vorheriger Artikel
Sebastian Petry, Leiter des Competence-Centers „Data Science & AI“, über Technologie, Vertrauen und Know-how bei der Implementierung von KI im Unternehmen.
Was sind neben einem guten Use-Case die entscheidenden Faktoren für eine erfolgreiche Künstliche Intelligenz im Unternehmen?
Zu den drei wesentlichen Faktoren gehört zuallererst das Thema Technologie, also Cloud-Technologien, Big Data, aber auch Bots, AI Frameworks und viele andere unterschiedliche Lösungen und Tools auf dem Markt. Möchte ich eine oder mehrere davon in meinem Unternehmen implementieren, muss ich von Anfang an wissen, in welchem Umfang ich dabei eine Künstliche Intelligenz einsetze. Geht es mir nur um ein spezielles Produkt, um einen bestimmten Ausschnitt meines Unternehmens oder um etwas, was ich größer skalieren möchte und damit auch als Datenstrategie oder AI-Strategie weiterdenken muss? Auf welche Weise möchte ich dann meine Künstliche Intelligenz nutzen, betreiben und weiterentwickeln? Diese Fragen gilt es im Vorfeld zu beantworten, denn sobald ich einmal eine Lösung implementiert habe, die nicht in meine bisherige technische Infrastruktur, Datenlandschaft, Unternehmensphilosophie oder meine Workflows hineinpasst, habe ich bereits am Anfang viel verloren. Aber umgekehrt natürlich viel gewonnen.
Kontrolle oder Vertrauen? Welche Strategie ist die bessere mit einer KI im Unternehmen?
Das ist der zweite wichtige Faktor. Beides spielt eine entscheidende Rolle. Je nachdem, über welchen Fachbereich wir reden. Wenn ich eine KI in ein Unternehmen integriere, zum Beispiel in eine Kampagnenselektion, dann geht es darum, Vorgänge, die vorher ein Mensch erledigt hat, an eine Technologie zu übergeben. Dazu muss man im Vorfeld Vertrauen in dem jeweiligen Fachbereich aufbauen. Macht die Maschine das genauso gut wie ich? Angeblich soll sie es sogar besser machen. Wie kontrolliere ich etwas, was in einem Bereich besser ist, als ich es jemals sein könnte? Um hierauf valide Antworten zu bekommen, muss nicht nur die AI eine hohe Qualität haben, sondern auch das Reporting und die KPIs, die die AI bewerten und kontrollieren. Um zu messen, wie gut die AI im gesamten Kontext funktioniert, muss ich mich fragen, wie groß beispielsweise der ROI ist, den ich mir dort erwirtschafte? Um zusätzlich Vertrauen aufzubauen, muss die interne Kommunikation stimmen, die ein Data Scientist oder ein AI-Experte in den Fachbereich hineinträgt. In größeren Unternehmen wird die Zusammenarbeit mit Abteilungen wie dem BI-Reporting immer wichtiger werden. So können etwa BI-Self-Service-Tools Performance-Informationen über die AI an die Fachabteilungen übermitteln.
Das Know-how im Unternehmen stellt den dritten wichtigen Faktor dar. Was sollten Unternehmen dabei beachten?
Wenn ich mir eine solch komplexe Sache wie eine Künstliche Intelligenz in mein Unternehmen hole, brauche ich eine realistische Selbsteinschätzung, wie viel ich dabei gestalten kann. Möchte ich eine KI selbstständig etwa mit TensorFlow entwickeln und somit Deep Learning tief in meinem Unternehmen verankern? Hierfür benötige ich einen hochqualifizierten Methoden-Experten oder einen Data Scientist. Oder reicht es mir, auf Tools zurückzugreifen, die ich optimal für mich konfigurieren kann? In diesem Fall brauche ich keinen dezidierten Deep-Learning-Experten, sondern jemanden, der den Bereich fachlich betreuen kann und die unterschiedlichen Tools gut kennt. Algorithmische Kenntnisse sind hierfür im Allgemeinen nicht notwendig. Für welchen Weg ich mich auch entscheide, ich brauche eine klare Meinung dazu, um eine KI in meinem Unternehmen erfolgreich zu machen.
Worauf müssen Unternehmen außerdem achten, wenn sie sich dem Thema KI zuwenden?
Mit der Umsetzung der DSGVO zeigte sich zuletzt, wie schlecht viele Unternehmen trotz der langen Vorlaufzeit darauf vorbereitet waren. AI ist kein Mode- oder Marketingthema für Technologieunternehmen, sondern wird nahezu jedes Unternehmen und unseren Alltag mehr und mehr durchdringen. Wir empfehlen jedem Unternehmen, eine eigene Data-Science-Abteilung mit KI-Verantwortung aufzubauen, die auf einer sehr guten BI- und IT-Abteilung aufsetzen sollte. Für Firmen, die bei null anfangen, kann es bis zu drei Jahre dauern, bis genug Daten gesammelt, die passenden Technologien integriert, Know-how aufgebaut und Prozesse richtig etabliert sind.
Gerade kleinere Unternehmen können es sich nicht leisten, auf die Arbeit mit KI und deren Vorstufen zu verzichten. Wer seine Daten für KI nutzen möchte, trägt eine große Verantwortung. Hier kann man nicht den jungen Mitarbeiter, der gerade von der Uni kommt, dransetzen. Dazu braucht es Spezialisten, die bereits Erfahrung gesammelt haben und wissen, was schiefgehen kann. Erfolgreiche AI-Projekte leben oft von der Erfahrung der Mitarbeiter in diesem Bereich, denn gegenwärtig betritt man mit fast jedem AI-Projekt Neuland. AI ist neben aller Faszination, die von den Algorithmen ausgeht, ein sehr technisches Thema, das es im Unternehmen zu verankern gilt und das mit Big-Data-Technologien gelöst werden muss. Gerade das Deployment und der produktive Betrieb von modernen Methoden sind für viele Unternehmen eine Herausforderung.
b.telligent hat beschlossen, sein Competence Center „Data Science“ in „Data Science & AI“ umzubenennen. Wie kam es dazu?
Das war ein ganz bewusster Schritt. Wir beschäftigen uns seit zehn Jahren bereits damit, Prozesse zu automatisieren und Intelligenz in die Systeme zu integrieren, die wir beim Kunden aufbauen, betreuen und immer weiterentwickeln. Darin sind wir stark. Nach heutiger Lesart definiert man Künstliche Intelligenz als das Nachahmen von intelligenten Handlungen mit Hilfe von mathematischen Algorithmen unter besonderer Berücksichtigung des Umgangs mit Unsicherheit und das kontinuierliche Lernen aus neuen Situationen. Bei b.telligent hat genau das eine bereits gewachsene Historie. Das 15-köpfige „Data Science & AI“-Team bei b.telligent ist über die Jahre mit der Komplexität der Prozesse gewachsen. Viele von uns kommen aus der Statistik und verfügen über fundiertes Wissen in der Methodik und Algorithmik klassischer Machine-Learning-Verfahren. Deep Learning ist für uns eine natürliche Erweiterung der Data-Science-Werkzeugkiste. Von „Business Analytics“” über „Data Science“” bis hin zu „Künstlicher Intelligenz“ haben wir bereits in der Vergangenheit den Namen jeweils der im Markt geläufigen Bezeichnung angepasst. Unsere Kunden und auch Bewerber fragen uns in den ersten Gesprächen explizit, ob wir auch „Künstliche Intelligenz“ in unseren Projekten einsetzen. Diese Frage konnten wir schon immer klar mit „Ja“ beantworten. Jetzt nennen wir sie beim Namen.
Worin unterscheidet sich b.telligent von anderen Unternehmen, die eine AI-Beratung anbieten?
Wir haben diese Kompetenz aus unserer Historie heraus von Projekt zu Projekt immer mehr ausgebaut. Unser großer Vorteil liegt darin, dass wir das Thema AI auch umfassend betrachten können, über Kollegen aus den anderen Competence Centern, die beispielsweise die Datenintegration mitbetreuen oder die das Thema Big Data oder Cloud besetzen. Der interdisziplinäre Austausch innerhalb der Firma gehört zu unseren Stärken. Das Competence Center „Data Science & AI“ hebt sich von den anderen CCs vor allem durch die Anwendung, Entwicklung und Implementierung von mathematischen Algorithmen ab. Wir waren schon für viele Unternehmen ein Türöffner in diese neue Welt.
