Relevanz von KI

Der Mittelstand ist auf dem halben Weg

Noch sind die Technologien der Künstlichen Intelligenz (KI) beim Mittelstand nicht gänzlich angekommen. Unklarer ROI und fehlende Spezialisten erschweren die Annäherung. Zugleich führt aber keine alternative Route um das Thema „KI“ herum.

  • Datentunnel

    Die Zutaten für KI-Anwendungen sind nicht unbedingt teuer – viele Algorithmen kommen aus der Open-Source-Welt und sind damit frei verfügbar.

  • Daniel Gburek, Cosmo Consult

    „Es lohnt sich, mit dem Blick auf neue technologische Möglichkeiten wie Sprach- und Bilderkennung oder maschinelles Lernen längst akzeptierte, aber ungeliebte Prozesse noch einmal in Frage zu stellen.“ (Daniel Gburek, Cosmo Consult)

  • Ute Kienitz, Eckes-Granini

    „Mithilfe von KI lassen sich beispielsweise in der Marktforschung sehr viel mehr Studien, Dokumente und historische Daten analysieren und bewerten.“ (Ute Kienitz, Eckes-Granini)

  • Sebastian Land, Old World Computing

    „In den meisten Fällen ist Data Science wahrscheinlich eine strategische Fähigkeit, ebenso wie die EDV-Abteilung in den 90er-Jahren: Wer sich diese Fähigkeiten nicht aneignet, wird mittelfristig Nachteile in Kauf nehmen müssen.“ (Sebastian Land, Old World Computing)

  • Barc-Geschäftsführer und Daten-Management-Experte Dr. Carsten Bange

    Barc-Geschäftsführer und Daten-Management-Experte Dr. Carsten Bange im Kurzinterview zu BI und KI.

Darüber, dass KI große Potenziale eröffnet, sind sich Experten einig. Deshalb fördert die Bundesregierung massiv KI-Beratungsinitiativen, damit das Thema auch bei kleinen und mittleren Unternehmen ankommt. Allerdings zeigt schon unsere Anfrage bei einer Handvoll dieser Initiativen, dass man noch weit vom Ziel entfernt ist: Keine konnte einen Praxisanwender vermitteln. Die Studie „Future of Work“ von Ricoh zeigt: 54 Prozent von 3.000 befragten Arbeitnehmern sind der Ansicht, dass Arbeitgeber Technologien wie KI nutzen werden, um die Erfahrung am Arbeitsplatz zu verbessern. Nur 38 Prozent glauben jedoch, dass ihr Unternehmen schon eine Strategie für die Integration von KI und Robotik am Arbeitsplatz hat.

„Zurzeit erfordert eine Annäherung relativ große Aufwände. Zunächst müssen Menschen erst mal lernen, was maschinelles Lernen eigentlich bedeutet und wo man es als Werkzeug effektiv einsetzen kann“, sagt Sebastian Land, Lead Data Scientist des agilen Beratungsunternehmens Old World Computing GmbH. Das erfordere ein fundamentales Umdenken, da wir uns als Menschen erst daran gewöhnen müssten, nicht selbst Lösungen zu suchen. „Wir müssen letztlich Lösungen vertrauen, von denen wir uns nicht einbilden können, sie verstanden zu haben. Und obwohl viele von uns jeden Tag ihr Leben Blackboxen in Form von ABS und Motorsteuerungen anvertrauen, haben viele Probleme, dies in ihrem eigenen Fachbereich, also dem Bereich ihrer Selbstwirksamkeit, zu tun“, stellt Land fest.

Da ansetzen, wo es am meisten wehtut

„KI klingt für viele nach einem Hype-Wort und nach Projekt-investitionen mit unsicherem Outcome. Dieser Mix lässt den Mittelstand zögern“, glaubt Dr. Daniel Gburek, Solution Manager Data & Analytics beim IT-Dienstleister Cosmo Consult Group. „Für KMU macht vor allem die Datenlage eine Annäherung an das Thema ,KI‘ schwierig. Oft sind verschiedene Altsysteme im Einsatz und Medienbrüche in teilweise manuellen, papiergebundenen Prozessen vorhanden“, so Gburek. Da sei es naturgemäß schwieriger, Systeme zur Datenanalyse aufzusetzen.

„Die beste Herangehensweise besteht darin, die größten Pain Points beim Kunden zu identifizieren, die sich mit KI- oder auch mathematischen Algorithmen lösen lassen: KI ist definitiv nicht Selbstzweck, sondern muss einen klaren Nutzen haben“, meint der Data-Analytics-Experte. Es ist allerdings gar nicht so einfach, ein solches Problem zu definieren und ausreichend zu konkretisieren. Deshalb rät Gburek, möglichst eine mit dem Problem verknüpfte Kennzahl zu identifizieren. Zum Beispiel, wenn man die Lieferfähigkeit zu 95 Prozent gewährleisten will, statt wie bisher nur zu 80 Prozent. „Anhand der Zahlen lässt sich das Ziel, das man verfolgt, leichter bewusst machen. Dabei geht es auch weg vom KI-Hype: Manchmal reicht nämlich schon ein einfacheres mathematisches Modell, nicht immer muss es gleich Deep Learning sein“, erklärt Daniel Gburek. Er plädiert dafür, statt hohen Erwartungen an KI als Wundermittel eine pragmatischere Herangehensweise zu wählen.

Nicht alles, was KI heißt, ist auch KI

Zu den Disziplinen der KI zählen Bild- und Sprachverarbeitung, in der in den letzten Jahren erhebliche Fortschritte erzielt wurden, (kollaborative) Robotik und Deep (Machine) Learning. Klar wird beim genauen Hinschauen: Vieles, das mit dem Label „KI“ versehen wird, sind eher mathematisch-statistische Verfahren und Modelle aus dem Data Mining. Man könnte also sagen, dass diese komplexeren Technologien, die bisher den großen Unternehmen vorbehalten waren, nun vom Mittelstand nutzbar gemacht werden können.

„Es lohnt sich, mit dem Blick auf neue technologische Möglichkeiten wie Sprach- und Bilderkennung oder maschinelles Lernen längst akzeptierte, aber ungeliebte Prozesse noch einmal in Frage zu stellen“, meint der Experte von Cosmo Consult. Aus KI-Workshops weiß Gburek: „Die Unternehmen übertragen vorgestellte Beispiele schnell auf ihre Situation.“ Als typisches Einsatzszenario sieht er z.B. das „Forecasting“‚ für den Absatz von Rohstoffen. Die Bilderkennung kann wiederum überall dort helfen, wo es um Qualitätsüberprüfung geht, selbst beim Check, ob im Warenausgang eine Sendung richtig etikettiert wurde. In Verbindung mit OCR-Texterkennung kann Bildverarbeitung dabei helfen, Quittungen für die Spesenrechnung automatisiert zuzuordnen.

Konkret den Nutzen von KI prüfen

„Im Mittelstand wird wahrgenommen, dass KI ein wettbewerbsentscheidender Faktor in der Zukunft sein wird: Man beschäftigt sich damit, aber sieht viele Herausforderungen. Es gilt, unternehmensintern lohnende Use Cases zu identifizieren und diese gezielt anzugehen“, meint Dr. Dirk Hecker, stellvertretender Institutsleiter am Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme (IAIS). Dafür sei aufgrund des Mangels an Data Scientists meist externe Unterstützung nötig. Hecker ist Mitinitiator der Kompetenzplattform KI.NRW, die intensiv am Transfer von KI in den Mittelstand arbeitet. „Wir nehmen viele Use Cases auf und clustern sie nach Mehrwert und methodischer Herausforderung“, erklärt der Experte. Aber während die Stakeholder zwar den Effizienzgewinn gut bewerten könnten, fehle bei 90 Prozent das Know-how, den methodischen Aufwand zu bewerten.

Natürlich gibt es inzwischen eine ganze Reihe von Start-ups und Software-Anbietern, die KI-Lösungen für unterschiedliche Szenarien anbieten. Die Zutaten für KI-Anwendungen sind nicht unbedingt teuer – viele Algorithmen kommen aus der Open-Source-Welt und sind damit frei verfügbar. „Die Erwartungen an Open Source sind jedoch oft sehr überzogen“, meint der KI-Experte. So lasse sich häufig zwar schnell ein kleiner Demonstrator bauen, ein praxistaugliches System sei aber eine ganz andere Dimension, für die es viel Erfahrung brauche. Bei der Suche nach einem passenden und kompetenten Partner komme hinzu, dass es viel Vertrauen erfordere, wenn man seine Firmendaten externen Organisationen zur Verfügung stellt, warnt Hecker.

Maschinen sprechen mit Menschen

Ein wichtiger Fokus der KI liegt in der Sprachverarbeitung zur Kommunikation mit Maschinen in natürlicher Sprache. „KI ist das neue User Interface: Künftig werden haptische Interfaces vielfach durch Sprache ersetzt werden – anstatt zu klicken, spreche ich direkt mit meinem Expertensystem“, so Hecker. In immer mehr Bereichen wächst die Flut der zu lesenden Dokumente, etwa bei Wirtschaftsprüfern, Steuerberatern, Ärzten, Juristen. Zugleich nimmt die Menge der Dokumentationen, Gebrauchsanweisungen und Richtlinien zu. KI kann bei der Verarbeitung dieser vielen Texte und Einhaltung von Regeln einen großen Anteil leisten.

Künftig könnten KMU von KI im ERP-System profitieren. Dafür müsse nicht das Gesamtsystem in Frage gestellt werden, meint Hecker: Zum Beispiel könnten Schnittstellen zum Textmining dafür sorgen, dass im Procurement alle Angebote auf eine Ausschreibung automatisiert verglichen werden.

„Es gibt ein breites Einsatzspektrum für intelligentes ERP: Von Vorschlägen für Bestellungen, das Erkennen von Engpässen in der Produktion oder von Lagerleichen nicht verkaufter Produkte bis hin zur Lieferantenbewertung“, stellt Gburek fest. Oft werde noch nach Bauchgefühl entschieden – da könnten kleine Helfer im Mittelstand bessere Handlungsvorschläge liefern. Dafür sollte ein Werkzeugkasten mathematischer Modelle herangezogen werden: von Statistik und Operations Research bis hin zu neuronalen Netzen – ganz ohne KI-Hype. „In den meisten Fällen ist Data Science wahrscheinlich eine strategische Fähigkeit, ebenso wie die EDV-Abteilung in den 90er-Jahren: Wer sich diese Fähigkeiten nicht aneignet, wird mittelfristig Nachteile in Kauf nehmen müssen“, glaubt Sebastian Land. Data Science sei ja mehr als nur KI, hier gehe es auch darum, menschliches Lernen und menschliche Entscheidungen mit Daten zu unterstützen.

Dies ist ein Artikel aus unserer Print-Ausgabe 3/2020. Bestellen Sie ein kostenfreies Probe-Abo.

KI in der Praxis

Beispiel 1: Ideen-Management bei Eckes-Granini

Beim Anbieter von Fruchtsäften und fruchthaltigen Getränken, der Eckes-Granini Group, wird auf KI beim Ideen-Management gesetzt. Ursprünglich wollte man ein Austauschportal schaffen, in dem sämtliche Mitarbeiter ihre Ideen einbringen sollen. Auf Anregung des Implementierungspartners Itacs nutzt das mittelständische Unternehmen auf der Sharepoint-basierten Plattform auch Azure Cognitive Services, darunter das Microsoft Text Analytics API und Azure Cognitive Search. „Das KI-Tool prüft, ob es eine Idee schon gibt, damit das Rad nicht mehrfach neu erfunden wird. Mitarbeiter können dann gemeinsam daran arbeiten oder ihren Ansatz noch einmal in eine andere Richtung nachschärfen“, sagt Ute Kienitz, Director Business Intelligence, Insights & Innovation bei Eckes-Granini. Das Ziel: Auch Menschen jenseits des Marketings, aus der Produktion oder der HR-Abteilung, sollen international dazu beitragen, den Unternehmenserfolg durch kontinuierliche Innovation zu sichern.

Kienitz sieht durchaus Potenzial für andere KI-Anwendungsszenarien. „Mithilfe von KI lassen sich beispielsweise in der Marktforschung sehr viel mehr Studien, Dokumente und historische Daten analysieren und bewerten“, nennt die BI-Expertin ein Beispiel. Derzeit müssen Mitarbeiter immer noch mühsam Tagwords vergeben, um in einer Studie zu suchen. „Da sehe ich zukünftig einen großen Bedarf, dass KI solche manuellen Aufgaben des Labelings automatisiert übernimmt“, so Ute Kienitz. Sie evaluiert derzeit schon Lösungen dafür. „Für Mittelständler ist es schwierig, jedes Tool selbst aufzubauen. Dort, wo es fertige Werkzeuge gibt, ist es einfacher, sie hinzuzukaufen“, meint die Expertin. An vielen Stellen könnten die Menschen im Unternehmen die Menge der verfügbaren Informationen einfach gar nicht mehr selbst verarbeiten. „Ich bin überzeugt, dass Mittelständler sich Wettbewerbsvorteile erarbeiten können, indem sie in solche KI-Tools investieren“, sagt Ute Kienitz. Dazu gehöre, offen für Neues zu sein und sich auf Pilotprojekte einzulassen. Auf der anderen Seite sei der Fachkräftemangel gerade bei kleineren Unternehmen und im ländlichen Raum ein massiver „Roadblock“.

Größere Unternehmen haben mehr Budget und mehr Ressourcen für Experimente. „Da sehe ich beim Mittelstand das Problem, dass für entsprechende Investments klar sein muss, was eine Lösung längerfristig bringt“, so Kienitz. In einem Bereich wie der Marktforschung, wo jedes Jahr viel Geld ausgegeben wird, könnte KI auch quantifizierbar viel bewirken, wenn sich die Daten besser verdichten und auswerten lassen.


Beispiel 2: Das Unternehmensgedächtnis des Energieversorgers Enviam

Der 670 Mitarbeiter starke Energiedienstleister Envia Mitteldeutsche Energie AG (EnviaM) aus Chemnitz befasst sich bereits seit 2014 damit, das Potenzial seiner Daten zu erschließen. Ausgangspunkt war die Motivation, mithilfe von KI-Technologie im Rechnungswesen den eigenen Bereich neu auszurichten und so noch wettbewerbsfähigere zentrale Querschnittsfunktionen zu erbringen. „Das Ziel lautete, durch mehr Automatisierung so effizient zu arbeiten, dass eine regionale Wertschöpfung des Rechnungswesens erhalten werden kann, und gleichzeitig das Image zu verändern – von einer eher als langweilig wahrgenommenen Buchhaltung hin zum aktiven Berater des Managements und Lieferanten entscheidungsrelevanter Informationen“, erklärt Dirk Benndorf, Referent Rechnungswesen bei EnviaM, der die damit verbundenen IT-Projekte steuert.

Mit dem ersten Kontakt zum Deutschen Forschungszen-trum für Künstliche Intelligenz (DFKI) Kaiserslautern begann eine langjährige Zusammenarbeit. Dessen KI-Experten verfügten über umfangreiches Know-how, das an den Bedarf und lohnende Use Cases des Energiedienstleisters adaptiert wurde. Dabei musste eine Balance zwischen erforderlichen Effizienzsteigerungen in den Prozessen und der Entwicklung nachhaltiger Datenstrukturen gefunden werden, um eine neue Qualität des Informations-Managements zu erreichen. „Wir haben die Vision, die Grundlage für ein ‚Unternehmensgedächtnis‘ zu schaffen, das möglichst umfassend vorhandene strukturierte und unstrukturierte Daten einbindet“, berichtet Benndorf. Die Basis dafür seien durchgängig digitalisierte Prozesse. So startete man zunächst klassisch mit der Belegklassifizierung, Mustererkennung und Inhaltsextraktion von Eingangsrechnungen.

Auf diesen Daten konnte dann aufgebaut werden und „Attentive Task“ als erstes Einsatzszenario der KI im Rechnungseingangs-Workflow umgesetzt werden. Die aufwendige Prüfung von Eingangsrechnungen wurde abgelöst, indem bisherige manuelle Bestätigungen automatisiert erfolgen. Schon bald wollte man das Potenzial des „CoMem“ (Corporate Memory) des DFKI als Basis für die Vision eines Unternehmensgedächtnisses in weiteren Bereichen nutzen. Eine erste Machbarkeitsstudie wurde im Bereich „Immobilien“ umgesetzt. „CoMem schafft semantische Datenmodelle auf Basis einer Vielzahl eingebundener Informationsinstanzen mit sehr unterschiedlichen Datenstrukturen. Im Piloten wurden alle verfügbaren Informationen zu den rund 3.500 Grundstücken zugänglich gemacht und automatisch im Modell verknüpft“, berichtet Dirk Benndorf. Aus vielen verstreuten Einzelinformationen entstehe so ein einheitlicher Wissensraum mit Kontextinformationen, der allen beteiligten Mitarbeitern gleichermaßen zur Verfügung stehe. KI-Technologien dienten dabei vor allem der nötigen Vorarbeit, nämlich die verschiedenen Dimensionen der Daten zu homogenisieren.

Auch er glaubt, dass es für Mittelständler schwieriger ist, sich dem Thema „KI“‚ anzunähern: „Man braucht zum einen ein ausreichendes Datenvolumen und zum anderen müssen die Use Cases die notwendigen Investitionen rechtfertigen. Nicht zuletzt müssen seitens des Managements Freiräume zum Experimentieren zugelassen werden“. Dennoch: Unternehmen sollten ihr Potenzial als Praxispartner nicht unterschätzen. Aus der Kombination ihrer „Pain Points“ mit dem KI-Know-how von Forschungseinrichtungen ließen sich innovative Produkte entwickeln und vermarkten.

So wird aktuell gemeinsam mit dem DFKI die digitale Bearbeitung von Gewerbesteuerbescheiden in die Praxis überführt. Beim Energiedienstleister werden dafür Gewerbesteuerbescheide von 800 Gemeinden mit sehr heterogenen und schwer zu interpretierenden Dokumentarten digitalisiert und innerhalb fester Fristen bearbeitet. In Kürze will Enviam die Lösung gemeinsam mit dem DFKI auch anderen Flächenunternehmen verschiedener Branchen anbieten.

KURZ GEFRAGT

So verläuft die Abgrenzung zwischen BI und KI


Barc-Geschäftsführer und Daten-Management-Experte Dr. Carsten Bange erklärt im Gespräch, was Business Intelligence (BI) und Künstliche Intelligenz (KI) miteinander zu tun haben.

ITM: Herr Bange, können eine gute BI-Basis und -Erfahrung bei der Nutzung von maschinellem Lernen und KI helfen?
Carsten Bange:
Vor der Erzeugung statis-tischer Modelle oder dem Einsatz von Machine Learning (ML) müssen Data Scientists erst
einmal die Daten deskriptiv verstehen. Und auch die Ergebnisse von Modellen oder
Vorhersagen müssen wiederum kommuniziert werden. Für beides kommen klassische BI-Werkzeuge oder -Methoden zum Einsatz. Es gibt also eine enge Beziehung. KI bzw. Machine Learning ergänzen die klassische BI um die „Advanced Analytics“.

ITM: Was lässt sich mit KI erreichen, das BI nicht leisten kann?
Bange:
Advanced Analytics ermöglicht den Aufbau von Modellen. Dies erfolgt in der klassischen BI erst einmal nicht. Trainierte oder statistische Modelle können aus Eingabewerten Zusammenhänge oder Muster, eine Klassenzugehörigkeit oder einen Vorhersagewert erzeugen. Dies kann auch auf Bild- oder Tondaten erfolgen, z.B. zur Objekterkennung in Bildern oder der Transkription von Sprache in Text. Eine Analyse solcher Datenarten ist ebenfalls nicht Gegenstand der BI, die sich auf numerische Werte konzentriert.

ITM: Oft hört man, dass die Datenqualität für KI-Algorithmen nicht so wichtig ist. Stimmt das? Oder kommt es auf gut gepflegte Daten an?
Bange:
Herausforderungen bei der Integration von Daten und Datenqualität sind tatsächlich genau wie im BI-Bereich die größten Pro-bleme in Data-Science-Projekten, mit denen bis zu 80 Prozent des Gesamtaufwandes der Projekte verbraucht werden. Die Aussage kommt aus der Überlegung, dass bei der Nutzung von Big Data mit tausenden von Werten ein einzelner falscher oder fehlender Wert nicht so auffällt. Es gibt aber viele Fälle, bei denen genau die Ausreißer aus der Norm die interessanten Fälle sind, und dann sollte ein ungewöhnlicher Wert nicht aufgrund schlechter Datenqualität im Datenbestand fehlen.

 

Bildquelle: Gettyimages/iStock/Mareike Wehner/Cosmo Consult/Eckes-Granini/Barc

©2020Alle 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