Wie Sie in 7 Schritten KI im Unternehmen einführen

Eine Roadmap zur Einführung von künstlicher Intelligenz und maschinellem Lernen

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind die aktuellen Buzzwords in allen Unternehmen. Sie gelten als Game Changer, sind aber möglicherweise disruptiv und sollen das Leben und das Business für Alle allgemein verbessern. Die Auswirkungen der KI werden im kommenden Jahrzehnt noch weiter zunehmen, da Industrie, Handel, Transportwesen, Finanzen, Gesundheitswesen, Recht, Werbung, Versicherungen, Unterhaltung, Bildung und alle anderen Branchen ihre Kernprozesse und Geschäftsmodelle verändern und auf maschinelle Lernsysteme setzen werden. Wenn die Verantwortlichen planen und Strategien entwickeln, um KI für potenzielle neue Geschäftsmodelle, Prozessautomatisierung und Kosteneffizienz bestmöglich zu nutzen, müssen sie erkennen, dass der Weg zu KI und Maschinenlernen eher ein Marathon und kein Sprint ist.

Wenn Sie mit der KI-Roadmap starten, dann bitten Sie zunächst Ihr Team, über die folgenden sieben grundlegenden Schritte nachzudenken

Definition eines Anwendungsfalles für KI

Das Sprichwort sagt: „Gut begonnen, ist halb gewonnen“. Es ist also zwingend erforderlich, dass Unternehmer das Geschäftsproblem/die Herausforderung, die sie gerne lösen würden, klar definieren und artikulieren. Je konkreter das Ziel, desto besser sind die Chancen, erfolgreich zu sein.

Zum Beispiel: „Ich will den Umsatz in den Filialen um zehn Prozent steigern“, ist als Ziel noch nicht präzise genug. Präziser wäre: „Ich will den Umsatz in den Filialen um zehn Prozent steigern, indem ich die demographische Entwicklung der Kunden beobachte“. So könnten Sie die Ziele klarer definieren und artikulieren.

Überprüfung der Datenverfügbarkeit

Nun liegt also die Definition eines Anwendungsfalls vor. Der nächste Schritt ist die Validierung:  erfassen und verfolgen die aktuellen Prozesse und Systeme die Daten, die zur Durchführung der Analyse erforderlich sind?

Seien Sie nicht allzu überrascht. Ein großer Teil der gesamten Zeit und des Aufwands wird für Datenaufnahme- und Datenverarbeitungstechniken aufgewendet werden. Stellen Sie sicher, dass Sie die richtigen Daten erfassen, die richtigen Transformationen durchführen sowie ausreichende Datenmengen und die richtigen Variablen/Merkmale erfassen. Konzentrieren Sie sich auf Data Governance-Aspekte, da sowohl die Qualität als auch das Volumen der Daten für ein erfolgreiches Ergebnis entscheidend sind.

Eine Variable oder ein Merkmal ist eine messbare Information. Zum Beispiel wären Alter, Geschlecht, ethnische Zugehörigkeit und Jahreseinkommen vier mögliche Merkmale einer Gruppe von Menschen.

Durchführung der grundlegenden Datenexploration

Lassen Sie sich nicht vom Weg abbringen. Es ist es wichtig, zunächst eine schnelle Datenexploration durchzuführen, um Ihre Datenannahmen und Ihr Verständnis zu validieren. Überprüfen Sie, ob die Daten die richtige Geschichte erzählen – basierend auf Ihrer Fachkompetenz und Ihrem Geschäftssinn.

Die Datenexploration hilft auch dabei zu verstehen, welche signifikanten Variablen oder Funktionen verwendet werden sollten/können und welche Art von Datenkategorisierungen für die Nutzung als Input für Ihre potenziellen Modelle erstellt werden sollten.

Definition einer Modellierungsmethodologie

Konzentrieren Sie sich auf die Hypothese und nicht auf das Endziel, das die Hypothese erreichen soll. Validieren Sie Ihre Hypothese, indem Sie Tests durchführen, um zu sehen, welche Variablen oder Merkmale signifikant sind und die Dinge verbessern.

Binden Sie die Fach- und Bereichsexperten ein. Es ist wichtig, dass Sie kontinuierliches Feedback erhalten, um Ihr Verständnis zu bestätigen und sicherzustellen, dass alle das gleiche Ziel verfolgen. Der Erfolg von künstlicher Intelligenz und eines jeden ML-Modells hängt vom erfolgreichen Feature Engineering ab. Um bessere Funktionen abzuleiten, bietet ein Experte immer größeren Mehrwert als ein ausgefallener Algorithmus.

Definition einer Validierungsmethodologie

Sie müssen Leistungsmessungen definieren, um die Ergebnisse mehrerer Algorithmen auszuwerten, zu vergleichen und zu analysieren. Dies wiederum hilft Ihnen, die spezifischen Modelle weiter zu verfeinern. Wenn Sie beispielsweise mit einem Klassifizierungsanwendungsfall arbeiten, wäre die Klassifizierungsgenauigkeit (Anzahl der korrekten Vorhersagen geteilt durch die Gesamtzahl der Vorhersagen, multipliziert mit 100) ein gutes Leistungsmaß.

Sie müssen Ihre Daten in zwei Datensätze aufteilen: einen Testsatz und einen Trainingssatz. Der Algorithmus wird auf dem Trainingsdatensatz trainiert und gegen den Testsatz ausgewertet. Dies kann so einfach sein wie die Auswahl eines zufälligen Datensplits (60% für Schulungen, 40% für Tests) oder kompliziertere Stichprobenverfahren.

Ziehen Sie auch hier die Fach- und Bereichsexperten hinzu, um die Ergebnisse zu validieren und sicherzustellen, dass Sie auf dem richtigen Weg sind.

Automatisierung und Produktionseinführung

Sobald das Modell erstellt und validiert ist, ist es an der Zeit, es produktiv zu schalten. Beginnen Sie mit einem begrenzten Roll-Out (z.B. nach Filiale) und erhalten Sie fortlaufendes Feedback von Ihren Geschäftsanwendern über das Verhalten und die Ergebnisse des Modells. Nach einem Trockenlauf von wenigen Wochen oder Monaten können Sie den Roll-out für einen breiteren Anwenderkreis starten.

Wählen Sie die richtige Plattform und Tools, um die Datenaufnahmeprozesse zu automatisieren und Systeme für die Verbreitung der Ergebnisse an geeignete Zielgruppen einzurichten. Die Plattform sollte in der Lage sein, mehrere Schnittstellen basierend auf dem Know-how der Endanwender bereitzustellen. Beispielsweise können Business-Analysten weitere Datenanalysen auf der Grundlage der Modellergebnisse durchführen, während gelegentliche Business-Anwender vielleicht nur über Dashboards und Visualisierungen mit den Daten interagieren möchten.

Periodische Aktualisierung des Modells

Sobald ein Modell veröffentlicht und zur Verwendung bereitgestellt wurde, müssen Sie seine Gültigkeit kontinuierlich überwachen und verstehen, damit Sie das Modell bei Bedarf aktualisieren können.

Es gibt viele Gründe, warum Modelle veraltet sind: Die Marktdynamik ändert sich, Ihr Unternehmen ändert sich und Ihr Geschäftsmodell ändert sich (vor allem, wenn das Modell erfolgreich ist). Modelle basieren auf historischen Daten, um zukünftige Ergebnisse vorherzusagen. Da sich die Marktdynamik von Ihren historischen Geschäftsmethoden wegbewegt, würde sich die Leistung des Modells verschlechtern. Fragen Sie sich immer wieder: „Welchen Prozess werde ich nutzen, um das Modell im Laufe der Zeit zu aktualisieren?“

OpenText™ Professional Services kann Sie und Ihr Team durch diese Bausteine führen und Ihnen dabei helfen, eine erfolgreiche Strategie zu Künstlicher Intelligenz zu definieren. Erfahren Sie, wie Sie KI im Unternehmen einführen können, indem Sie das Angebot des Magellan™ Cognitive Strategy Workshops nutzen. Profitieren Sie von unserer Erfahrung in der Zusammenarbeit mit verschiedenen Unternehmen in vielen Branchen bei der Gewinnung von Dateneinsichten. Das OpenText Professional Services Team besteht aus Datenwissenschaftlern und Architekten mit Erfahrung in den Bereichen Big Data, maschinelles Lernen, Text Mining und Algorithmen.

OpenText Magellan ist eine flexible KI- und Analyseplattform, die maschinelles Lernen, erweiterte Analysen und Business Intelligence (BI) auf Unternehmensebene mit der Fähigkeit kombiniert, strukturierte und unstrukturierte große Daten zu erfassen, zusammenzuführen, zu verwalten und zu analysieren. Die Plattform kombiniert Open Source Machine Learning mit fortschrittlicher Analytik, unternehmensweiter BI und Funktionen zum Erfassen, Zusammenführen, Verwalten und Analysieren von Big Data und Big Content, die in Ihren Enterprise Information Management (EIM)-Systemen gespeichert sind. Magellan ermöglicht maschinengestützte Entscheidungsfindung, Automatisierung und Geschäftsoptimierung.

Dieser Artikel wurde aus dem Englischen übersetzt

Sandeep Vaid

Sandeep ist Director of Consulting Services im Bereich Analytics. Er leitet ein Team von Datenwissenschaftlern und Big Data Architekten, die Kunden bei der Identifizierung und Umsetzung ihrer ersten digitalen Strategie durch den Einsatz von KI und maschinellem Lernen unterstützen

Weitere Artikel, die sie interessieren könnten

Schreibe einen Kommentar

Schaltfläche "Zurück zum Anfang"