#4/ 2021
12/18

So setzen Unternehmen KI erfolgreich ein

Künstliche Intelligenz, Machine Learning, Big Data: Viele stehen diesen Themen skeptisch gegenüber

Künstliche Intelligenz, Machine Learning, Big Data: Viele stehen diesen Themen skeptisch gegenüber. Allerdings kann KI die Effizienz von Unternehmen und die Arbeitsqualität steigern, weshalb sie auf die Agenda der Digitalisierungsstrategie zu setzen ist. Immer mehr Unternehmen haben inzwischen erkannt, wie wichtig es ist, KI-basierte Lösungen einzusetzen – das zeigen auch aktuelle Studien. KI ist jetzt oft Bestandteil von Branchenlösungen. Trotzdem herrscht rund um die Verwendung von KI noch Unsicherheit. Zum einen ist nicht klar, wie sich Integration und Implementierung von KI zielgerichtet durchführen lassen. Zum anderen wissen viele Unternehmen nicht, wie sie von KI profitieren. Im Medienbereich ist KI längst angekommen, etwa bei der Metadaten-Erzeugung.

Ziele definieren und Daten sammeln

Die aktuell verfügbare Art von KI bezeichnet man als „schwache“ KI, die klar definierte Aufgaben lösen kann. Die Möglichkeiten sogenannter „starker“ KI, die man jedoch noch nicht entwickelt hat, würden weit darüber hinausgehen. Deshalb benötigen aktuelle KI-Systeme immer konkrete Ziele. Unternehmen müssen entscheiden, welche Einzelaufgaben anstehen. Anhand des Ergebnisses können sie dann genauer untersuchen, in welchen Prozessen sich KI einsetzen lässt. Außerdem benötigen Unternehmen Daten, um KI zu nutzen. Hierfür gibt es zwei Wege: Entweder tragen sie Daten rund um ihre Kerngeschäftsprozesse zusammen. Dafür sind aber sowohl Zeit als auch (technische) Investitionen notwendig, da alle Daten erfassende Systeme zu integrieren sind. Oder sie erheben die Daten anhand des Bedarfs, der von einem spezifischen Anwendungsfall oder Geschäftsmodell ausgeht. Das führt schneller zu Ergebnissen, an denen sich dann überprüfen lässt, welche Daten für den spezifischen Case notwendig sind. Sobald die strukturellen und technischen Voraussetzungen geschaffen sind, können Unternehmen ein KI-Projekt starten.

Beispiel: Metadaten von Bild- und Videomaterial automatisch erzeugen

Im Medien-Bereich ist KI längst angekommen, etwa bei der Metadaten-Erzeugung. Bewegtbilder spielen eine immer größere Rolle. Die allerdings immer größere Datenflut ist für Journalisten und Produzenten kaum mehr manuell zu händeln. Dabei müssen sie mitunter für Beiträge Videosequenzen sehr schnell finden. Dies gelingt am einfachsten über Metadaten, also Inhaltsinformationen, die Videos und Bildern zugeordnet sind. Je besser die Metadaten verschlagwortet sind (Tagging), desto einfacher können Journalisten sie wiederfinden. Bei einer überschaubaren Menge lassen sie sich noch manuell taggen. Aber wenn es irgendwann um Millionen Bilddaten geht, etwa bei TV-Sendern, ist dies nicht mehr möglich. KI kann Videodateien analysieren und automatisch mit Metadaten versehen. Sie erkennt bekannte Personen, Firmenlogos, Städte sowie Gebäude und hinterlegt diese Informationen in den Metadaten. So sind Video- oder Bilddateien sehr schnell auffindbar.

KI-Projekte im Unternehmen realisieren

Die beiden skizzierten Beispiele zeigen: Es gibt nicht das eine ideale KI-Projekt, das zu jedem Unternehmen passt. Empfehlenswert ist daher eine schrittweise Einführung. In der Praxis hat sich ein vierstufiger Prozess bewährt:

 1. Use Case mit dem größten Mehrwert identifizieren

Im Rahmen einer Ist-Analyse wird überprüft, welche Grundlagen für den KI-Einsatz zu schaffen sind. Inwieweit ist Big Data bereits im Einsatz? Welches Know-how gibt es schon bezüglich KI? Sind besondere Herausforderungen zu bewältigen? In der Regel erarbeiten Unternehmen diese Fragen gemeinsam mit einem Dienstleister. Aus den Resultaten können sie dann ein Use-Case-Portfolio erstellen, in dem sich potenzielle Einsatzmöglichkeiten von KI nach Nutzen und Aufwand priorisieren lassen. Die vielversprechendsten Use Cases können sie letztlich weiter analysieren.

 2. Von der Idee zum Prototyp

Anschließend wird ein Konzept zur Vorgehensweise entwickelt, um möglichst schnell einen Prototyp zu entwickeln. Dafür sind Ziele und Anforderungen detailliert aufzubereiten. Eine standardisierte Entwicklungsumgebung hilft dabei, Störfaktoren zu beseitigen und die Entwicklung zügig abzuschließen. Dank eines iterativen Vorgehens und Benutzerfeedback kann binnen kurzer Zeit der KI-Prototyp entstehen, der mit Echtdaten arbeitet. Daraus lässt sich ableiten, ob die gewünschten Effekte eintreten und die definierten Ziele erreichbar sind.

 3. Vom Prototyp zum produktiven KI-Service

Aus dem Prototyp lässt sich anschließend ein sogenanntes Minimum Viable Product (MVP) erstellen. Die Datenbasis und weitere Funktionalitäten werden iterativ erweitert. Für eine reibungslose Integration in die Systemumgebung sorgen kontinuierliche Funktions-, Last- und Integrationstests. Im Skalierungsplan ist festzulegen, wie aus dem MVP ein skalierender KI-Service wird. So müssen Unternehmen zum Beispiel die zukünftige Produktivumgebung, Einflussfaktoren und Schnittstellen des KI-Services analysieren und berücksichtigen. Damit entsteht schließlich ein produktiver KI-Service, der sich via API in bestehende Anwendungen und Prozesse integrieren lässt.

 4. Stabiler Betrieb und Verbesserungen

Für den Betrieb und ein Monitoring ist es empfehlenswert, sich für einen professionellen Partner zu entscheiden, der das Unternehmen mit umfassenden Managed Artifical Intelligence Services unterstützen kann. Vor allem bei geschäftskritischen Einsätzen ist ein 24/7-Monitoring empfehlenswert. Zudem sollte die Qualität des KI-Algorithmus durch ein stetiges Re-Training gesichert sein. Und die Mitarbeiter im Service-Management, das nach standardisierten ITIL-Prozessen aufgebaut ist, übernehmen alle Routinetätigkeiten, die für den täglichen Betrieb notwendig sind. 

KI ist demnach keine Zukunftsmusik mehr, sondern bereits Realität. Wer sich heute nicht mit den technologischen Möglichkeiten beschäftigt, wird zukünftig das Nachsehen haben. Es ist jetzt an der Zeit, KI einzusetzen.

 


Der Autor

Als Chief Marketing Officer ist Marcus Metzner verantwortlich für die Marketing-, PR- und Kommunikationsthemen von Arvato Systems. Daneben engagiert er sich unter anderem im Beirat der BITKOM Schulinitiative „erlebe IT“ und als Jurymitglied der internationalen AIB Media Excellence Awards. Metzner ist ausgebildeter Journalist und Absolvent der Ruhr Universität Bochum. Er kam 2001 zu Bertelsmann, wo er in der RTL Group startete und 2006 zu Arvato wechselte. In verschiedenen Positionen im Konzern beschäftigte er sich schwerpunktmäßig stets mit Marketing und Kommunikation im IT-Bereich.