Jeder will künstliche Intelligenz im Haus – aber was ist sinnvoll?

IN Machine Learning — 19 May, 2017

Ein kürzlich erschienener Artikel im Harvard Business Review beginnt mit dem Satz: „Every serious technology company now has an Artificial Intelligence team in place.“ Der Autor spricht einen wichtigen Punkt an, indem er darauf hinweist, dass künstliche Intelligenz (KI) diesen Technologieunternehmen zwar einen Wettbewerbsvorteil bringt, aber nicht Teil ihres Kernproduktes ist. Das führt zu einer weiteren wichtigen Frage: Wie arbeiten Unternehmen mit KI und Machine Learning? Hier zeichnen sich drei unterschiedliche Firmentypen ab, die KI zum Mittelpunkt ihrer Wertschöpfungskette machen:

  • F&E-Unternehmen: Ähnlich wie in der wissenschaftlichen Grundlagenforschung geht es diesen Unternehmen darum, das Fachgebiet KI voranzubringen, meist ohne ein bestimmtes Produkt oder eine bestimmte Anwendung im Auge zu haben. Beispiele hierfür sind gemeinnützige Organisationen, Think Tanks oder von Investoren unterstützte F&E-Firmen.
  • KI-Champions: Diese Unternehmen stellen KI ins Zentrum ihrer Wertschöpfung. Während sie erheblich in Forschung und Entwicklung investieren, konzentrieren sie sich jedoch vorrangig auf die Entwicklung eines Produkts, das die Möglichkeiten von KI für eine bestimmte Anwendung optimal ausschöpft.
  • Digital Enterprise: Diese Firmen nutzen KI, um Wettbewerbsvorteile zu generieren und ihre eigene Wertschöpfungskette zu verbessern. Die Entwicklung von KI selbst ist jedoch nicht Teil ihres Kernprodukts. So setzt beispielsweise ein Handelsunternehmen KI-basierte Lösungen ein, um täglich für jedes Produkt in jeder Filiale den optimalen Preis zu finden und seine Logistik und Warendisposition zu automatisieren. KI-basierte Lösungen werden für die eigentlichen Geschäftsprozesse genutzt, um ein reales Problem zu lösen.

Wie können Digital Enterprises von KI profitieren?

Künstliche Intelligenz

Digital Enterprises können im eigenen Haus Kompetenz durch ein Team aufbauen, das sich auf Data Science und künstliche Intelligenz fokussiert. Idealerweise wird dieses Team von einem Chief Artificial Intelligence Officer (CAIO) geleitet, der die digitale Innovation aus Sicht der Geschäftsleitung vorantreibt. Auf den ersten Blick wirkt diese Strategie sehr ansprechend: Die gesamte Kompetenz ist im Unternehmen vorhanden, externe Abhängigkeiten sind minimiert und die Teammitglieder haben – optimistisch gesehen – Zugriff auf alle Unternehmensdaten, was ihnen erlaubt, ihre Lösungen in die bestehende IT-Infrastruktur zu integrieren. Bei genauerer Betrachtung ist das jedoch nicht mehr so überzeugend. Da die Entwicklung von KI nicht den Kern des Digital Enterprises darstellt, ist zumindest am Anfang wenig Fachkompetenz vorhanden. Das heißt, dass die ersten Neu-Einstellungen zukünftiger Mitarbeiter von entscheidender Bedeutung sind. Ohne sorgfältige und unvoreingenommene Begleitung durch – idealerweise externe – Spezialisten, ist die Gefahr, den falschen CAiO zu engagieren, sehr hoch. Er kann zwar beispielsweise ein äußerst kompetenter KI-Forscher sein, hat aber möglicherweise wenig Erfahrung mit Geschäftsanforderungen oder den Herausforderungen, mit denen das betreffende Unternehmen und die Branche sich konfrontiert sehen.

Andererseits sind die Chancen jemanden zu finden, der profunde Kenntnisse einer Branche oder eines Unternehmens hat und gleichzeitig versiert in KI-Technologie und deren Anwendung ist, bestenfalls gering. Das gleiche gilt für das Data-Science/KI-Team: Es mag zwar möglich sein, viele junge Informatikabsolventen einzustellen, das wird das Unternehmen aber nicht nach vorn bringen. Denn diese Absolventen haben wenig Berufserfahrung und sind nicht mit den Anforderungen einer bestimmten Branche vertraut – oder sie wissen noch nicht einmal, wo überhaupt in einem Geschäftsumfeld anzusetzen ist. KI-Experten einzustellen ist schwierig: Warum sollten sie in Ihrer Firma anfangen, wenn sie bei Technologieunternehmen wie Google oder Facebook mit globalen Ressourcen und einer großen, etablierten KI-Gemeinschaft arbeiten könnten? Außerdem braucht der Aufbau eines Data-Science- und KI-Teams Zeit: Die Mitglieder müssen nicht nur anfangen, als Team zusammenzuarbeiten, sich gegenseitig zu vertrauen und die jeweiligen Stärken des anderen zu kennen, sie müssen sich darüber hinaus als Teil des Unternehmens etablieren und fruchtbare Beziehungen zu allen anderen, bereits existierenden Teams aufbauen.

Der Druck ist groß: Sofern der Aufbau eines KI-Teams nicht Teil langfristiger Bemühungen ist, die Organisation in ein datengetriebenes Unternehmen umzuwandeln, gibt es wahrscheinlich dringende Geschäftsanforderungen, die es anzugehen gilt. Ein neues KI-Team ist kein Allheilmittel, das wundersam alle Probleme lösen kann – und wo die Bemühungen in diesem Bereich nur als Jagd nach dem neusten Trend statt als Investition in eine nachhaltige Zukunft wahrgenommen werden, sind kritische Stimmen, die es von vornherein besser wussten, nicht weit.

Was sollte ein digital Enterprise tun, um KI in seine Kerngeschäftsprozesse zu integrieren?

Die erste Hürde ist, einzusehen, dass die Integration von datengetriebenen Lösungen in das Kerngeschäft aufgrund einer geschäftlichen Notwendigkeit erfolgt. Führungskräfte sollten nicht einfach nach dem nächsten „großen Ding“ Ausschau halten und sich dann KI auf die Fahne schreiben, sondern lieber prüfen, welche bestehenden oder neuen Business Cases vom KI-Potential profitieren.

Eine Strategie, die Daten an erste Stelle setzt, dürfte eine große Menge Hausaufgaben für das Unternehmen bedeuten, unabhängig davon, welcher Anwendungsfall in Angriff genommen wird. Die Organisationsstruktur wird sich ändern müssen, um die Art und Weise, wie datengetriebene Entscheidungen innerhalb der Firma getroffen, verbreitet und umgesetzt werden, abzubilden. KI-Systeme unterstützen oder automatisieren insbesondere operative Entscheidungen. Manuelle Eingriffe der Mitarbeiter werden auf ein Minimum reduziert oder sogar völlig überflüssig. Für die meisten Unternehmen bedeutet das eine merkliche Veränderung des Tagesgeschäfts. Herkömmlicherweise sind Anwender und Experten für die Vielzahl von operativen Entscheidungen, die täglich getroffen werden müssen, verantwortlich. Beispielsweise muss ein Einzelhändler die optimale Bestellmenge jedes einzelnen Produkts für jede Filiale bestimmen und dabei die Bedingungen des Supply-Chain-Netzwerks sowie unzählige Einflussfaktoren berücksichtigen. Schon die bloße Anzahl der benötigten Entscheidungen legt nahe, dass diese selten optimal sein können. Die Experten haben einfach nicht die Zeit, über jede Entscheidung nachzudenken und alle Faktoren in Betracht zu ziehen, die zum besten Ergebnis führen. Dahingegen kann ein KI-basiertes Warendispositionssystem bis zu 99 Prozent aller Bestellentscheidungen automatisieren. Die Mitarbeiter gewinnen Zeit, um sich mit dem einen verbleibenden Prozent operativer Entscheidungen oder mit anderen wichtigen Aufgaben zu befassen, wie zum Beispiel der Verbesserung des Kundenservices.

Welche Rolle spielt dabei KI und wie werden damit Entscheidungen getroffen? Hier kommt der zweite Firmentyp, die KI-Champions, ins Spiel. Diese Unternehmen entwickeln spezifische KI-Lösungen oder -Produkte für bestimmte Geschäftsanforderungen wie zum Beispiel die Filialdisposition im Handel oder das Finden des optimalen Preises für jedes Produkt. Da sie auf bestimmte Branchen spezialisiert sind, haben sie hohe Kompetenz in der Erforschung und Entwicklung von KI sowie profunde Branchenkenntnisse und lange Erfahrung mit der Weiterentwicklung von F&E-Ansätzen zu funktionsfähigen Produkten, die dem Kunden Mehrwert bringen. Durch die Vermarktung ihres Produkts oder Services wissen sie ganz genau, welche Ideen und Anwendungsfälle im gewerblichen Bereich funktionieren, für den Kunden Mehrwert schaffen und innerhalb einer vorgegebenen Frist realisierbar sind – oder welche zwar spannende Forschungsfragen wären, aber den Kunden nicht vorwärts bringen. Dass diese KI-Champions externe Dienstleister des Kunden sind, ist dabei von Vorteil. So kann sich der Kunde selbst auf seine Kernkompetenzen konzentrieren und diese weiterentwickeln.
Der Datenaustausch erfolgt über eine klar definierte API, die genau beschreibt, welche Daten benötigt werden (und welche nicht) und wie und wo diese zwischen den beiden Partnern übertragen werden.

Warum sollten Data Scientists und KI-Experten bei einem AI-Champion anfangen? Weil alle anderen coolen Kids es auch tun! Beziehungsweise – Spaß beiseite – weil diese Unternehmen sich einerseits auf F&E konzentrieren und KI weiter vorantreiben, andererseits aber mit beiden Beinen auf dem Boden der Realität stehen und praxisorientierte Lösungen entwickeln, die die echten Probleme der Kunden lösen.

Dr. Ulrich Kerzel Dr. Ulrich Kerzel

earned his PhD under Professor Dr Feindt at the US Fermi National Laboratory and at that time made a considerable contribution to core technology of NeuroBayes. After his PhD, he went to the University of Cambridge, where he was a Senior Research Fellow at Magdelene College. His research work focused on complex statistical analyses to understand the origin of matter and antimatter using data from the LHCb experiment at the Large Hadron Collider at CERN, the world’s biggest research institute for particle physics. He continued this work as a Research Fellow at CERN before he came to Blue Yonder as a Principal Data Scientist.