buy ticket

buy ticket

Künstliche Intelligenz in der Praxis: Vom ersten Projekt zum datengetriebenen Unternehmen

Ein Gastbeitrag von Dr. Nicolai Erbs und Julian Kling.

 

Wenn Firmenmitarbeiter heute nach den Trends mit dem größten Einfluss auf ihr Unternehmen gefragt werden, dann fallen häufig die Begriffe Digitalisierung und Künstliche Intelligenz (KI). In vielen Unternehmen wird besonders der Einsatz von KI mit Sorgen verknüpft. Auf der anderen Seite stehen jedoch die Chancen von KI für das Unternehmen Prozesse zu automatisieren und weitere Services anzubieten. Dies führt dazu, dass ein Wandel manchmal gewünscht wird, aber die Unternehmen nicht die ersten Schritte wagen. Wir möchten einen Anstoß geben, wie der Wandel gelingen kann.

Die Vision von datengetriebenen Unternehmen

Man entscheidet sich nicht, ein KI-Unternehmen zu sein, sondern entwickelt sich dahin. Als Netflix für die Verbesserung ihres Empfehlungssystems für Filme auf Machine Learning gesetzt hat, war wahrscheinlich noch nicht klar, dass später ähnliche Systeme für die Empfehlung von Drehorten und Plots genutzt werden würde. Große Bauernhöfe produzieren heute viele Daten, die sie für den optimalen Einsatz von Düngemittel (bspw. Bosch Deepfield Connect) oder zur Frühdiagnostik kranker Tiere einsetzen. In Industrieanlagen werden Sensorwerte systematisch archiviert und ausgewertet, um mittels Anomalieerkennung Predictive Maintenance einzusetzen. Bei diesen Unternehmen stellt sich nicht mehr die Fragen, ob Daten eine wichtige Rolle spielen, sondern für welche weiteren Aufgaben sie genutzt werden können.

Die Geburt von KI Leuchttürmen als Start in die Transformation

Pauschal einen firmeninternen Einsatz von Künstlicher Intelligenz zu empfehlen, ergibt wenig Sinn. Wichtig ist es jedoch, sich ein Bewusstsein über die vielfältigen Einsatzmöglichkeiten, ein grundlegendes technisches Verständnis sowie eine Wahrnehmung der Grenzen dieser Technologien zu verschaffen, um entscheidende transformative Prozesse in der eigenen Branche frühzeitig zu erkennen oder sogar selbst einzuleiten.

Als Orientierung für einen Einstieg in ein KI-Projekt durchlaufen wir ein abstraktes Verlaufsdiagramm eines KI-Projektes (s. Abbildung).

Prototypischer Ablauf von KI-Projekten in Unternehmen

Initial steht ein häufig vernachlässigter Aspekt, die inhaltliche Auseinandersetzung mit Künstlicher Intelligenz. Dies kann durch relevante Artikel, Online/Offline-Content, Schulungen und viele weitere seriöse Quellen erreicht werden. Schlechtes Halbwissen und, wie häufig bei Trend-Themen zu beobachten, eine Verbreitung von Fehlinformation und irreführender Berichte über Highlights verschiedenster Errungenschaften in der Forschung, sorgen für unbegründete Aversionen oder überhöhte Erwartungen, ein Phänomen welches insbesondere bei KI zu beobachten ist. Dadurch folgt eine mangelnde Bereitschaft, sich mit KI tiefer zu beschäftigen und über eine Integration in den beruflichen Alltag nachzudenken oder die Technik enttäuscht spätestens beim Scheitern an den eigenen, zu hoch gesteckten Zielen. Das Problem dabei: Die Entwicklung Künstlicher Intelligenz ist extrem progressiv. Dadurch fällt es schwer, zuverlässige Zukunftsprognosen über die Fähigkeiten intelligenter Systeme zu treffen und fordert eine kognitive Haltung, die eigene Position und Erfahrungen mit KI-Systemen immer wieder zu überdenken. Empfehlenswert ist es, sich die Einflüsse von KI im aktuellen Alltag bewusst zu machen und die Leistung neuer Referenzbeispiele im Themenbereich KI analytisch nach den Rahmenbedingungen für deren Erfolge zu hinterfragen. Damit gewinnt man einen Eindruck, wie gut eine Transferleistung von diesen Systemen auf eigene Probleme geleistet werden kann.

Sind die theoretischen Grundlagen gelegt, kann eine genauere Analyse eigener Betriebsstrukturen, Datensätze oder Problemstellungen erfolgen. In dieser Ideation Phase wird das Toolset an verfügbaren technologischen Ansätzen auf eine Auswahl der geeignetsten Ansätze reduziert und die Zieldefinitionen ausgearbeitet. Auch der Zukauf bestehender Software oder die Integration existierender Gesamtsysteme ist hier eine zu berücksichtigende Option, insbesondere für kleinere Unternehmen. Bei dieser Evaluation zum Einsatz Künstlicher Intelligenz im eigenen Unternehmen lohnt es, selbst wenn die eigentlich Entwicklung intern erfolgen soll, sich mit externen Experten auszutauschen, denn hier werden die Weichen für Investitionen in diese Technik gestellt und der spätere Erfolg wesentlich mitbestimmt.

Schon frühzeitig sollten Sie sich Gedanken über die verfügbaren Daten zur Umsetzung ihres Projektes machen. Moderne Methoden der Künstlichen Intelligenz benötigen häufig große Datenmengen, um überzeugende Ergebnisse liefern zu können. Für klassische Probleme (Gesichtserkennung, Verkehrsschilderkennung, ….) gibt es häufig bereits leistungsfähige Systeme, die genutzt werden können oder Datensätze, die sich für ein Training eines problemspezifischen Falls eignen. Oft können artverwandte Probleme mit solchen Systemen durch leichten Anpassungen gelöst werden. Generell empfiehlt es sich aber, insbesondere auch mit einem Blick in die Zukunft, eigene Daten zu sammeln und sich damit die Freiheit einer individuellen Lösung zu ermöglichen.

Stimmen die Grundlagen für ein KI-Projekt, also steigt man mit einer regulierten Erwartungshaltung, passendem Datensat und Algorithmen in die Implementierung des Projektes ein, läuft die Umsetzung analog zu klassischen Softwareentwicklung und deren Prinzipien. Speziell für KI-Projekte sind agile Methoden und iterative Entwicklung vorteilhaft, um sich an die gewünschte Leistung des Systems schrittweise heranzutasten. Dabei sollten zur Lösung des Problems sowohl verschiedene algorithmische Ansätze berücksichtigt werden, also auch die Tatsache, dass kleine Änderungen an den Parametern eines Algorithmus bereits große Auswirkungen auf die Leistungsfähigkeit des Systems haben. Natürlich folgt im Rahmen eines KI-Projektes, wie in klassischen Softwareprojekten, nach der Implementation der Software, aber auch schon im Prozess der Entwicklung, eine Evaluation bezüglich der Zielvereinbarungen. Speziell an KI Systemen ist jedoch der nicht binäre Erfolgsfaktor. Arbeitet das System ausreichend gut? Wie verhält sich der Transfer von Trainingsumgebung zu Produktion? Kann ich mein System in Zukunft einfach verbessern? Häufig sind diese Fragen erst mit einem ersten Prototypen zu beantworten, bieten aber das nötige Feedback das System auszubauen, abzuändern oder in manchen Fällen auch zu verwerfen.

Keine Angst vor Prototyping

In vielen Unternehmen steht vor einer Projektzusage eine Return-of-Investment-Analyse. Dies ist bei klassischen Projekten oft sinnvoll, um den Unternehmenserfolg zu maximieren. Bei innovativen Projekten mit KI-Bezug hat sich gezeigt, dass der potenzielle Erfolg nur schwer abzuschätzen ist. Die Entwicklung von Management-Methoden wie Effectuation haben geholfen, mit Unsicherheiten besser zu planen, jedoch führt dies nicht zu besseren Abschätzungen des späteren Gewinns. Dies gilt ebenfalls für die Festlegung des nötigen Aufwands, um ein Ziel zu erreichen. Innovation bedeutet hierbei das Fehlen von umfangreichen Erfahrungswerten.

Um das durch den Mangel an Erfahrung einhergehende wirtschaftliche Risiko eines solches Projekt klein zu halten, empfiehlt es sich, diese Projekte in Form kleiner Prototypen und durch Rapid Prototyping zu entwickeln. Insbesondere bei KI-Projekten kann sich durch die Natur der stochastischen Modelle, die als Grundlager Künstlicher Intelligenz dienen, eine prototypische Entwicklung als hilfreich erweisen. Sie ermöglicht einen frühzeitigen Abgleich von Erwartungshaltung und Leistung der Künstlich Intelligenz. Dies steht im deutlichen Kontrast zu herkömmlichen, deterministischen Systemen und unserem über die letzten Jahrzehnte antrainierten Verständnis über deren Zuverlässigkeit.

Dabei ist die Entwicklung kleiner Prototypen, neben einer großen Anzahl an verfügbarer Software (MQTT, Node-RED,…) für schnelle Entwicklung, nicht auf rein digitale Strukturen eingeschränkt. Häufig interagieren KI-Systeme mit der echten Welt, sei es im Rahmen der Datenerhebung, zur Laufzeit oder danach. Günstige Mikrocontroller und Einplatinencomputer sowie zahlreiche Sensoren oder unbürokratische Fertigungsverfahren wie der 3D Druck ermöglichen es, das KI System bereits im Prototypenstadium an die reale Welt gekoppelt werden können. Bei INFOMOTION wurde in kurzer Zeit die Info Point Rallye (siehe Abb.) entwickelt.

Aufbau der Hardware-Komponenten der Info Point Rallye

Dabei handelt es sich um eine Kombination aus Hard- und Software, die das klassische Stempelkarten-Prinzip digitalisiert. Dieses für Messen und Konferenzen entworfene System besteht aus einer größeren Menge an Raspberry Pis mit Kameras, die in einem individuellen Gehäuse an Informationsständen platziert werden können und dort vorher registrierte Besucher erkennen. Ein KI-System sucht dabei im Hintergrund nach in einer Datenbank hinterlegten Bildern von registrierten Nutzern.

Die Transformation zum KI Unternehmen

Der Kulturwandel innerhalb des Unternehmens kann weder alleine durch das Management noch durch die Umsetzer erfolgen. Vielmehr geht es darum, dass ein Experimentieren mit KI Leuchttürmen ohne überhöhte Erwartungshaltung ermöglicht wird und Mitarbeiter motiviert werden, kreative Lösungen zu entwickeln. Wir haben dies erreicht, indem selbst Berater die Möglichkeit erhalten über interne Projekte Lösung auf Basis von KI aufzubauen. So hat es INFOMOTION erreicht, das Abstempeln von Bonuskarten abzuschaffen und Besuchern ein KI-Erlebnis zu bieten. Dies ist für Unternehmen mit allen Reifegraden möglich, da der Wandel in kleinen Schritten startet und die Ressourcen im Unternehmen stärkt, die einen Wandel umsetzen kann: Die Mitarbeiter des Unternehmens.

 

Über die Autoren

Dr. Nicolai Erbs ist als Lead Consultant bei INFOMOTION für die Beratung im Bereich Machine Learning und Künstliche Intelligenz tätig. Er hat an der TU Darmstadt Physik studiert und in Informatik im Bereich Sprachverarbeitung promoviert. Nach seiner Lehrtätigkeit an der Universität Duisburg-Essen hat er Unternehmen in Deutschland und England zu maschinelle Lernverfahren beraten. Er hat ein Startup im Bereich Kinderschutz mit KI-Algorithmen aufgebaut und war dort bis Anfang 2019 als Geschäftsführer und CTO tätig.

Julian Kling ist als Werkstudent bei INFOMOTION im Bereich Big Data, Maschine Learning und Rapid Prototyping im Einsatz und beschäftigt sich in seinem Masterstudium an der Goethe Universität Frankfurt mit Künstlicher Intelligenz. Er hat bereits über 15 Teilnahmen bei Hackathons hinter sich und löst scheinbar technologiefreie Fragestellungen mit Algorithmen und Hardware. Dabei baut er Prototypen in kurzer Zeit mit Liebe zum Detail.