Bewältigung möglicher Probleme bei der Konzeption von End-to-End-KI-Projekten

Hinweis: Dieser Artikel ist ursprünglich in Forbes erschienen.

Laut einer aktuellen Studie von 451 Research (ein Unternehmen von S&P Global Market Intelligence) „haben mehr als 90 % der Unternehmen, die KI nutzen, ihr erstes KI-Projekt in den vergangenen fünf Jahren entwickelt“. Dennoch sind KI-gestützte Lösungen auf allen Ebenen im Kommen. Allerdings erfüllen viele dieser Initiativen immer noch nicht die in sie gesteckten Erwartungen – sofern sie es überhaupt bis in die Entwicklungsphase geschafft haben.

Damit KI-Projekte erfolgreich sind, müssen sie von den verantwortlichen Führungskräften auf Basis einer sorgfältig entwickelten Strategie konzipiert und durchgeführt werden. Dazu gehören klare Erwartungen, die Ausrichtung an Geschäftszielen und ein iteratives Vorgehen. Wir wollen nun einen Blick auf die gängigen Probleme werfen, vor denen Unternehmen stehen, wenn sie End-to-End-KI-Projekte entwickeln, und wie sie diese bewältigen.

Das Problem der Erwartungen an KI-gestützte Lösungen

Viele KI-Projekte, die heutzutage scheitern, erinnern an Softwareprojekte von Unternehmen in den Neunzigerjahren. Damals war Entwicklungsprojekten häufig kein Erfolg beschieden, da die Teams zu hohe Erwartungen in die Möglichkeiten neuer Technologien geweckt hatten. Damals wie heute waren und sind übertriebene Erwartungen, was eine Lösung leisten kann und soll, eine der Hauptursachen für das Scheitern.

Es führt in die Sackgasse, wenn davon ausgegangen wird, dass allein durch Erfassung von ausreichend Daten das gesamte Geschehen plötzlich transparent wird und damit das Kundenverhalten vorhergesagt oder perfekte Empfehlungen zur Antizipation der Kundenbedürfnisse gegeben werden können. Leider ist die Welt weniger berechenbar, als es wünschenswert ist. Sicherlich lassen sich mit Daten zunehmend hilfreiche Muster im Kaufverhalten ermitteln. Nicht alle Ereignisse stehen aber in einem kausalen Zusammenhang oder miteinander in Beziehung. Es geschehen viele Dinge, die nicht auf eine bestimmte Logik zurückzuführen sind.

Gleichzeitig stellen viele Unternehmen fest, dass Konkurrenten KI-Projekte implementieren, und setzen sich dem Druck aus, hier nachziehen zu müssen. Wenn allerdings in KI nur investiert wird, um den Anschluss nicht zu verlieren, kann dies zum Bumerang werden – insbesondere dann, wenn man nicht weiß, was den Erfolg eines Wettbewerbers ausmacht und ob dieser auch auf das eigene Unternehmen übertragbar ist. Oft verfügen Unternehmen, die mit ihren KI-Projekten erfolgreich sind, über bestimmte Datenstrategien und Geschäftsprozesse, die es ihnen ermöglichen, die richtige Art von Daten für KI zu erfassen und dann davon zu profitieren.

Letztlich beginnt eine realistische Handhabung der Erwartungen an KI-Projekte mit der Fähigkeit, exakt die Probleme zu bestimmen, die sich tatsächlich mit KI lösen lassen.

Ermittlung der richtigen KI-Projekte für Ihre Probleme

Ist Ihre KI-Strategie auf Ihre Geschäftsziele abgestimmt? Die Projektauswahl ist wahrscheinlich die größte Herausforderung für Unternehmen bei KI-Initiativen. Dazu ist auf jeden Fall ein genaues Verständnis der Frage erforderlich, die mit KI beantwortet werden soll, wie (und ob) deren Beantwortung die Geschäftsergebnisse verbessert und ob mit den verfügbaren Ressourcen die Frage tatsächlich erfolgreich und effizient beantwortet werden kann.

Angenommen, Sie möchten mithilfe eines prädiktiven Modells bestimmen, ob es sinnvoll ist, einem Kunden Rabatt zu gewähren, und wie dieser aussehen soll. Das wäre ein Fall für das Data-Science-Team! Tatsächlich ist dies für ein prädiktives Modell eine durchaus anspruchsvolle Aufgabe. Zunächst lässt sich nicht so einfach feststellen, ob der Kunde das Produkt auch ohne Rabatt kaufen würde. Darüber hinaus sind für das Erfassen der erforderlichen Daten mit ausreichender statistischer Qualität für ein hilfreiches Modell bestimmte Vorarbeiten erforderlich, die nicht zum eigentlichen Geschäftsablauf gehören. Das betrifft beispielsweise die Zufallsauswahl der Kunden, die Rabatte erhalten, oder die Bestimmung der Vertriebsmitarbeiter, die Rabatte gewähren können. Das macht die ganze Sache recht komplex.

Eine bessere Herangehensweise an das Problem mithilfe von KI bietet die Prüfung von Modellen zur Simulation des Kundenverhaltens, das unter bestimmten Rabattbedingungen erwartet wird. Statt das System mühsam auf präzise Prognosen zu trimmen, kann bei der geschäftlichen Entscheidungsfindung mithilfe einer Simulations- und Szenarioplanung ermittelt werden, welche Variablen andere Variablen wie beeinflussen. Stellen Sie sich konkret folgende Frage: Wie muss der Kunde reagieren, damit dieser Rabatt für uns sinnvoll ist? Solche probeweise angedachten Szenarien für potenzielle Ergebnisse sind sehr viel effektiver und auch einfacher anwendbar als die Einrichtung eines komplexen Data-Science-Projekts.

Mitarbeiter auf Erfolgskurs bringen

Eine genaue Bestimmung des Zwecks, für den Daten erfasst und gepflegt werden sollen, wie die Daten in der Vergangenheit genutzt wurden und wie sie in Zukunft genutzt werden sollen, ist eine zentrale Voraussetzung für jede KI-Anwendung auf Daten. Auf jeden Fall muss ein Modell mit vollständigen Daten trainiert werden, die die reale Situation im Moment der Entscheidungsfindung abbilden. Wenn es beispielsweise in Ihrer Abschlusspipeline mehrere Phasen gibt und Sie vorhersagen möchten, wie wahrscheinlich ein Abschluss in Phase fünf ist, macht es keinen Sinn, das Modell auf Basis der Abschlüsse in Phase drei oder vier auszuführen und dann hilfreiche Ergebnisse zu erwarten.

Data Scientists wissen oft nicht, für was die Daten im Detail stehen und wie sie generiert werden. Welche menschlichen Aktivitäten und welche technologischen Prozesse sind für das Bereitstellen der Daten erforderlich und welchen Aspekt bilden die Daten im Kontext Ihrer Geschäftstätigkeit genau ab? Hier kommt die enorme Bedeutung von Analysten und Geschäftsanwendern ins Spiel, die nahe an den Daten und den Problemen sind, die durch Daten gelöst werden sollen. Wir betrachten gerne KI als Teamaufgabe, da für deren erfolgreiche Anwendung der geschäftliche Kontext über eine grundlegende Daten- und Modellkompetenz hinaus eine wichtige Rolle spielt.

Und schließlich gibt es menschliche Faktoren für den Projekterfolg, die Unternehmen gerne übersehen, wenn sie zu sehr auf Daten und Technologie fixiert sind. Mit KI sind meist Vorhersagen möglich, aber es muss immer eine Person geben, die die Maßnahmen festlegt, mit denen diese realisiert werden können. Ist der Vorschlag für die eindeutige Bestimmung solcher Aktionen hilfreich und werden diese von den betreffenden Personen auch umgesetzt? Ist eine Umgebung verfügbar, in der solche Vorschläge effektiv bei den Betroffenen ankommen?

Vorhersagen an sich sind selten hilfreich. Die sich daran anschließende Frage ist z. B. ob es möglich ist, dafür Preise, Produktvolumen oder personelle Ausstattung anzupassen oder sogar die Produktlinie zu ändern. Welche Art von Änderungsmanagement ist erforderlich, damit die Mitarbeiter die neue Lösung annehmen und ihre bisherigen Verhaltensweisen und Prozesse aufgeben bzw. weiterentwickeln? Vertrauen ist das Ergebnis konsistenter Verhaltensweisen und der Bereitschaft, Geschäftstätigkeit und Mitarbeiter weiterzuentwickeln. Wenn Sie die Arbeitsweise Ihrer Belegschaft grundlegend ändern möchten, müssen Sie dafür selbst Vorbild sein.

In kleinem Umfang starten und Schritt für Schritt erweitern

Ich möchte nun noch einige Hinweise geben, gestützt auf die Erfahrungen, die wir bei unserer Arbeit mit Kunden gemacht haben.

Oft ist das erste erfolgreiche KI-Projekt dasjenige, das am schnellsten anwendbar gemacht und in die Praxis umgesetzt werden konnte und das am wenigsten komplexe Änderungsmanagement erfordert hat. Beginnen Sie mit einem Projekt, das sich so schnell wie möglich bezahlt macht, auch wenn es nur kleine Verbesserungen mit sich bringt. Binden Sie außerdem die Kunden, Geschäftsanwender und Verantwortliche so eng wie möglich in den Entwicklungsprozess ein. Versuchen Sie ein Umfeld für positives Feedback zu etablieren, sowohl in dem Sinn, dass mehr Daten zur iterativen Verbesserung des Modells erfasst werden, als auch um Input der Verantwortlichen zur Verbesserung des Projekts und seiner Ergebnisse zu bekommen.

Mit KI wird es immer Grenzfälle geben, bei denen eine Lösung an ihr Limit kommt. Es macht aber mehr Sinn, Lösungen zu entwickeln, die für die Mehrheit der Kunden und Mitarbeiter funktionieren, statt eines besonders ausgefeilten „Proof of Concept“, der nur für bestimmte Anwendungsfälle maßgeschneidert ist. Am Ende des Tages muss es das Ziel sein, mithilfe von KI Problemstellen zu reduzieren und es den Menschen leichter zu machen, ihren Aufgaben nachzukommen und fundierte Entscheidungen zu treffen.

Sie sind an weiteren Informationen interessiert? Diese finden Sie in unserem Gespräch über KI-Projekte auf LinkedIn oder unter Tableau KI und Analytics.