Künstliche Intelligenz, Machine Learning und Deep Learning verändern mit Siri und Co. das Privatleben. Aber auch Unternehmen können in einer Vielzahl von Anwendungsszenarien enorm davon profitieren. Wir stehen jedoch erst am Anfang einer spannenden Entwicklung. Zu klären ist: Wie können Unternehmen eine erfolgreiche KI-Strategie angehen?
Künstliche Intelligenz (KI) ist kein Produkt, sondern ein Oberbegriff für eine Vielzahl von Methoden, die mehrere Unterkategorien umfassen. Zu einer diese Gruppen gehören Deep Learning und neuronale Netze. Dabei handelt es sich um einen „datenbasierte Ansatz“, der davon ausgeht, dass das Wissen für Problemlösungen in den Daten vorhanden ist. Mit Algorithmen wird aus der Datenmenge das Lösungsmuster für den Nutzer erkennbar gemacht. Eine zweite Gruppe umfasst beispielsweise das Thema Robotic Process Automation. Hier fließen menschliches Wissen, Erfahrungen und Entscheidungstabellen in die Algorithmen ein.
All diese unterschiedlichen Methoden tragen in klar definierten Anwendungsszenarien dazu bei, dass Computer eine gewisse „Intelligenz“ suggerieren. Fakt aber bleibt, dass KI-Methoden ein Teilgebiet der Informatik sind, das sich mit der Abbildung und Umsetzung „intelligenten Verhaltens“ befasst und in den meisten Fällen aus der prognostischen Statistik stammt.
Unternehmen in Deutschland haben mittlerweile den Mehrwert von Künstlicher Intelligenz für die Weiterentwicklung ihrer Produkte und Dienstleistungen erkannt. Doch die schwierigste Frage bleibt, auf welche Anwendungsszenarien sie sich konzentrieren sollen, und wie eine erfolgreiche KI-Strategie angegangen werden muss.
In Workshops die Anwendungsszenarien evaluieren
Bei der Einführung von KI-Projekten in Unternehmen empfiehlt sich ein Vorgehen in drei wesentlichen Schritten. Den Ausgangspunkt und damit den ersten Schritt bei KI-Projekten bildet die Identifikation und Beschreibung potenzieller Use Cases.
Bewährt haben sich an dieser Stelle Design-Thinking-Methoden. In Workshops, und begleitet durch einen darauf spezialisierten IT-Dienstleister, erarbeiten die Fachabteilungen mögliche Anwendungsfälle. Schritt zwei befasst sich mit der Auswahl der passenden Methoden und Verfahren, die sich für die Umsetzung des Use Cases am besten eignen. Im dritten Schritt muss der Datenbestand aus entweder eigenen oder externen Datenquellen definiert und aufbereitet werden, um die Prognosemodelle zu trainieren.
Ein ganz typischer Anwendungsfall, ist die Bilderkennung oder Bildanalyse. Sie wird bereits erfolgreich in der medizinischen Diagnostik, beispielsweise bei der Auswertung von Röntgenbildern, eingesetzt. Medizinischen Studien zufolge lässt sich mit geeignetem Trainingsmaterial und durch den Einsatz von Convolutional Neural Networks (CNN) die Trefferquote zum Beispiel in der Krebsdiagnose erheblich steigern.
Auch Versicherer setzen in ersten Pilotprojekten auf die Bilderkennung und nutzen sie zur Automatisierung der Prozesse bei der Schadenbearbeitung und -abwicklung. Ein einfaches Unterfangen ist das nicht, denn bei einem Kfz-Schaden etwa werden Abertausende Bilder von Unfällen benötigt, damit der Algorithmus trainiert werden kann. Ein Versicherer muss dazu eigene Bilddatenarchive auswerten oder auch externe Bilder mit hinzuziehen. Der aufwändige Prozess wird am Ende jedoch mit einer Schadensregulierung belohnt, die anstelle von Monaten nur noch wenige Tage in Anspruch nimmt.
In der vorausschauenden Wartung oder Predictive Maintenance werden Maschinen oder Anlagen durch ständige Datenerfassung und -Analyse proaktiv gewartet. Bei Verladekränen, Baukränen oder Windkrafträdern setzt man mittlerweile Drohnen für eine vereinfachte Datenerfassung und proaktive Wartung ein: ein Lösungsansatz der von CGI für einen Energieversorger in den Nordics entwickelt wurde und seit einiger Zeit kosteneffizient eingesetzt wird. Die damit erzeugten Bilder oder auch Videos – kombiniert mit einem auf Ml basierenden Analyseprogramm – decken Fehler auf und helfen dabei, sie zu beheben. Auch für ThyssenKrupp wurde eine Lösung zur vorausschauenden Wartung von Fahrstühlen entwickelt, die die Fehler- und Ausfallzeiten um ein Vielfaches reduziert.
All diese Beispiele zeigen einen kleinen Ausschnitt von Use Cases in Unternehmen aller Branchen. Ein entscheidender Faktor ist, dass Unternehmen und Entscheider ein klares Verständnis brauchen, wo und wie Methoden und Verfahren des Bereichs Künstliche Intelligenz eingesetzt werden können. Je konkreter der Use Case beschrieben ist, desto erfolgreicher können KI-Projekte durchgeführt werden.
Die Basis von KI-Aktivitäten ist immer ein statistisches Modell, das in der Lernphase an vorhandene Daten angepasst wird und so das Zustandekommen bestimmter Ereignisse erklärt. Ein Projektteam trainiert einen sachlich geeigneten Prognosealgorithmus mit einer passenden Datenmenge und setzt die Idee in einem Proof of Concept um. Ist der Ansatz auf einem klar abgegrenzten Gebiet erfolgreich, lässt er sich – leicht abgewandelt – auch auf weitere Use Cases an-wenden. Die Herausforderung besteht darin, den richtigen Datenbestand zu definieren, um die Prognosemodelle trainieren zu können. Davon ist letztlich auch der Projekterfolg abhängig.
Technologische Herausforderungen und personelle Ressourcen
Technologische Voraussetzungen, organisatorische Bedingungen und personelle Ressourcen zählen zu den zentralen Herausforderungen. KI-Lösungen benötigen viel Rechenleistung und bei der Bilderkennung darüber hinaus auch Graphical Processing Units (GPU).
Notwendig sind aber auch qualifizierte Mitarbeiter, die über Kenntnisse mathematisch-statischer Verfahren verfügen. Dazu kommen Entwickler mit Erfahrungen beim Einsatz von Programmiersprachen wie Python, R sowie den Deep-Learning-Frameworks Caffee und Theano oder TensorFlow, einem Framework zur numerischen Berechnung von Datenflussgraphen. Gerade für Unternehmen, die sich nicht selbst in Forschung und Entwicklung engagieren, lohnt sich dabei eine Partnerschaft mit einem qualifizierten Technologieunternehmen.
Ron Brandt ist Vice President Consulting Services bei CGI Deutschland.