19.12.2016 Bloße Spielerei oder erfolgversprechendes Geschäftsfeld?

Business Intelligence mit KI aufbrezeln

Von: Ina Schlücker

Was bringt Mittelständlern der Einsatz von Künstlicher Intelligenz (KI) im Rahmen intelligenter Datenanalysen?

Künstliche Intelligenz wird künftig nicht nur bei Robotern der fertigenden und produzierenden Industrie zu finden sein, sondern sämtliche Internet-Szenarien und Software-Applikationen maßgeblich beherrschen. Dabei scheint insbesondere die Business Intelligence eine erfolgsversprechende Spielwiese für alle Arten von Algorithmen und kognitivem Computing zu sein.

„Die Integration von Künstlicher Intelligenz in Unternehmensapplikationen schreitet generell voran“, berichtet Matthias Fuhrmann, Sales Leader Business Intelligence & Predictive Analytics bei IBM. Dabei habe Big Blue selbst mit Watson Analytics bereits eine BI-Lösung im Angebot, die mit kognitiven Fähigkeiten ausgestattet sei. „Wir haben in den vergangenen Jahren für unterschiedliche Aufgaben, Firmenbereiche und Branchen einen Werkzeugkasten intelligenter Software-Komponenten entwickelt, die natürliche Sprache verstehen und darüber hinaus im Dialog mit Anwendern durch Feedbacks und Trainings auch in der Lage sind, ihre Expertise ständig weiter auszubauen“, so Fuhrmann.

Während viele traditionelle BI-Lösungen bisher nur vergangenheitsbezogene Analysen durchführten und sich auf die Visualisierung von Daten konzentrierten, eröffnen sich mit der nächsten Generation an BI-Software neue Möglichkeiten. Laut Robert Brockbals, Divisionsleiter Business Solutions bei der Sievers-Group, können BI-System künftig mithilfe neuer Prognosemodelle, die sich Künstlicher Intelligenz bedienen, auch Handlungsempfehlungen für die Zukunft ableiten. Dies gelingt durch die Auswertung der vorliegenden Daten anhand komplexer mathematischer Algorithmen. Experten sprechen in diesem Zusammenhang gerne von Deep Learning und Machine Learning. Dabei betrifft letzteres das Trainieren von Algorithmen, um Daten zu analysieren, aus ihnen zu lernen und auf dieser Grundlage dann eine Feststellung oder eine Vorhersage zu treffen.

Untergebiet des maschinellen Lernens

Darüber hinaus beginnt „Deep Learning unserem Verständnis nach da, wo klassische Verfahren des maschinellen Lernens an ihre Grenzen stoßen. Manche bezeichnen es aber auch als Untergebiet des maschinellen Lernens“, ergänzt Simon Nehls, Consultant im Competence Center Data Science bei B.telligent. Bei komplexen Problemen reichen klassische Machine-Learning-Verfahren nicht aus. Hier sind Deep-Learning-Methoden gefragt. Allerdings stelle Deep Learning hohe Anforderungen an die Rechenpower. „Die Datenmengen zum Lernen bzw. Trainieren der Systeme sind immens“, so Nehls.

Wer denkt, im Mittelstand gebe es keine hinreichenden Einsatzgebiete für Künstliche Intelligenz, der sei eines besseren belehrt. Robert Brockbals: „Die Einsatzbereiche sind vielschichtig und reichen vom Qualitäts- und Energiemanagement über die Optimierung von Wertschöpfungsketten bis hin zum Marketing.“ Allerdings ist der KI-Einsatz nicht für jedes Einsatzfeld betriebswirtschaftlich sinnvoll, dies müsse vielmehr von Fall zu Fall entschieden werden. Als gängiges und oft zitiertes Beispiel führt Brockbals die sogenannte „Predictive Maintenance“ an: Im Maschinen- und Anlagenbau lassen sich durch vorausschauende Wartung Kosten einsparen. Dazu erhalten die Geräte einen Internetzugang, über den sie regelmäßig Daten an den Hersteller übertragen. Werden Abweichungen von der Norm registriert oder deuten statistische Merkmale auf eine Störung hin, kann der Hersteller direkt mit dem Kunden in Kontakt treten.

Die Kosten von KI

Vor zu hohen Kosten für KI-Szenarien sollten sich Mittelständler nicht abschrecken lassen. „Der Preis spielt eine eher untergeordnete Rolle, es gibt beispielsweise einen breiten Markt für verhältnismäßig günstige Statistiklösungen“, betont Robert Brockbals. Eine Herausforderung sei eher, die komplexen Lösungen zielgerichtet einzusetzen und aus den vielfältigen Möglichkeiten sinnvolle Anwendungsfälle abzuleiten. Ein wichtiger Punkt, wie Simon Nehls unterstreicht. Denn die schönsten Erkenntnisse nutzen in der Tat nichts, wenn sie sich nicht kommerzialisieren lassen. „Nach der Analyse die nächsten Schritte einleiten zu wollen, ist somit oft schon zu spät. Eine Analyse-Aufgabe muss also schon zu Beginn das Ziel definieren und diesen auch klar vor Augen haben“, so Nehls. Erst wenn das Ziel klar ist, folgt daraus auch der eigentliche Fahrplan.

Auch für Ralf Pichl, Vice President Sales, Alliances & Marketing bei der Cubeware GmbH, sind intelligente Big-Data-Analysen inklusive des Einsatzes von Künstlicher Intelligenz keine Frage des Geldes. Inwieweit Mittelständler eigene Datenanalysten beschäftigen, ist jeweils abhängig vom Geschäftsmodell. „Klar, werden sich Konzerne eher eigene Data Scientists leisten können als der klassische Mittelstand, aber im Kern kommt es darauf gar nicht an“, so Pichl. „Denn, wenn ein Mittelständler den ROI für gut befindet, dann wird er auch eigene Data Scientists beschäftigen.“ Somit ist klar: Für den nutzbringenden Einsatz von Big-Data-Analysen oder Künstlicher Intelligenz braucht es ausgebildete Fachleute. Dabei leistet sich insbesondere der gehobene Mittelstand zum Teil eigene Data Scientists. „Bei kleineren Unternehmen wird das Know-how häufiger über externe Dienstleister eingekauft. Das liegt auch daran, dass es bei vielen kleineren Mittelständlern ausreicht, für bestimmte Fragestellungen gezielt Expertise einzuholen und anschließend mit dem erworbenen Wissen eigene Analysen durchzuführen“, ergänzt Robert Brockbals.

Nach Erfahrung von Ralf Pichl verbirgt sich hinter dem „Data Scientist“ eher ein interdisziplinäres Expertenteam und keine Einzelperson.“ Wahrscheinlicher sei vielmehr, dass sich ein hybrides Konstrukt aus internen Spezialisten und beratenden, externen Data Scientists in der breiten Fläche des Mittelstands etablieren wird.

Bildquelle: Thinkstock / iStock

©2017 Alle Rechte bei MEDIENHAUS Verlag GmbH