NACHRICHTEN / KI-TECHNOLOGIE

Inspiriert von den sieben “Verschwendungen”, die in der schlanken Produktion populär sind, hat Artefact dieses Konzept auf den Bereich artificial intelligence übertragen. Diese Studie basiert auf mehr als 30 artificial intelligence-Projekten aus den letzten drei Jahren.

Inspiriert von den sieben “Verschwendungen”, die in der schlanken Produktion populär sind, hat Artefact dieses Konzept auf den Bereich artificial intelligence übertragen. Diese Studie basiert auf mehr als 30 artificial intelligence-Projekten aus den letzten drei Jahren.

Für jede identifizierte “Verschwendung” - zusätzliche Verarbeitung, Energie, Inventar, Überproduktion, Warten, Fehler und Talent - werden die Ursachen anhand konkreter Beispiele erläutert.

Extra Verarbeitung: Übererfüllung der Kundenerwartungen

KI um der KI willen

KI machen, weil es das neue und glänzende Ding ist. Das passiert, wenn technische Teams daran arbeiten, eine effiziente und innovative, aber komplexe technische Lösung zu entwickeln. Geschäftliche Erwägungen werden zugunsten der technologischen Herausforderung in den Hintergrund gedrängt; technische Spezifikationen haben Vorrang vor unpräzisen geschäftlichen Spezifikationen, und die wertschöpfenden Kernfunktionen werden nicht klar identifiziert. Die Extraverarbeitung führt oft zu komplexen “Black Boxes”.”

die von den technischen Teams gepflegt werden müssen und erst dann von den Geschäftsteams verstanden und übernommen werden.

“Das Rad neu erfinden”

Die Entwicklung maßgeschneiderter KI ist zeitaufwändig. Manchmal wird ein kleines, perfektes Detail, dem der Kunde keine Priorität eingeräumt hat und mit dem er nicht rechnet, zum Mittelpunkt eines Projekts. Wenn das passiert, wird der eigentliche Zweck des Projekts zugunsten der Lösung kleinerer Probleme aufgegeben.

Beispiele:

Ein Versicherungsunternehmen möchte einen Algorithmus zur Vorhersage der Abwanderung entwickeln. Traditionell von der Stange Algorithmen ermöglichen die Einhaltung der Spezifikationen. Das data-Team möchte jedoch eine personalisierte Deep Learning-Lösung. Der Algorithmus, den sie entwickelt haben, ist eine “Black Box”, die viel länger braucht, um ausgewertet und verstanden zu werden.

Ein FMCG-Unternehmen möchte einen Zuweisungsalgorithmus einrichten, der bei der Verwaltung der Medien helfen soll Kaufen. Anstatt sich die traditionellen Zuteilungsmodelle (Last Touch, Linear, First Touch usw.) zunutze zu machen, will das Unternehmen ein data-driven-Zuteilungsmodell einrichten und liefert damit ein unnötig komplexes Modell, das schwer zu verstehen und zu verwenden ist.

Energie: Menschliche oder maschinelle Anstrengungen, die den Gewinn nicht erhöhen

Mangelnde Integration

Oft fehlt den Unternehmen ein technisches KI-Ökosystem und sie verfügen über veraltete IS und Tools. Die verschiedenen Komponenten, die für den Aufbau der KI-Lösung benötigt werden, sind nicht integriert, was die Kosten und den Zeitaufwand für den Entwicklungsprozess erhöht. Auf menschlicher Ebene sind die Fähigkeiten nicht zentralisiert und die Kommunikation ist nicht flüssig, was zu Missverständnissen und Zeitverschwendung führt.

Beispiele:

Ein Einzelhandelsunternehmen möchte einen Algorithmus für Kundenempfehlungen einrichten. Das für das Projekt erforderliche data (CRM, Transaktionsdaten, Navigation usw.) ist über mehrere data-Basen ohne zentralen Zugriff verstreut. Die zeitaufwändige Aufgabe der Zentralisierung ist notwendig, bevor das Projekt gestartet werden kann.

Um von der höheren Rechenleistung zu profitieren, beschließt das data-Team, den Algorithmus auf dem cloud zu trainieren und ihn in einer lokalen IT-Infrastruktur einzusetzen. Die technischen Ökosysteme sind noch nicht integriert, so dass zusätzliche Integrationsarbeit erforderlich ist.

Bestandsaufnahme: Die Schaffung einer nicht-autonomen Intelligenz

Spezifische versus standardisierte Kultur

Die Modelle werden individuell entworfen, um einen bestimmten Bedarf zu decken. Es ist nicht möglich, aus dem, was bereits gebaut wurde, Kapital zu schlagen. Daher wird jeder neue Bedarf von Grund auf neu gedeckt, was die Produktion und Entwicklung neuer Modelle verlangsamt.

Die Last vergangener Entscheidungen

Schlechte anfängliche Technologieentscheidungen führen zu einem data-Produkt, das einen hohen Wartungsaufwand erfordert. Das Team verbringt zu viel Zeit damit, das bestehende System zu pflegen, anstatt es zu verbessern und zu iterieren.

Beispiele:

Ein Kosmetikunternehmen möchte eine Natural Language Processing (NLP)-Lösung erstellen, um die Stimmung in sozialen Netzwerken zu analysieren. Anstatt eine bereits vorhandene Komponente zu verwenden und ein spezielles NLP-Element hinzuzufügen, wird die Lösung maßgeschneidert erstellt. Drei Monate später möchte ein anderes Team NLP für eine andere Art von Analyse nutzen. Es ist gezwungen, bei Null anzufangen und weiteres KI-“Inventar” zu erstellen.

Ein Internet of Things (IoT)-Unternehmen möchte verstehen, wie Verbraucher seine vernetzten Die data, die zum Unternehmen zurückkommen, sind jedoch fehlerhaft und von schlechter Qualität. Das Unternehmen beschließt, die Implementierung eines neuen data-Produkts auszulagern, um dieses Problem zu beheben und die Verarbeitung der data in Echtzeit zu ermöglichen sowie etwaige Qualitätsprobleme zu vermeiden. Nach der Lieferung des neuen data-Produkts sind die internen Teams nicht mehr in der Lage, die neue (spezifische und komplexe) Lösung zu pflegen. Sie haben zu viele spezifische, separate und komplexe KI-Systeme.

Überproduktion: KI kommt zu früh für den Reifegrad eines Unternehmens oder auf unstrukturierte Weise

Zu viele nicht-industrialisierte Proof of Concepts (POCs)

Wenn es keine integrierte Strategie gibt, entstehen viele verschiedene Initiativen (POCs) außerhalb des Hauptziels des Unternehmens. Diese Initiativen entstehen oft in Erwartung von Kundenerwartungen und viele reagieren auf dasselbe Problem.

Beispiel:

Ein FMCG-Unternehmen beschließt, ein Projektteam zu gründen, das sich auf artificial intelligence konzentriert. Die erste Aktion des Teams besteht darin, einen Ideen-Workshop zu organisieren, um Anwendungsfälle für die weitere Entwicklung zu identifizieren. Die eingereichten Anwendungsfälle konzentrieren sich auf Werbung und Marketing. Andere wertvolle Bereiche werden übersehen, darunter die Optimierung der Lieferkette, die Reduzierung des Energieverbrauchs und die Senkung der Kosten in den Geschäften.

Warten: Unbesetzte Zeit, Warten auf eine Lieferung oder eine Entscheidung des Managements

Fehlendes Sponsoring durch die C-Ebene

Künstliche Intelligenz wird von den Managern des Unternehmens nicht als strategisches Instrument betrachtet. Die Zeit, die damit verbracht wird, das Management davon zu überzeugen, dass artificial intelligence einen Wettbewerbsvorteil schaffen kann, lässt wenig Zeit zum Handeln.

Das schwache Sponsoring durch die Führungskräfte führt zu einer mangelnden Beteiligung aller Teams. Die Prozesse werden nicht gemessen, was zu Qualitätsproblemen, Mängeln und technischen Fehlern führt. Außerdem sind die Prozesse nicht fließend, so dass zwischen den einzelnen Phasen viel Zeit mit dem Warten auf die Genehmigung verloren geht.

Beispiel:

Ein Unternehmen aus der Reisebranche möchte eine Sprach-App für Google Home und Alexa entwickeln. Drei Monate werden für die Identifizierung und Mobilisierung von technischen Ressourcen verwendet. Es wird deutlich, dass die Fähigkeiten des Teams verbessert werden müssen. Das Unternehmen entscheidet sich für den Einsatz externer Ressourcen, die dann einen Monat lang auf Eis gelegt werden, bis der Zugang zu den databases und der technischen Umgebung gewährt wird. Sobald das Projekt startbereit ist, wird es für mehrere Wochen unterbrochen, da der CEO eine NDA nicht unterschreibt.

Misserfolge: Das KI-Produkt entspricht nicht den Bedürfnissen des Endkunden

Konzentration auf die Ausführungsgeschwindigkeit gegenüber Qualität und Konsistenz

  • Unzureichendes Verständnis der geschäftlichen Anforderungen; Spezifikationen zu Beginn des Programms nicht genau genug
  • Nicht standardisierte Prozesse; schlechte Fehlererkennung während der Produktionsphase
  • Nicht funktionierende Funktionen wie Infrastruktur und Verbindungen zu anderen Systemen werden nicht aktualisiert
  • Dies kann dadurch verursacht werden, dass Teams nach Quantität und Geschwindigkeit der Ausführung und nicht nach Qualität belohnt werden.

Beispiel:

Ein Unternehmen im Lebensmittel- und Getränkesektor möchte seine Software zur Diagnose von Fehlern in seiner Kühlkette ersetzen. Das Unternehmen hatte zuvor einen von Menschen erstellten deterministischen Entscheidungsbaum zur Analyse von Fehlern verwendet, wollte diesen aber durch einen Algorithmus für maschinelles Lernen ersetzen. Anstatt den Algorithmus die beste Lösung für das Problem definieren zu lassen, schränkte das data-Team den Algorithmus ein, indem es von Menschen entwickelte Einschränkungen einbezog. Am Ende des Programms sind die Ergebnisse die gleichen wie bei dem vorherigen System.

Menschen: Versäumnis, interne Fähigkeiten zu nutzen

Fehlen einer integrativen Kultur, in der der Mensch im Mittelpunkt steht

Um bei der KI-Transformation erfolgreich zu sein, muss das Unternehmen die Stärken und Beiträge jedes einzelnen Mitarbeiters anerkennen und die KI-Transformation zu einem integrativen Prozess machen. Heutzutage werden zu wenig Zeit und Ressourcen für die Verbesserung der Fähigkeiten, Schulung und Entwicklung der Mitarbeiter aufgewendet, was die Einführung von KI-Lösungen zu einer Herausforderung macht und den Wissenstransfer einschränkt.

Drei Jahre nach dem Start eines großen KI-Umwandlungsplans befragt ein Bankunternehmen seine Mitarbeiter. Aus der Befragung gehen drei wesentliche Punkte hervor:

  • Problemlösung im Raum durch die Experten, wobei die Beiträge der anderen Teammitglieder ignoriert werden
  • Verbesserungsideen, die vom Management oder von Experten dem Rest des Teams aufgezwungen werden, anstatt sie mit ihnen zu entwickeln
  • Produkte, die aufgrund mangelnder Fähigkeiten und Kenntnisse “billig” entwickelt wurden
  • Die Teams erhalten nicht genügend Anreize für die Durchführung des Projekts