Den entscheidenden Vorsprung erzielen

Mit KI-Strategie zum Erfolg

Künstliche Intelligenz (KI), Machine Learning und Deep Learning verändern mit Siri und Co. das Privatleben. Aber auch Unternehmen können in vielen Anwendungsszenarien ­davon profitieren. Doch wie sollten die Verantwortlichen eine erfolgreiche KI-Strategie am besten angehen?

Mit KI den entscheidenden Vorsprung erzielen

Mit KI den entscheidenden Vorsprung erzielen

KI ist kein Produkt, sondern ein Oberbegriff für eine Vielzahl von Methoden, zu denen Deep Learning und neuronale Netze gehören. 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 (RPA). Hier fließen menschliches Wissen, Erfahrungen und Entscheidungs­tabellen in die Algorithmen ein.

Alle 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 zumeist aus der prognostischen Statistik stammt. Viele Unternehmensverantwortliche haben mittlerweile die Vorteile von KI für die Weiterentwicklung ihrer Produkte erkannt. Doch die schwierigste Frage bleibt, auf welche Anwendungsszenarien sie sich konzentrieren sollen und wie eine erfolgreiche KI-Strategie aussehen kann.

Bei KI-Projekten empfiehlt sich ein Vorgehen in drei Schritten. Der erste Schritt bildet die Identifika­tion und Beschreibung potentieller Anwendungsfälle. Bewährt haben sich hier Design-Thinking-Methoden. In Workshops und begleitet von spezialisierten IT-Dienstleistern erarbeiten die Fachabteilungen mögliche Anwendungsfälle. Schritt zwei befasst sich mit der Auswahl der passenden Methoden und Verfahren, die sich für die Umsetzung 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 typischer Anwendungsfall ist die Bilderkennung oder Bildanalyse. Sie wird bereits erfolgreich in der medizinischen Diagnostik, z. B. 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 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 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 aufwendige Prozess wird am Ende jedoch mit einer Schadensregulierung belohnt, die anstelle von Monaten nur noch wenige Tage in Anspruch nimmt.

In der vorausschauenden Wartung werden Maschinen oder Anlagen durch ständige Datenerfassung und -analyse proaktiv gewartet. Bei Verlade-, Baukränen oder Windkrafträdern setzt man etwa Drohnen für eine vereinfachte Datenerfassung und Wartung ein. Ein solcher Lösungsansatz wurde von CGI Deutschland für einen Energieversorger in Skandinavien zunächst entwickelt. Die damit erzeugten Bilder oder auch Videos – kombiniert mit einem auf Machine Learning basierten 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. Die skizzierten Beispiele zeigen jedoch nur einen kleinen Ausschnitt an Anwendungen. Generell ist wichtig, dass die Entscheidungsträger ein klares Verständnis brauchen, wo und wie KI-Methoden und KI-Verfahren eingesetzt werden können. Je konkreter der Anwendungsfall beschrieben ist, desto erfolgreicher können KI-Projekte durchgeführt werden. Dabei stellt die Basis von KI-Aktivitäten immer ein statistisches Modell dar, das in der Lernphase an vorhandene Daten angepasst wird und so das Zustandekommen bestimmter Ereignisse erklärt. Ein Projektteam trainiert einen sachlich geeigneten Prognose-Algorithmus mit einer passenden Datenmenge und setzt die Idee in einer Machbarkeitsstudie um. Ist der Ansatz auf einem klar abgegrenzten Gebiet erfolgreich, lässt er sich – leicht abgewandelt – auch für weitere Anwendungsfälle nutzen. Die Herausforderung besteht darin, den richtigen Datenbestand zu definieren, um die Prognosemodelle trainieren zu können. Davon ist letztlich auch der Projekterfolg abhängig.

Dies ist ein Artikel aus unserer Print-Ausgabe 5/2019. Bestellen Sie ein kostenfreies Probe-Abo.

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. Notwendig sind aber auch qualifizierte Mitarbeiter, die über Kenntnisse mathematisch-statischer Verfahren verfügen. Hinzu 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 Datenflussgrafen.

Bildquelle: Getty Images / OJO Images

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok