KI und Wertschöpfung

Machine Learning ins eigene Unternehmen integrieren: 7 Schritte zum KI-Erfolg

Dr. Ulrich Bodenhausen

©Shutterstock / ra2studio

Alle reden über künstliche Intelligenz (KI), Artificial Intelligence (AI), neuronale Netzwerke und Deep Learning – die Medien sind voll davon. Es gibt zahlreiche Artikel, die glaubhaft beschreiben, dass diese Techniken und Methoden unsere Welt nachhaltig verändern werden. Die Prognosen über die Wachstumspotenziale der damit verbundenen Geschäftsaktivitäten weisen alle in eine Richtung: deutlich zweistelliges Wachstum.

Neben dem deutlichen Wachstum gibt es weitere gute Gründe, wieso sich Entscheider in Unternehmen mit dem Thema befassen. Man will und muss dabei am Ball bleiben. Wenn man nicht bereits etablierter Mitspieler in der Welt der KI ist, werden oft die folgenden Optionen betrachtet:

  1. Man kauft ein Unternehmen, das bereits nachweislich KI-Expertise aufgebaut und erste Erfolge damit am Markt hat. Da es derzeit sehr viele Start-ups gibt, die genau das zum Ziel haben, ist es deshalb eigentlich eine Frage der verlässlichen Bewertung von Expertise, erstem Markterfolg und Preis. Zudem stellt sich die Frage, wie man das Unternehmen erfolgreich in das eigene Geschäftsmodell integriert. Wenn man am Ende der Bewertung zu dem Schluss kommt, dass die Expertise im Unternehmen gut ist, das KI-Produkt erfolgreich erste Anwendungen hat und man es erfolgreich in das eigene Unternehmen integrieren könnte, dann ist es mit hoher Wahrscheinlichkeit nur zu einem sehr hohen Preis am Markt verfügbar. Oder bereits nicht mehr verfügbar, weil ein Wettbewerber mit der Bewertung der Risiken schneller war.
  2. Man gibt den Auftrag innerhalb der Organisation weiter: „Macht mal was mit KI!“. Ein Ansatz, der sehr gut in unsere Zeit passt: Übertragung von Verantwortung, Empowerment der Mitarbeiter, Selbstorganisation, Motivation. Viele Teilnehmer von Konferenzen, in denen es um KI geht, berichten von genau diesem Vorgehen. Mit diesem Ansatz nutzt man intrinsische Motivation, Kreativität und Wissen der Mitarbeiter des Unternehmens; eine disziplinenübergreifende Bündelung von Vertrieb, Marketing, FuE (Forschung und Entwicklung) und Produktion wird aber in den seltensten Fällen erreicht. Und das ist für ein KI-basiertes Produkt besonders wichtig.
  3. Man wählt B2B-KI-Service-Provider aus, die um das eigene Produkt oder die eigenen Prozesse herum KI-basierte Ergänzungen bereitstellen. Hier entsteht derzeit eine Vielzahl von attraktiven Angeboten. Gerade bei der Zusammenarbeit mit Start-ups ist es dabei wichtig, die KI-Kompetenz zu bewerten (siehe oben). Darüber hinaus ist die bereitgestellte Wertschöpfungstiefe zu beachten. Basieren die bereitgestellten KI-basierten Services wiederum in hohem Anteil auf KI-Plattformen der großen, etablierten kommerziellen Anbieter, dann sind die damit verbundenen Risiken zu bewerten (siehe Abschnitt „KI und Wertschöpfung“)

Diese drei Ansätze haben ihre Stärken und Schwächen. In Ergänzung dazu schlagen wir einen Ansatz vor, der stärker in die Organisation eingebettet und mit dem Kern-Know-how Ihres Unternehmens vernetzt ist. Der Ansatz besteht aus sieben Schritten und setzt auf eine Bündelung von Ressourcen aus der eigenen Organisation, um damit eigene Kompetenzen und Wertschöpfung aufzubauen.

KI und Wertschöpfung

Neben der Frage, wie man die Entwicklung eines KI-basierten Produkts angeht, ist auch die Frage wichtig, mit welcher Wertschöpfungstiefe man es betreibt. Unsere Erfahrungen aus der Unternehmenspraxis: In der langjährigen Beratung von Unternehmen (z.B. in der Automobilindustrie) haben wir beobachtet, wie etablierte Nicht-KI-Unternehmen mit Zulieferern zusammenarbeiten, deren Beitrag aus einer KI-basierten Komponente oder Service besteht (im Folgenden vereinfacht als „KI-Zulieferer“ bezeichnet). Es wurden dabei die Faktoren

  • Marktzugang
  • KI-Know-how
  • Verfügbarkeit von Daten für die Entwicklung KI-basierter Systeme
  • Wert des Unternehmens

betrachtet. Es zeigt sich, dass es über den Verlauf der Zusammenarbeit deutliche Veränderungen gibt. Zu Beginn der Zusammenarbeit hat der KI-Zulieferer keinerlei eigenen Marktzugang, sehr wenig eigene Daten für die Entwicklung des KI-basierten Systems, teilweise auch nicht sehr ausgeprägtes eigenes KI-Know-how sowie einen sehr geringen Wert des Unternehmens. Gerade in einer erfolgreichen Zusammenarbeit gelingt es dem KI-Zulieferer, alle Faktoren erheblich zu steigern, während sich der Auftraggeber (also das etablierte Nicht-KI-Unternehmen) nicht oder nur unwesentlich verbessert. Am Ende hat der KI-Zulieferer Zugang zum Markt, KI-Know-how, umfassende Daten zur Entwicklung KI-basierter Systeme und im Effekt auch seinen Unternehmenswert so weit gesteigert, dass er den des Auftraggebers übersteigen kann.

Die Erfahrungen zu Wertschöpfung und Unternehmenswert zeigen, dass durch die B2B-Zusammenarbeit mit KI-Zulieferern große Potenziale entstehen. Dabei ist zu berücksichtigen, dass der Zugang zu Daten und die dabei gesammelte KI-relevante Erfahrung einen erheblichen Wert darstellen. Jedes Unternehmen sollte das in der strategischen Entscheidung, wie die Potenziale von KI für das eigene Unternehmen genutzt werden sollen, berücksichtigen.

KI, Daten und Architektur

Unternehmen werden üblicherweise von sich sagen, dass sie über eine gute Datenbasis verfügen. Im Kontext von KI geht es aber zum einen um die für einen bestimmten Business Case relevanten, verlinkten und gelabelten Daten; zum anderen geht es um eine möglichst große Anzahl der für den Business Case verfügbaren Datenpunkte, die in gleicher oder zumindest sehr ähnlicher Form aufbereitet sind.

Ein Beispiel aus der Unternehmenspraxis: Eine Bank will durch einen KI-Algorithmus eine Einschätzung bekommen, ob ein Antragsteller einen Kredit wahrscheinlich zeitgerecht zurückzahlen oder Schwierigkeiten mit der Rückzahlung haben wird. Hierzu können nicht nur die Daten aus dem aktuellen Kreditantrag berücksichtigt werden, sondern viele weitere Datenquellen, z.B. die Angaben des Antragstellers aus vorangegangenen Anträgen, Rückzahlungen von Krediten aus vorangegangenen Anträgen, die Historie des Girokontos sowie Daten von zentralen Auskunftsstellen. Die hier genannten Datenquellen sind nur die, die auch in öffentlichen KI-Wettbewerben veröffentlicht werden (z.B. von der Data-Science-Community Kaggle). Man kann davon ausgehen, dass für die tatsächlich aktiven Systeme noch viele weitere Datenquellen verwendet werden, die der Allgemeinheit aber aus Wettbewerbsgründen nicht offengelegt werden.

Diese verschiedenen Datenquellen müssen nun für zigtausend bereits bekannte Antragsteller geeignet verlinkt und zum Trainieren des KI-Algorithmus verwendet werden. Deshalb ist es sehr wichtig, dass die für den Business Case relevanten Daten eines Unternehmens als wertvolle Unternehmensressource zu sehen sind und die Datensammlung und Aufbereitung sorgfältig spezifiziert werden müssen. Planen Sie die weitere Datensammlung und definieren Sie ein rigides Konfigurationsmanagement, damit diese Daten im weiteren Prozess verwendet werden können. Es gibt Fälle, in denen produzierende Unternehmen jahrelang in ihren Werken Daten über Prozessparameter gesammelt haben und dann später feststellten, dass diese für das Training von KI-Algorithmen nicht in der geeigneten Form vorlagen. Um kurzfristig an die Daten zu kommen, wurde dann eine für Prototypen und Testzwecke vorgehaltene Produktionseinrichtung in Betrieb genommen und Teile produziert, nur um kurzfristig die Daten für das Training der KI-Algorithmen zu erlangen.

Für die Anzahl der benötigten Datenpunkte gilt in der KI das Motto: „There is no data like more data!“. Was bedeutet das für das oben genannte Beispiel Bankkredit? Über wie viele Fälle vollständiger und aufbereiteter Daten verfügt das Unternehmen, um damit einen KI-Algorithmus zu trainieren? 5 000? 10 000? 100 000? 1 000 000? Und wie viele Datenpunkte sind erforderlich?

In den meisten KI-Ansätzen werden sogenannte Trainingsdaten dazu verwendet, mit einem Algorithmus eine bestimmte Funktionalität zu erlernen, z.B. die Erkennung von Handschrift, Sprache, Qualitätsproblemen am Ende einer Fertigungseinrichtung, Kaufinteresse eines Kunden etc. In den meisten Fällen ist es mit leistungsfähigen Lernalgorithmen möglich, die Trainingsdaten zu erlernen, d.h. für die Trainingsdaten eine Fehlerquote von nahezu 0 Prozent zu erreichen. Wenn man einen derart trainierten Algorithmus allerdings Datensätze des gleichen Typs verarbeiten lässt, die nicht Bestandteil der Trainingsdaten waren (sogenannte Testdaten), dann stellt man fest, dass teilweise eine erhebliche Fehlerquote resultiert. Hintergrund ist, dass der Algorithmus die Trainingsdaten „auswendig gelernt“ hat, aber nicht in ausreichendem Maße Muster extrahiert hat, die die beabsichtigte Funktionalität repräsentieren. Diesen Zusammenhang nennt man „Generalisierung“ oder „Generalisierungsfähigkeit“. Diese bezeichnet die Fähigkeit eines lernenden KI-Systems, auch mit den Testdaten eine geringe Fehlerquote zu erzielen.

Die Steigerung der Generalisierungsfähigkeit erfolgt einerseits durch die Erweiterung der Trainingsdaten („more data!“) und andererseits durch die Optimierung der Architektur. Die Auswirkungen einer mehr oder weniger gut optimierten Architektur sind gravierend. Selbst für einen Datensatz mit 60 000 Bildern (CIFAR-10 – ein häufig verwendeter Benchmark zur Klassifizierung von Bildern) wird mit einem generischen neuronalen Netzwerk auf den Testdaten eine Fehlerquote von ca. 50 Prozent erreicht. Die besten optimierten Architekturen erreichen dagegen eine Fehlerquote von weniger als 10 Prozent.

Abb. 1: Ressourcen- und Zeitbedarf der sieben Schritte zu Ihrem KI-Erfolg

Abb. 1: Ressourcen- und Zeitbedarf der sieben Schritte zu Ihrem KI-Erfolg

In der Praxis müssen die beide Ansätze, „Erweiterung der Trainingsdaten“ und „Optimierung der Architektur“, für den jeweiligen Anwendungsfall kombiniert werden. Aus den dargestellten Zusammenhängen heraus ist es vorteilhaft, im eigenen Unternehmen einen Business Case mit der dazugehörigen KI-Kompetenz und Datenbasis sukzessive selbst aufzubauen. Wir nennen das einen „eingebetteten Ansatz“, weil er tief und breit im eigenen Unternehmen verankert ist. Der zeitliche Verlauf des Ressourcenbedarfs ist in Abbildung 1 dargestellt. Der Ansatz umfasst die folgenden sieben Schritte:

  1. Training des KI-Teams (Voraussetzungen schaffen): Ihre Mitarbeiter werden ein sehr vielschichtiges Verständnis über KI haben, und es wird dazu auch sowohl eine zu optimistische als auch eine ausgeprägt negative Grundhaltung geben, welche Effekte KI auf Ihr Unternehmen hat. Deshalb gilt es zunächst, in einem ausgewählten Team ein Grundverständnis über KI aufzubauen und eine vorwärts gerichtete Denkweise zu etablieren, die Chancen sucht und weniger die Risiken elaboriert. In diesem Team sollte auch das Management enthalten sein, damit die Akzeptanz für KI an der Unternehmensspitze beginnt.
  2. KI-Ideen generieren: Zunächst ist es vorteilhaft, den Status von KI im eigenen Geschäftsumfeld zu verstehen. Was machen andere Unternehmen? Was kann man von öffentlichen KI-Wettbewerben erfahren und lernen, z.B. Kaggle? Es hat sich eine Community entwickelt, in der KI-Wettbewerbe durchgeführt werden, indem eine Organisation eine Aufgabe stellt, Daten dafür bereitstellt und Preisgelder für die besten Lösungen vergibt. Vielleicht ist auch ein Unternehmen aus Ihrem Umfeld darunter. Man sollte aber nicht annehmen, dass von Unternehmen dort der letzte Stand der Technik publiziert wird oder alle Daten bereitgestellt werden, über die ein Unternehmen verfügt.
    Dann sollte man einen Kreis von Mitarbeitern festlegen, der an der Ideengenerierung arbeitet. Das kann entweder ein kleines, interdisziplinär aufgestelltes Team aus Produktmanagement, Vertrieb, Marketing, Entwicklung und Management sein oder man geht bewusst in die Breite und führt im Unternehmen Ideen wettbewerbe oder Innovationstage ein. Bei einem israelischen Unternehmen wurde mit ca. 80 Mitarbeitern über ein halbes Jahr jeden Monat ein kompletter Innovationstag durchgeführt, an dem nur an neuen Ideen gearbeitet wurde. Ein Tag pro Monat (das entspricht ca. 5 Prozent der Personalkapazität) mag nicht viel erscheinen; wenn man es aber neben dem (florierenden) Geschäft ein halbes Jahr durchhalten will, ist es eine erhebliche Herausforderung. In dem genannten Fall waren die Ergebnisse wirklich überzeugend und das Unternehmen konnte neue Produkte entwickeln und am Markt etablieren.
  3. Auswahl der Produktideen: In vielen Unternehmen gibt es etablierte Schritte und Methoden, wie Produktideen ausgewählt werden. Was sollte bei KI-basierten Ideen zusätzlich berücksichtigt werden?
    Neben der Abschätzung des Aufwands für die Entwicklung und Einführung des geplanten Produkts sowie den erwarteten Vorteilen für das Unternehmen (Umsatz, Ergebnis,…) muss die grundsätzliche technische Realisierbarkeit eingeschätzt werden: Kann man die Erwartungen eines Kunden erreichen? Wie hoch ist der Entwicklungsaufwand hierfür? Welche technischen Ressourcen werden benötigt, um das KI-System umzusetzen? Ein wesentliches Kriterium hierbei wird wiederum die möglichst rasche Verfügbarkeit und Aufbereitung von Daten sein, mit denen man einen Proof of Concept starten kann.
    Zu diesem Zeitpunkt sollte man sich bewusst sein, dass KI-Ansätze Überraschungen enthalten können und man deshalb nicht zu weit vorausplanen sollte.
  4. Proof of Concept (Advanced Development ausgewählter Business Cases): Diese Phase ist gekennzeichnet durch parallele Entwicklungsarbeit sowie Sammlung von Daten. Wegen dieser Parallelität ist ein agiler Arbeitsmodus sehr erfolgreich, in dem mit jedem Sprint mit sukzessive größeren Datenmengen gearbeitet wird. So können Datensammlung und -aufbereitung sowie KI-Entwicklung parallelisiert werden.
    Anfangs wird man feststellen, dass die Hürde für das Erreichen guter Resultate hoch ist. Die Daten liegen u. U. in einem ungünstigen Format vor. Zudem sind KI-Algorithmen und insbesondere Deep-Learning-Ansätze schwer zu debuggen, weil es oft zunächst nicht eindeutig unterscheidbar ist, ob es ein Fehler in der Konfiguration, der Programmierung oder ein echtes Unvermögen eines Algorithmus ist, etwas zu erlernen. Das erfordert ein hohes Durchhaltevermögen, wenn man sich zum ersten Mal damit beschäftigt. In dieser Phase ist es zum ersten Mal erforderlich, dass KI-Fachkompetenz im eigenen Team vorhanden ist.
  5. Ein Blick auf die erzielten Ergebnisse: Nach einer angemessenen Zeit der Konzeptentwicklung sollte man neutral, aber auch genau auf die erzielten Ergebnisse schauen. Ist es realistisch, die KI-Anwendung auf ein Maß auszubauen, dass sich damit einen echter Business Case ergibt?
    • Kann man die KI-Anwendung so weit ausbauen, wie sie für den echten Anwendernutzen benötigt wird?
    • Kann die Datensammlung und -aufbereitung für den Business Case durchgeführt und beherrscht werden?
    • Ist der Aufwand für die Weiterentwicklung und Optimierung der Architektur (s.o.) im eigenen Unternehmen realistisch?
    • Sind die erforderlichen Hardwareressourcen (CPU/GPU/Speicher) realistisch?
    • Passt der Business Case zu den oben genannten Anforderungen und Vorleistungen?

    Hintergrund dieser Fragen: Je interessanter der Business Case, desto höher sind die Erwartungen an den Anwender, welchen Nutzen er generieren soll. Das bedeutet deutlich mehr Ressourcen in der Realisierung. Deshalb hat es sich in erfolgreichen KI-Produktentwicklungen bewährt, am Anfang nicht zu sehr an einem temporären Optimum der Performanz zu arbeiten, sondern auf eine schnelle Weiterentwicklung der Applikation zu setzen: Anpassung an die Datenmengen, die gerade zur Verfügung stehen, und alles darauf setzen, die verfügbare Datenmenge sowie die damit erreichbare Flexibilität und Performanz möglichst schnell zu steigern.

  6. Gas geben oder an den Anfang zurück: Ab einem bestimmten Zeitpunkt gilt: Viel hilft viel. Erfolgreiche KI-Anwendungen basieren u.a. auch auf harter Arbeit eines großen Teams. Machen Sie die Anwendung so flexibel, wie es der Business Case erfordert. Erweitern Sie Datensammlung und -aufbereitung. Optimieren Sie die Anwendung. Dazu wird es erforderlich sein, das Team massiv auszubauen. Bündeln Sie die Ressourcen mehrerer Organisationseinheiten, um das Ziel zu erreichen.
  7. Früher Markteintritt (Zugang zu großem Datenvolumen): Anstatt lange und mit immer größerem Ressourcenbedarf auf eine perfekte Lösung hinzuarbeiten, ist es häufig sinnvoll, sich mit einem Markteintritt Zugang zu einem großen Datenvolumen zu verschaffen, auch wenn die Lösung nicht perfekt ist.
    Ein Beispiel aus der Unternehmenspraxis: Bei der Dokumentation von medizinischen Befunden sollte ein KI-basiertes Spracherkennungssystem das Transkribieren von Sprachaufnahmen ersetzen. In der ersten Anwendungsphase wurde das automatische System zunächst nur halbautomatisch genutzt in dem Sinn, dass ein Bearbeiter die möglicherweise fehlerhaften (schwierigen) Passagen überprüfen musste. Damit standen dann umfängliche, aufbereitete und gelabelte Daten zur Verfügung, die für die Weiterentwicklung genutzt werden konnten. In den folgenden Produktgenerationen konnte zunehmend vollautomatisch dokumentiert werden.

Fazit

Für einen schnellen Start Ihres Unternehmens mit KI ist es erforderlich, dass eigene Mitarbeiter involviert werden, die Ihr Geschäft verstehen, nicht nur KI-Experten. Außerdem ist es notwendig, dass eine externe KI-Expertise nach Bedarf eingebunden wird, wie sie gebraucht wird: Coaching, Consulting, neue Mitarbeiter, KI-Services oder kleinere Unternehmen, die man in das eigene Unternehmen integriert.

Aus einer KI-Perspektive ist es wichtig, dass bereits mit relativ kleinen Datenmengen eine gute Performanz erzielt wird, um damit einen schnellen Start zu ermöglichen. Des Weiteren müssen die Voraussetzungen und Ressourcen im Unternehmen installiert werden, die verfügbare Datenmenge schnell zu steigern, um damit eine flexiblere Applikation zu erstellen. Zusätzlich sollte die Fähigkeit entwickelt werden, das KI-System an die schnell wachsende Datenbasis anzupassen, um den genauso schnell wachsenden Erwartungen der Anwender gerecht zu werden.

Verwandte Themen:

Geschrieben von
Dr. Ulrich Bodenhausen
Dr. Ulrich Bodenhausen
Dr. Ulrich Bodenhausen arbeitete an der Carnegie Mellon University und am KIT an Sprach- und Handschrifterkennung mit neuronalen Netzwerken. Nach dem Berufsstart bei einer strategischen Unternehmensberatung war er bei einem 1st-Tier-Systemlieferanten in der Automobilindustrie als Leiter der strategischen Unternehmensplanung sowie als globaler Leiter des Innovationsmanagements tätig. Er leitet nun ein Team von Unternehmensberatern und vermittelt als Coach umfängliche Erfahrung mit AI.
Kommentare

Hinterlasse einen Kommentar

Hinterlasse den ersten Kommentar!

avatar
4000
  Subscribe  
Benachrichtige mich zu: