (Dimensionen) die Daten haben, desto schwieriger wird es, Muster zu erkennen. Hochdimensionale Räume sind riesig, und die benötigte Menge an Beispielen und Daten wächst exponentiell mit jeder zusätzlichen Dimension. Das kann die Rechenzeit drastisch erhöhen und die Arbeit mit den Daten komplizierter machen.

Bei der Modellentwicklung sollten daher zu Beginn Hypothesen aufgestellt, Modelle getestet und mehrfach bewertet werden. Notfalls ist es wichtig die Hypothesen zu justieren oder zu hinterfragen, ob die zu Grunde liegenden Daten überhaupt aussagekräftig bzw. nutzbar sind.

Klare Ziele und Ansätze im Unternehmen identifizieren

Bevor künstliche Intelligenz im Unternehmen implementiert wird, müssen zunächst die bestehenden Probleme identifiziert und klare Ziele definiert werden. Dadurch werden potenzielle Anwendungsfelder von KI im eigenen Unternehmen erkennbar. Im nächsten Schritt wird geprüft werden, ob die erforderlichen Daten in ausreichender Qualität und Quantität zur Verfügung stehen.

Zentral ist hier die Datenaufbereitung. Je mehr Daten zur Verfügung stehen und je höher deren Qualität, desto besser sind die Ergebnisse. Die Entwicklung eines KI-Modells beginnt mit der Bildung von Hypothesen und der anschließenden Testung und Bewertung der Modelle. Dieser Prozess muss mehrfach wiederholt werden, da die Fehlerbewertung oft schwierig ist und mehrere Auswertungen notwendig sind. Es ist wichtig, dass die Daten korrekt sind, da fehlerhafte Daten keinen Mehrwert bieten. Bereiten Sie daher sorgfältig die Daten auf, damit sie ein KI-Modellbilden können. Dies ist oft der arbeitsintensivste Schritt.

Teilnehmende des Seminars identifizieren KI-Anwendungsfelder im eigenen Unternehmen, indem sie Daten durch KI auswerten lassen.

Konrad Teichert, HSS

Künstliche Intelligenz: kaufen oder selbst entwickeln?

Unternehmen stehen vor der Wahl, KI-Lösungen entweder zu kaufen oder selbst zu entwickeln. Die Entscheidung, ob man KI-Anwendungen als fertige Softwarelösung einkauft oder als Organisation selbst entwickelt, ist von langfristiger Bedeutung. Daher lohnt es sich, die beiden Ansätze nach ihren eigenen Vor- und Nachteilen zu betrachten:

1. Fertige Produkte sind oftmals nicht perfekt auf die spezifischen Bedürfnisse des Unternehmens zugeschnitten. Für den Einkauf von KI-Lösungen spricht jedoch, dass fertige Lösungen oftmals schneller implementiert werden können, da sie keine langwierige Entwicklungsphase erfordern. Man spart sich zudem die Wartung und muss sich nicht um die kontinuierliche Weiterentwicklung der Software kümmern.

Die Organisation wird im Gegenzug von externen Anbietern abhängig, was zu Risiken in Bezug auf Kosten und Flexibilität führen kann. Ebenso werden dadurch intern keine eigenen KI-Kompetenzen aufgebaut.

2. Die Entwicklung eigener KI-Lösungen erfordert viel Zeit und Ressourcen. Man muss in Programmierung und spezifische KI-Software wie Python, Scikit-Learn, TensorFlow oder Torch investieren und sich intensiv einarbeiten. Jedoch beinhaltet dies auch positive Aspekte. Mitarbeitende haben die Möglichkeit, neues Wissen zu erlangen und können bei einem zukunftsweisenden Thema aktiv mitwirken. Das Lernen macht Spaß und fördert die Motivation (Kompetenzaufbau). Das Unternehmen kann sich strategisch positionieren und maßgeschneiderte Lösungen entwickeln, die optimal zu den eigenen Anforderungen passen. Es werden auch neue Ressourcen geschaffen und es gelangt neues und wertvolles Wissen ins Unternehmen, was langfristig von Vorteil sein kann.

Qual der Wahl

Der Einkauf bietet schnelle Implementierung und geringere Verantwortung, birgt aber Risiken wie fehlenden Kompetenzaufbau und Abhängigkeit von externen Anbietern. Die Eigenentwicklung fördert hingegen den internen Kompetenzaufbau und bietet maßgeschneiderte Lösungen, erfordert jedoch signifikante Investitionen in Zeit und Ressourcen.

Die Frage, wo der größere Aufwand liegt, ist schwer zu beantworten. Es gibt Erfahrungswerte, dass es am Ende des Tages fast auf den gleichen Aufwand herausläuft, es ist nur andere Arbeit, die es zu tun gilt. So muss die IT die Software von der Stange genauso integrieren, warten und absichern, wie eine eigene KI-Lösung.

Wichtig ist daher eine fundierte Erwartungshaltung. Man baut nicht nebenbei eine KI-Lösung auf und hat im nächsten Quartal 5% mehr Gewinn. KI-Ansätze erfordern Zeit und ein Dranbleiben, auch wenn die ersten Resultate noch nicht die besten sind. Dadurch, dass die Erhebung der Daten und das Training einer KI ein iterativer Prozess ist, braucht es Zeit und manchmal mehrere Anläufe, bis eine Lösung gefunden ist. Die Wahl sollte daher gut überlegt sein und hängt von den spezifischen Bedürfnissen und Ressourcen Ihrer Organisation ab.

Fazit

Es ist ein kontinuierliches Engagement seitens der Mitarbeiter und Geschäftsleitung notwendig, um die Implementierung und den Betrieb von KI erfolgreich zu gestalten. Führungskräfte sollten daher Anwendungsfelder sorgfältig identifizieren und flexibel in der Zielsetzung bleiben, um die Vorteile von KI im Unternehmen optimal zu nutzen. Ermutigen Sie daher Ihr Team, sich aktiv mit der Thematik auseinanderzusetzen und in den Dialog zu treten, um die beste Entscheidung für Ihre Situation - entsprechend der Zielsetzung und Ansätze - zu treffen.