KI-Initiativen: Warum Abwarten und Tee trinken keine Option ist

von Katja Schmalen

Wir haben Jeff Fried, Director of Product Management bei InterSystems gefragt, was aus seiner Sicht die wichtigsten drei Erfolgsfaktoren sind, die Firmen unbedingt berücksichtigen müssen, um mit KI richtig zu starten.

IDC: Herr Fried, wie finden Unternehmen die richtige Lösung für ihre KI-Initiativen? Worauf müssen sie achten?

Jeff Fried: Bevor Unternehmen eine KI-Initiative implementieren, sollten sie zunächst das Geschäftsproblem genau analysieren, das sie durch fortschrittliche Technologien wie maschinelles Lernen und KI lösen oder zumindest minimieren möchten. Dabei gilt es zu hinterfragen, welche Daten im aktuellen Geschäftsprozess verwendet werden und welche Daten nicht, von wem und warum diese Daten bereitgestellt werden und wie die einzelnen Komponenten des Prozesses zu den Ergebnissen beitragen. Wenn man beispielsweise  festlegen möchte, welche Kunden für eine dedizierte Marketing-Kampagne berücksichtigt werden sollen, wird man sicherlich Kriterien wie E-Mail-Listen, historische Daten wie die Bestellhistorie und Reaktionen auf vorherige Kampagnen betrachten. Um die ersten Ergebnisse weiter zu verfeinern, wird außerdem häufig „Soft Knowledge“ angewandt, zum Beispiel im Zusammenhang mit dokumentierten Interaktionen des Vertriebs oder des Supports mit diesen Kunden. Erst wenn dieses Gesamtbild gezeichnet wurde, kann darüber nachgedacht werden, wie fortschrittliche Analyseverfahren zur Prozessoptimierung beitragen können. In unserem Marketing-Beispiel kann etwa ein Machine-Learning-Modell helfen, ähnliche Kunden auf Grundlage historischer Daten zu gruppieren und darüber hinaus auch Kunden mit unvollständigen Daten in die Analyse mit einzubeziehen. Im Ergebnis führt dies zu granulareren Zielgruppen bei einer gleichzeitig optimierten Kundenansprache.

Was sind aus Ihrer Sicht die wichtigsten drei Erfolgsfaktoren, die Firmen unbedingt berücksichtigen müssen, um mit KI richtig zu starten bzw. KI-Projekte erfolgreich weiterzuentwickeln?  

Fried: Erstens muss das Team, das intelligente Anwendungen entwickeln soll, Klarheit über die damit verbundenen Geschäftsprozesse und -ziele sowie die daraus resultierenden Handlungsrahmen für die KI-Initiative haben. Zweitens wird eine ausreichende Menge an bereinigten, normalisierten Daten benötigt. Auch wenn es „dateneffiziente“ Analysetechniken gibt, die mit relativ wenigen Beispielen arbeiten können, gilt: je mehr Daten, desto besser. Drittens muss das Team bereit sein, auf flexible Weise mit unterschiedlichen Ansätzen zu experimentieren, sodass das kontinuierliche Lernen fester Bestandteil des iterativen Prozesszyklus ist, von der Ideenfindung über die Entwicklung und Implementierung bis hin zur Bewertung der resultierenden Leistung – zum Beispiel die Genauigkeit des Modells oder die Auswirkungen auf die Geschäftsergebnisse.

Woran scheitern Ihrer Erfahrung nach KI-Initiativen und warum?  

Fried: Die erfolgreiche Projektumsetzung scheitert häufig daran, dass der Zugang zu bereinigten, normalisierten Daten fehlt, die für das Geschäftsproblem relevant sind. Eine andere Art von Problemen tritt auf, wenn Machine-Learning-Modelle von der Entwicklungs- in die Produktionsumgebung überführt werden.  Geringfügige Unterschiede zwischen dem Datenmanagement in Produktion und in Entwicklungsumgebungen, die zur Erstellung von Modellen genutzt werden, können im Betrieb zu Leistungseinbußen der verwendeten Modelle führen, die sich nachträglich nur schwer isolieren und beheben lassen.  Letztendlich drohen KI-Initiativen, die ohne konkreten Anwendungsfall bzw. „Business Case“ gestartet werden, als „interessant, aber nicht wertvoll“ abgestempelt zu werden.

.Mit welchen Angeboten unterstützen Sie IT-Organisationen und Fachbereiche im Detail?  

Fried: Die InterSystems IRIS Data Platform bietet eine große Auswahl an Funktionen, die operative und analytische Workloads parallel unterstützen und dafür sorgen, dass Implementierungs- und Analyseteams auf einer gemeinsamen Wissensbasis arbeiten und nahtlos entwickeln und „operationalisieren“ können. Neben der Verarbeitung von Rohdaten bietet unsere offene Analyseplattform auch einige spezielle eingebettete Services wie eine Engine für MDX-Abfragen und NLP-Technologie sowie Unterstützung für relevante Branchenstandards wie ANSI SQL, xDBC, PMML und UIMA. Des Weiteren stehen diverse dedizierte Konnektoren für erstklassige Tools wie Apache Spark, Microsoft Power BI und Tableau zur Verfügung.

IDC: Werfen wir einen Blick voraus: Welchen Risiken setzen sich diejenigen Unternehmen aus, die die aktuelle Entwicklung verschlafen und nicht auf KI setzen? 

Fried: Die cleversten und ressourcenstärksten Marktteilnehmer setzen auf fortschrittliche Tools für maschinelles Lernen und verwandte Technologien wie Robotertechnik, um das Kundenerlebnis zu verbessern und/oder Betriebskosten zu reduzieren. Dadurch erreichen diese zukunftsorientierten Unternehmen direkte Umsatzsteigerungen und eine Ausweitung ihrer Marktanteile. Unternehmen, die einfach „abwarten und Tee trinken“, werden den Wissensvorsprung ihrer Wettbewerber, wenn überhaupt, nur mit überproportionalem Aufwand aufholen können.

Das könnte Sie auch interessieren