Das Thema KI ist in den meisten Unternehmen noch ein sehr neues. Da ist es ganz normal, dass Missverständnisse über die Einführung und die Arbeit mit Künstlicher Intelligenz entstehen. Ich möchte in diesem Beitrag einmal mit ein paar der Missverständnisse aufräumen, die mir schon oft aufgefallen sind.
Gerade zu Beginn mag es so wirken, als gäbe es das Produkt „KI“ – quasi eine magische Box, die ich kaufe und in meine Systemlandschaft integriere. Diese KI löst dann alle, oder zumindest viele meiner derzeitigen Herausforderungen.
Dass dieser Anschein zu schön wirkt, um wahr zu sein, hat einen einfachen Grund: Es gibt nicht die eine KI, die ich nutzen kann. Stattdessen ist KI eher als ein neues Set von Werkzeugen zu sehen, mit denen ich Probleme in meiner Prozesslandschaft lösen oder verbessern kann, die bisher nicht lösbar schienen. Das bedeutet aber auch, dass ich speziell für jeden Anwendungsfall das beste Werkzeug auswählen muss.
In unserem E-Book erfahren Sie die wichtigsten Inhalte rund um das Thema künstliche Intelligenz & wie Sie davon profitieren können!
Dieses Missverständnis hängt stark mit dem vorherigen zusammen. Die Frage ist hier, auf welchem Level Sie ansetzen müssen, um Künstliche Intelligenz in Ihrem Unternehmen einzusetzen. Die Antwort ist recht einfach: Es liegt in Ihrer Hand! Natürlich können Sie ein großes Einführungsprojekt durchführen, Sie sind jedoch nicht dazu gezwungen.
Mein Tipp: Suchen Sie sich einen speziellen Anwendungsfall heraus und übertragen Sie die Ergebnisse dann auf andere Bereiche.
Ich habe mich in einer anderen Blogbeitragsreihe mal damit beschäftigt, wie Sie sich auf Künstliche Intelligenz vorbereiten können. Auch da spielt die Wahl des Anwendungsbereichs eine Rolle. Hier geht’s zum ersten Teil.
Bevor Sie erste Gehversuche mit der neuen Technologie unternehmen können, müssen Sie zunächst einen Haufen neuer Hardware beschaffen. Ein großes Cluster für die Datenverarbeitung darf da natürlich nicht fehlen, oder?
Die Antwort ist die gleiche, wie zum Ausmaß Ihrer Einführung: Die Entscheidung liegt bei Ihnen. In vielen Fällen ist es aber überhaupt nicht notwendig, große infrastrukturelle Maßnahmen zu ergreifen. Vor allem, wenn der Anwendungsbereich zu Beginn klein gewählt ist.
Darüber hinaus haben Sie auch andere Möglichkeiten, um KI einzusetzen. So können Sie bspw. auf diverse Cloud-Anbieter (wie z. B. SAP, Salesforce oder Amazon) zurückgreifen, über die Sie kostengünstig Infrastruktur beziehen und die Sie auf Knopfdruck erweitern oder wieder verkleinern können.
Es stimmt schon, dass das Fundament für die meisten KI-Anwendungsfälle eine große Datenbasis ist, aus der Ihr KI-Modell lernen kann. Wie groß aber im Endeffekt „groß genug“ ist, kann stark variieren. Hier gilt es fallabhängig zu identifizieren, welche Daten vorliegen und inwiefern sich damit sinnvolle Modelle erstellen lassen.
Darüber hinaus gibt es auch Anwendungsgebiete, in denen Sie überhaupt keine Grundlage benötigen – nämlich genau dann, wenn Sie eine der vielen verfügbaren generischen KI-Modelle nutzen. So brauchen Sie z. B. das Rad nicht neu zu erfinden, wenn es um das Thema Natural Language Processing (also das Extrahieren von relevanten Informationen aus menschlicher Sprache oder Text) geht. Da gibt es bereits fertige Lösungen, die durch einen Klick zur Verfügung stehen.
Vielleicht stellen Sie sich die Frage: Woher weiß ich, dass mein Modell funktionieren wird? Wegen der vielen neuen Möglichkeiten im KI-Bereich wird schnell der Eindruck erweckt, dass solche Aussagen gar nicht mehr vernünftig getroffen werden können.
Durch die zunehmende Komplexität der KI-Modelle ist es mittlerweile in manchen Fällen fast unmöglich – oder zumindest sehr ressourcenaufwendig – die genauen Gründe für deren Entscheidung zu verstehen. Ganz unberechtigt ist dieses Missverständnis also nicht. Nichtsdestotrotz sind Sie in der Lage, die Qualität Ihres KI-Modells noch vor dessen Einsatz im produktiven Betrieb zu testen. Dazu bedarf es lediglich ein wenig Vorsicht bei der Wahl der Daten, auf denen Ihre KI trainiert wird.
Durch das Zurückhalten einer gewissen Menge an Daten, die nicht zum Trainieren des Modells verwendet werden, können Sie anschließend Performance-Tests durchführen und die erwartbare Genauigkeit Ihres KI-Modells ermitteln. Dies ist ein guter Indikator dafür, wie sicher die Entscheidungen Ihres Modells später im produktiven Betrieb ausfallen werden.
Zuletzt ein klassisches Missverständnis, in dem sich einige der vorher genannten Punkte widerspiegeln: Der Einsatz von KI ist zu teuer für mein Unternehmen.
Wie bereits oben erläutert, kommt es hier vor allem auf Ihre Herangehensweise an. Wenn Sie sich gezielt Use Cases und Prozesse heraussuchen, bei denen Sie von einer Verbesserung stark profitieren, können Sie nicht nur Ihr Investment klein halten, sondern gleichzeitig auch einen schellen ROI erreichen und so Ihr Unternehmen nachhaltig lukrativer gestalten. Da bietet es sich an, mit einem kleinen Projekt – wie z. B. einem Prototypen – zu starten und das dann weiter auszubauen. Dadurch ist das Investment am Anfang gering und sie können evaluieren, ob sich eine größere Investition lohnt.
Ich hoffe, ich konnte mit diesem Beitrag bei Ihnen ein paar Missverständnisse zum Thema KI beseitigen. Haben Sie noch weitere Bedenken oder offene Punkte, die hier nicht aufgetaucht sind? Ich stehe Ihnen gerne zur Verfügung!