Mit KI ganz nach oben
Der steile Weg zu künstlicher Intelligenz – durch optimales Datenmanagement ein Spaziergang?

Jeder will sie, nur wenige können sie. Die Rede ist von künstlicher Intelligenz (KI). Gibt es das ultimative Erfolgsrezept selbst für die KI-Neulinge unter den Unternehmen? Das vielleicht nicht, aber einige wichtige Zutaten dürfen nicht fehlen, um den Weg zur KI-Lösung so einfach wie möglich zu machen. Genauso wenig wie die passenden Werkzeuge zur Bewältigung der anstehenden Aufgaben.
Sprachassistenten, Gesichtserkennung, Smart Home, Chatbots, maschinelles Lernen, neuronale Netze, Deep Learning: Die Liste aufregender neuer Schlagwörter im Bereich der künstlichen Intelligenz wird täglich länger. Kein Zweifel: Künstlicher Intelligenz gehört die Zukunft – ebenso wie jenen Unternehmen, die schon heute auf Data Science und KI setzen. Denn mit Hilfe intelligenter, bestenfalls immer weiterlernender Maschinen können Unternehmen jeder Größe und fast jeder Branche immense Wettbewerbsvorteile erlangen. Datengetriebene Unternehmen können schneller als andere auf Marktveränderungen reagieren, sie vorhersehen und unter Umständen sogar aktiv mitgestalten, weil sie ihre Datenbestände besser auswerten können. Sie verstehen dadurch besser, was ihre Kunden, Mitarbeiter und ihr Geschäft bewegt, und was sie wirklich brauchen. Indem sie die Betriebs- und Wartungsdaten ihrer Maschinen analysieren, können sie sogar den Status und die Verfügbarkeit ihres Maschinenparks prognostizieren. So können sie ihre Produkte und Services perfekt der jeweiligen Situation anpassen.
Aber: Intelligente, lernende Systeme etwa für den Kundenservice, das Marketing oder die Finanzplanung lassen sich nicht wie ein Kaninchen aus dem Hut zaubern. Vielmehr existiert eine ganze Reihe teils erheblicher Herausforderungen. Zuallererst muss klar sein, welches Problem überhaupt gelöst werden soll. Und ja: Am Anfang sollten ein Geschäftsproblem und eine damit verbundene Zielsetzung stehen. Blindlings Daten zu sammeln bringt gar nichts. Man muss sich darüber im Klaren sein, was man damit bezwecken will.
Gestandene Software-Entwickler müssen die Schulbank drücken, damit aus ihnen Data Scientists werden.
Eine weitere Herausforderung auf dem Weg zu KI: Entwickler und Manager müssen sich mitunter ganz neue Fähigkeiten aneignen, um bis dato unbekannte Aufgaben erfüllen zu können. So müssen selbst gestandene Software-Entwickler noch einmal die Schulbank drücken, damit aus ihnen Data Scientists werden. Schließlich sind sie es, die die Daten korrekt interpretieren müssen, um auf dieser Grundlage robuste (Machine-)Learning-Modelle entwickeln zu können.
Zudem braucht es ausreichend Vertrauen aller Betroffenen in die Entscheidungen künstlicher Intelligenz – sowohl bei Kunden als auch bei Mitarbeitern, Entscheidern und in der Öffentlichkeit. Deshalb sind geeignete Kontrollmechanismen nötig, die maschinelle Schlussfolgerungen jederzeit transparent nachvollziehbar machen. Schlussendlich nutzt das aber alles nichts ohne einen Umbruch existierender Business-Modelle: Die gesamte Unternehmenskultur muss sich verändern – hin zu einer Kultur von Wiederholung und Experimentieren mit neuen, datengetriebenen Geschäftsideen.
Daten? Daten, Daten, Daten!
Ein klares Problem definieren, die richtigen Skills versammeln, Vertrauen schaffen und noch dazu die Unternehmenskultur umkrempeln. Klingt nach einer ganzen Menge Arbeit. Dabei fehlt in der Aufzählung sogar noch die größte Herausforderung: Daten. Sie müssen qualitativ hochwertig sein, vollständig, passend, jederzeit verfügbar und vertrauenswürdig. Ein Beispiel: Der klassische "Datenschatz" für den Vertrieb besteht zuallererst natürlich aus den grundlegenden soziodemographischen Kundendaten wie Alter, Geschlecht und Wohnort. Eine zuverlässige und wirklich sinnvolle Datengrundlage verlangt unter Umständen aber ganz neue Zutaten. So können je nach Anwendungsfall etwa auch Kundendienstinformationen sinnvoll sein oder Mails, Wartungsinformationen, Kundenfeedbacks und detaillierte Wettervorhersagen.
Der Effekt einer hohen Datenqualität lässt sich gerade im Vertrieb einfach veranschaulichen. Verfügt ein Sales-Team über die passenden Kundendaten und weiß sie zu nutzen, gewinnen beide Seiten: Der Kunde ist glücklich, weil er sich durch eine gezielte Ansprache in der richtigen Situation besser verstanden fühlt. Aus Unternehmenssicht führt das personalisierte Kundenerlebnis im Optimalfall zu einer besseren Konversionsrate und zu höheren Umsätzen. Wenn KI mehr in die Entscheidungen der Unternehmen eingebunden wird, steigt die Bedeutung der Datenqualität. Es ist wie im richtigen Leben: Niemand folgt einem Vorschlag, wenn er der Quelle kein Vertrauen entgegenbringt. Anders formuliert bedeutet eine unternehmerische Entscheidung, die auf qualitativ schlechten Daten basiert, dass die Entscheidung verfälscht wird. Das kann zu einem negativen Ergebnis, wie zum Beispiel sinkender Kundenloyalität führen.
Die Zusammenhänge zwischen individuellen Kundendaten und Kundenzufriedenheit liegen auf der Hand. Aber erst mit der automatisierten, intelligenten Verarbeitung einer umfangreichen und qualitativ hochwertigen Datenbasis kann diese Kausalität auch in großem Stil genutzt werden. So erkennt beispielsweise in Online-Shops ein Algorithmus auf Grundlage des Such- und Einkaufsverhaltens eines Kunden und der Vorlieben vergleichbarer Nutzer (inhaltsbasiertes und kollaboratives Filtern), für welche Produkte sich der Kunde interessieren könnte. Dieses "Next Best Offer"-Modell kommt etwa bei Streamingdiensten wie Netflix oder Online-Händlern wie Amazon erfolgreich zum Einsatz. Informationen aus Kundenmails und -feedbacks können auch hilfreich sein. Zum Beispiel könnte die KI aufgrund des analysierten Nutzerfeedbacks automatisch erkennen, wenn bestimmte Produkte oder Services überdurchschnittlich fehlerbehaftet sind und dann das Vertriebs- oder Produktionsteam warnen. Oder die KI kann aus den Feedbacks nützliche Informationen für Chatbots ziehen und Antworten auf Fragen geben, die neu bei den Kunden auftauchen.
Daten sind also das A und O für künstliche Intelligenz. Die Bestandsdaten müssen dazu taugen, die zu Grunde liegenden Modelle angemessen zu trainieren, bevor sie auf die Daten aus dem realen Geschäftsbetrieb angewendet werden können. Übrigens: Auch Forrester Research sieht die Qualität der Daten als die größte Herausforderung eines Unternehmens auf dem Weg zu maschinellem Lernen [1]. Unzuverlässige KI-Anwendungen sind nicht selten auf unzureichende, schlechte oder fehlerhafte Daten zurückzuführen – selbst, wenn der Algorithmus an sich korrekt ist.
Eine Leiter für künstliche Intelligenz
Um von Anfang an eine hohe Ergebnisqualität zu gewährleisten, muss bei jedem Data-Science- und KI-Projekt vorab geklärt werden, welche Daten auf welche Weise gesammelt, organisiert und analysiert werden sollen. Das Ziel: die agile und bereichsübergreifende Datennutzung jenseits klassischer Silos, um eine spezifische Modellanforderung erfüllen können.
Sammlung, Organisation, Analyse und Nutzung von Daten: Diese Schritte bildet die "KI-Leiter" von IBM ab [2]. Nur wenn jede der Leitersprossen stabil ist, wenn also jede Aufgabe im Umgang mit den Daten gut und sicher gelöst wird, können Unternehmen trittsicher bis zur Spitze der Leiter emporsteigen – und KI erfolgreich im Unternehmen etablieren. Ist jedoch nur eine der Sprossen morsch, scheitert der Aufstieg vielleicht bereits bevor er beginnt oder endet zumindest vorzeitig. Genau wie im richtigen Leben, wo man auch nur auf einer stabilen Leiter sicher aufs Dach gelangt. Im Detail sieht der Prozess so aus:
- Daten sammeln, und zwar möglichst alle Datenformate, strukturiert und unstrukturiert aus verschiedenen Quellen und Kanälen. Datenbanken dienten ursprünglich nur als simple Lagerstätten. Heute wird mehr von ihnen erwartet. Von der untersten Ebene bis zum User-Interface müssen sie durch moderne (auch KI-gestützte Schnittstellen) die Eingabe und Abfrage von Informationen für eine Vielzahl von Nutzern an jedem Ort und in jeder Sprache ermöglichen.
- Daten organisieren, damit die Daten "business-ready" sind, also bereinigt, vollständig und datenschutzkonform. Zudem müssen die Daten auch kuratiert werden. Denn die größte Sammlung nützt nichts, wenn die benötigten Datensätze nicht gefunden werden. Schließlich müssen die Informationen in den so entstehenden Data Lakes auch so verwaltet werden, dass jeweils nur berechtigte Nutzer Zugang zu den für sie relevanten Informationen haben.
- Daten analysieren, um mit ihnen KI von Grund auf aufzubauen und für ausgewählte Prozesse einzusetzen, die "Maschine" weiter zu trainieren und zu verbessern. Die entscheidende Frage lautet: Sind die Daten als Trainingsmaterial geeignet? Ein Beispiel für ungeeignete Daten: Ein Recruiting-Algorithmus empfiehlt immer nur männliche Bewerber, weil die programmgestützte Analyse der grundlegenden Trainingsdaten ergab, dass es in der Vergangenheit kaum Bewerberinnen gab. Ein Data Scientist muss solche Fehler erkennen und tilgen. Es geht ihm aber auch darum, die bereits existierenden Modelle effektiv zu managen mit dem Ziel, jederzeit transparent erklären zu können, wie ein Modell entstanden ist und wie es zu seinen Schlussfolgerungen kommt.
- KI etablieren, und zwar prozess- und bereichsübergreifend im gesamten Unternehmen, von der Lohnbuchhaltung über die Kundenbetreuung und das Marketing bis hin zu Produktion und Logistik. Dazu sind nicht selten völlig neue Workflows notwendig (siehe Beispiele weiter unten).
Bevor die KI-Leiter erklommen wird, muss sie auf einem soliden Untergrund stehen. Deshalb muss die Organisation als Basis unbedingt eine offene, übergreifende und moderne Informationsarchitektur schaffen. Zu diesem Zweck empfehlen sich offene Containerarchitekturen, die Microservices unterstützen. Dies beschleunigt und erleichtert, dass Daten übergreifend von allen relevanten Nutzern gesammelt, organisiert, analysiert und eingesetzt werden. Dies hilft zudem dabei, Silodenken zu beenden und begünstigt damit den allgemeinen Fortschritt, auch im Hinblick auf KI.
Die Steighilfe: IBM Cloud Pak for Data
Abschrecken lassen sollten sich Unternehmen jedoch nicht von diesem steilen Anstieg. Denn es existieren Lösungen, die helfen, jede Sprosse leichter zu meistern. Eine unter ihnen ist das Private-Cloud-Angebot IBM Cloud Pak for Data, eine multicloud-fähige, open-source-basierte Daten- und KI-Plattform. Sie basiert auf der Red Hat OpenShift Container Platform und kombiniert die IBM-Watson-KI-Technologie mit der IBM Hybrid Data Management Platform, mit DataOps sowie Governance- und Business-Analytics-Technologien. Mit ihr können Unternehmen Datenbestände aus unterschiedlichsten Quellen (auch von verschiedenen Cloud-Anbietern) und Abteilungen zusammenführen und eine einheitliche Datenplattform und abteilungsübergreifende Tools für alle Nutzergruppen schaffen. Trotzdem können jedem einzelnen Nutzer personalisiert genau die Informationen und Werkzeuge zur Verfügung gestellt werden, die er für seine Aufgabe benötigt.
Forrester Research sieht IBM u. a. aufgrund dieser Funktionalitäten als führendes Unternehmen in Sachen Datenmanagement- und Analyseplattformen. Die Forscher sagen: "IBM has an impressive portfolio of individual data management and analytics capabilities that have consistently scored well on individual component Forrester Waves." Und weiter: "IBM has pre-integrated capabilities that allow clients to be productive in a week or less." [1]
In einer Woche oder weniger? Wie ist das möglich? Die Antwort liefert das modulare Baukastensystem. Es ermöglicht den Betrieb in der Cloud auf Standard-Hardware oder als vorkonfigurierte, abgestimmte Hard- und Software-Kombination. Große Anpassungen sind deshalb für den Betrieb nicht notwendig. Unternehmen können die Software schnell integrieren und so auch ohne große IT-Ressourcen anspruchsvolle KI-Kapazitäten aufbauen.
IBM Cloud Pak for Data kombiniert die Datenspeicherung und -verarbeitung, das Netzwerk und die Software für künstliche Intelligenz in einem Gesamtpaket. Kurz: Es liefert die Systemarchitektur und alle notwendigen Services für KI. IBM Cloud Pak for Data läuft zudem in der Private-Cloud. Das heißt, Unternehmen können frei entscheiden, bei welchem Cloud-Provider sie die Lösung hosten wollen. IBM Cloud Pak for Data bietet volle Unterstützung für Multi-Cloud-Umgebungen wie Amazon Web Services (AWS), Azure, Google Cloud und natürlich die IBM Cloud. Alternativ können Unternehmen jederzeit auch ein eigenes, komplettes Private-Cloud-System implementieren. Zudem lässt sich IBM Cloud Pak for Data problemlos mit dem wachsenden Angebot an Microservices von IBM und Drittanbietern erweitern. Diese hohe Flexibilität gewährleistet, dass Unternehmen existierende und zukünftige Anwendungen besonders einfach integrieren können. Innovationen lassen sich so deutlich beschleunigen.
Adieu Datensilos, willkommen KI-Zukunft.
Ob Multi-Cloud oder On-Premise: Das Datenmanagement ist mit Cloud Pak for Data in jedem Fall denkbar einfach. Unternehmen können auf ihre verteilten Daten aus allen verfügbaren Quellen vor Ort und in der Cloud zugreifen, die Daten sammeln, organisieren und analysieren. Die gesamte Lösung baut auf Open-Source-Software auf und kann sich dank ihrer Offenheit wie eine Klammer um die gesamten vorhandenen Systeme und Daten legen. Der Zugriff auf Daten und Funktionen erfolgt dann aus einer Hand über eine intuitive und individuell anpassbare Nutzeroberfläche. Adieu Datensilos, willkommen KI-Zukunft.
Fazit
Viele Unternehmen wollen künstliche Intelligenz für ihr Geschäftsmodell nutzen. Manche nur, weil maschinelles Lernen gerade "State of the Art" ist. Andere, weil sie den wahren Nutzen erkannt haben. Gerade letztere werden nicht blindlings Daten sammeln, sondern die KI-Leiter Schritt für Schritt erklimmen wollen. Das Problem: Viele Unternehmen haben weder die Zeit, noch die erforderlichen Ressourcen, um alle notwendigen Hardware- und Software-Anforderungen dafür auf Anhieb erfüllen zu können. Die Lösung: open-source-basierte Datenmanagement- und -analyseplattformen wie IBM Cloud Pak for Data. Natürlich bleibt die Leiter selbst damit eine Leiter, die erklommen werden will. Aber die Erfolgsaussichten sind dank IBM & Co weitaus besser, Schritt für Schritt stabil und sicher ganz nach oben zu gelangen – und KI wirklich erfolgreich im Unternehmen zu etablieren.
Beispiele für die Anwendung von Daten und KI im Unternehmen
- Ausschreibungen: Strukturierung und Automatisierung ehemals unstrukturierter Prozesse. Die KI dient hier als intelligentes Assistenzsystem, wählt zunächst ganz objektiv aus, ob eine Beteiligung überhaupt Sinn macht, gleicht zahlreiche Parameter ab und empfiehlt das passendste Team.
- Vertragswesen: Viele Verträge liegen ausschließlich in schriftlicher Form vor, oft kennen nur Einzelpersonen die exakten Inhalte einzelner Verträge. Die Digitalisierung der Verträge ist der erste wichtige Schritt. KI hilft im zweiten Schritt bisher ungenutzte Chancen, aber auch unentdeckte Risiken bestehender Verträge effektiv zu managen.
- Prognosen: Im Einzelhandel kann KI die Planung von Mitarbeiter- und Wareneinsatz vereinfachen. So haben hier etwa auch Wetterdaten einen Einfluss auf die Beschaffung, um so den Warenausschuss und Personalkosten zu optimieren. Kurz gesagt: Wenn es regnet, gehen schlichtweg weniger Menschen einkaufen.
- Kundendienst: Daten aus einer stetig wachsenden Zahl von Kundenkontakten liefern der KI die Grundlage für eine durch und durch individualisierte Kundenpflege und einen Rund-um-die-Uhr-Service. Der Kunde hat das gute Gefühl, dass das Unternehmen ihn wirklich kennt und versteht.
- Marketing: KI spürt Zusammenhänge auf, die dem menschlichen Auge verborgen bleiben. So werden Vorhersagen, etwa bezüglich Shopping-Trends, immer präziser, Marketingstrategien und Werbemaßnahmen immer relevanter für die Zielgruppen.
- Lieferkette: Mit KI erhalten Unternehmen die Möglichkeit, störende Einflüsse auf die Lieferkette besser vorherzusagen und früher nach Lösungen für mögliche Engpässe zu suchen. Ergebnisse dieser Optimierung sind eine größere Effizienz, ein höherer Return on Investment und zufriedenere Kunden.
- Personal: Welche Mitarbeiter sind entkräftet und brauchen mehr Unterstützung? Welche sind ausgesprochen wertvoll für das Unternehmen und sollten besser bezahlt und befördert werden? Gibt es Mitarbeiter, die vielleicht an anderer Stelle im Unternehmen besser aufgehoben wären? Diese und andere Fragen kann eine KI mit Hilfe ausreichender Daten beantworten – und sorgt so für zufriedenere Mitarbeiter.
Mehr Informationen zu IBM Cloud Pak for Data finden Sie hier.
- Forrester Research: The Forrester Wave™: Enterprise Insight Platforms, Q1 2019
- O’Reilly-Report: The AI Ladder – Demistifying AI Challenges
Neuen Kommentar schreiben