Künstliche Intelligenz – von der Strategie zur Praxis

Wie lassen sich anspruchsvolle KI-Vorhaben umsetzen?

In vielen Branchen stellt die Künstliche Intelligenz (KI) entlang der Wertschöpfungskette einiges auf den Kopf. Während die Automatisierung schon seit vielen Jahren ein großes Innovationsthema ist, liegt der Schwerpunkt nun immer mehr auf der Autonomie. Das bedeutet, dass komplexe Systeme und Prozesse nicht mehr nur einem begrenzten Set deterministischer Regeln folgen, sondern u.a. „selbst“ lernen, sich an unterschiedliche Situationen anzupassen. Doch nur wenige Unternehmen in Deutschland und Österreich wissen dieses enorme Innovationspotential für sich zu nutzen.

Für Unternehmen, die bisher nur wenig Berührungspunkte mit Künstlicher Intelligenz hatten, denen sei gesagt, dass KI bis spätestens 2025 zum festen Bestandteil nahezu aller digitalen Produkte und Software-Lösungen werden muss und somit ein wichtiges Asset und Treiber für die digitale Wertschöpfung wird.

Doch wie werden erfolgreiche KI-Strategien geplant und in die Tat umgesetzt? Einen Exkurs für eine gelungene KI-Strategie hat mein Kollege Florian Eisermann unternommen. In seinem Artikel „8 Punkte, die in keiner KI-Strategie fehlen dürfen“ erklärt er uns die Bausteine einer erfolgreichen KI-Strategie für die Jahre 2022-2025 – Success Factors,Technology, Skill und Scale sind hier die Schlagworte. Dieser Artikel baut inhaltlich darauf auf und soll insbesondere für IT-, Digital- & Daten-Verantwortliche die Frage klären, wie sich anspruchsvolle KI-Vorhaben über die Strategie hinaus in die Praxis umsetzen lassen.

Potential Value – Die wichtigsten Hygienefaktoren erfolgreicher KI-Projekte

Bevor Unternehmen die Einführung von KI in der Produktion in großem Maßstab umsetzen  bzw.  groß angelegte KI-Systeme implementieren wollen, steht vorgelagert ein großer Lernprozess über das eigene Unternehmen mit all seinen Facetten und Prozessen an. Deshalb sollten sich Unternehmensentscheider vor allem über folgende Hygienefaktoren beim Start der Umsetzung von KI-Projekten bewusst sein:

Start small – nicht sofort das ganze Unternehmen vernetzen und automatisieren wollen, sondern eher einen Case heraussuchen, bei dem hohes Potenzial durch Automatisierung und Autonomie herrschen könnte.

Nothing is perfect – Es braucht Zeit für Training und Optimierung von Algorithmen und KI-basierten Systemen, um die gewünschten Ergebnisse zu erzielen – erfolgreiche KI braucht Zeit!

Die Spielarten der KI kennen – Sprach- und Textverarbeitung = Natural Language Processing (NLP), Bild-und Videonerarbeitung = Computer Vision (CV), Datenanalyse = Time Series Analytics, selbsterlernende Strategien = Reinforcement Learning.

KI in der Praxis ist interdisziplinär – Für erfolgreiche Umsetzung braucht es häufig neben der Data Science-Expertise auch Erfahrung im Solution Design und Operations und natürlich das Fach- und Prozess-Know-How!

KI Value & Impact – Wirtschaftlichkeit von KI-Projekten lässt sich gut berechnen! Und der „RoA” (Return-of-AI) ist gerade im Hinblick auf Nachhaltigkeit, Klima- und Artenschutz ein wichtiger Faktor.

Um diese Hygienefaktoren berücksichtigen zu können und gewissermaßen ein Scheitern von KI-Projekten in der Anfangsphase zu verhindern, gilt es insbesondere, sich Klarheit zu verschaffen, was die Erwartungshaltung innerhalb des Unternehmens in Bezug auf KI angeht, welches Team aus KI-Experten an den Projekten arbeiten soll und welche Datenqualität vorhanden ist. Dazu dient die folgende Checkliste als Einstieg in die Umsetzung:

Erwartungshaltung:

  • Haben alle Stakeholder eine realistische Vorstellung vom Big Picture?
  • Sind die Führungskräfte dem Projekt verpflichtet?
  • Sind die technischen und geschäftlichen Experten ausreichend aufeinander abgestimmt?
  • Sind die Projektrisiken allen Entscheidungsträgern klar?
  • Ist das geplante Budget groß genug, um der KI-Technologie eine faire Chance zu geben?
  • Ist der realistische Aufwand klein genug für einen positiven ROI?
  • Ist allen klar, nach welchen Maßstäben der Projekterfolg bewertet werden soll und was „gut genug“ ist?

Team:

  • Verfügt Ihr Unternehmen über ausreichende Fachkenntnisse innerhalb des Teams?
  • Verfügt Ihr Unternehmen über ausreichende KI-Kenntnisse innerhalb des Teams?
  • Ist die Art der Zusammenarbeit zwischen KI-Entwicklung und klassischer Software-Entwicklung klar?
  • Verfolgt Ihr Unternehmen einen professionalisierten Entwicklungsprozess?
  • Hat Ihr Unternehmen die späteren Nutzer des KI-Systems einbezogen und mögliche Bedenken bezüglich der KI-Transformation angesprochen?

Daten-Qualität:

  • Hat Ihr Unternehmen überhaupt Daten?
  • Sind die vorhandenen Daten ausreichend, um relevante Fragestellungen des KI-Vorhabens zu beantworten?
  • Sind die Datensätze repräsentativ und decken sie alle relevanten Freiheitsgrade und möglichen Variationen ab?
  • Ist die Qualität der Daten ausreichend?
  • Ist die Menge der Daten ausreichend?
  • Verfügen Sie über eine Datenstrategie, die regelt, wie Sie Ihre Daten beschaffen, verwalten und pflegen?
  • Können Sie mit vertretbarem Aufwand Datenannotationen beschaffen?

Von der Idee zum Use Case

Nachdem mögliche Stoßrichtungen ausgelotet worden, geht es in vereinfachter Form nun konkret darum, aus einer Idee den Use Case zu definieren und darüber hinaus von einem PoC (Proof of Concept) zu einem marktreifen Produkt zu gelangen.

Um einen reibungslosen Verlauf eines KI-Projektes zu gewährleisten, ist die Grundlage eine initiale Projektphase, in der insbesondere eine einheitliche Vision und Mission mit allen Beteiligten festgelegt werden sollte. Zudem sollten in einer ersten Phase in einem definierten Zeitraum von maximal vier bis sechs Wochen regelmäßige Abstimmungsmeetings abgehalten werden, um einerseits den geplanten Projektfortschritt, Ziele und Nicht-Ziele zu besprechen, vor allem aber darüber hinaus etwaige Arbeitspakete zu definieren. Insgesamt sollte mit einer höchstmöglichen Transparenz und gleichzeitigen Eigenverantwortlichkeit vorangeschritten werden. Im Rahmen der Vorgehensweise „Co-Creation” sollten alle Stakeholder bei der Ausgestaltung der strategischen und technologischen Entscheidungen eingebunden sein. Dennoch sollten definierte Expertenteams im Rahmen ihrer Fähigkeiten und Verfügungsgewalt auch eigenständig Entscheidungen treffen können, die dem Wohle des Projektes entsprechen und keiner gesonderten Klärung bedürfen: • Konkretisierung der Arbeitspakete • Definition der Zusammenarbeit und Rollenverteilung • Schnittstellen und Integrationskonzept • Zeitplan der Arbeitspakete und Entwicklung Ein kurzer Überblick über relevante KI-Use Cases in der Industrie Der Großteil der Unternehmen setzt heutzutage auf KI-Funktionalitäten, die auf klassische Prozessoptimierung abzielen, beispielsweise durch die Vernetzung von Anlagen in der Produktion. So lassen sich Einsparungen in den Verarbeitungs- und Analyseschritten erzielen. Zum Beispiel mittels sogenannter Asset-Efficiency-Analysen – hier geht es vor allem um die Überwachung der Anlagen- und Produktionsstraßen innerhalb eines Unternehmens. Asset-Efficiency-Analysen ermöglichen die einfache Ortung und Nachvollziehbarkeit wichtiger Anlagen, auch entlang der Lieferkette (z. B. Rohstoffe, Endprodukte und Behälter), um die Logistik zu optimieren, Lagerbestände zu halten, Qualitätsprobleme zu vermeiden und Diebstähle aufzudecken. Aber auch bei digitalen Produkten kommen Machine Learning-Anwendungen zum Einsatz. Hier liegen vor allem vernetzte Fahrzeuge stark im Trend. Im einfachsten Sinne handelt es sich um computergestützte Fahrzeuge, die viele normale Fahraufgaben automatisieren - in einigen Fällen sogar selbst fahren. Gegenwärtige Systeme scannen Fahrbahnlinien als eine von mehreren Erkennungsmethoden - ein wichtiger Fortschritt im Kontext von Smart Mobility. Es gibt eine Vielzahl von Vorteilen, die selbstfahrende Autos implizieren. Dazu gehören unter anderem die Unfallreduzierung, da das autonom fahrende Auto schneller agieren kann als ein Mensch. Zudem sind diese Fahrzeuge mit Kameras, Radar und Laser als Sensoren ausgestattet, die Informationen in das Differential GPS einspeisen. Mit den Computer Vision-Anwendungen können die Autos „sehen” und verarbeiten, was sich in der Umgebung befindet. Der Radar lässt das Fahrzeug bei Dunkelheit, Regen oder Schnee bis zu 100 Meter weit sehen. Die Laser scannen kontinuierlich die Welt rund um das Auto und bieten dem Fahrzeug eine kontinuierliche, omnidirektionale 3D-Ansicht seiner Umgebung. Zudem verfügen eine Vielzahl von Unternehmen bereits heute schon über autonome Roboter entlang der Prozesskette. Die Maschinen oder die Rechner basieren in der Regel auf Künstlicher Intelligenz und bedienen sich kognitiver Fähigkeiten, die dem menschlichen Verhalten gleichen. Auch in der Fertigung findet die Robotertechnik häufig Verwendung. Auch nutzen Unternehmen Machine Learning zur Optimierung der Automatisierung ihrer Wartungs- und Serviceleistungen. Vom Use Case zur Konkretisierung Nach Abschluss der initialen Projektphase, geht es danach vor allem darum, die technische Realisierbarkeit der skizzierten Use Cases und die Zielsetzung eines ausgewählten Use Case darzustellen – somit ist eine „ongoing“ Design- und Requirements-Phase unabdingbar. Sinn und Zweck einer solchen Requirement-Analyse ist es vor allem, ein Fundament für zukünftige Entscheidungen zu bilden. Dafür sollten neben einer Projekt-Position auch die Sicht der Anwender und Kunden berücksichtigt werden, um Anforderungen von Machine-Learning-Anwendungen praxisgerecht formulieren zu können. Die Requirement-Analyse wird jedoch nicht nur zum reinen Ausformulieren der Anforderungen benötigt. Es geht vielmehr auch darum herauszufinden, ob sich die festgestellten Anforderungen (letztendlich auch das gesamte Projekt) neben der technischen Realisierbarkeitvor allem auch wirtschaftlich rentieren. Die Ergebnisse werden in die Erstellung der weiterführenden Software-Implementierung und zum Start einer Proof-of-Concept-Umsetzungsphase herangezogen, um eine detailliertere Planung zu ermöglichen: • Validierung der Daten, Ziele und Ergebnisse • Definition von Epics • Überführung in Software-Backlog • Priorisierung der Epics Ein guter Anfang ist die halbe Arbeit Eine gute Vorbereitung und Definition sind hilfreich, um sich später auf das saubere Umsetzen zu konzentrieren. Hierbei steht im Vordergrund, agil auf Veränderungen reagieren zu können, die Modelle sauber zu trainieren, den aufgestellten Plan aber auch mal zu hinterfragen bzw. kontinuierlich und in enger Abstimmung anzupassen. Validierung von Zielen ist dabei ebenso wichtig wie klare Testkriterien und die Integration in die Umsysteme bzw. in die IT-Landschaft Doch derzeit „versanden” rund 85% der KI-Projekte im PoC-Stadium und verpassen eine unternehmensweite Einführung. Das liegt vor allem daran, dass keine klaren Ziele und definierte Prozesse festgelegt worden sind und oftmals kein gemeinsames Ziel verfolgt wird. Zudem laufen KI-Projekte zu hohen Erwartungen hinterher - weiterführend über fehlende Fachkräfte, über Silodenken bis hin zur Ablehnung innerhalb interner Strukturen, die ebenfalls zu einem möglichen Scheitern führen. Nur wenn diese Herausforderungen allesamt bewältigt werden, sind positive Wert- und Innovationsbeiträge zu erwarten. Eine gelungene initiale Projektphase, sowie im nächsten Schritt eine erfolgreiche Requirement-Phase sind somit der Schlüssel zum Erfolg für eine anschließende technische Umsetzung – denn ein guter Anfang ist die halbe Arbeit.

Um einen reibungslosen Verlauf eines KI-Projektes zu gewährleisten, ist die Grundlage eine initiale Projektphase, in der insbesondere eine einheitliche Vision und Mission mit allen Beteiligten festgelegt werden sollte. Zudem sollten in einer ersten Phase in einem definierten Zeitraum von maximal vier bis sechs Wochen regelmäßige Abstimmungsmeetings abgehalten werden, um einerseits den geplanten Projektfortschritt, Ziele und Nicht-Ziele zu besprechen,  vor allem aber darüber hinaus etwaige Arbeitspakete zu definieren. Insgesamt sollte mit einer höchstmöglichen Transparenz und gleichzeitigen Eigenverantwortlichkeit vorangeschritten werden. Im Rahmen der Vorgehensweise „Co-Creation” sollten alle Stakeholder bei der Ausgestaltung der strategischen   und   technologischen   Entscheidungen eingebunden sein.

Dennoch sollten definierte Expertenteams im Rahmen ihrer Fähigkeiten und Verfügungsgewalt auch eigenständig Entscheidungen treffen können, die dem Wohle des Projektes entsprechen und keiner gesonderten Klärung bedürfen:

  • Konkretisierung der Arbeitspakete
  • Definition der Zusammenarbeit und Rollenverteilung
  • Schnittstellen und Integrationskonzept
  • Zeitplan der Arbeitspakete und Entwicklung

Ein kurzer Überblick über relevante KI-Use Cases in der Industrie

Der Großteil der Unternehmen setzt heutzutage auf KI-Funktionalitäten, die auf klassische Prozessoptimierung abzielen, beispielsweise durch die Vernetzung von Anlagen in der Produktion. So lassen sich Einsparungen in den Verarbeitungs- und Analyseschritten erzielen. Zum Beispiel mittels sogenannter Asset-Efficiency-Analysen – hier geht es vor allem um die Überwachung der Anlagen- und Produktionsstraßen innerhalb eines Unternehmens. Asset-Efficiency-Analysen ermöglichen die einfache Ortung und Nachvollziehbarkeit wichtiger Anlagen, auch entlang der Lieferkette (z. B. Rohstoffe, Endprodukte und Behälter), um die Logistik zu optimieren, Lagerbestände zu halten, Qualitätsprobleme zu vermeiden und Diebstähle aufzudecken.

Aber auch bei digitalen Produkten kommen Machine Learning-Anwendungen zum Einsatz. Hier liegen vor allem vernetzte Fahrzeuge stark im Trend. Im einfachsten Sinne handelt es sich um computergestützte Fahrzeuge, die viele normale Fahraufgaben automatisieren – in einigen Fällen sogar selbst fahren. Gegenwärtige Systeme scannen Fahrbahnlinien als eine von mehreren Erkennungsmethoden – ein wichtiger Fortschritt im Kontext von Smart Mobility. Es gibt eine Vielzahl von Vorteilen, die selbstfahrende Autos implizieren. Dazu gehören unter anderem die Unfallreduzierung, da das autonom fahrende Auto schneller agieren kann als ein Mensch. Zudem sind diese Fahrzeuge mit Kameras, Radar und Laser als Sensoren ausgestattet, die Informationen in das Differential GPS einspeisen. Mit den Computer Vision-Anwendungen können die Autos „sehen” und verarbeiten, was sich in der Umgebung befindet. Der Radar lässt das Fahrzeug bei Dunkelheit, Regen oder Schnee bis zu 100 Meter weit sehen. Die Laser scannen kontinuierlich die Welt rund um das Auto und bieten dem Fahrzeug eine kontinuierliche, omnidirektionale 3D-Ansicht seiner Umgebung.

Zudem verfügen eine Vielzahl von Unternehmen bereits heute schon über autonome Roboter entlang der Prozesskette. Die Maschinen oder die Rechner basieren in der Regel auf Künstlicher Intelligenz und bedienen sich kognitiver Fähigkeiten, die dem menschlichen Verhalten gleichen. Auch in der Fertigung findet die Robotertechnik häufig Verwendung. Auch nutzen Unternehmen Machine Learning zur Optimierung der Automatisierung ihrer Wartungs- und Serviceleistungen.

Vom Use Case zur Konkretisierung

Nach Abschluss der initialen Projektphase, geht es danach vor allem darum, die technische Realisierbarkeit der skizzierten Use Cases und die Zielsetzung eines ausgewählten Use Case darzustellen – somit ist eine „ongoing“ Design- und Requirements-Phase unabdingbar.

Sinn und Zweck einer solchen Requirement-Analyse ist es vor allem, ein Fundament für zukünftige Entscheidungen zu bilden. Dafür sollten neben einer Projekt-Position auch die Sicht der Anwender und Kunden berücksichtigt werden, um Anforderungen von Machine-Learning-Anwendungen praxisgerecht formulieren zu können. Die Requirement-Analyse wird jedoch nicht nur zum reinen Ausformulieren der Anforderungen benötigt. Es geht vielmehr auch darum herauszufinden, ob sich die festgestellten Anforderungen (letztendlich auch das gesamte Projekt) neben der technischen Realisierbarkeitvor allem auch wirtschaftlich rentieren.

Die Ergebnisse werden in die Erstellung der weiterführenden Software-Implementierung und zum Start einer Proof-of-Concept-Umsetzungsphase herangezogen, um eine detailliertere Planung zu ermöglichen:

  • Validierung der Daten, Ziele und Ergebnisse
  • Definition von Epics
  • Überführung in Software-Backlog
  • Priorisierung der Epics

Ein guter Anfang ist die halbe Arbeit

Eine gute Vorbereitung und Definition sind hilfreich, um sich später auf das saubere Umsetzen zu konzentrieren. Hierbei steht im Vordergrund, agil auf Veränderungen reagieren zu können, die Modelle sauber zu trainieren, den aufgestellten Plan aber auch mal zu hinterfragen bzw. kontinuierlich und in enger Abstimmung anzupassen. Validierung von Zielen ist dabei ebenso wichtig wie klare Testkriterien und die Integration in die Umsysteme bzw. in die IT-Landschaft

Doch derzeit „versanden” rund 85% der KI-Projekte im PoC-Stadium und verpassen eine unternehmensweite Einführung. Das liegt vor allem daran, dass keine klaren Ziele und definierte Prozesse festgelegt worden sind und oftmals kein gemeinsames Ziel verfolgt wird. Zudem laufen KI-Projekte zu hohen Erwartungen hinterher – weiterführend über fehlende Fachkräfte, über Silodenken bis hin zur Ablehnung innerhalb interner Strukturen, die ebenfalls zu einem möglichen Scheitern führen. Nur wenn diese Herausforderungen allesamt bewältigt werden, sind positive Wert- und Innovationsbeiträge zu erwarten.

Eine gelungene initiale Projektphase, sowie im nächsten Schritt eine erfolgreiche Requirement-Phase sind somit der Schlüssel zum Erfolg für eine anschließende technische Umsetzung – denn ein guter Anfang ist die halbe Arbeit.

#Cloudflight

Haben Sie ein Thema, das Sie mit unseren Experten besprechen möchten?

Schreiben Sie uns

Schreiben Sie uns

Menü