AI Readiness

AI Readiness – Ist Ihr Unternehmen bereit für den Einsatz von KI? Eine Checkliste mit 7 Punkten.

Maschinelles Lernen und Künstliche Intelligenz im Allgemeinen sind schon seit einiger Zeit in aller Munde. Während das Thema KI in den Medien im Vordergrund steht, ist den meisten (ganz besonders der Führungsetage) immer noch nicht ganz klar, wie maschinelles Lernen am besten angewendet wird bzw. was zur Umsetzung alles benötigt wird.

Letztendlich kann man maschinelles Lernen als eine synergetische Beziehung zwischen Mensch und Maschine bezeichnen. Maschinelles Lernen in der Praxis erfordert die Anwendung der wissenschaftlichen Methode und die Kommunikationsfähigkeiten durch den Menschen. Erfolgreiche Unternehmen verfügen über die analytische Infrastruktur, das Know-how und die enge Zusammenarbeit zwischen Analytikern und Fachleuten der Unternehmen, um diese Synergien in ROI umzusetzen. Lesen Sie hierzu auch unsere Blogartikel:[1] Wie Maschinelles Lernen funktioniert & [2] Wie Big Data Analytics und Maschinelles Lernen Ihr Unternehmen intelligenter machen

Ist Ihr Unternehmen bereit für den Einsatz von künstlicher Intelligenz?

Nachfolgend sind einige wichtige Aspekte beschrieben, die ihr Unternehmen erfüllen sollte um erfolgreiche Methoden, die auf künstlicher Intelligenz basieren, einzuführen.

1 – Problem definieren, das gelöst werden muss.

Wie jede andere Technologie funktioniert maschinelles Lernen am besten, wenn eine klare Problembeschreibung und Ergebnisse definiert sind. Routinemäßige oder sich wiederholende Entscheidungspunkte, die ein hohes Volumen aufweisen, erfordern eine schnelle Reaktion. Definierte potentielle Aktionen die von variablen Eingaben abhängig sind, eignen sich besonders für maschinelles Lernen.

Maschinelles Lernen funktioniert besonders gut für Anwendungen, bei denen anwendbare Assoziationen oder Regeln zwar intuitiv erfasst, aber nicht einfach durch logische Regeln beschrieben werden können. Wenn Genauigkeit wichtiger ist als Interpretierbarkeit oder wenn die Daten für traditionelle Analysetechniken problematisch bzw. zu komplex sind.

Da maschinelles Lernen zeit- und datenintensiv ist, ist eine kritische Bewertung der Anwendbarkeit vorhandener analytischer Modelle/Ansätze oder alternativer Lösungen ebenfalls angebracht. Dies stellt sicher, dass der potenzielle Wert in Relation zum Aufwand steht.

2 – Experimentelle Denkweise im Unternehmen etablieren

Maschinelles Lernen ist ein iterativer und experimenteller Prozess. Obwohl Kernalgorithmen zunehmend zu Massenprodukten werden, muss jedes Projekt basierend auf dem Geschäftskontext und den Daten angepasst werden.

Wie bei jedem guten Experiment werden einige Hypothesen sich initial als falsch erweisen. Möglicherweise müssen neue Daten beschafft oder erzeugt oder die Problembeschreibung – basierend auf dem was gefunden wird – neu beschrieben werden. Infolgedessen müssen Entscheidungsträger und Teammitglieder gleichermaßen eine Test-und-Lern-Mentalität für maschinelles Lernen anwenden, um eine erfolgreiche Datenanalyse etablieren zu können.

Ein iterativer Prozess, der größtmögliche Flexibilität und Beweglichkeit bietet, ermöglicht es den Fortschritt schneller zu bewerten und um zu bestimmen, ob ein alternativer Ansatz erforderlich ist.

3 -Ein interdisziplinäres Data Science Team zusammenstellen

Um in maschinelles Lernen zu investieren und Ergebnisse zu sehen, können Sie nicht einfach in die Technologie investieren. Sie müssen auch sicherstellen, dass Sie über die richtigen Mitarbeiter bzw. Spezialisten verfügen, die die Systeme managen und ihnen die größtmögliche Wirkung verleihen zu können.

Ebenso wichtig ist ein dynamisches Team Modell, das verschiedene Experten mit Geschäfts-, Daten- und technischem Know-how mit einbezieht. Dazu gehören Datenexperten, die erforderliche Datenbestände bewerten und an Bord bringen können. Geschäftsexperten, die den Kontext erläutern und Implikationen (geschäftlich, sozial, moralisch) vorgeschlagener Maßnahmen bewerten. Nicht zuletzt wird auch IT-Personal benötigt, das in der Lage ist, die technischen Ökosysteme einzusetzen und zu warten.

Nicht zu vernachlässigen ist der Einsatz von Mitarbeitern, die zwischen den “Quants”, sprich den Mathematikern/Statistikern und den Managern übersetzen können. Gibt es hier kein Bindeglied, dann sind Missverständnisse und Fehlinterpretationen vorprogrammiert und die Gefahr des Scheiterns groß.

4 -Entwickeln Sie eine robuste Datenstrategie und Ökosystem

Maschinelles Lernen benötigt Daten – in der Regel sehr großen Datenmengen. Die Einrichtung eines Prozesses zur effektiven Identifizierung, Beschaffung und Bereitstellung sowie zum Zugriff auf hochwertige Daten und Informationsressourcen ist daher von entscheidender Bedeutung.

Zu diesem Zweck müssen Governance Richtlinien und das Datenökosystem explorative Umgebungen (häufig als Sandbox bezeichnet) sowie Produktionsumgebungen unterstützen. Dies erfordert einen mehrstufigen Ansatz um den Zugang und die Flexibilität aufeinander abzustimmen, ohne dabei Sicherheit, Datenschutz oder Qualität zu opfern.

Die Einführung von nicht traditionellen (großen) Datenquellen, einschließlich unstrukturiertem Text, Sprache, Bildern usw., kann ebenfalls neue Datenverwaltungsfähigkeiten erforderlich machen.

5 -Risikotoleranz der Organisation

Von der Vereinbarung der Kriterien für das, was “gut genug” ist, bis hin zum Verständnis, wie Modelle validiert und entwickelt werden müssen, stellt maschinelles Lernen häufig traditionelle Ansätze der Qualitätssicherung und des Risikomanagements in Frage. Warum? Irgendwann müssen die Trainings- bzw. Testdaten durch Produktivdaten abgelöst werden. Eine echte Validierung ergibt sich erst gegen neue Daten.

6 -Engagement für die Anpassung von etablierten Geschäftsprozessen

Ob es um die Automatisierung eines bestehenden Entscheidungspunkts oder die Bereitstellung eines neuen Produkt- oder Serviceangebotes geht, maschinelles Lernen ist disruptiv. Die Beurteilung möglicher Auswirkungen auf bestehende Geschäftsprozesse, Funktionen und Rollen ist der Schlüssel. Dies bedeutet nicht, dass Sie die möglichen Auswirkungen vor dem Start entwerfen müssen. Aber eine schnelle Kontrolle kann das Potenzial für kostspielige Umstrukturierungen im Nachhinein mindern. Beginnen Sie mit der Frage:

Wenn wir diese Frage beantworten oder diese Hypothese vorlegen, was können wir mit der Information tun?

Wie kann dies bestehende Prozesse beeinflussen?

Sind wir bereit und in der Lage, die notwendigen Änderungen vorzunehmen?

7 – Engagement für neue IT-Praktiken

Nach der Bereitstellung muss die iterative Modellierung und Abstimmung des maschinellen Lernmodells stetig fortgesetzt werden. Die Intervalle, bei der Aktualisierungen erforderlich sind, sind nicht vorhersehbar und entsprechen nicht den herkömmlichen geplanten Bereitstellungsmustern. Folglich erfordert der Einsatz von maschinellem Lernen grundlegend andere QS- und Bereitstellungsmodelle. Die Beibehaltung des Modells ist ein kritischer, fortlaufender Prozess, der so genau wie die anfängliche Modellentwicklung durchgeführt werden muss.

 

Haben Sie noch Fragen?

Unsere Experten unterstützten Sie gerne bei der Verwirklichung Ihrer KI-Strategie.

Sprechen Sie uns an: info@aisoma.de

Ihr AISOMA Team

Verwiesene Artikel:

[1]

Künstliche Intelligenz: Wie Maschinelles Lernen (Machine Learning) funktioniert

[2]

Wie Big Data Analytics und KI (Maschinelles Lernen) Ihr Unternehmen intelligenter machen