Einer aktuellen Databricks-Umfrage setzen bereits 94 Prozent der Unternehmen künstliche Intelligenz und maschinelles Lernen über alle Geschäftsbereiche hinweg ein; mehr als die Hälfte erwartet, dass die Technologie bis 2025 weit verbreitet sein wird.
Vier Fallstricke bei KI-Projekten
Noch immer jedoch werden KI-Projekte gestartet, ohne dass dafür die wesentlichen Grundannahmen getätigt worden wären. Welche sind dies?
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 sind, 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. Auf der anderen Seite stellt man vielleicht fest, dass das zu lösende Problem viel zu komplex ist, um mit KI bewältigt zu werden. Der Branchenhype lässt Künstliche Intelligenz wie Magie erscheinen. Sie ist wohl mächtig und breit einsetzbar, aber eben nicht deswegen auch gleich magisch. Es gilt daher stets, die erreichbaren Projektziele im Auge zu behalten.
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 Managementprozesse, 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. Vor jedem Projekt steht also eine Finanzierungsberechnung. Sie hilft, die Betriebskosten im Zusammenhang mit der Einführung eines KI-Modells zu verstehen.
Errichten eines skalierbaren Fundaments
Viele KI-Experimente verbleiben im Stadium einmaliger Analysen und schaffen es nicht in den produktiven Betrieb. Woran liegt´s? Data Scientics können Monate damit zubringen, ein KI-Modell zu verfeinern. Die Herausforderung besteht aber 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. Künstliche Intelligenz muss als etwas betrachtet werden, das sich über die Zeit stetig vergrößern wird. KPMG hat herausgefunden, dass 60 Prozent der Unternehmen intelligente Automatisierung einsetzen, während nur elf Prozent einen integrierten Lösungsansatz nutzen.
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 reine Experimente hinausgeht und es KI-Modelle in die Produktion bringt, 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 geschäftlichen Praxis zu implementieren. Gerade deshalb braucht es mehr Planung, um sicherzustellen, dass die KI-Strategie auf Nachhaltigkeit ausgelegt ist.