Anwendungen für Künstliche Intelligenz (KI) identifizieren und implementieren – Datengetriebene Geschäftsarchitektur
Wie man Anwendungen für KI in Unternehmen identifiziert und richtig implementiert
Die Künstliche Intelligenz (KI) bietet viele praktische Anwendungen für Unternehmen. Stellen Sie sich KI als einen größeren Rahmen vor, der unterschiedlichen Fähigkeiten zur Verfügung stellt. Unternehmen, die KI implementieren, sollten ihre Vision überprüfen und eine KI-Strategie entwickeln, die mit ihren größeren Zielen und Schwerpunkten übereinstimmt. Zur Implementierung sind datengetriebene Anwendungsfälle sind die Grundvoraussetzung. Auch sollte von Anfang an eine flexible und modulare Architektur gewählt werden, die zukünftig beliebig erweitert und verbessert werden kann.
Wenn Sie bereits den ersten Teil der Reihe „Der Executive Leitfaden zu Künstlicher Intelligenz“ gelesen haben, wissen Sie warum KI essentiell für eine effektive Datenverarbeitung ist und welche sieben Komponenten ein „Cognitive Enterprise“, das KI-durchdrungene Unternehmen, beinhaltet.
Künstliche Intelligenz bietet für Unternehmen viele praktische Anwendungen und wird heute eingesetzt, um Prozesse oder Produkte zu erweitern, zu verbessern und zu verändern.
Index
Ein gelungenes KI System ist kein Zufall
Es ist unmöglich, aus etwas einen Wert zu ziehen, wenn es nicht verstanden wird, außer es handelt sich um einen glücklichen Zufall. In der Welt der Datenverarbeitung und damit auch der KI gibt es keine glücklichen Zufälle; Eine KI-Lösung wird mit akribischer Genauigkeit unter Berücksichtigung spezifischer Ziele, vorliegender Daten und der eingesetzten Algorithmen definiert.
KI hat im Grunde zwei Kernkompetenzen. Zum einen die Erfassung von Informationen wie Sprach- und Bilderkennung, Suche und Clustering. Damit können Maschinen Informationen von unstrukturierten Daten in strukturierte Daten konvertieren. Zum anderen kann KI eingesetzt werden, um Informationen zueinander in Kontext setzen um zu „verstehen, was passiert“. Dazu gehören Fähigkeiten wie Natural Language Understanding (NLU), Optimierungen, Vorhersagen und (Kontext-)Verständnis.
Diese verschiedenen Funktionen arbeiten sequentiell und werden in der Regel auch mit anderen Technologien (bspw. Robotic Process Automation, Cloud Computing, Internet of Things etc.) zu einer Einheit zusammenfügt. Erst durch die Verschmelzung verschiedener Ansätze und Technologien kann das Potential von Daten vollends ausgeschöpft werden.
Datengetriebene Anwendungsfälle sind die Grundvoraussetzung
Um Anwendungsfälle mit Künstlicher Intelligenz einzuführen, sollten Unternehmen mit ihren strategischen Zielen beginnen und dringende Herausforderungen oder Prozess-/Produkt-/Service-Visionen identifizieren, die es zu bearbeiten gilt. Hierzu gibt es diverse Techniken wie beispielsweise Design Thinking Workshops oder User Story Mapping die diesen Prozess unterstützen können.
Im nächsten Schritt gilt es die identifizierten Bereiche auf Wirtschaftlichkeit und technischer Machbarkeit zu analysieren. Nur wenn ausreichende Daten zur Verfügung stehen, und notwendige Daten aus ggf. verschiedenen Systemen kombiniert werden können, kann eine KI-basierte Lösung ermöglicht werden. Ist dies nicht der Fall, muss zuvor das Datenmanagement auf zukünftige Anforderungen angepasst werden.
Für einen besseren Überblick empfehle ich, die Ergebnisse der Analyse in eine KI-Heatmap einzutragen oder anderweitig die Informationen zu dokumentieren. Mit dieser Übersicht können die verschiedenen Möglichkeiten bewertet werden. Wenn sich ein Unternehmen für KI-Projekte entscheidet, kann es für jedes einzelne einen Business Case entwickeln.
Implementierung von KI
Die ersten Schritte bei einer KI Lösung können aufwändig sein, da Infrastrukturen geschaffen und Daten entsprechend aufbereitet, kuratiert und zusammengeführt werden müssen. So ist es hilfreich große Use Cases wie zum Beispiel die end-to-end Automatisierung eines Kernprozesses in kleinere Use Cases und Meilensteine zu unterteilen.
Hilfreich kann es dabei sein, mit einem Minimum Viable Product (MVP) zu starten und im Anschluss zu skalieren. Die Erstellung der ersten KI-Komponente, egal wie klein, ist ein wichtiger Meilenstein für jedes Unternehmen.
Empfehlenswert ist es, von Anfang an auf eine Infrastruktur und Architektur zu setzen, die flexibel und skalierbar ist. Wie bereits umschrieben setzen sich KI-Lösung aus einer Reihe von KI-Funktionalitäten sowie weiteren Technologien zusammen, die sich kontinuierlich weiterentwickeln. Damit das Unternehmen die KI-Lösung(en) zukünftig immer weiter skalieren und zu einem „Cognitive-Enterprise“ auf andere Unternehmensbereiche ausweiten kann, sollte Flexibilität bei der Implementierung von Anfang an beachtet werden.
Idealerweise sollte in einem KI-System, das aus mehreren Komponenten zusammengesetzt ist, es ermöglichen, jede einzelne Komponente zu ersetzen, um die Funktion des Gesamtsystems zu verbessern.
Für den langfristigen Erfolg werden Unternehmen ein „Ökosystem“ zur Unterstützung seiner KI- und Automatisierungsprojekte entwickeln. Hier sollten sich Architekturteams widerfinden, die KI-bezogene Optionen über die Entwicklung und Implementierung, bis hin zum Betrieb und der weiteren Skalierung begleiten.
Auch können zusätzliche Rollen zum Datenmanagement wie ein „Chief Data Officer“ sinnvoll sein. KI-Systeme bauen auf Daten auf, weshalb verzerrte oder unangemessene Daten das Ergebnis beeinträchtigen oder gar zu Fehlinterpretationen führen können.
KI-Begeisterung lohnt sich
Die allgemeine Begeisterung für KI kann wertvoll für jedes Unternehmen sein. Voraussetzung dafür ist jedoch die Offenheit für innovative Technologien und agile Projekt-Methodik.
Künstlichen Intelligenz ist ein Marathon, kein Kurzstreckensprint. Die bisher größten Erfolge und den größten Mehrwert bei der intelligenten Datenverarbeitung habe ich bisher erlebt, wenn Unternehmen KI Stück für Stück in ihre Vision und Kernprozesse etabliert haben. Wenn die Expertise von Daten- und Archietkturexperten genutzt und parallel eigene Ökosysteme geschaffen wurden.
Die Kommentarfunktion ist geschlossen.