Künstliche Intelligenz steht im Fokus der Aufmerksamkeit und über den 5G-Mobilfunkstandard sowie ein Digitalministerium wird angeregt diskutiert. All dies sind Bereiche, in denen viele Daten anfallen und verarbeitet werden. Auch unsere Kundinnen und Kunden sammeln Daten und die meisten davon fragen sich: Wie können wir unsere Daten nutzen? Der Schlüssel dazu, Daten produktiv im Unternehmen einzusetzen, heißt "künstliche Intelligenz" (KI). Hier lesen Sie, wie wir Ihnen dabei helfen, KI in Ihrem Unternehmen alltäglich zu nutzen – egal von wo Sie starten. Ein praktisches Beispiel zeigen wir Ihnen in einem KI-Use-Case und wichtige Fragen beantworten wir in einem FAQ am Ende dieser Seite.
Unser Verständnis von KI: Was ist künstliche Intelligenz?
Sollten Sie künstliche Intelligenz bereits produktiv im Unternehmen nutzen, springen Sie bitte zum Abschnitt „kontinuierliche Nutzung“. Wenn nicht: Lesen Sie einfach weiter. Wir zeigen Ihnen die nötigen Schritte, mit denen Sie Ihre Daten für KI nutzen können!
Uns begegnen häufig zwei Mantras:
- „KI schafft Mehrwert im Unternehmen.“
- „Man benötigt viele Daten (gar einen ‚Data Lake‘), um KI einzusetzen.“
Beides ist fachlich nicht immer richtig.
Zu Mantra 1: Es ist nicht immer sinnvoll, KI einzusetzen. Sie hat jedoch erhebliches Potenzial, in vielen Fällen einen Mehrwert zu schaffen. Zumindest wenn es gelingt, sie im täglichen Geschäft zu nutzen. Produktive Nutzung der KI durch Ihre Mitarbeiterinnen und Mitarbeiter ist unabhängig von der Komplexität oder Modernität der zugrundeliegenden Technologien. Vielmehr geht es darum, ob Ihre Kolleginnen und Kollegen den Ergebnissen vertrauen und sie gerne nutzen, weil sie ihren Alltag vereinfachen (z.B. indem ihnen Empfehlungen für komplexe Entscheidungen geboten werden). Wir stehen dafür, künstliche Intelligenz nutzerorientiert zu entwickeln – und durch KI-gestützte Handlungsempfehlungen für Ihre Mitarbeiterinnen und Mitarbeiter Mehrwert überhaupt möglich zu machen.
Zu Mantra 2: Man benötigt nur selten viele Daten. Tatsächlich genügen sogar wenige Daten, wenn es die richtigen sind. Welche Daten benötigt werden, hängt davon ab, welches Ziel Sie damit erreichen wollen. KI beginnt also mit einer geschäftlichen Fragestellung (z.B. "Führt meine Kampagne dazu, dass ich mehr Eis verkaufe?"). Wir unterstützen Sie, die Daten zu identifizieren und zu nutzen, die zur Beantwortung Ihrer Fragestellung(en) nötig sind.
Unser Vorgehen orientiert sich am Industriestandard CRISP-DM in 4 Schritten:
- Geschäftliche Fragestellung
- Datenvorbereitung und Anreicherung
- Entwicklung der KI ("Modellierung")
- Kontinuierliche Nutzung ("Deployment")
Gehen wir diese vier Punkte anhand eines Beispiels durch: Führt meine Kampagne zu mehr Eisverkauf?
Geschäftliche Fragestellung
Data Science beginnt mit einer guten Frage. Nur zu fragen, ob die Kampagne zu mehr Eisverkauf führt, ist nicht präzise genug gefragt. Es gibt viel mehr Einflüsse, die (zusätzlich zur Kampagne) die Vertriebszahlen ankurbeln können. Wir haben einige davon in der folgenden Grafik zusammengefasst. Während die Kampagne über den Umweg der Markenwahrnehmung zu mehr Vertrieb führen kann, gilt dies aber auch für Marketingmaßnahmen in der Eisdiele (z.B. ein strategisch positionierter Papp-Pinguin mit Eiswaffel). Eisabsatz wird aber z.B. auch von Faktoren beeinflusst wie dem Wetter, dem Standort (Nähe der Eisdiele zu Schulen, Schwimmbädern, Sehenswürdigkeiten oder Bahnhöfen) etc. Wir nennen diese Zusammenhänge den „datengenerierenden Prozess“ und wir benötigen Wissen über ihn, um den Erfolg der Kampagne einschätzen zu können.
Viele unserer Projekte beginnen mit einer Serie von Whiteboards und Postern, auf denen wir uns gemeinsam Zusammenhänge in Ihrem Geschäft verdeutlichen. Dazu steuern wir unsere Erfahrung aus einer Vielzahl an verwandten Projekten in Ihrer Branche bei. Um die Zusammenhänge zu finden, arbeiten wir mit Hypothesen (z.B. „Wir glauben: In Hamburg verkauft sich Eis schon ab 18 °C, in München erst ab 21 °C.“). Daraus ergibt sich im Gespräch mit den wesentlichen Stakeholdern aus Fachbereichen und IT eine präzise Fragestellung. Zudem wird sichtbar, welche Datenquellen wir benötigen, um die Frage zu beantworten. Auch wenn die Fragestellung am Ende des Workshops klar erscheint, werden wir sie iterativ im Lauf des Projekts verfeinern.
Wenn Sie sich noch nicht sicher sind, was mit Ihren Daten möglich ist, empfehlen wir Ihnen unser Workshop-Format „Hackathon“. Ein Hackathon ist eine interaktive Workshopserie, an deren Ende eine initiale Machbarkeitsstudie für unterschiedliche Fragestellungen auf Basis Ihrer Daten steht.
Datenvorbereitung und Integration von fachlichen Zusammenhängen
Nachdem wir die zur Beantwortung der Frage nötigen Daten identifiziert haben, führen unsere Data Engineers die Daten zusammen, entfernen irrelevante Ausreißer und bereiten die Daten für die weitere Analyse vor. Hohe Datenqualität ist ausschlaggebend für alles Weitere – und diesen Zustand stellen wir in dieser Phase her.
Dieser Schritt ist essenziell für die spätere Entwicklung der künstlichen Intelligenz, weil ein Computer nur aus Daten lernen kann, die sauber aufbereitete Information über unser Ziel enthalten. Algorithmen sind zwar theoretisch in der Lage komplexe Zusammenhänge aus bestehenden Daten zu extrahieren, dieser Prozess ist aber mitunter sehr fehleranfällig. Informationen explizit zu machen ist deswegen Kernbestandteil der Entwicklung einer künstlichen Intelligenz und heißt im Fachjargon „Feature Engineering“. Wir nutzen dazu extensiv die oben erstellten Whiteboards mit Zusammenhängen.
Beispiel: Angenommen, jede Eisdiele sollte Schokoladen-, Vanille- und Erdbeereis führen, weil diese Maßnahme den Umsatz steigert. Der Algorithmus muss unterscheiden können, ob Eisdielen über die vollständige Kombination an Eissorten verfügen oder ob einzelne Sorten fehlen. Dafür wird ein Datenpunkt hinzugefügt. Dieser heißt im Beispiel: „hat Schoko, Vanille und Erdbeere“ und stellt eine aggregierte Sicht auf den entsprechenden Teil des Portfolios dar.
In den meisten Fällen sind diese „engineered features“ deutlich komplexer und tragen stark dazu bei, spezialisiertes Fachwissen der Branche in den Algorithmus zu integrieren. Die für die Analyse informationsgeladenen Daten werden als best practice in einer separaten Datenbank gespeichert – den „Feature Store“. Dies dient später der leichteren Anwendbarkeit und Skalierbarkeit der KI-Lösung, denn so können beispielsweise für andere KI-Projekte relevante Informationen weitergenutzt werden.
Sollten Sie bereits Erfahrung mit künstlicher Intelligenz im Unternehmen gesammelt haben, unterstützen wir Sie gerne dabei, Ihren Feature-Engineering-Prozess zu professionalisieren. Dies tun wir, indem wir einen robusten, reproduzierbaren Feature Store erzeugen. So können Sie in späteren KI-Projekten die Entwicklungszeit stark reduzieren, die Fehlerquote verringern und bei den Endanwenderinnen und Endanwendern die Akzeptanz des Ergebnisses erhöhen.
Zudem sind (z.B. in Versicherungen) bestimmte Daten aus datenschutzrechtlichen Gründen nicht zur freien Verwendung im Unternehmen vorgesehen. In diesem Schritt stellen wir DSGVO-Konformität her.
Entwicklung der KI: Wie lernt künstliche Intelligenz?
Die eigentliche Entwicklung der KI benötigt fortgeschrittene Kenntnisse in Mathematik, Statistik und Informatik. Unsere Data Scientists bringen die nötige Erfahrung mit. Dadurch können sie entscheiden, welche mathematische Herangehensweisen und Algorithmen erforderlich sind, um Ihre Fragestellung zu beantworten. Wir verwenden dazu meistens die marktüblichen, Open-Source-Werkzeuge R und Python. Sollten Sie in Ihrem Unternehmen andere, proprietäre Werkzeuge verwenden (z.B. SAS), werden wir diese Werkzeuge in Ihrem Projekt ebenfalls nutzen. Die Algorithmen und mathematischen Methoden sind unabhängig von der verwendeten Software.
Beispiel: Der Erfolg der Marketingkampagne wird vom Algorithmus in Prozent ausgegeben. Die (hypothetische) Eisdiele neben dem accantec-Büro in Heidelberg hat eine 78-prozentige Wahrscheinlichkeit für mehr Umsatz, wenn die Kampagne ausgespielt wird. Gleichzeitig hat die (ebenfalls hypothetische) Eisdiele neben dem Büro in Hamburg nur eine 42-prozentige Wahrscheinlichkeit für eine Umsatzsteigerung. Um die Kosteneffizienz der Kampagne im Blick zu behalten, werden nur Kampagnen für Eisdielen ausgespielt, die mindestens eine 70-prozentige Chance auf eine Umsatzsteigerung haben. Daher ist das Ergebnis der KI für die Endanwenderinnen und Endanwender nicht eine Prozentzahl, sondern nur die Aussage „Kampagne ausspielen“ oder „Kampagne nicht ausspielen“.
Wir ersparen Ihnen an dieser Stelle mathematische Details und Fachtermini – mit einer Ausnahme: Damit das Ergebnis der Analysen vertrauenswürdig sein kann, muss es erklärbar sein. Endnutzerinnen und Endnutzer haben oft keine Vorkenntnisse in den genannten Wissenschaften. Daher ist es uns wichtig, dass für Sie klar ist, wie das Ergebnis entsteht. Wir erklären Ihnen welche Informationen für das Ergebnis relevant waren und wie sicher sich der Algorithmus mit seiner Einschätzung der Situation ist. Dementsprechend ist die Aufbereitung des Ergebnisses für die Nutzung und Akzeptanz der KI mindestens so entscheidend wie der Algorithmus selbst.
Egal, wo Sie mit Ihrem Unternehmen stehen, können wir mit Ihnen starten: Ob bei den technologischen Voraussetzungen zur Nutzung von Daten, mit einem Hackathon oder durch Coaching für Fach- und Führungskräfte. Wir unterstützen Sie auch gerne dabei, Ihre bereits bestehenden KI-Systeme weiterzuentwickeln. In Workshops diskutieren wir methodisch-statistisch mit Ihren Data Scientists sowie Statistikerinnen und Statistikern.
Kontinuierliche Nutzung von KI und MLOps
Ein KI-Produkt sollte möglichst leicht anwendbar sein und nutzerfreundlich zur Verfügung gestellt werden können. Künstliche Intelligenz ist nur erfolgreich im Unternehmen, wenn sie „skaliert“ genutzt wird. Das heißt sie muss entweder von vielen Anwenderinnen und Anwendern besonders häufig genutzt werden, ohne dass sie neu entwickelt oder stark verändert werden muss. Im Laufe dessen treten oft drei Schwierigkeiten auf:
- Die Daten ändern sich (z.B. die Marktlage ändert sich, neue Informationen kommen hinzu, alte Informationen werden nicht mehr gepflegt)
- Ihre Data Scientists entwickeln die künstliche Intelligenz weiter und das neue Konzept soll im Betrieb übernommen werden
- Ihr Unternehmen führt eine neue (Standard-) Technologie ein.
In allen drei Fällen ist die Lösung aus Sicht des reibungslosen Betriebs der KI dieselbe: Endnutzerinnen und Endnutzer, die auf das Ergebnis zugreifen, Data Scientists, die an der KI arbeiten und Data Engineers, die die Daten zur Verfügung stellen, müssen möglichst unabhängig voneinander arbeiten. In der Softwareentwicklung hat sich dazu ein Vorgehen etabliert, das DevOps heißt. Im DevOps wird die Nutzung von Software aus Anwendersicht vollständig von der Entwicklung gelöst. In der Entwicklung von KI in verschiedenen Anwendungsbereichen (technisch gesprochen: Machine Learning-Systeme) wird in reifen Unternehmen ein verwandtes Konzept verwendet: MLOps (Machine Learning Operations).
Wie funktioniert KI-Programmierung?
Der MLOps-Markt bietet für viele eine unübersichtlich große Landschaft an Werkzeugen, teils kostenpflichtig, teils kostenlos. Wir empfehlen – auch für den produktiven Einsatz von künstlicher Intelligenz – ein kostenloses Ensemble an Werkzeugen, das in der folgenden Abbildung zusammengestellt ist. Die genannten Werkzeuge sind für alle Phasen von KI-Projekten geeignet (wenn auch nicht in allen Teilen notwendig) und funktionieren sowohl auf einzelnen Laptops als auch in allen marktüblichen Clouds (z.B. AWS, Google Cloud, Microsoft Azure etc.).
Im Beispiel unserer Marketingkampagne bedeutet das: Neue Eissorten werden in die Daten und den Feature Store integriert, auf den R oder Python für die Entwicklung der KI zugreifen. Data Scientists nutzen für die Entwicklung der künstlichen Intelligenz das Tool mlflow (als „Scientists“ benötigen sie ein „Laborbuch“, um die Vielzahl nötiger Experimente übersichtlich zu speichern und Änderungen im Modell im Blick zu behalten). Der Programmcode, der zu einer künstlichen Intelligenz führt, wird in einer Programm-Bibliothek gespeichert (GitLab), aus der auch ältere Versionen wiederhergestellt werden können.
Die KI muss intern verschiedene Schritte durchlaufen, um ein Ergebnis zu erhalten. Die Schritte werden von einem „scheduler“ zum richtigen Zeitpunkt in der richtigen Reihenfolge ausgeführt. Wir verwenden dazu meistens Apache Airflow. Airflow ruft Bestandteile der KI auf, die in einer autonomen Einheit verpackt sind. Dadurch wir die genannte Unabhängigkeit von lokalen Computern und Clouds gewährleistet. Ein häufig genutztes Beispiel für solche Einheiten sind sogenannte Docker-Container, die zur vereinfachten Skalierung von einem System wie zum Beispiel kubernetes verwaltet werden. Um das Ergebnis Endanwenderinnen oder Endanwendern zur Verfügung zu stellen (z.B. auf einer Seite im Customer Relationship Management Tool, CRM) muss eine Schnittstelle zwischen KI und CRM erzeugt werden. Typischerweise geschieht das über das Standard-Konzept „REST-API“.
Fazit
Wir stehen Ihnen zur Verfügung, um bereits existierende KI-Lösungen zu diskutieren und zu verbessern, falls Sie entsprechende Technologien bereits nutzen. Außerdem unterstützen wir Sie dabei, KI-Lösungen skalierbarer zu machen oder sie langfristig zu betreiben und zu warten.
In vielen Branchen waren wir bereits tätig, haben dort die typischen Use Cases bearbeitet und künstliche Intelligenz für unsere Kundinnen und Kunden langfristig skalierbar gemacht. Wir sind erfahren darin, geschäftliche Fragestellungen effektiv zu beantworten, indem wir typische Fallstricke umgehen. Wir beraten Sie zudem bei der technischen Implementierung und verfolgen das Ziel, Ihr Unternehmen bereit für die Herausforderungen der Zukunft zu machen. Zum einen geht es dabei um strukturelle Anforderungen. Zum anderen helfen wir ihren Mitarbeiterinnen und Mitarbeitern dabei, Veränderungen anzunehmen und zu gestalten. Wir machen KI für Sie alltäglich!
FAQ: Hier beantworten wir wichtige Fragen rund um künstliche Intelligenz (KI)
-
Was ist die Definition von künstlicher Intelligenz?
Künstliche Intelligenz bezeichnet in unserem Fall ein Computerprogramm, das in der Lage ist, Probleme zu lösen, die normalerweise nur von Menschen gelöst werden können. Dazu gehört z.B. Bilderkennung oder Empfehlung von Produkten. Künstliche Intelligenz lernt oft durch Erfahrung aus der Vergangenheit („Daten“). Dann meinen wir damit Verfahren des maschinellen Lernens. Weil sie nur aus der Vergangenheit lernt, kann sie keine eigenständigen neuen Entscheidungen treffen. Sie ist aber sehr nützlich, um komplexe Muster in Daten zu finden, die für Menschen zu schwer zu finden wären. -
Wann wurde KI erfunden?
KI-Verfahren, vor allem maschinelles Lernen, basieren auf mathematischen Techniken. Diese sind seit dem 18. Jahrhundert bekannt. Fast alle aktuell verwendeten Methoden wurden zwischen 1960 und 1980 erfunden. In ihren aktuellen Versionen können sie wegen der inzwischen sehr leistungsfähigen Computer produktiv genutzt werden. -
Welche Arten von künstlicher Intelligenz gibt es?
Konzeptionell unterscheidet man starke und schwache KI. Jede heutzutage verfügbare KI fällt in die Kategorie der schwachen KI, die nur bestimmte, sehr scharf definierte Probleme lösen kann. Auch ein sehr ähnliches Problem benötigt meistens eine andere KI. In Business-Anwendungen unterscheidet man häufig zwischen Ausprägungen von schwacher KI. „Unsupervised Learning“-Anwendungen (z.B. Kundensegmentierung) suchen selbstständig nach unbekannten Mustern, wohingegen „Supervised Learning“-Methoden (z.B. Bilderkennung) versuchen, einen vorgegebenen Zielwert zu reproduzieren. -
Welche Vor- und Nachteile gibt es?
Künstliche Intelligenz ist ein Werkzeug, das per se keine Vor- und Nachteile hat. Allerdings hat der Einsatz von KI für einen bestimmten Zweck Vor- und Nachteile. Die Rolle des Data Scientists besteht unter anderem darin, die richtige Form der KI für ein bestimmtes Business-Problem zu finden. Zu Vorteilen eines geschickten Einsatzes gehört geringerer Zeitbedarf, höhere Zuverlässigkeit, geringere Kosten oder Neutralität in Einschätzungen. Wenn nicht die richtige Form der KI gefunden wird oder die KI ungünstig eingesetzt wird, können Nachteile auftreten. Dazu zählen eine geringe Nutzung durch unzureichende Akzeptanz im Unternehmen oder Fehleranfälligkeit durch schlechte Datenqualität. -
Welche Aufgaben sollte KI übernehmen?
KI kann Aufgaben übernehmen, die klar umschrieben sind, sich wiederholen und die häufig durchgeführt werden müssen. Sind diese Aufgaben allerdings mit direktem Kontakt mit Menschen verbunden, ist ihr Einsatz mit Vorsicht zu bewerten. Das liegt daran, dass Menschen gegenüber einem Automaten oft skeptisch sind und eine KI menschlichen Umgang derzeit nur unzureichend simulieren kann. Durch die Interaktion mit Menschen kommen zudem Fragen hinzu, die sich der Verarbeitung personenbezogener Daten nach der Datenschutzgrundverordnung widmen. -
Was sind Beispiele für künstliche Intelligenz?
Die folgenden Beispiele zeigen, wo KI eingesetzt werden kann: 1. Bilderkennung (z.B. Erkennung von Menschen, Gesichtern, Emotionen, aber auch von Produktionsdefekten), 2. Erkennung von Fehlern (z.B. Defekte in Maschinen, ungewöhnliche Messwerte von Sensoren, ungewöhnliche Finanztransaktionen), 3. Empfehlung von Produkten („Kunden, die x kauften, kauften auch…“), 4. Aktionen (Kunde x per Telefon kontaktieren, Kunde y lieber per Brief, Kunde z per E-Mail), 5. Vorhersage von KPI – Key Performance Indicator – (z.B. Umsatz im nächsten Quartal, Kaufabschlusswahrscheinlichkeit, Kündigungswahrscheinlichkeit, Kundenwert in den nächsten 5 Jahren) -
Was ist ein KI-Modell?
Ein KI-Modell ist ein Programm, das KI auf ein bestimmtes Thema anwendet. Der Begriff „Modell“ bezeichnet dabei eine bestimmte mathematische Interpretation des Business-Kontexts. Unterschiedliche Modelle desselben Zusammenhangs können zu unterschiedlichen Ergebnissen und Schlussfolgerungen für geschäftliches Handeln führen. Deswegen sind diese aber nicht zwingend falsch, sondern bilden einen anderen Aspekt des Zusammenhangs ab. Modelle müssen nach ihrer Entwicklung in der Praxis getestet und laufend aktualisiert sowie verbessert werden. -
Wo begegnet uns künstliche Intelligenz im Alltag?
KI begegnet uns im Alltag überraschend oft, z.B. in Sprachassistenten wie Siri oder Alexa, bei der Empfehlung der nächsten Serie auf Netflix, der Reihenfolge des Feeds auf Facebook und der Regelung der Heizung im Smart Home. -
Wie funktioniert Deep Learning?
Deep Learning ist eine Form des maschinellen Lernens. Es basiert auf der Idee, eine komplexe Kombination von einfachen Rechenschritten zu verknüpfen. Ein solches Modell wird oft als „neuronales Netzwerk“ bezeichnet, in der nicht ganz akkuraten Analogie zum Gehirn. Deep Learning heißt „deep“, weil die genannten einfachen Rechenschritte in einer Vielzahl an unterschiedlichen Stufen ausgeführt werden. Deep Learning ist in ausgewählten Einsatzbereichen sehr leistungsfähig, z.B. Bilderkennung, Tonerkennung, oder der Vorhersage von Zeitreihen. Gleichzeitig ist es in vielen anderen Bereichen deutlich komplexer, aber nicht zwingend leistungsfähiger als „herkömmliches“ maschinelles Lernen. -
Was sind Erfolgsfaktoren für den Einsatz künstlicher Intelligenz?
Der Einsatz von künstlicher Intelligenz basiert auf drei wesentlichen Voraussetzungen: 1. Präzise formulierte geschäftliche Fragestellung, die zu beantworten ist, 2. Verfügbarkeit von ausreichend aussagekräftigen Daten über diese Fragestellung und 3. Konzept zum vertrauensvollen Einsatz der Ergebnisse zum Mehrwert des Unternehmens. Diese drei Voraussetzungen benötigen eine enge Verzahnung von Fachbereichen, IT und Data Science und ein gemeinsames Commitment. Hinzu kommt ein Bewusstsein dafür, dass eine KI im Gegensatz zu einem herkömmlichen Softwareprodukt überwacht, gewartet und aktualisiert werden muss, um auch in Zukunft erfolgreich zu sein. -
Welche Bereiche des Unternehmens sind von künstlicher Intelligenz betroffen?
Alle Bereiche eines Unternehmens, die elektronische Informationen über ihre Tätigkeit sammeln, können prinzipiell künstliche Intelligenz einsetzen. Siehe auch "Was sind die Vor- und Nachteile" und „Welche Aufgaben sollte KI übernehmen?“
- 1
Sie möchten Beratung oder Unterstützung bei der Entwicklung, Implementierung und Umsetzung Ihrer KI-Strategie? Gerne evaluieren wir mit Ihnen in einem ersten Gespräch die Möglichkeiten und Vorgehensweisen. Nehmen Sie dafür Kontakt mit uns auf – drücken Sie den Button, um uns eine Mail zu schreiben oder nutzen Sie das nachfolgende Kontaktformular.
Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!