NACHRICHTEN / KI-TECHNOLOGIE

Das zunehmende Verständnis von und die Erfahrung mit artificial intelligence in Unternehmen mag widersprüchlich erscheinen, wenn man bedenkt, dass KI in den meisten Unternehmen noch nicht in nennenswertem Umfang eingesetzt wird.

Das zunehmende Verständnis von und die Erfahrung mit artificial intelligence in Unternehmen mag widersprüchlich erscheinen, wenn man bedenkt, dass KI in den meisten Unternehmen noch nicht in nennenswertem Umfang eingesetzt wird.

In diesem Artikel werden wir sowohl die Gründe für diese Zweiteilung untersuchen als auch die Voraussetzungen für den Erfolg erforschen.

In Unternehmen, die KI-Technologien erfolgreich einsetzen, entstehen neue Modelle, insbesondere in Form einer “KI-Fabrik”, einer Kombination aus Talenten, Methoden und Technologien im Dienste des gesamten Unternehmens.

Innovationen im Bereich der neuen Technologien folgen immer dem von Gartner entwickelten “Hype Cycle”, der fünf sich überschneidende Lebenszyklusphasen identifiziert:

  1. Innovation Auslöser: In dieser Phase bringt eine potenzielle Technologie die Dinge ins Rollen. Es gibt vielleicht Prototypen, ein großes Medieninteresse und viel Werbung, aber häufig sind noch keine kommerziell nutzbaren Produkte verfügbar.
  2. Höhepunkt der aufgeblähten Erwartungshaltung: Zu diesem Zeitpunkt wird die Technologie implementiert; es gibt eine Reihe von Erfolgsgeschichten - aber weit mehr Misserfolge. Einige Unternehmen übernehmen die Technologie, viele nicht.
  3. Tiefpunkt der Desillusionierung: Das Interesse beginnt zu schwinden, als Schwächen und Fehler ans Licht kommen. Einige Hersteller der Technologie steigen aus dem Rennen aus. Die Investitionen gehen nur weiter, wenn die überlebenden Anbieter ihre Produkte zur Zufriedenheit der Nutzer verbessern.
  4. Gefälle der Erleuchtung: Es wird immer deutlicher, wie Unternehmen von der Technologie profitieren können. Mehr Unternehmen testen sie; einige Unternehmen produzieren Produkte der zweiten und dritten Generation.
  5. Plateau der Produktivität: Die Technologie wird auf breiter Basis eingeführt. Die Marktanwendungen werden deutlich und die Akzeptanz wächst schnell.

Wie der Zyklus zeigt, geht jeder Phase des konkreten Erfolgs eine Phase der Desillusionierung voraus. Zu viele Komplikationen können den Erfolg dieser Projekte behindern. Es steht viel auf dem Spiel, die Herausforderung zu meistern Künstliche Intelligenz sind hoch: Laut Accenture könnten Unternehmen, die artificial intelligence gut nutzen, ihre Rentabilität um mehr als 30% steigern! Hinzu kommen potenzielle neue Einnahmequellen, die sich aus verbesserten Kundenerlebnissen oder größeren Wettbewerbsvorteilen ergeben können.

Was ist KI? Welchen Wert kann sie für Unternehmen haben?

Die KI, die noch in den Kinderschuhen steckt, ist ein Ensemble hochtheoretischer Wissenschaften. Dennoch muss sie von den Unternehmen mit Blick auf Kosteneinsparungen betrachtet werden und nicht durch das Prisma der Innovation (das Syndrom des “neuesten Modeworts”). Wie können Unternehmen einen echten Nutzen aus diesen KI-Experimenten ziehen? Wie kann es ihnen gelingen, “aufzustocken”? Unsere Antwort erfordert neue organisatorische Rahmenbedingungen, bei denen wir von “KI-Fabriken” sprechen.

Heute gibt es immer mehr Algorithmen und “Intelligenzprodukte” in den Regalen. Zumindest auf den unteren Ebenen. Europas erste Cloud-Partner, Amazon (AWS), Microsoft (Azure), Google (GCP) und IBM, bieten alle verschiedene Abstraktionsebenen an, die es Unternehmen ermöglichen, KI im eigenen Haus zu “produzieren” (Google hat kürzlich einen neuen verwalteten Universaldienst namens Anthos auf den Markt gebracht); diese Lösungen funktionieren ein wenig wie die Chemiebaukästen, mit denen wir als Kinder gespielt haben. Sie bieten einen einfachen Zugang zu Infrastrukturen, die speziell für die Reaktion auf maschinelles Lernen wie z.B. die TPUs von Google, die als Managed Services die Konzentration von Teams auf bestimmte Anwendungen ermöglichen.

Ebenfalls verfügbar sind zahlreiche offene Quelle Bibliotheken (scikit-learn, TensorFlow, Pytorch) sowie proprietäre APIs (Bild-, Text- und Spracherkennung). Nach anfänglichen Erfolgen kann es jedoch zu Problemen kommen, da nur ein kleiner Teil dieser Tests im Produktionsmodus landet, was nicht nur zu Frustration führt, sondern natürlich auch zu verpassten Chancen.

Die meisten großen Unternehmen haben massiv in Data-Wissenschaftler investiert, und das zu Recht: 2016 kündigte McKinsey an, dass bis 2021 allein in den USA 250.000 Data-Wissenschaftler benötigt werden würden. Aber wir erkennen jetzt, dass diese Profile, die sich stark auf data-Modelle, Statistiken und Algorithmen konzentrieren, nicht ausreichen werden, um das Unternehmen mit KI zu verändern. Wir haben zum Beispiel die unschätzbaren Data Engineers und Data Architects ausgelassen, deren Talente der Schlüssel zum Erfolg in den kommenden Jahren sind, deren Integration in Teamprojekte aber erst noch erreicht werden muss.

Eine neue Organisationsform kommt allmählich ans Licht: Die Fabrik der Künstlichen Intelligenz oder KI-Fabrik,
die einer Reihe von Leitprinzipien folgt, die einfach, aber entscheidend für den Erfolg dieser Initiativen sind. 

Die KI-Fabrik beginnt mit zentraler Steuerung

Eines mit sehr ehrgeizigen Zielen... Die Idee ist, die Investitionen und Lenkungsmaßnahmen zu bündeln und zu koordinieren. Nur eine sehr kleine Anzahl der wertvollsten Projekte des Unternehmens wird von denjenigen Sponsoren geprüft, die sich am meisten für ihren Erfolg einsetzen. Die Auswahl dieser Anwendungsfälle muss äußerst rigoros sein: Insbesondere sollte kein Projekt das Licht der Welt erblicken, wenn es nicht dem einfachen Gesetz des 10fachen (10:1 Return on Investment) entspricht. Der Erfolg und die Auswirkungen eines jeden Anwendungsfalls sollten anhand eines einfachen und verständlichen KPI messbar sein, und die systematische Verbesserung dieses KPI sollte das Daseinsberechtigung der Teams.

Feature-Teams sorgen für engagierte Projektorganisation

Feature-Teams, die von Spotify eingeführt wurden, sind die Antwort auf die Herausforderungen einer kürzeren Markteinführungszeit, der Transversalität und der Projektkontinuität. Unter der Leitung eines Business Managers setzt sich das Feature Team aus einem Product Owner, data Wissenschaftlern, data Ingenieuren und DevOps-Experten zusammen. Die Einbeziehung von DevOps / IT in das Feature-Team gewährleistet eine hervorragende Überwachung und mehrjährige Wartung der KI-Lösung. Ein “Plattformteam” sorgt für die technologische Kohärenz der von den Funktionsteams eingesetzten Bausteine. Es ist wichtig zu erwähnen, dass dieses Organisationsmodell im großen Maßstab sehr gut funktioniert (bei Spotify gibt es bis zu 10 Feature-Teams für jeden “Tribe”).

Die Vorteile von Feature-Teams

  • Feature-Teams sind besser in der Lage, die Auswirkungen von Designentscheidungen zu bewerten. Am Ende eines Sprints hat ein Feature-Team eine End-to-End-Funktionalität entwickelt, die alle Ebenen des Technologie-Stacks der Anwendung durchläuft. Auf diese Weise lernen die Teammitglieder am meisten über die Entscheidungen, die sie beim Produktdesign getroffen haben (Gefällt den Benutzern die entwickelte Funktionalität?) und über die technischen Designentscheidungen (Wie gut hat dieser Implementierungsansatz für uns funktioniert?).
  • Feature-Teams reduzieren die Verschwendung, die durch Übergaben entsteht. Die Weitergabe von Arbeit von einer Gruppe oder Person an eine andere ist Verschwendung. Bei einem Komponententeam besteht das Risiko, dass zu viel oder zu wenig Funktionalität entwickelt wurde, dass die falsche Funktionalität entwickelt wurde, dass ein Teil der Funktionalität nicht mehr benötigt wird und so weiter.
  • Es stellt sicher, dass die richtigen Leute sprechen. Da ein Feature-Team alle Fähigkeiten umfasst, die erforderlich sind, um von einer Idee zu einem laufenden, getesteten Feature zu gelangen, stellt es sicher, dass die Personen mit diesen Fähigkeiten zumindest täglich miteinander kommunizieren.
  • Der Schwerpunkt liegt weiterhin auf der Bereitstellung von Funktionen. Es kann für ein Team verlockend sein, in seine Gewohnheiten aus der Zeit vor Scrum zurückzufallen. Die Organisation der Teams nach der Lieferung von Funktionen und nicht nach architektonischen Elementen oder Technologien erinnert Sie ständig daran, dass der Schwerpunkt von Scrum auf der Lieferung von Funktionen in jedem Sprint liegt.

Eine spezifische Methodik: Lean AI

Lean AI ist eine Methode, die die Ungewissheit der Effizienz und Anwendbarkeit von KI-Lösungen reduziert. Modelle sind nie perfekt und müssen in realen Situationen getestet werden. Die Methode besteht aus einer kontinuierlichen Verbesserungsschleife mit kurzen Zyklen, die die Formulierung von Hypothesen, die Identifizierung relevanter data, die Konstruktion und das Testen eines oder mehrerer Modelle, gefolgt vom Einsatz in einem Testgebiet und dem Sammeln von Benutzerfeedback umfassen.

Der Zyklus wiederholt sich mit der Formulierung neuer Hypothesen, neuer data, usw. Diese Methode ermöglicht das Testen in realen Situationen, dann die Verbesserung von nicht untersuchten Fällen, bis ein Zufriedenheitsgrad erreicht ist, der von der Organisation als akzeptabel angesehen wird, um mit der Produktion zu beginnen.

... Zusammen mit einer angepassten Infrastruktur

Der Einsatz sollte bereits in den ersten Tagen des Projekts geplant werden, um zu vermeiden, dass Sie in einer anderen technischen Umgebung bei Null anfangen.

Die Schaffung neuer data-Silos muss ebenfalls vermieden werden, indem die bestehenden data-Seen und data-Brunnen des Unternehmens optimal genutzt werden. KI-Anwendungen sollten in einer serviceorientierten Architekturlogik aufgebaut sein.

Containerisierungs- und Orchestrierungstechnologien wie Docker und Kubernetes ermöglichen eine vereinfachte Verwaltung von Microservice-Ökosystemen und erleichtern die Nutzung von KI-Modellen über APIs, die von allen Abteilungen des Unternehmens genutzt werden können.

... Und arbeiten Sie an der internen Umwandlung und Anpassung

Obwohl sich viele Unternehmen bereits einen gemeinsamen Raum teilen, untergräbt das Fehlen eines gemeinsamen Betriebsmodells den Erfolg von KI-Projekten. Ein “Chatbot”, der zu einer kommerziellen Website gehört, sollte beispielsweise ein natürlicher Teil des Verkaufspfads sein und nicht als separates Akquisitionssilo betrachtet werden, doch das ist oft nicht der Fall. Wenn die verschiedenen Abteilungen in einem Unternehmen dieselben Technologien einsetzen, ist der Erfolg von KI viel wahrscheinlicher.

Schritte zum Erfolg eines AI-Projekts

#1 Definieren Sie Ihr KI-Ziel  

2 Sichern Sie es mit Data

#3 Beziehen Sie Ihre internen Fachexperten (SMEs) ein.

#4 Messen Sie das Ergebnis, nicht den Output

#5 Iterieren Sie schnell!

Schließlich: eine immer wichtigere ethische Herausforderung

Wir haben vor kurzem das Beispiel von Alexa gesehen und die unangenehme Überraschung ihres Zuhörens (notwendig und geplant, um das überwachte Lernen zu verbessern). Die Vorschriften werden der Technologie immer hinterherhinken. Es ist wichtig, dass die Unternehmen, die artificial intelligence einsetzen, die ethischen Herausforderungen dieser Lösungen verstehen. Sieben ethische Leitprinzipien, die von dem von der Europäischen Kommission beauftragten Ausschuss unabhängiger Experten veröffentlicht wurden: KI im Dienste der Menschlichkeit, vertrauenswürdig, die private data respektierend, transparent, nicht diskriminierend, der Verbesserung des Gemeinwohls verpflichtet und schließlich mit einer klar definierten menschlichen Verantwortung.

Eine wachsende Zahl von Unternehmen beschließt, diese Prinzipien anzuwenden, um den Wert der KI zu nutzen: Carrefour kündigte vor kurzem den Start seines Labors für künstliche Intelligenz in Zusammenarbeit mit Google an, und Walmart kündigte den Start seiner “Cloud Factory” in Austin mit Microsoft an. Es besteht kaum ein Zweifel daran, dass diese neuen organisatorischen Methoden, die sich auf den Wert konzentrieren und pragmatisch an die Innovation herangehen, in den kommenden Jahren häufiger und erfolgreicher eingesetzt werden.