Best Practices

So werden AI-Projekte erfolgreich

Blog Post
Von Dr. Klaus Manhart    25. August 2017
Dr. Klaus Manhart hat an der LMU München Logik/Wissenschaftstheorie studiert. Seit 1999 ist er freier Fachautor für IT und Wissenschaft und seit 2005 Lehrbeauftragter an der Uni München für Computersimulation. Schwerpunkte im Bereich IT-Journalismus sind Internet, Business-Computing, Linux und Mobilanwendungen.
AI- und Machine Learning-Technologien beeinflussen inzwischen immer mehr die Wettbewerbsfähigkeit und Innovationskraft von Unternehmen. Wie aber geht man AI-Projekte am besten an – und gestaltet sie möglichst erfolgreich?

Artificial Intelligence (AI) und Maschinelles Lernen (ML) ist für die meisten Unternehmen neu und ganz anders als die herkömmliche IT. Sie erfordert andere Hardware, andere Software und anderes Wissen - etwa über Neuronale Netze. Wenn es darum geht, AI-Projekte umzusetzen tappen viele Unternehmen deshalb im Dunkeln und wünschen sich konkrete Best Practices.

Allerdings gibt es für AI-Anwendungen die vielfältigsten Szenarien und unterschiedlichsten Ausgangspositionen, so dass eine Verallgemeinerung schwierig ist. Die Analysten von Crisp Research haben in ihrer Studie "Machine Learning im Unternehmenseinsatz" trotzdem einige Best Practices und handlungsleitende Empfehlungen herausgearbeitet.

Was im Vorfeld bedacht werden sollte

AI Use Cases lassen sich nicht von heute auf morgen umsetzen. Sie sollten möglichst früh identifiziert und als Prototypen schnell umgesetzt werden. So gewinnen Unternehmen erste Erfahrungen und können Feedback- und Lernprozesse in Gang setzen. Dafür können entweder neue Teams gebildet oder bestehende Teams wie BI- oder Cloud-Teams erweitert werden. Im Vorteil sind hier Unternehmen, die frühzeitig auf Technologietrends setzen und es gewohnt sind, neue Technologien schnell zu realisieren.

Prototypen sind das Eine, doch letztendlich müssen mit AI und ML bestimmte Unternehmensziele erreicht werden. Trotz der frühen Markt- und Entwicklungsphase sollten mit AI-Projekten deshalb auch schon ganz konkrete Zielsetzungen gesetzt werden - wie zum Beispiel eine engere Kundenbindung oder die Minimierung von Fehlern bei Produkten und Dienstleistungen. Die Ziele und die Rolle, die Machine Learning im unternehmenseigenen "TechStack" bzw. der IT-Architektur spielen soll, sollten deshalb schon in einer frühen Phase reflektiert und festgelegt werden.

Start Small and Scale

Geht es an die konkrete Umsetzung müssen sich Unternehmen entscheiden, ob Sie eine eigene AI-Infrastruktur aufbauen oder die Dienste von Cloud-Providern in Anspruch nehmen möchten. Crisp empfiehlt: "Start small and Scale". Damit ist gemeint: Zu Beginn der eigenen AI-Erfahrung sollten AI-Anwender eher auf Cloud Provider setzen, mit steigender Rechenkapazität und eigener Erfahrung dann aber unternehmenseigene Systeme aufbauen und betreiben - also einen hybriden Ansatz verfolgen.

Was das Know-how betrifft ist in jedem Fall immer auch die unternehmensinterne IT-Abteilung gefragt. Machine Learning Algorithmen müssen zum Beispiel verstanden und evaluiert werden. Angesichts der Komplexität des Themas schlägt Crisp Research eine duale Strategie vor.

Skills im eigenen Team sollten sukzessive aufgebaut werden. Business Intelligence- und Analytics-Abteilungen sind hier federführend. Dazu sollte aber zusätzlich professionelle Unterstützung von externen Providern eingeholt werden ("Bridging the Gap"). Externe Berater und professionelle Dienstleister sind laut den Analysten unverzichtbar, um Machine Learning-Strategien erfolgreich umzusetzen

AI erfordert zusätzliche Finanzmittel

Beim Inhouse-Betrieb gilt es zu bedenken: Die anspruchsvollen Anforderungen an Performance und Kosteneffizienz benötigen für das Processing komplexer Machine Learning-Verfahren teils neue Chip-Designs und Hardware-Konzepte. Aber auch neue Software und AI-Plattformen wie Wipro Holmes sollten zur Verfügung stehen. Rechenzentrums- und IT-Betriebskonzepte müssen deshalb für den Machine Learning Einsatz überprüft und gegebenenfalls weiterentwickelt werden.

Nicht zu vergessen ist auch der finanzielle Mehrbedarf. AI-Projekte erfordern wegen zusätzlicher technischer und menschlicher Ressourcen zusätzliche finanzielle Mittel. Um Anfangsinvestitionen in die AI zu rechtfertigen und Ressourcen langfristig neu allokieren zu können schlägt Crisp Resarch vor, Einspar- und Konsolidierungspotenziale durch Prozessoptimierung und Automation zu prüfen.

Bei all dem ist aber auch Geduld angebracht. Machine Learning ist eher ein Langstreckenlauf als ein 100-Meter-Sprint: Die Einführung vom Machine Learning braucht Zeit. Die Entwicklung und das Training komplexer Modelle und Algorithmen ist kein 3-Monatsprojekt. IT-Verantwortliche sollten deshalb eher in Jahren als in Monaten denken.

Und mit der Entwicklung ist es noch nicht getan. Gerade bei AI-Systemen wie etwa digitalen Assistenten oder Chat-Bots, die auf Kunden losgelassen werden, muss auf die Qulitätssicherung geachtet werden - und die Software intensiv getestet werden.