Künstliche Intelligenz (KI) erobert immer weitere Teile der Welt. Ob in Wirtschaft, Wissenschaft oder im privaten Umfeld: KI unterstützt, vereinfacht und optimiert.
Doch für viele Unternehmen bleibt der Zugang zu künstlicher Intelligenz bisher verwehrt. Die Anwendungsfälle sind unklar, die Umsetzung benötigt teure Spezialisten und der Aufwand ist erheblich.
So zumindest die Wahrnehmung bei vielen Unternehmen. Im folgenden möchten wir darstellen wie jedem Mitarbeiter in jedem Unternehmen der einfache Einstieg in die Welt der künstlichen Intelligenz gelingt.
Was ist KI eigentlich?
Beginnen wir bei den Basics: Was ist KI eigentlich? Künstliche Intelligenz spaltet sich in zwei Teile: Die allgemeine und die spezialisierte künstliche Intelligenz.
Die allgemeine KI: Denken wie du und ich
Wenn man als Laie von künstlicher Intelligenz hört, denkt man an allgemeine oder starke (engl. „strong AI“) KI. Das Bild, dass Maschinen, Computer oder Roboter zu einer ähnlichen Denkleistung wie der Mensch fähig sind hat sich durch Medien verankert.
Davon ist die Realität jedoch sehr weit entfernt. Die allgemeine KI ist trotz rasanten Fortschritts noch in keiner Weise möglich oder im Einsatz. Der menschliche Geist ist bisher noch viel zu komplex für alle Algorithmen und wird es vermutlich auch immer bleiben.
Die schwache KI: Ein Problem, eine Lösung
Im Gegensatz zur starken KI löst eine schwache KI genau ein Problem. Das heisst, dass diese Algorithmen nicht in der Lage sind von einer reichen Welt zu abstrahieren, sondern eben nur eine ganz bestimmte Situation in dieser Welt betrachten.
Als Beispiel gilt die Vorhersage von Umsatz. Eine Lösung, die mittels künstlicher Intelligenz Umsatzzahlen vorhersagt, kann dies zwar sehr gut – oft besser als ein Mensch – aber hat mit autonomen Fahren nichts am Hut. Ein Mensch oder auch eine starke KI würde beides können: Umsatz vorhersagen und Auto fahren.
Während also die starke KI noch ein Science Fiction Szenario bleibt, sind schwache KIs bereits sehr breit im Einsatz.
Welche Methoden gibt es in schwacher KI?
Während der Markt für Algorithmen im Bereich künstlicher Intelligenz sehr fluide ist und sich ständig ändert, gibt es ein paar bestimmte Kategorien die sich herauskristallisiert haben und wir gerne kurz vorstellen.
Zeitreihenanalyse: Die Prognose von Zahlen über Zeit
Zeitreihenanalysen, zu englisch Time Series Analysis, nutzen historische Daten (z.B. die Anzahl an Website-Besuchern) um die zukünftigen Werte vorherzusagen (z.B: die Website-Besucher der nächsten 30 Tage).
Prediction: Die Prognose von Werten anhand von Attributen
Die Prognose von Werten (z.B. Größe eines Menschen) anhand von Attributen (z.B. Geschlecht, Geburtsort, sozialer Status) benötigt Trainingsdaten, um daraus ein statistisches Modell zur Vorhersage abzuleiten.
Klassifizierung: In Gruppen einordnen
Bei der Klassifizierung werden Trainingsdaten (z.B. Bilder von produzierten Produkten in den Kategorien “Gute Qualität” und “Schlechte Qualität”) genutzt, um neu auftretende Daten in diese Kategorien einzuordnung (z.B. in der Qualitätskontrolle einer Fertigung).
Clustering: Muster in Daten finden
Das Clustering nutzt Daten um ähnliche Datensätze zu gruppieren (z.B. Kunden, die ähnliche Stammdaten aufweisen und sich ähnlich verhalten).
Empfehlungssysteme: Was passt gut dazu?
Die Empfehlung des nächsten Produkts, Services oder Artikels basiert üblicherweise auf sogenannten Recommender-Systemen, bei denen entweder historische Daten (“Kunden die dies kauften, kauften auch”) oder Stammdaten (“ähnliche Produkte”) genutzt werden.
Andere KI Methoden
Neben der dargestellten Methoden gibt es noch zahlreiche weitere Methoden, die auf viele erdenkliche Weisen Muster in Daten finden, um ein Modell der Realität abzubilden. In allen Fällen gilt es a) die Komplexität für den Menschen zu verringern und b) die Auswertung zu automatisieren, um Effizienz zu gewinnen.
Welche Beispiele gibt es für den Einsatz von KI?
Um einen Einblick zu geben, wie Unternehmen künstliche Intelligenz nutzen, hier ein paar Beispiele:
Marketing
Es gibt viele Anwendungsfälle für KI im Marketing. Zum Beispiel werden Daten eingesetzt, um Kundenverhalten zu analysieren (z.B. Data-Driven Personas), vorherzusagen welche Kunden ihren Vertrag kündigen werden oder auch um automatisch Inhalte für Content Marketing zu generieren (“Generative KI”).
Vertrieb
Im Vertrieb ergibt sich auch eine Bandbreite an Möglichkeiten, wie Unternehmen KI gewinnbringend einsetzen können. Von der personalisierten Empfehlung von Produkte oder Services für jeden Kunden über die Prognose ob ein Angebot zu gewissen Konditionen angenommen werden wird (Offer acceptance prediction) bis zu einer Vorhersage des zu erwartenden Umsatzes gibt es viele Methoden und Anwendungsfälle.
Produktion
Besonderes Optimierungspotential befindet sich auch im Bereich Produktion. Die Vorhersage wann eine Maschine eine Wartung benötigt (“Predictive Maintenance”) über Anomalieerkennung (z.B. ob falsches Material verwendet wurde) bis zur Qualitätsüberprüfung (Quality Management) von Produkten hat in jedem Fall das Ziel einer klaren Effizienzsteigerung.
Service
Nach dem Kauf kommt der Service. Hier nutzen Unternehmen die Vorhersage von Service-Fällen (Forecasting), das Identifizieren von Mustern im Bezug auf einzelne Produkte oder auch eine Gruppierung von Kunden oder Fällen, um ein besseres Verständnis für operative Optimierung zu erhalten.
Anderes
Neben den genannten Abteilungen gibt es aber auch Anwendungsfälle in so ziemlich jedem anderen Bereich. Der Einstieg in KI ist auch für Finanzen, Controlling, IT, Produktentwicklung, Logistik, Lagerhaltung, Einkauf und vieles mehr möglich. Die Hauptfrage: Wie kann man den Einstieg möglichst einfach gestalten?
Wie fange ich an?
Der Einstieg in KI für Unternehmen ist je nach Vorgehensweise unterschiedlich einfach. Im Groben gibt es folgende Wege:
Unternehmensberatung oder Agentur als Unterstützung
Der häufigste Einstieg wird momentan über Agenturen oder Beratungen abgewickelt. Man setzt ein Projekt auf, hat ca. 6 Monate Laufzeit und nach ca. 20.000 – 30.000 Euro hat man einen Prototypen produziert bekommen, der einen Anwendungsfall umsetzt.
Wie klar ersichtlich hat dieses Vorgehen zwei massive Probleme: Der Einstieg geschieht über sehr hohe Kosten und es wird kaum Wissen über KI ins Unternehmen transferiert.
Selbst Anwendung identifizieren, selbst programmieren
Das absolute Gegenteil ist die Idee, dass man selbst Data Scientists einstellt und selbst Use Cases umsetzt. Dieses Vorgehen ist sehr nachhaltig, weil man Wissen direkt im Unternehmen verankert, aber hat sehr lange Anlaufzeiten (Recruiting, Einarbeitung, Anwendungsfall identifizieren, programmieren, testen, optimieren,..) und gegebenenfalls auch sehr geringen Effekt wegen mangelnder Erfahrung über effektive Anwendungsfälle.
Self-Service KI-Produkte als Schnellstart
Ein drittes Vorgehen stellt die schnelle Umsetzung ohne Hürden in den Vordergrund. Durch Self-Service KI-Produkte werden Anwendungsfälle (z.B. Umsatzprognose, Kundenanalyse, Wartungsvorhersage) als wiederholbare Produkte verpackt. Diese KI-Produkte sind dann für jede Rolle (ob Marketeer, Abteilungsleiter oder Geschäftsführer) mit unternehmensspezifischen Daten anzureichern und umzusetzen.
Der offensichtliche Nachteil ist eine mangelnde Individualisierung, allerdings besticht Self-Service KI durch massiv geringere Kosten (ca. 1%) und sehr hohe Geschwindigkeit (Tage statt Monate) in der Umsetzung, ohne Experten zu benötigen.
Künstliche Intelligenz für Unternehmen: So gelingt der Einstieg
Egal welchen Weg man wählt: Der Einstieg in die Nutzung von KI ist für Unternehmen nicht mehr so kompliziert wie einst. Man hat verschiedene Möglichkeiten um einen schnellen, kostengünstigen oder möglichst nachhaltigen Einstieg zu wählen.
Doch vor allem wenn man bisher geringe Erfahrung mit künstlicher Intelligenz im Unternehmen oder der Abteilung besitzt, empfehlen wir, möglichst pragmatisch und schnell zu agieren. Das Ziel muss sein, schnell und effizient Mehrwert durch Daten aufzuzeigen, um Begeisterung und somit eine datengetrieben Kultur zu fördern. Denn nur mit der entsprechenden Kultur, in der jeder proaktiv mit Daten Mehrwert generiert, kann man langfristig Erfolg haben.