Vier Grundlagen für KI-Projekte

Höhere Geschwindigkeit, geringere Kosten und das Potenzial, Ergebnisse vorherzusagen, sind die hinlänglich bekannten Vorteile, die Künstliche Intelligenz (KI) und maschinelles Lernen für ein Unternehmen mit sich bringen. Vielerorts werden jedoch KI-Projekte gestartet, ohne dass man dafür eine dauerhafte Grundlage geschaffen hat. Einer aktuellen Databricks-Umfrage zufolge investieren 90 Prozent der Unternehmen in KI-bezogene Technologien, aber nur jedes dritte Projekt ist erfolgreich – allein deswegen, weil grundlegende Schritte vernachlässigt wurden. Welche sind dies?

1. Konzentration auf den Geschäftszweck

Die scheinbar banale Frage „Was will ich erreichen?“ stellen sich immer noch zu wenige Unternehmen. So werden KI-Projekte gestartet, ohne dass man eine klare Definition der Probleme hätte, die es zu lösen gilt, oder der Fragen, die zu beantworten sind. Einiges davon kann ggf. mit dem vorhandenen IT-Instrumentarium bewerkstelligt werden. KI darf also nicht zum Selbstzweck werden. Ferner stellt man vielleicht fest, dass das zu lösende Problem viel zu komplex ist, um mit KI bewältigt zu werden. Der Branchenhype lässt KI wie Magie erscheinen. Sie ist wohl mächtig und breit einsetzbar, aber eben nicht deswegen auch gleich magisch. Man muss die erreichbaren Projektziele im Auge behalten.

2. KI-Projekte sind IT-Projekte

Angesichts der magischen Ausstrahlung von KI machen viele Unternehmen den Fehler zu denken, dass solche Vorhaben anders zu behandeln wären als „normale“ IT-Projekte. Die Wahrheit ist jedoch, dass alle Management-Prozesse, die rund um die IT eingerichtet wurden, auch für KI genutzt werden können – und sollten! Und wie jedes IT-Projekt sollte auch die Beschäftigung mit Künstlicher Intelligenz hinsichtlich ihres Return on Investment bewertet werden.

Dies ist ein Artikel aus unserer Print-Ausgabe 11/2019. Bestellen Sie ein kostenfreies Probe-Abo.

3. Errichten eines skalierbaren Fundaments

Viele KI-Experimente verbleiben im Stadium einmaliger Analysen und schaffen es nicht in den produktiven Betrieb. Woran liegts? Data Scientists können Monate damit zubringen, ein KI-Modell zu verfeinern, um gute Vorhersagen zu erhalten. Für neue Vorhersagen müssen sie dann die ganze Arbeit jedes Mal wiederholen. Die Herausforderung besteht darin, das Modell im Laufe der Zeit zu pflegen. Es sollte regelmäßig trainiert und automatisch mit genauen Produktionsdaten versorgt werden, wenn sich diese ändern und weiterentwickeln. Auch gilt es, die Qualität der Modelle anhand ständiger Überwachung zu validieren, um auf Verzerrungen aufmerksam zu werden.

4. Die Lücke zwischen IT- und Business-Teams schließen

Ziel sollte es sein, einen Status zu erlangen, an dem maschinelles Lernen nicht nur Teil der Produktionsumgebung ist, sondern auch zur Erreichung der Unternehmensziele beiträgt. Daher ist es wichtig, die Geschäftsanforderungen zu verstehen und sicherzustellen, dass die IT auf sie abgestimmt ist. Wenn das Data-Science-Team über Experimente hinausgeht, wenn es KI-Modelle in die Produktion bringt und wiederholbare Vorhersagen über die Zeit hinweg liefert, dann stärkt dies das Vertrauen zwischen ihm und den einzelnen Geschäftseinheiten.
 
Fazit: Teams, die diese Prinzipien verstehen und umsetzen, können den Wert ihrer KI-Modelle voll ausschöpfen. Sie vermeiden, sich von Experiment zu Experiment zu hangeln. Noch stehen Unternehmen erst am Anfang ihrer Versuche, KI in der Praxis zu implementieren. Gerade deshalb braucht es mehr Planung, um sicherzustellen, dass die Strategie auf Nachhaltigkeit ausgelegt ist.

Bildquelle:GettyImgaes/ iStock