Künstliche Intelligenz (KI) ist eine der vielversprechendsten Technologien unserer Zeit. Sie hat das Potenzial, die Art und Weise, wie Menschen und Unternehmen arbeiten, fundamental zu verändern und ganzen Wirtschaftszweigen ein neues Gesicht zu verleihen. Das Beratungsunternehmen PwC prognostizierte 2017, dass im Jahr 2030 KI schon 15,7 Billionen US-Dollar zur weltweiten Wirtschaftsleistung beitragen wird. Wie jeder neuen Technologie schlägt aber auch KI viel Skeptizismus und Unverständnis entgegen. 81 Prozent aller Unternehmenslenker äußerten laut einem Report der Boston Consulting Group, dass sie die Daten und Technologien nicht verstehen, die für KI notwendig sind. In dieser Hinsicht ähnelt KI der Elektrizität – auch sie wurde in der Frühzeit ihrer breiteren Anwendung Anfang des 19. Jahrhunderts als etwas geradezu Mythisches angesehen. Man sah, dass sie funktionierte und Großes bewirken könnte, aber kaum verstand jemand ihre Grundlagen. Wenn man zudem Daten heute oft als das neue Öl bezeichnet, unterstreicht auch das die Rolle der KI als die neue Elektrizität. Denn so wie Elektrizität lange Zeit auf Öl oder anderen Brennstoffen basierte, baut heute die KI auf der umfassenden Auswertung von Daten als „Energieträger“ auf und eröffnet Unternehmen und Gesellschaft dadurch vollkommen neue (Erkenntnis-)Möglichkeiten.
So wie vor 200 Jahren jeder Elektrizität wollte, will heute jeder KI. Und das zu Recht: Einsatzmöglichkeiten und Datenquellen für KI-Lösungen gibt es viele in Unternehmen. Das eine, ultimative Erfolgsrezept für KI-Neulinge unter den Unternehmen gibt es so jedoch leider noch nicht. Aber wenn man ein paar einfachen Regeln folgt, ist der Weg zur KI gar nicht so schwer.
Klare Ziele definieren
Entscheidend für eine erfolgreiche KI-Strategie ist, dass zuerst einmal klar sein muss, welches konkrete Geschäftsproblem überhaupt gelöst und welche Zielsetzungen verfolgt werden sollen. Unternehmen müssen sich zudem klar darüber sein, dass auf allen Ebenen neue Fähigkeiten und damit Fortbildungen gefragt sein werden – von der Managementebene bis zum Entwickler. Selbst gestandene Softwareingenieure müssen noch einmal die Schulbank drücken, damit aus ihnen Data Scientists werden, die Daten korrekt interpretieren und robuste Machine-Learning-Modelle entwickeln können. Für eine erfolgreiche KI-Strategie muss sich zudem die gesamte Unternehmenskultur verändern und das permanente Experimentieren mit neuen, datengetriebenen Geschäftsideen in den Vordergrund rücken.
Die zweite große Herausforderung ist es, der KI-Lösung qualitativ hochwertige Daten zur Verfügung zu stellen. Denn mit ihnen müssen die zugrundeliegenden KI-Modelle trainiert werden. Unzuverlässige KI-Anwendungen sind nicht selten auf unzureichende, schlechte oder fehlerhafte Daten zurückzuführen – selbst, wenn der Algorithmus an sich korrekt ist. Es ist letztlich auch hier ähnlich wie mit Öl und Elektrizität: Eine schlechte Brennstoffqualität führt zu niedrigerer Energieausbeute.
Die Leiter zur Künstlichen Intelligenz
Um eine hohe Datenqualität zu gewährleisten, muss vorab geklärt werden, welche Daten auf welche Weise gesammelt, organisiert und analysiert werden sollen. Das Ziel ist eine agile und bereichsübergreifende Datennutzung jenseits klassischer Silos. Nötig sind Sammlung, Organisation, Analyse und Nutzung von Daten. Diese vier Schritte bildet die IBM „KI-Leiter“ ab. Nur wenn jede der Leitersprossen stabil ist, können Unternehmen emporsteigen und KI erfolgreich im Unternehmen etablieren. Konkret heißt das:
- Schritt: Daten sammeln, und zwar möglichst alle Datenformate, strukturiert und unstrukturiert aus verschiedenen Quellen und Kanälen. Datenbanken müssen dabei die Eingabe und Abfrage von Informationen für eine Vielzahl von Nutzern an jedem Ort und in jeder Sprache ermöglichen.
- Schritt: Daten organisieren, damit die Daten einsatzfertig sind, also bereinigt, vollständig und datenschutzkonform. Die Daten müssen katalogisiert werden, damit die benötigten Datensätze gefunden werden. Und nur berechtigte Nutzer dürfen Zugang zu den für sie relevanten Informationen haben.
- Schritt: Daten analysieren, um mit ihnen die KI-Lösung aufzubauen und für ausgewählte Prozesse einzusetzen, die „Maschine“ weiter zu trainieren und zu verbessern. Entscheidend ist, dass die Daten von guter Qualität und damit als Trainingsmaterial geeignet sind.
- Schritt: KI etablieren, und zwar prozess- und bereichsübergreifend im gesamten Unternehmen, von der Lohnbuchhaltung über die Kundenbetreuung und das Marketing bis hin zu Produktion und Logistik.
Sehen Sie Autor Stephan Schnieber live beim DATA festival #online: kostenfrei anmelden
Mit IBM Cloud Pak for Data an die Spitze der KI-Leiter
Genauso wie heute niemand mehr umständlich eine Leiter selber bauen muss (man kann ja dankenswerterweise einfach in den Baumarkt fahren), muss auch beim Thema KI niemand ganz von vorne anfangen. Fertige Lösungen wie das IBM Cloud Pak for Data (CP4D) helfen Unternehmen, diese vier Schritte sicher zu bewältigen. CP4D ist eine Multi-Cloud-fähige, Open-Source-basierte Daten- und KI-Lösung. Auf Basis der Red Hat OpenShift Container Platform kombiniert sie IBM Watson-KI-Technologie mit der IBM Hybrid Data Management Platform und mit DataOps sowie Governance- und Business-Analytics-Technologien. Sie führt Datenbestände aus unterschiedlichsten Quellen, auch von verschiedenen Cloud-Anbietern wie AWS und Microsoft, und Abteilungen zusammen und schafft eine einheitliche Datenplattform sowie abteilungsübergreifende Tools für alle Nutzergruppen. Trotzdem erhält jeder einzelne Nutzer nur Zugriff auf die Informationen und Werkzeuge, die er für seine Aufgabe benötigt.
Modular und offen zum Erfolg
Das modulare Baukastensystem des CP4D ermöglicht den Betrieb auf Standard-Hardware oder als vorkonfigurierte Hard- und Software-Kombination. Unternehmen können die Software schnell integrieren und so auch ohne große IT-Ressourcen schnell KI-Kapazitäten aufbauen. Zudem lässt sich IBM Cloud Pak for Data problemlos mit dem wachsenden Angebot an Micro-Services von IBM und Drittanbietern erweitern und wächst dadurch mit den Ansprüchen des Unternehmens mit. Die gesamte Lösung baut auf Open-Source-Software auf und kann sich dank ihrer Offenheit wie eine Klammer um die gesamten vorhandenen Systeme und Daten legen.
Man sieht, dass KI, ähnlich wie die Elektrizität, kein Buch mit sieben Siegeln bleiben muss, das sich nur Eingeweihten öffnet. Natürlich bleibt die KI-Leiter selbst damit eine Leiter, die Schritt für Schritt bewältigt wird. Aber das IBM Cloud Pak for Data hilft, sie sicher zu erklimmen und KI erfolgreich im Unternehmen zu etablieren. Und der unbestreitbare Aufwand lohnt sich für alle – sowohl für das einzelne Unternehmen, für die Mitarbeiter als auch für die Gesellschaft als Ganzes. Denn so wie wir uns heute ein Leben ohne Elektrizität nicht mehr vorstellen können (das Lesen dieses Textes auf einer Website wäre z. B. schlicht und einfach unmöglich), werden unsere Nachfahren in 200 Jahren KI als eine alltägliche Selbstverständlichkeit begreifen.
Mehr Informationen zu IBM Cloud Pak for Data
Mehr Informationen zur IBM KI-Leiter
Erleben Sie IBM am 25.3. beim DATA festival #online
Panel – Trustworthy AI: Striking the balance between ethics and innovation
- Many companies are now moving to comprehensive AI projects. Increasingly, the issues of trust and transparency are playing a more important role in ensuring confidence in AI results. In this panel we want to discuss how organisations can ensure compliance with ethical and social norms, and create trust in their systems and AI-models among users and other stakeholders, internally and 3rd party. Listen to top AI experts in the panel discussion, which is part of the DATA festival #online.
Speakers:- Prof. Dr. Ulrike Reisach (Neu-Ulm University of Applied Sciences)
- Katharina Schüller (STAT-UP GmbH/Vorständin Deutsche Statistische Gesellschaft)
- Andrea Martin, Leader IBM Watson Center Munich & Member AI Adivsory Board Bavaria
- Dr. Carsten Bange, BARC GmbH
> Kostenfrei anmelden Use Case - When will your customers pay their bills? From forecasting to process integration
Following the Cross-Industry Standard Process for Data Mining (CRISP-DM) different time-to-event and regression models were evaluated and deployed. We will discuss the challenges of delivering these new-found insights to the business department and integrating it into the system landscape and the cash forecasting process.
> Kostenfrei anmelden
Die IBM AI Ladder: hier das komplette Dokument ohne Login einsehen (PDF)
Stephan Schnieber ist Sales Leader IBM Cloud Pak for Data
Aktuelle Beiträge
-
Künstliche Intelligenz braucht ethische Leitplanken
-
Alternative Data: Warum lohnt sich der Blick über den Daten-Tellerrand?
-
Data Science-Projekte: Drei Hindernisse auf dem Weg zum Erfolg
-
"Es fällt vielen Branchen schwer, die Potenziale der Digitalisierung zu erkennen."
-
Die IBM KI-Leiter: Mit KI ganz nach oben
-
Von einfachen Data Catalogs zu intelligenten Systemen
BI & Big Data Events
News
Weitere News-
Neues TDWI Poster "Process Mining - Datenanalyse in Prozessen zur digitalen Prozessoptimierung"
-
Prognosen 2022: So verschafft smarte Datennutzung Unternehmen Wettbewerbsvorteile
-
Flughafen München: Weniger Lärm und Schadstoffe dank Data Analytics
-
Digitalisierung: Sieben von zehn Deutschen halten Politik für ahnungslos
-
CoPlanner erweitert seine Geschäftsführung
-
Die Kaufprioritäten der Analytics- und BI-Käufer sollten datengetrieben sein