KI-Implementierung: Aus Unternehmensdaten mehr herausholen

Mann in Anzug tippt auf Tablet

Abgesehen von der Digitalwirtschaft stehen viele Unternehmen beim Thema Künstliche Intelligenz (KI) noch am Anfang. Unser Beispiel zeigt, wie KI das Potenzial vorhandener Daten ausschöpft, bessere Entscheidungen ermöglicht und repetitive Arbeit überflüssig macht. Wichtig ist, dass die Methode zur Anwendung passt und konsistente Daten vorliegen.

KI verspricht, Prozesse zu vereinfachen, zu beschleunigen und allgemein zu verbessern. Im Alltag haben wir es ständig mit intelligenten Anwendungen zu tun, die viele Menschen selbstverständlich nutzen, ohne groß darüber nachzudenken. Ein Beispiel ist die Ähnlichkeitsanalyse. Sie verbirgt sich hinter Chatbots, also automatisierten Service-Dialogen. Sie macht es möglich, dass Banken handschriftliche Formulare per Knopfdruck erfassen können. Sie erleichtert die Recherche ähnlicher Bilder in großen Datenbanken – Google lässt grüßen. Intelligente Tools sind in der Lage, in einer großen Menge an numerischen oder semantischen Informationen bestimmte Muster zu erfassen und zu bewerten. Charakteristisch für KI ist außerdem, dass sie dazulernen und mit der Zeit immer bessere Ergebnisse liefern können.

 

Routine-Reportings automatisieren

In unserer Fallstudie geht es um das Projektportfolio eines internationalen Unternehmens. Das Management nutzt bereits seit längerer Zeit ein Reporting-Tool, um die Projektlandschaft im Blick zu behalten, Fortschritte nachzuvollziehen, Budgets zu kontrollieren und mögliche Synergien zu erkennen. Anfangs kam dabei noch keine KI zum Einsatz. Regelmäßig mussten Mitarbeitende die Berichte sichten und bewerten, um entscheidungsrelevante Trends und Zusammenhänge herauszuarbeiten. Das erforderte mehr Ressourcen als nötig – und ließ möglicherweise interessante Erkenntnisse links liegen, die sich der menschlichen Beobachtung entziehen. Die schiere Zahl und Vielfalt der Projekte, die teils zentral, teils dezentral mit externen Partnern organisiert sind, erschwerte es beispielsweise, Engpässe frühzeitig zu erkennen.


Finde „grünen Wasserstoff“, wo das Schlagwort gar nicht steht

Hier können KI-basierte Analysen helfen, denn sie lesen alle Daten quer, auch Spracheingaben. Anhand statistischer Maße wie Tf-idf (term frequency und inverse document frequency) oder neuronaler Modelle wie BERT (bidirectional encoder representations from transformers) erkennt und gewichtet eine KI verschiedene relevante Begriffe und macht es möglich, inhaltlich verwandte Fälle einer Kategorie zuzuordnen, selbst wenn sie mit unterschiedlichen Begriffen beschrieben sind. Beispiel: Projekt A beschäftigt sich mit „chemischen Energieträgern“, Projekt B mit „Power-to-x“. Ist die KI ordentlich trainiert, kann sie daraus beispielsweise das gemeinsame Thema „grüner Wasserstoff“ ableiten.

 

Diese linguistische Datenverarbeitung (natural language processing) ist bei marktüblicher Software Standard. Schlüsselfertig sind die KI-Tools allerdings noch lange nicht. Sie einsatzbereit zu machen, erfordert viel Vorarbeit – einer der wesentlichen Gründe, warum viele Unternehmen die intelligenten Helfer noch nicht einsetzen. Zwei wesentliche Voraussetzungen sind zu erfüllen:

  • Datenkonsistenz – Alle Eingaben müssen möglichst vollständig, einheitlich formatiert und inhaltlich vergleichbar sein: vom Datum über Geldbeträge bis hin zu Schlagworten. Zu klären ist unter anderem, ob man sich auf eine Landessprache festlegt oder mehrere Sprachen verarbeitet werden sollen.
  • Fundierte Kaufentscheidung – Für Laien sind verschiedene Spielarten der KI nicht leicht auseinanderzuhalten. Häufig ist etwa von Deep Learning die Rede, einer sehr komplexen Untergattung von Machine Learning: Deep Learning basiert auf sogenannten neuronalen Netzwerken und liefert Ergebnisse, die für Menschen nicht mehr Schritt für Schritt nachvollziehbar sind. Für viele Anwendungen bietet sich stattdessen eine KI an, die Ergebnisse auf Basis von definierten Entscheidungsbäumen liefert. Bevor man sich für ein KI-Tool entscheidet, sollte eine fundierte Kosten-Nutzen-Analyse geschehen.

Erfahrungsgemäß besteht die Vorarbeit zu etwa 70 Prozent darin, die Datenstruktur zu analysieren und Daten zu vereinheitlichen. Nicht zu unterschätzen ist auch das Change Management. Bezogen auf unser Fallbeispiel muss das KI-Projekt sämtliche Mitarbeitende ansprechen, die in das Reporting involviert sind oder Daten zuliefern. Nach der KI-Startphase wird es Sache der User sein, dass alle Daten aktuell und vollständig vorliegen. Das Projektteam muss die Stakeholder also vom Nutzen der Technologie überzeugen und sie entsprechend schulen. Sofern das Unternehmen noch keine Spezialisten für Künstliche Intelligenz beschäftigt, ist es nun Zeit, diese Expertise intern aufzubauen.

 

Herantasten an die neue Technologie

Unternehmen, die sich zuvor nicht an KI herangewagt haben, können die Technologie schrittweise einführen. In einem agilen Ansatz beginnt man zum Beispiel mit einer Reporting-Anwendung und sammelt damit erste Erfahrungen. Liefert das Projekt gute Ergebnisse, lassen sich weitere Daten einbeziehen, oder das Unternehmen setzt die Technologie in weiteren Themengebieten ein. Quer über verschiedene operative Bereiche hinweg, die mit Datenaufbereitung und -analysen zu tun haben, sinkt der manuelle Aufwand deutlich. Mitarbeitende werden die KI dann so effektiv und selbstverständlich nutzen, wie wir es von anderen Alltagsanwendungen kennen.

 

07.01.2022 - Grosse-Hornke

Weitere Artikel

2021 Grosse-Hornke Private Consult