KI-Technologien werden zum entscheidenden Wettbewerbsfaktor. Doch KI-Verfahren wie Maschinelles Lernen stellen Unternehmen vor ganz neue Herausforderungen.
KI ist auf dem Weg zum Mainstream und eine wesentliche Stellschraube für die künftige Wettbewerbsstärke und Profitabilität von Unternehmen. Die Kombination aus explodierenden Rechenkapazitäten, großen Datenmassen und KI-Algorithmen hat ganz neue Anwendungen hervorgebracht, die mit klassischer IT nicht möglich sind.
Doch so vielversprechend das Potential von KI auch ist – Unternehmen stehen damit vor einer ganzen Reihe Herausforderungen: Oft benötigen KI-Projekte eine ganz andere Herangehensweise, als Unternehmen sie traditionell gewöhnt sind. Sie erfordern zudem andere Hardware, andere Software und völlig neues Wissen – etwa über Neuronale Netze.
Geht es an die Umsetzung von KI-Projekten, sind viele Unternehmen unsicher und wünschen sich konkrete Best Practices. Die Analysten von Crisp Research haben in ihrer Studie „Machine Learning im Unternehmenseinsatz“ auf Basis der Befragung von KI-Anwendern einige Best Practices und handlungsleitende Empfehlungen herausgearbeitet.
Das Potenzial von KI für das eigene Business herauszufinden und die richtigen Use Cases festzulegen dürfte die leichteste Übung sein. Zunächst sollten mögliche Anwendungen identifiziert und Prototypen umgesetzt werden. Damit lassen sich erste Erfahrungen gewinnen und Lernprozesse in Gang setzen. Dafür können entweder neue Teams gebildet oder bestehende Teams – wie BI- oder Cloud-Teams – erweitert werden.
Gleichzeitig empfiehlt es sich aber auch, ganz konkrete Ziele zu setzen – zum Beispiel eine engere Kundenbindung oder die Minimierung von Fehlern bei Produkten und Dienstleistungen. Die Ziele und die Rolle, die Machine Learning im unternehmenseigenen „TechStack“ bzw. der IT-Architektur spielen soll, sind schon in einer frühen Phase zu reflektieren und festzulegen.
Kritische Punkte
Schwieriger ist es, zu entscheiden, welche Anforderungen die KI an die IT-Infrastruktur stellt, welche Methoden genutzt werden sollen und wie man die relevanten Skills und Ressourcen intern aufbauen kann.
- KI as a Service: Bei der konkreten Umsetzung von KI-Projekten müssen sich Unternehmen entscheiden, ob sie eine eigene KI-Infrastruktur aufbauen oder die Dienste von Cloud-Providern in Anspruch nehmen möchten. Crisp empfiehlt: „Start small and Scale“. Damit ist gemeint: Zu Beginn der eigenen KI-Erfahrung sollten IT-Verantwortliche eher auf die Machine Learning as a Service-Angebote der großen Cloud Provider setzen. Steigen die Ansprüche, lassen sich unternehmenseigene Systeme aufbauen und betreiben.
- Eigene KI-Umgebung: Cloud-basiertes Machine-Learning funktioniert vor allem bei KI-Standardaufgaben wie Textübersetzung oder der Kategorisierung von Bildern. Für anspruchsvollere KI-Projekte müssen Unternehmen selbst Modelle trainieren und eigene Lösungen entwickeln. Wenn in der Produktion beispielsweise ein Produkt häufig Ausschuss ist oder in der Fertigung allgemein Probleme auftreten, dann sollte das System mit den Daten, die aus der Anlage kommen, in einer eigenen KI-Umgebung trainiert werden.
- Hardware- und Software-Ressourcen: In einer eigenen KI-Umgebung muss die existente IT-Infrastruktur mit den rechenintensiven KI-Anwendungen mithalten. Server-, Storage- und Netzwerk-Infrastrukturen müssen die oft aufwändigen KI-Algorithmen bewältigen können. Maschinelles Lernen erfordert beispielsweise, Rechenprozesse möglichst parallel zu verarbeiten. Bei sehr hohen Anforderungen – etwa für das Training von DeepLearning-Netzen – kann spezielle Hardware erforderlich sein. So bietet Intel zum Beispiel KI-optimierte Chips und Cluster mit CPUs und GPU an. Die eventuell notwendige Hardware-Aufrüstung muss um ein KI-Software-Ökosystem wie Tensorflow und andere Tools ergänzt werden.
- Die Datenkultur: Ein weiteres wichtiges Erfolgskriterium sind die Daten. Da beim Training von Machine-Learning-Modellen die Output-Qualität mit der Datenmenge und der Qualität der Daten steht und fällt, kommt den Daten eine strategisch wichtige Rolle zu. Ohne eine echte Datenkultur im eigenen Unternehmen ist es schwer, verwertbare Ergebnisse zu erzielen.
- Das KI-Team: Schließlich ist in der Praxis oft auch die Lücke zwischen den erforderlichen und verfügbaren Fachkräften ein ernstes Problem. Unternehmen müssen hier in die Offensive gehen, denn der „War for Talents“ heizt sich gerade im Umfeld Machine Learning auf. Empfehlenswert ist hier eine duale Strategie: Skills im eigenen Team sollten sukzessive aufgebaut werden. Business Intelligence- und Analytics-Abteilungen sind hier federführend. Zusätzlich empfiehlt es sich aber, professionelle Unterstützung von externen Beratern und professionellen Dienstleistern zu suchen.
Für welchen Zweck KI-Lösungen auch immer eingesetzt werden sollen: Engagierte CIOs verstehen diese Hürden als Herausforderungen, die lösbar sind, und deren Bewältigung zu innovativen und wettbewerbsrelevanten Produkten führen.
