Finden Sie Ihren AI Business Case

Bei der Zusammenarbeit mit Unternehmen zum Einsatz von KI ist mir ein interessantes Muster aufgefallen: Obwohl die meiste Aufmerksamkeit auf Algorithmen, die Infrastruktur zur Datenspeicherung, das Training und die Bewertung von Anwendungen verwendet wird, scheint der schwierigste Teil oft darin zu bestehen, überhaupt ein vielversprechendes Konzept zu entwickeln. Bei der Erkundung vielversprechender Konzepte stellen viele fest, dass es eine große Herausforderung ist, das daraus resultierende ML-Modell von der Prototyping-Phase in den realen Einsatz zu überführen. Dies erfordert Änderungen an den bestehenden Kundenbindungsmodellen, den Produktarchitekturen, den Arbeitsweisen, den gesammelten Daten und oft sogar an den rechtlichen Rahmenbedingungen.

Um vielversprechende Konzepte zu finden, müssen Sie natürlich sowohl den potenziellen geschäftlichen Nutzen als auch die zu erwartenden Kosten für die Einführung eines maschinellen oder Deep-Learning-Modells in einem Produkt, einer Lösung oder einer Dienstleistung untersuchen. Meiner Beobachtung nach tun sich viele jedoch recht schwer damit, potenzielle Konzepte zu entwickeln, die die Vorteile von ML/DL-Modellen nutzen.

Zuvor haben wir das HoliDev-Modell vorgestellt, das zwischen anforderungsgesteuerter, ergebnisgesteuerter und KI-gesteuerter Entwicklung unterscheidet und behauptet, dass jede Art der Entwicklung ihre eigenen Merkmale hat. KI-getriebene Entwicklung gedeiht dort, wo einerseits genügend Daten für Training und Betrieb zur Verfügung stehen und andererseits ein Inferenzproblem gelöst werden soll, das ohne den Einsatz von ML/DL-Techniken besonders schwer zu lösen ist, da es keinen klaren algorithmischen Ansatz gibt. Im Allgemeinen konzentrieren wir uns auf drei Hauptmerkmale, die die wichtigsten Voraussetzungen für ein erfolgreiches KI-Konzept darstellen, d.h. das Entfernen von hartkodierten Antworten, die Verwendung von ignorierten Daten und das Überdenken von negativen RoI-Anwendungsfällen.

Erstens kann es in Situationen, in denen die Systemantwort fest kodiert ist, von großem Vorteil sein, auf jede Anfrage eine Antwort zu geben, die auf den verfügbaren Informationen basiert. Das offensichtliche Beispiel ist die Online-Werbung, wo Unternehmen wie Google und Facebook ständig versuchen, genauere Profile von Nutzern zu erstellen, um relevantere Anzeigen zu schalten, anstatt den Leuten eine zufällige Anzeige zu zeigen. KI-Modelle können, insbesondere wenn ein guter algorithmischer Ansatz fehlt, bessere Antworten liefern, indem sie auf der Grundlage der verfügbaren Daten trainieren.

Zweitens gibt es zahlreiche Situationen, in denen verfügbare Daten einfach ignoriert werden, weil der Mensch nicht in der Lage ist, darin Muster zu erkennen und folglich einen mathematischen Ansatz zur Lösung eines bestimmten Problems zu verfolgen. Ein interessantes Beispiel ist die Steuerungstechnik, wo mehrere Unternehmen daran arbeiten, traditionelle P-, PI-, PD- und PID-Regler durch KI-Modelle zu ergänzen oder zu ersetzen. Der Grund dafür ist, dass herkömmliche Controller auf der Grundlage eines theoretischen Modells arbeiten, wie sich ein System als Reaktion auf Steuersignale verhalten sollte. In der Praxis reagiert kein reales System vollständig gemäß der Theorie und KI-Modelle können die Qualität der Steuerung verbessern, indem sie alle Daten berücksichtigen.

Drittens ist der schwierigste Fall der, bei dem die Kosten für die Sammlung von Daten für die menschliche Interpretation eine negative Kapitalrendite zur Folge hatten, da der Aufwand für die Nutzung der Daten zu hoch war. Mit den sinkenden Kosten für Sensoren, Computerressourcen und Kommunikation gibt es jedoch immer mehr Fälle, in denen das Sammeln von Daten zur Verwendung durch ein KI-Modell tatsächlich profitabel wird.

In dieser Kategorie sind die lohnendsten KI-Geschäftsfälle zu finden. Ein bekanntes Beispiel ist die Stimmungsanalyse in den sozialen Medien. Die Menge der Daten in den sozialen Medien übersteigt bei weitem die Fähigkeit selbst großer Teams, die Stimmung z.B. zu einem Produkt oder einem Unternehmen im Auge zu behalten, und deshalb hat man es nicht einmal versucht. Mit dem Aufkommen von ML-Ansätzen ist es jedoch durchaus möglich, Echtzeit-Dashboards zum Stand der Stimmung zu erstellen, und Unternehmen nutzen diese Erkenntnisse für ihre Entscheidungsfindung.

Abschließend lässt sich sagen, dass bei aller Konzentration auf KI-Algorithmen, Daten und Training eine der größten Herausforderungen die Identifizierung interessanter Geschäftsfälle und die Bewertung der Machbarkeit und Wünschbarkeit jedes einzelnen Falles bleibt. Ich habe drei Kategorien von Fällen erörtert, die Ihnen bei der Identifizierung Ihres KI-Business Case als Inspiration dienen können.