Triple KI: Die drei Säulen erfolgreicher KI-Implementierung im Unternehmen

Blogreihe Data Science
Blogreihe Data Science
Triple KI – Data Science durchgängig gedacht! Claudia Dukino und Damian Kutzias promovieren zu der Frage, wie datenbasierte Projekte erfolgreich zu anwendbaren KI-Lösungen umgesetzt werden können. In einer gemeinsamen Blogreihe bündelt das KI-Tandem seine Kompetenzen und Forschungsergebnisse und veranschaulicht, wie die Verzahnung von Prozessen, Tätigkeiten und Technologien von der Ideengenerierung bis hin zur Inbetriebnahme neuer Lösungen in Unternehmen Mehrwerte schaffen kann.

Künstliche Intelligenz (KI) hält als Technologie immer stärker Einzug in unseren gesellschaftlichen und betrieblichen Alltag. Doch die Einführung von Künstlicher Intelligenz ist weit mehr als eine technische Herausforderung: Um KI wirklich systematisch zu implementieren und damit die nächste technologische Stufe der Unternehmensentwicklung zu erreichen, reicht das Sammeln, Aufbereiten und Auswerten von Daten in hinreichender Qualität und Quantität bei weitem nicht aus. KI-Applikationen sind oft nur so gut wie die Organisation und die Menschen, die mit dieser neuen Technologie arbeiten – und wer für sein Unternehmen das tatsächliche Potenzial dieser Technologie erschließen will, muss alle drei Säulen miteinander in Einklang bringen: Mensch, Technik und Organisation. Ist Ihr Unternehmen reif für KI?

Die übersehenen Erfolgsfaktoren bei der KI-Implementierung

Die breite Literatur zum Thema KI und entsprechender Projekte übersieht gerne, dass KI mehr benötigt als technische Voraussetzungen und qualifizierte Daten. Die vermeintlich »neue« und spannende Technologie und ihre Anwendungsfälle stehen im Fokus, der Faktor Mensch sowie die Unternehmensstrukturen, insbesondere bestehende Systeme und Prozesse, werden oft nur rudimentär oder am Rand behandelt, manchmal sogar gar nicht. Die Relevanz dieser Themen für klassische Projekte ist längst bekannt, aber gerade im Bereich von KI, wo sie besonders wichtig wären, werden sie oft ausgespart. Kaum verwunderlich, dass Projekte scheitern – meist nicht aus technischen Gründen. Erfolgreiche KI muss die drei Säulen einer systematischen Veränderung in Einklang bringen, damit jede die Last der anderen mittragen kann: die Menschen, die Organisation und die technischen Systeme müssen in Einklang gebracht werden:

Menschen: Die wichtigste Ressource für erfolgreiche KI

Mit den Informationen, die in den Daten stecken, zeigt sich erst das Potenzial eines KI-Projekts und die fachlichen Mitarbeitenden können am besten abschätzen, welches Wissen in den vorhandenen Daten steckt, und Projekten somit eine realistische Zielsetzung geben. Wird der Mensch zudem bei Entwicklung und Einführung nicht berücksichtigt, kann Akzeptanz und Verständnis gegenüber KI-Lösungen nicht aufgebaut werden und Störungen sind vorprogrammiert. Medien und Marketing stellen KI oft vergleichbar zu Filmen wie Terminator und Matrix dar: als Roboter und Systeme, die teilweise menschenähnlich sind und auch neuen Situationen gut begegnen können. Unsere heutige KI ist jedoch schwach in dem Sinn, dass sie sehr fokussiert Probleme lösen, aber mit großen Änderungen in den Daten nicht gut umgehen kann. Dennoch handelt es sich oft um eine »magische Black Box«, die aus Daten »irgendwie« Ergebnisse erzeugt. Sollen Menschen mit KI zusammenarbeiten, ist also ein gutes Verständnis für die Akzeptanz, Förderung und Zusammenarbeit besonders wichtig.

Systeme: KI vernetzt und vorausschauend denken

Die technische Nutzbarmachung von KI-Systemen geht oft weit über die einfache Installation einer Software und Anbindung an eine Datenbank hinaus. Mit zunehmenden Datenmengen, Sensorik und bestehenden Anwendungen, die ergänzt werden sollen, stellen sich auch grundlegende Fragen zur Gesamtarchitektur. Innerhalb eines Projekts kann möglicherweise noch mit manuellen Datenexporten gearbeitet werden, aber in der Praxis ist der Bedarf an integrierten Datenquellen, bestehenden Systemen und einem praxistauglichen Gerätemanagement für die Verwaltung von Sensorik oft unumgänglich. Wie sieht also das System aus, wo liegen Integrationspunkte, die implementiert werden müssen und wie behandelt man das Thema, ohne sich unnötige technische und organisatorische Schulden für die Zukunft aufzuhalsen?

Organisation: KI muss in Prozesse integriert werden

Die Organisation als Ganzes bildet dem Rahmen für alle betrieblichen Aspekte. Auch aus Prozessen kann sich sowohl Potenzial zur Optimierung als auch die Notwendigkeit zur Anpassung bei der Einführung ergeben. Welche Prozesse verändern sich, werden neu geschaffen oder entfallen sogar? Auch auf Ebene der Organisationseinheiten und Rollen können sich Änderungen ergeben: neue Aufgaben ergänzen die Verantwortlichkeiten mancher Bereiche und auch hier können Umstrukturierungen oder die Schaffung neuer Bereiche nötig werden. KI-Systeme müssen wie andere IT-Systeme gewartet werden, brauchen aber über das normale Maß hinaus zusätzliche Qualitätskontrollen, denn Änderungen in den Daten (z. B. durch Änderungen aus der Umgebung heraus) können Einfluss auf die Ergebnisse haben und Anpassungen notwendig machen.

Eine gute Methodik zur strukturierten Durchführung von KI-Projekten muss diese drei Aspekte der datenbasierten Arbeit gemeinsam beachten und in einen durchgehenden Change-Prozess integrieren. Es gibt einige Vorgehensmodelle wie den CRISP-DM (der Industriestandardprozess für Data Mining), welche sich dieser Thematik annehmen, jedoch sind die existierenden Modelle veraltet, unvollständig bzgl. der oben genannten Aspekte oder sehr stark auf konkrete Anbieterunternehmen bezogen, sodass sie nicht durchgängig Anwendung finden können.

Dieser Beitrag ist der Auftakt zu einer Blog-Reihe, in der wir (Claudia Dukino und Damian Kutzias aus dem Bereich Digital Business) uns in den kommenden Monaten mit dieser Herausforderung anhand von Projektphasen beschäftigen werden und dazu Mensch, Technik und Organisation im Einklang betrachten.

Leselinks:

Damian Kutzias

Damian Kutzias

Damian Kutzias unterstützt als wissenschaftlicher Mitarbeiter dabei, KI-basierte Prototypen zu entwickeln und Projektideen durchgängig umzusetzen. Seine Schwerpunkte sind (IoT-)Architekturen, die Analyse zeitabhängiger Daten sowie Data Science-Vorgehensmodelle, also Methodik zur strukturierten Durchführung datenbasierter Projekte.

Autorenprofil

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.