sarayut_sy - stock.adobe.com

Künstliche Intelligenz: Anwendungsfälle richtig erkennen

Bei deutschen Unternehmen gilt der Einsatz von KI mittlerweile als erfolgskritisch. Eine Implementierung scheitert oftmals an der Ermittlung der richtigen Anwendungsfälle.

Wer von den Vorteilen von KI (künstliche Intelligenz) profitieren und diese Technologie in seinem Betrieb implementieren möchte, der muss sich zuerst einmal mit den möglichen Use Cases beschäftigen. Doch besteht das Risiko, an „falsche“ KI-Anwendungsfälle zu geraten, die einem teuer zu stehen kommen können. Nicht nur bereits getätigte Investitionen in die Technologie wären verloren – auch der Aufwand für Betrieb und Skalierung können Unmengen an Finanzmitteln verschlingen.

Jenseits der monetären Konsequenzen können ineffektive Anwendungsfälle ebenfalls Schäden anrichten: In einem solchen Fall stünde beispielsweise die Akzeptanz für KI und Machine Learning (ML) innerhalb des Unternehmens auf dem Spiel. Um dem entgegenzuwirken, müssen Unternehmen von einer „blinden Implementierung“ absehen, sich entsprechend vorbereiten und ein Grundverständnis für KI und ihre Anwendungsfelder entwickeln.

Die Vorbereitungsphase

Bevor es an die eigentliche Arbeit geht und Anwendungsfälle identifiziert werden können, müssen alle Beteiligten auf denselben KI-Wissensstand gebracht werden. Oftmals fehlen den Mitarbeitern die nötigen Grundlagen für diese Technologie. Dafür müssen nicht gleich alle Beteiligten zu ML-Experten weitergebildet werden – es reicht schon, einen Basis-Workshop ins Leben zu rufen, der alle relevanten Themen abdeckt.

Dies schließt nicht nur mögliche Anwendungsfelder und Bereiche ein, denen der Einsatz von KI einen höheren Geschäftswert verleiht (KI-Vision), sondern auch typische Problemfelder und potenzielle Risiken.

Maria Schamberger, Applied AI

„Es ist wichtig, für alle Beteiligten eine gemeinsame Wissensgrundlage für das Thema KI zu schaffen.“

Maria Schamberger, Applied AI

Schritt 1: Es ist Zeit für Ideen

Als Voraussetzung für die Identifizierung von möglichen Anwendungsfällen müssen sowohl Fachexperten als auch jene Mitarbeiter mit der nötigen KI-Expertise zusammengebracht werden. Die eigentliche Use-Case-Ideenfindung sollte einer festgelegten Struktur folgen.

Hierfür dient die KI-Vision – also die Formulierung der Bereiche, die besonders von KI profitieren – als Orientierung. Dieser übergeordnete Plan gibt dem Team Aufschluss darauf, auf welchen Bereichen der Fokus liegen sollte, um Geschäftswerte zu steigern. Sollten diese unternehmenskritischen Bereiche nicht definiert werden, so sinkt die Wahrscheinlichkeit, dass die KI ihr volles Potenzial ausschöpft.

Häufig ergeben sich Wettbewerbsvorteile aus den Kernprozessen eines Unternehmens. An dieser Stelle sollte man als erstes nachforschen, welche Prozesse automatisiert werden können. Anwendungsfälle, die in den Bereichen Produkte und Dienstleistungen Verwendung finden sollen, sind hingegen schwieriger zu definieren. Hierfür braucht es sowohl das technische Know-how als auch die Kundenerfahrung. Auf der anderen Seite erfordert die KI hier im Vergleich zu prozessorientierten Use Cases weniger Change-Management, sobald es in die Implementierungsphase geht.

Schritt 2: Anwendungsfälle bewerten

Im nächsten Schritt gilt es nun, die gesammelten potenziellen Anwendungsfälle zu bewerten – sprich: Das verantwortliche Team muss beurteilen, welche Ideen konkret umgesetzt werden können.

Dies erreicht es am besten unter Berücksichtigung folgender Fragestellungen:

  • Wie einfach wird es sein, die KI zu implementieren? Die Integration von KI in der IT-Landschaft des Unternehmens hängt vor allem von der Datenverfügbarkeit, der Datenqualität und Updates ab.
  • Wie gestaltet sich das Kosten-Nutzen-Verhältnis? Diese Frage zielt auf den erhofften Mehrwert in Bezug zu den Ausgaben für benötigte Mittel ab.

Darüber hinaus gibt es vier weitere Aspekte, die genauer betrachtet werden sollten:

Daten: Welche Daten werden genau benötigt? Sind diese in einer zufriedenstellenden Qualität verfügbar? Wie groß ist der Aufwand, der mit der Datenintegration einhergeht? Sind nach der Implementierung dynamische Updates nötig und wie lassen sie sich durchführen?

Algorithmen: Wurden bereits Implementierungen eines konkreten Use Cases durchgeführt – sowohl intern als auch extern?

Prozesse und Systeme: Auf welche anderen Prozesse und Systeme nimmt das geplante KI-Projekt Einfluss? Müssen diese Prozesse und Systeme gegebenenfalls angepasst oder umgestellt werden?

Notwendige Kompetenzen: Verfügt das Unternehmen über die nötigen technischen Kompetenzen sowie das entsprechende Fachwissen?

Daneben bestehen noch weitere Faktoren, denen eine höhere Aufmerksamkeit geschenkt werden muss: Risikobewertung und Transparenz, ethische Einwände und Compliance-Anforderungen sowie die Resilienz gegen Cyberbedrohungen.

Dr. Philipp Hartmann, Applied AI

„Die eigentliche Use-Case-Ideenfindung sollte einer festgelegten Struktur folgen. Hierfür dient die KI-Vision – also die Formulierung der Bereiche, die besonders von KI profitieren – als Orientierung“

Dr. Philipp Hartmann, Applied AI

Schritt 3: Use Cases priorisieren

Im Anschluss an die Beurteilung liegt es nahe, die Ergebnisse in einer Prioritätsmatrix gemäß ihres Mehrwerts und ihrer Attraktivität anzuordnen. Doch ist der gesamte Prozess von Beurteilung und Priorisierung wesentlich komplexer: In der Regel sind mehrere Iterationen dieser Schritte nötig, um die profitabelsten und attraktivsten Anwendungsfälle zu ermitteln.

Das heißt: Zu Beginn wird eine grobe Beurteilung und Priorisierung durchgeführt. Daraufhin erfolgt ein Blick auf die vielversprechendsten Use Cases und eine zweite Runde der Bewertung und Priorisierung.

Sobald es dann Richtung Implementierung geht, stoßen Anwendungsfälle oftmals auf nicht zu verachtende Hindernisse bei der Umsetzung. Indem Anwendungsfälle in kleinere Einheiten aufgeteilt werden, können Unternehmen abschätzen, wie diese Herausforderungen am besten angegangen werden können.

Besteht eine technische Abhängigkeit zweiter oder mehrerer Use Cases, kann auch dies zu einem Problem werden. Beispielsweise können KI-basierte Funktionen – wie Computer Vision und NLP (Natural Language Processing) oder aber auch Pipelines und Datenbestände – von mehreren unterschiedlichen Anwendungen gleichzeitig genutzt werden. Daher lohnt es sich, Use Case-Cluster zu erstellen, die auf folgende Parameter basieren:

  • dem nötigen Daten-Input

  • den damit zusammenhängenden KI-Ressourcen

  • Produkte und Prozesse, die von bestimmten Anwendungsfälle profitieren

Auch die Cluster sollten priorisiert werden und zwar je nach Attraktivität, Höhe des Wertes, den sie potenziell generieren können, sowie Komplexität und Schnelligkeit der Implementierung. Im besten Fall dienen diese Cluster-Anordnungen als Basis für die Aufstellung einer Roadmap aller Anwendungsfälle.

Über den Autor:
Maria Schamberger ist Senior AI Strategist bei Applied AI.

Dr. Philipp Hartmann ist Director of AI Strategy bei Applied AI

Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.

Fortsetzung des Inhalts unten

Erfahren Sie mehr über Künstliche Intelligenz (KI) und Machine Learning (ML)

ComputerWeekly.de

Close