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.

KI-Projekte boomen – doch je komplexer die Herausforderung, desto höher sind die Anforderungen an Planung und Strukturierung. Was ist alles zu berücksichtigen, damit ein Projekt zum erfolgreichen Abschluss gebracht werden kann? Neue, datenbezogene Modelle zur Implementierung können die Erfolgswahrscheinlichkeit vieler KI-Projekte drastisch erhöhen.

Ein methodischer Ansatz: Data Science-Vorgehensmodelle

Data Science-Vorgehensmodelle liefern Unternehmen Blaupausen für die Planung und Durchführung von KI-Projekten. Für datenbasierte (KI-)Projekte ist die Auswahl solcher Modelle noch überschaubar und zudem fehlt oft die integrierte Betrachtung von Mensch, Technik und Organisation. Wir haben relevante Eigenschaften von Vorgehensmodellen untersucht und insbesondere zwei zentrale Charakteristika identifiziert:

  • Durchgängigkeit: ein Modell sollte vom Anfang des Projekts bis zur Nutzbarmachung der Ergebnisse in der Praxis führen und dabei keine wesentlichen Schritte auslassen. Insbesondere Schnittstellen und Interaktionen von Mensch, Technik und Organisation sind dabei wichtig.
  • Werkzeugempfehlungen: Es sollten nicht nur die zu lösenden Herausforderungen genannt sein, sondern auch konkrete Lösungsansätze mit den passenden Werkzeugen angeboten werden. Da Menschen gut mit Beispielen lernen, helfen solche Empfehlungen auch, wenn die Werkzeuge nicht alle eins zu eins im eigenen Projekt angewandt werden können. So können Projektleitende einfacher selbst passende eigene Werkzeuge auswählen.

Data Science-Vorgehensmodelle im Vergleich

Forschung und Praxis rund um Data Science-Vorgehensmodelle sind noch sehr jung und bestehende Modelle haben viele Lücken, insbesondere was Durchgängigkeit und Werkzeugempfehlungen angeht. Nach der Untersuchung der relevanten Inhalte von KI-Projekten haben wir bestehende Modelle in einer vergleichenden Analyse untersucht. Die Ergebnisse lassen sich in der folgenden Tabelle einsehen.

Tabelle 1: Die Ergebnisse der vergleichenden Analyse. Leere Kreise bedeuten, dass ein Inhalt nicht adressiert wurde, halbe Kreise stehen für Randerscheinungen und volle Kreise für explizites Thematisieren. Weiße Felder bedeuten, dass das »Wie« nicht adressiert wurde, hellgrün heißt, dass es adressiert wurde und bei dunkelgrün gibt es konkrete Werkzeugempfehlungen. (Quelle: »Comparative Analysis of Process Models for Data Science Projects«, Kutzias et al., 2023)

Tabelle 1: Die Ergebnisse der vergleichenden Analyse. Leere Kreise bedeuten, dass ein Inhalt nicht adressiert wurde, halbe Kreise stehen für Randerscheinungen und volle Kreise für explizites Thematisieren. Weiße Felder bedeuten, dass das »Wie« nicht adressiert wurde, hellgrün heißt, dass es adressiert wurde und bei dunkelgrün gibt es konkrete Werkzeugempfehlungen. (Quelle: »Comparative Analysis of Process Models for Data Science Projects«, Kutzias et al., 2023)

Während die technischen Inhalte von den meisten Modellen umfangreich behandelt werden, sind insbesondere bei den menschbezogenen sowie organisationalen Aspekten deutliche Lücken erkennbar. Das Fehlen der durchgehenden Adressierung von Herangehensweisen und Werkzeugen fällt dabei besonders auf. Bei KI gibt es zudem auch bei klassischen Projektinhalten Unterschiede im Detail, wie Erklärbarkeit als Anforderung oder menschliche Vorbehalte gegenüber der Technologie. Werden diese vom Projektmanagement nicht berücksichtigt, bringt das vermeidbare Risiken mit sich, die im schlimmsten Fall das Projekt zum Scheitern bringen können.

Lücken erkennen und schließen

Unsere Analyse zeigt, dass derzeit noch kein durchgängiges Vorgehensmodell für KI-Projekte existiert, welches auch umfangreiche Werkzeugempfehlungen gibt. Dennoch können die bestehenden Modelle eine immense Hilfe beim Projektmanagement sein, insbesondere wenn man ihre Lücken kennt und somit gezielt schließen kann. Hier kann unsere Tabelle behilflich sein.

Wir werden in diesem Jahr im Rahmen des Projekts KI-ULTRA ein Data Science-Vorgehensmodell veröffentlichen, welches die Lücken gezielt adressiert, praxisorientiert geschrieben ist und mit Unternehmen verschiedener Größen und Branchen zur Praxisreife weiterentwickelt wurde.

Dieser Beitrag ist Teil einer Blog-Reihe, in der wir (Claudia Dukino und Damian Kutzias aus dem Bereich Digital Business) uns mit den Herausforderungen datenbasierter Projekte beschäftigen und dazu Mensch, Technik und Organisation im Einklang betrachten.

Für die Ausarbeitung und Veröffentlichung der vergleichenden Analyse haben wir mit Prof. Falko Kötter von der Dualen Hochschule Baden-Württemberg Stuttgart zusammengearbeitet.

Leselinks:

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



Kategorien: Digitalisierung, Künstliche Intelligenz, Mensch-Technik-Interaktion
Tags: , , , ,