Wenn die Welt von Künstlicher Intelligenz spricht, dann meint sie zu oft „GenAI“ oder ChatGPT!

Wenn die Welt von Künstlicher Intelligenz spricht, dann meint sie zu oft „GenAI“ oder ChatGPT!

Die Experten wissen aber, dass KI in den Unternehmen immer noch nicht richtig angekommen ist. Viele Organisationen können sich nicht vorstellen, wie Künstliche Intelligenz in ihrem Business zum Einsatz kommen kann: Über „Wir setzen einen Chatbot an der Schnittstelle Unternehmen-Kunde ein und sparen viel Personal“ geht es oftmals nicht hinaus. Dabei kann „KI in Unternehmen“ so viel mehr sein.  

An dieser Stelle setzen wir mit unserer Arbeit an. Wir beginnen bei der Basis und werfen folgende Fragen auf:  

1. Was ist KI und wo und wie könnte sie sinnvoll im Unternehmen eingesetzt werden? 

2. Was ist gesetzlich zu beachten, worum geht es beim EU AI Act und was müssen Unternehmen hier machen? 

3. Warum kann es fahrlässig sein, wenn Daten auf amerikanische und chinesische Portale transferiert werden? 

Unser Actionplan: 

STEP 1 

Wir erzeugen Verständnis für KI im Unternehmen, indem wir Workshops durchführen, Vorträge halten oder einfach nur mit Interessierten diskutieren. 

STEP 2 

Wir stellen die KI-Reife (AI Readiness) fest. Das heißt, ist ein für KI entsprechendes Mindset vorhanden, ist die Organisation für experimentelles und agiles Vorgehen gewappnet, passen sich Führungskräfte an diese Erfordernisse an und agieren als Partner und Befähiger oder sind die Prozesse und Daten so vorhanden, dass daraus KI überhaupt erst entstehen kann. 

STEP 3 

Wir führen im ersten Schritt meist POCs (Proof of Concepts) durch, weil bestimmte Use Cases erst einmal ausprobiert werden müssen und Unternehmensleitung, Mitarbeiter und Mitarbeiterinnen damit an KI-Themen herangeführt werden können („Technical Acceptance). Der zweite gute Effekt eines POC ist ebenfalls die Ermittlung der AI Readiness. Es sollte jedem klar sein, dass die Einführung von KI ein riesiger Change im Unternehmen ist! 

STEP 4 

Sind die Ergebnisse aus einem POC gut, dann können weitere kleinere Testballons in anderen Unternehmensbereichen gestartet werden oder es werden die positiven Ergebnisse in einem Roll-out „produktiv“ eingeführt. 

Das CRISP-DM-Modell 

In den Steps 3 und 4 müssen Business und Daten verstanden werden, bevor mit den weiteren Planungen und Umsetzungen im Unternehmen begonnen wird. Insbesondere die Einführung von Künstlicher Intelligenz erfordert konsistente Daten, damit die Systeme valide trainiert werden können. Besonders geeignet ist eine Vorgehensweise auf Grundlage des CRISP-DM-Modells (Cross Industrial Standard Process for Data Mining), das wir generell für die Einführung von KI-Systemen bevorzugen: 

1. Business und Data Understanding 

1. Data Preparation 

1. Modeling 

1. Evaluation 

1. Deployment 

Das CRISP-DM-Modell hilft uns und den Unternehmen, systematisch KI-Projekte zu planen, durchzuführen und zu optimieren. Gehen wir ein wenig näher darauf ein und schauen uns an, wie CRISP-DM bei Projekten zur Einführung von KI ansetzt: 

Business Understanding (Geschäftsverständnis) und Data Understanding 

• Definition der geschäftlichen Ziele für die KI-Einführung 

• Identifikation von Anwendungsfällen, in denen KI einen Mehrwert bringt 

• Formulierung von Erfolgskriterien (KPIs) 

• Analyse der verfügbaren Datenquellen 

• Bewertung der Datenqualität und Identifikation von Lücken 

• Erste explorative Datenanalyse zur Ermittlung von Mustern 

Data Preparation (Datenaufbereitung) 

• Bereinigung und Transformation der Daten für das KI-Modell

•  Feature Engineering („die Eigenschaften“, mit denen trainiert wird) zur Verbesserung der Modellgenauigkeit 

• Erstellung von Trainings- und Testdatensätzen 

Modeling (Modellentwicklung) 

• Auswahl geeigneter KI-Algorithmen (Machine/Deep Learning) für Klassifikationen, Cluster- oder Assoziationsanalysen – manchmal reichen auch etablierte statistische Verfahren, um gute Entscheidungen im Unternehmen vorzubereiten. 

• Training des Modells mit den vorbereiteten Daten 

• Optimierung der Hyperparameter zur Leistungssteigerung 

Evaluation (Modellbewertung) 

• Bewertung der Modellleistung anhand definierter Metriken (z. B. Genauigkeit/“Confusion Matrix“, F1-Score) 

• Prüfung, ob das Modell die geschäftlichen Anforderungen erfüllt 

• Vergleich mit Baseline-Methoden und gegebenenfalls erneute Optimierung 

Deployment (Einsatz & Implementierung) 

• Integration des KI-Modells in bestehende Geschäftsprozesse oder Softwareanwendungen 

• Automatisierung und Skalierung des Modells für den produktiven Einsatz 

• Überwachung der Modellperformance und kontinuierliche Verbesserung 

Die Vorteile der Methode sind auch schnell zusammengefasst: 

• Strukturierter Ansatz: Die Phasen der systematischen Einführung sind klar definiert.  

• Iterativ & flexibel: Wir können während des Projektes stetig Anpassungen aufgrund neuer Erkenntnisse vornehmen.  

• Praxisbewährt: CRISP-DM ist ein Industriestandard, der in vielen KI-Projekten erfolgreich angewendet wird.   

• Fokus auf Business Value: Wir stellen sicher, dass KI einen echten Mehrwert bringt.  

Mit dem Einsatz der CRISP-DM-Methode konnten wir uns auf zahlreichen Projekten zusammen mit dem Kunden gut dosiert und fundiert an KI-Lösungen herantasten und diese nachhaltig implementieren.  

Vielleicht noch ein Tipp am Schluss: Um im Einklang mit den Unternehmenszielen und der allgemeinen IT-Strategie zu sein, empfehlen wir möglichst schnell auch eine KI-Strategie für das Unternehmen einzuführen.