KI-Projekte der aspectivo Spezialisten | Innovation mit Impact
Erfolgreiche KI-Projekte
Unsere Learnings aus 15 Jahren mit KI-Projekten
Taktischer Trumpf: Künstliche Intelligenz & Machine Learning
Mit der fortschreitenden Digitalisierung nutzen Unternehmen mit zunehmendem Erfolg auch die Möglichkeiten von künstlicher Intelligenz und Machine Learning (IBM AI Adoption Report 2022).
Die Einsatzmöglichkeiten dieser Technologien sind branchenübergreifend enorm. Sie unterstützen Unternehmen dabei, Prozesse zu automatisieren, datenbasierte Entscheidungen zu treffen, individualisierte Customer Experience zu schaffen, Risiken zu managen und Kosten zu optimieren. Durch den Einsatz von KI und Machine Learning können Unternehmen auf diese Weisen nicht nur ihre Effizienz steigern und neue Geschäftsmöglichkeiten erschließen, sondern auch taktische Wettbewerbsvorteile erzielen.
Einen Eindruck der vielseitigen Einsatzmöglichkeiten in Bereichen von der Produktion über Mobility bis hin zur Landwirtschaft geben auch von uns umgesetzte KI-Projekte. Mehr Informationen dazu finden Sie in unserem Referenz-Portfolio mit markterprobten KI-Lösungen.
Was ist ein KI-Projekt?
Mit dem wachsenden Bedarf an KI steigt in Unternehmen auch die Zahl durchgeführter Projekte zur Einführung von künstlicher Intelligenz und Machine Learning, sogenannter KI-Projekte. Umfang und Ziele der Projekte unterscheiden sich jedoch fundamental in einzelnen Unternehmen:
KI-Projekt im vollständig digitalisierten Unternehmen.
In diesen Unternehmen sind die Voraussetzungen für KI ideal. Daten sind sicher und einfach zugänglich, die Technologie zum verlässlichen langfristigen Betrieb von KI (sogenanntes ML Ops) sind vorhanden und Mitarbeiter sind im Umgang mit KI versiert. Die Entwicklung zusätzlicher KI-Module ist unter diesen Voraussetzungen mit geringem Aufwand verbunden. Ein KI-Projekt wird in diesem Rahmen ähnlich umgesetzt wie bei der Entwicklung klassischer Software.
KI-Projekt im durchschnittlichen deutschen Großunternehmen
Im typischen deutschen Großunternehmen mit internationalen Strukturen wurden in den vergangenen 5 bis 10 Jahren solide Grundlagen für KI gelegt. Daten wurden in zentralen Data Lakes zugänglich gemacht und erste KI-Systeme wurden erfolgreich in Produktion genommen. ML Ops-Fähigkeiten der Systeme sind in diesen Unternehmen aber noch gering und Prozesse zur Inbetriebnahme von KI sind unvollständig. Für ein KI-Projekt ist es daher wichtig relevante Ressourcen einzuplanen, um wichtige Fragen zur Gewährleistung von Sicherheit und Betriebsstabilität einer KI mit Corporate-Governance-Rollen abzustimmen. Die Einführung neuer Anwendungen oder die Erweiterung bestehender KI-Lösungen ist in solchen Organisationen daher bislang mit zusätzlichem Aufwand verbunden, üblicherweise ist dieser höher als bei der Entwicklung klassischer Software.
KI-Projekt für das kleine und mittelständische Unternehmen (KMU).
Auch für KMU in Deutschland ist der Einsatz von KI interessant. Daten sind in vielen Fällen aber noch in Silos gespeichert, müssen gesichtet, verfügbar gemacht und zusammengeführt werden. Der Schwerpunkt von KI-Projekten liegt in dieser Situation auf der Identifikation der richtigen Use Cases, die einen schnellen deutlichen Mehrwert bei möglichst geringen Kosten ermöglichen. Dabei lohnt sich nach unserer Erfahrung ganz besonders der Einsatz agiler Methoden. Sie bieten eine effiziente Struktur zur Exploration von Möglichkeiten bei sehr individuellen Rahmenfaktoren. In Verbindung mit eng getakteten Retrospektiven werden relevante Roadblocker rasch erkannt und praktische Erfahrung bei den Mitarbeitern aufgebaut.
Herausforderungen in KI-Projekten
In unserer Tätigkeit als KI-Spezialisten durften wir reichhaltige Erfahrung sammeln mit der Implementierung von künstlicher Intelligenz in Unternehmensstrukturen. Wie bei allen Erfahrungen ist auch unsere Lernkurve gekennzeichnet durch das Testen, Scheitern und Verbessern. Ganz besonders ist uns dabei aufgefallen, dass KI-Projekte im Vergleich zu klassischer Software-Entwicklung verbreitete und doch gut lösbare Herausforderungen mit sich bringen:
So sind in KI-Projekten einerseits häufig besonders kreative und vielseitige Herangehensweisen beim Design von KI-Anwendungen möglich. Das ist erst einmal ein Vorteil dieser Technologie, der genutzt werden kann, um kraftvolle Visionen zu verwirklichen. Prinzipiell eröffnet dies zudem die Möglichkeit, Lösungen so passgenau zu gestalten, dass Kosten für die Systemintegration gering bleiben.
Andererseits erschwert diese Vielseitigkeit von KI in Verbindung mit einer hohen Komplexität die verlässliche Planung von Projekten, denn unter Umständen müssen Anforderungen an eine Anwendung erst im Laufe eines Projektes validiert werden. Typische Zielvorgaben reichen dabei von einer hohen Treffsicherheit künstlicher Intelligenz, über Vorgaben hinsichtlich des Schutzes vom Daten, Compliance und IT-Sicherheit bis hin zum Wunsch nach der unkomplizierten Integration einer KI in die bestehenden Systeme eines Unternehmens.
Die hohen multidisziplinären Anforderungen in Verbindung mit einer großen Zahl an Umsetzungsmöglichkeiten bedeuten ein Risiko, an dem etliche KI-Projekte scheitern. Um dieses Risiko zu verringern, empfehlen wir die Planung von KI-Projekten mit besonders verlässlich untermauerten Milestones. Eine wichtige Grundlage dafür ist die frühzeitige praktische Erprobung von Umsetzungs-Optionen in Bezug auf ihr Potenzial und Implementierungs-Risiken.
Vorteil der frühzeitigen Bewertung von KI-Lösungen
Zur Definition erreichbarer und belastbarer Milestones gewinnt nach unserer Erfahrung die frühe Planungsphase eines KI-Projektes an besonderer Wichtigkeit. Anpassungen des Lösungs-Designs sind zu diesem Zeitpunkt unkompliziert, wohingegen konzeptionelle Anpassungen im späteren Projektverlauf ein größeres Redesign der Architektur erforderlich machen können.
Praxis-Beispiel: Ziele und Anforderungen verändern sich während eines KI-Projektes
Denken Sie hier beispielsweise an KI-Lösungen zu Personalisierung der Customer Experience: In mittlerweile verbreiteten agilen Setups, die Methoden zur inkrementellen Feature-Entwicklung nutzen, ergibt sich naturgemäß öfter der Bedarf zur nachträglichen Erweiterung einer Lösung. Möglicherweise soll ein weiterer Customer Touchpoint auf Grundlage zusätzlicher Daten personalisiert werden, die in einer ursprünglichen Lösung nicht vorgesehen waren.
Zu bedenken gilt es dabei, dass die Verknüpfung und gegebenenfalls die Anonymisierung von Nutzerdaten in bestehenden Datenquellsystemen in vielen Fällen sicherer und einfacher ist als die nachträgliche Verbindung von Daten innerhalb komplexerer KI-Umgebungen. Die Anbindung der Lösung an das Datenquellsystem sollte daher in diesem Fall unter technischen wie auch rechtlichen Gesichtspunkten nicht zu statisch konzipiert sein und späteren Anpassungsbedarf antizipieren. Anderseits erhöht starke Flexibilität insbesondere im Fall sehr komplexer Lösungen den Aufwand der Steuerung und Absicherung von KI-Projekten.
Eine frühzeitig und bewusst gewählte Balance von Flexibilität und Struktur einer KI-Lösung ist daher die Grundlage für gut planbare KI-Projekte bei gleichzeitiger Minimierung der Projektkosten auf das notwendige. Es gilt hier das Prinzip:
Projekt-Tipp: Entwerfen Sie eine KI-Anwendung funktional so kompakt wie möglich, aber dennoch so flexibel wie nötig.
Unsere Learnings: Der aspectivo® AI-Incubator-Prozess für erfolgreiche KI-Projekte
Angesichts der vielfältigen Einsatzmöglichkeiten von KI und der individuellen Gegebenheiten in Unternehmen ist die Findung der beschriebenen Balance am Anfang eines Projektes nicht immer offensichtlich. Daher empfehlen wir in vielen Fällen die vorgelagerte Härtung eines KI-Konzeptes bei geringen Kosten. Diese Empfehlung gilt unabhängig von der späteren Zusammensetzung eines Projekt-Teams, dem Vorwissen der Mitarbeiter und den eingesetzten agilen oder klassischen Methoden zur Projektsteuerung.
Zur Adressierung dieses elementaren Bedarfs unterstützen wir Kunden mit dem aspectivo AI-Incubator-Prozess, einer Inkubator-Methode in Verbindung mit funktionellem Rapid Prototyping. Das Ziel ist die schnelle Schärfung sowohl der Vision und Einsatzmöglichkeiten von künstlicher Intelligenz als auch die frühzeitige Konkretisierung von langfristigen Anforderungen an eine Lösung.
Unabhängig davon, ob wir hoch-skalierbare KI für einen internationalen Großkonzern oder sehr spezifische Optimierungslösungen für deutsche KMU entwickeln, ähnelt sich die Methodik des Vorgehens in dieser, einem KI-Projekt vorgelagerten, Phase:
Der AI-Incubator-Prozess
Klärung der Motivation
Die Erwartungen von Unternehmen an Digitalisierung und den Einsatz von Künstlicher Intelligenz sind vielfältig. Typische Ziele für KI-Projekte sind:
- Ich unterhalte einen kostenintensiven Prozess im Unternehmen. Kann ich die Kosten mit KI reduzieren?
- Ein Wettbewerber hat einen KI-Anwendungsfall mit Erfolg umgesetzt. Lässt sich die Anwendung auf unser Unternehmen übertragen?
- Wir möchten unsere Produkte und Services mit innovativen Features auf Basis von KI wettbewerbsfähiger machen. Wie kann diese Technologie in das Produkt oder den Service integriert werden?
- Wir verfügen über aussagekräftige Daten. Wie können wir diese mit Hilfe von künstlicher Intelligenz monetarisieren?
- Unser Unternehmen befindet sich in der digitalen Transformation. Kann ich mit innovativen KI-Projekten Impulse geben und unsere Vision greifbar machen?
Detaillierung der Anforderungen
Auf Grundlage der individuellen Erwartungen konkretisieren wir die Ziele für ein KI-Projekt. Dabei werden erfolgreiche Anwendungsfälle aus der Industrie und individuelle Rahmenfaktoren berücksichtigt. Leitfragen in dieser Phase sind:
- Ist ein KI-Anwendungsfall vielversprechend unter wirtschaftlichen und fachlichen Gesichtspunkten?
- Sind ethische Fragen beispielsweise im Hinblick auf Privatsphäre und Gleichbehandlung zu klären?
- Wie sind ist die Qualität und Verfügbarkeit von Daten im Unternehmen?
- Erlauben die IT-Systeme eines Kunden den sicheren Betrieb und das Monitoring komplexer KI Software oder sind Anpassungen der IT-Architektur notwendig?
- Mit welchen Mitteln soll die Wartbarkeit und künftige Weiterentwicklung von Algorithmen sichergestellt werden?
- Wie wird das notwendige Fachwissen und Kompetenzen im Unternehmen aufgebaut und gehalten?
Proof of Concept für eine verlässliche Planung
In dieser Phase des AI-Incubator-Prozesses wird der Mehrwert einer KI-Lösung in der Praxis validiert. Mit Methoden des Rapid Prototyping wird zu diesem Zweck eine funktionale Minimallösung, ein Minimum Viable Product, entwickelt. Der Fokus liegt dabei in der Regel auf der Entwicklung und Erprobung benötigter KI-Algorithmen. Dabei wird der Einsatz von Ressourcen minimiert, indem die Integration von IT-Systemen, die Automatisierung von Daten-Pipelines und die Entwicklung von UX soweit möglich zurückstehen. Ergebnisse dieser Phase sind:
- Die transparente Bewertung der erzielbaren Treffsicherheit, Robustheit und Fairness einer Lösung mit sogenannten Kreuzvalidierungstechniken.
- Die Erkennung von möglichen Sonderfällen technischer oder wirtschaftlicher Natur, die besondere Berücksichtigung erfordern.
- Die Schärfung technischer Anforderungen hinsichtlich notwendiger Komplexität einer Lösung auf der einen Seite und eines sicheren Betriebs und späterer Anpassungsmöglichkeiten auf der anderen.
- Gegebenenfalls das Erheben von Feedback von Kunden, Produktentwicklern und weiterer Stakeholder.
Detail-Planung und Implementierung der Produktiv-Lösung
Auf Grundlage der vorausgegangenen technischen und wirtschaftlichen Use-Case-Validierung wird im nächsten Schritt der detaillierte Projektplan für die erfolgreiche Ziellösung erarbeitet.
