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.
Welche Rolle spielen Prozesse bei künstlicher Intelligenz (KI) und datenbasiertem Arbeiten? Wie können datenbasierte (KI-)Projekte erfolgreich umgesetzt, Optimierungspotenziale geschöpft und Risiken minimiert werden? Prozesse können über den Erfolg oder Misserfolg Ihrer KI entscheiden – wir machen Sie hier sattelfest für Ihr erfolgreiches KI-Projektmanagement.
Geschäftsprozesse in KI-Projekten
Geschäftsprozesse beeinflussen als zentraler Bestandteil von Unternehmen maßgeblich die Effektivität und Effizienz der Arbeit.
Zum einen gibt es Prozesse, die eine direkte und zentrale Rolle für Unternehmen spielen (primäre Prozesse), wie beispielsweise die Abläufe der Fertigung eines Produkts. Daneben gibt es viele Prozesse, die eher im Hintergrund ablaufen und die Voraussetzungen für bestimmte Arbeitsweisen schaffen (sekundäre Prozesse), beispielsweise das Warten einer Maschine. Bei KI kommen je nach Anwendungsfall und zu erwartenden Änderungen in den Daten oft zusätzliche sekundäre Prozesse hinzu: z. B. das kontinuierliche Überwachen und Verbessern von KI-Lösungen.
Geschäftsprozesse existieren vor und nach Projekten. Zu Projektbeginn sind sie besonders für die Zielfindung sowie Anforderungsanalyse relevant. Gegen Projektende werden sie wieder wichtig, wenn Ergebnisse nutzbar gemacht und dadurch Geschäftsprozesse geändert oder neu in der Praxis etabliert werden. Geschäftsprozesse zu schaffen und zu optimieren ist oft das Ziel von KI-Projekten. Eine Übersicht der Einordnung der verschiedenen Prozesse zu Projektphasen ist in Abbildung 1 dargestellt.
Von Data Science bis Change: Prozesse in KI-Projekten
Neben den Geschäftsprozessen, welche die reguläre Arbeit bestimmen, gibt es auch jene, welche besonders im Projektkontext auftauchen. Dabei kann man die folgenden Varianten unterscheiden:
- Data-Science-Prozesse bestimmen, wie datenbasierte Projekte strukturiert sind und haben eine enge Verzahnung mit den Projektinhalten sowie dem zugehörigen Projektmanagement.
- Technische Prozesse kommen bei der technischen Umsetzung der (KI-)Projekte vor. Dabei sind insbesondere Aufbereitung und Analyse von Daten relevant.
- Change Prozesse beziehen sich auf die Änderungen der menschlichen Arbeit. Menschen sind bekanntlich Gewohnheitstiere, was gleichzeitig gut und schlecht ist: bekannte Prozesse rutschen in das menschliche Unterbewusstsein und gehen mit steigender Erfahrung zunehmend leichter von der Hand. Umgekehrt fällt mit ebendieser Erfahrung die Änderung der Prozesse immer schwerer, was ohne gezielte Umgewöhnungsphase in der Praxis häufig Probleme mit sich bringt.
Abbildung 1: Arten verschiedener Prozesse im Kontext datenbasierter Projekte auf Basis von »Processes in Data Science Projects«, Kutzias und Dukino, 2022
Prozesse in KI-Projekten handhaben
Worin unterscheiden sich die Prozesse in datenbasierten Projekten von jenen in anderen Projekten? In der Relevanz in der jeweiligen Phase! Hier trennt sich dann die Spreu vom Weizen und die Projektmanager, die den Durchblick haben, sind klar im Vorteil. Durch neue Technologie und die oftmals in KI-Lösungen verbauten »Black Box-Komponenten« ergibt sich die oben genannte Wichtigkeit der technischen Prozesse. Es entstehen neue Anforderungen wie die Erklärbarkeit von KI-Lösungen an Mensch-KI-Schnittstellen, welche durch formalisierte Prozesse abgeleitet werden können. Je nach Berührungsängsten und Fortbildungsbedarf betroffener Mitarbeitender variieren die Change Prozesse in Umfang und Inhalt.
Vermeiden Sie Risiken und steigern Sie die Effizienz Ihrer KI-Projekte
Die Grundregel ist bei datenbasierten Projekten jedoch die gleiche wie bei anderen Projekten: Mit hohem Verständnis der wichtigen Prozesse und guter Planung (beispielsweise durch Formalisierung von Prozessen) können Risiken vermieden, Effizienz gesteigert und Ergebnisse verbessert werden. Bekannte Werkzeuge und Modellierungsverfahren wie Aktivitätsdiagramme der UML (Unified Modeling Language) oder BPMN (Business Process Model and Notation) können ohne Bedenken verwendet werden. Das Rad muss also nicht neu erfunden werden, lediglich die Perspektive von KI-Projekten und deren Kontext ist anders.
Dieser Beitrag ist Teil einer Blog-Reihe, in der wir (Claudia Dukino und Damian Kutzias aus dem Bereich Digital Business) uns in den kommenden Monaten mit den Herausforderungen datenbasierter Projekte beschäftigen und dazu Mensch, Technik und Organisation im Einklang betrachten werden.
Leselinks:
- Künstliche Intelligenz am Fraunhofer IAO
- Blogbeitrag »Triple KI: Der Teamfaktor bei der erfolgreichen Implementierung« von Claudia Dukino
- Processes in Data Science Projects
Kategorien: Künstliche Intelligenz
Tags: Blogreihe Data Science, Data Science, KI - Künstliche Intelligenz, Projektmanagement, Prozesse