Machine Learning, Machine Reasoning (die Fähigkeit einer Maschine, eigenständig intelligente Entscheidungen zu treffen), Neuronale Netze, Robotic Process Automation (RPA) - die Begrifflichkeiten, die rund um künstliche Intelligenz (KI) kreisen, sind vielfältig und werden oft durcheinander geworfen. Auf Einladung der COMPUTERWOCHE haben Ralf Bucksch (IBM), Peter Godden (DataStax), Jens Graupmann (Exasol), Harald Huber (USU), Fabian Schladitz (Capgemini) sowie Alexander Steiner (Meta:proc) und Olaf Windhäuser (Sysback) Ordnung in das Chaos gebracht.

Die sieben Experten kamen in einer lebhaften Diskussion zu folgendem Konsens:

1. Artificial Intelligence (AI) scheitert oft an der Verfügbarkeit und Qualität der Daten. "Wie soll ein holistischer Blick entstehen, wenn die Daten entweder gar nicht oder verteilt in verschiedenen Silos vorliegen?", fragt Graupmann (Exasol). Viele Entscheider unterschätzen demnach den Aufwand, den das Aufbereiten und Bereitstellen der notwendigen Daten erfordert. Eine funktionierende und performante Infrastruktur und Datenlogistik bilden aber die Grundlage jeden KI-Projektes.

Am Anfang steht die Investition in Datenqualität

"Wir brauchen nicht nur Data Scientists, sondern auch Data Engineers, um die Daten aufzubereiten", macht Capgemini-Mann Schladitz die Dimension des Problems deutlich. Noch immer investierten Unternehmen zu unentschlossen in ihr Master Data Management. In vielen Betrieben sei das Bewusstsein für die Bedeutung strukturierter und unstrukturierter Daten für den Geschäftserfolg wenig ausgeprägt.

Schladitz beschreibt den Fall des typischen Vorarbeiters, der seine Produktion aus langjähriger Erfahrung kennt und weiß, wie seine Maschine funktioniert. Der habe das Gefühl, Daten weder zu brauchen, noch ihnen trauen zu können. Diese Haltung sei ein großes Problem, wenn modernisiert werden solle. Hinzu kommt, dass sie ihr Wissen oft mit in den Ruhestand nehmen. "Das Problem ist: diese Vorarbeiter gehen bald in Rente", weist Schladitz auf die demographische Entwicklung hin.

2. Die Erwartungen in künstliche Intelligenz sind zu hoch, die Vorbereitungen oft unprofessionell. Wie Steiner (Meta:proc) beobachtet, sehen manche Anwender AI als Wundertüte nach dem Motto: "Ich lass das jetzt mal die AI machen!" Dabei erzähle niemand der AI, was exakt sie zu tun hat, worin das Problem genau liegt und wie ein Lösungsweg aussehen kann.

Fehlende Sorgfalt insbesondere bei der Klassifizierung birgt aber gravierende Risiken. Huber (USU) nennt das Beispiel eines KI-Systems, das auf Bildern Wölfe identifizieren soll, aber auch Schlittenhunde erkennt. Man hatte das System so trainiert, dass Schnee ein wichtiges Kriterium für die Klassifizierung des Inhalts war. Hubers Einschätzung: Die Szene spricht seit mehr als 30 Jahren über KI, einer der ersten Hypes war IBMs Schachcomputer Deep Blue. "KI ist immer das, was gerade noch nicht geht", schließt er.

Zu viele Entscheider setzten AI mit Speech-to-Text-Umwandlung oder Bilderkennung gleich, ergänzt Windhäuser (Sysback). Und sobald das Stichwort neuronale Netzwerke fällt, wollen sie "pressetaugliche Leuchtturm-Projekte". Das eigentliche Brot-und-Butter-Geschäft sei aber eher profan. Es gehe etwa darum, Prozesse zu automatisieren, und dazu müsse man diese erst einmal definieren. Lägen hier Daten in ausreichender Qualität vor, biete Machine Learning eine gute Basis für die Automatisierung. Auch Reasoning sei dann realistisch. Dabei gelte der oft zitierte Satz: "Aus einem schlechten analogen Prozess wird kein guter digitaler".

Die Runde war sich einig in der Feststellung: Der Ruf nach KI kommt oft dann auf, wenn für bestimmte Aufgaben kein schlüssiges Konzept vorliegt. Schladitz (Capgemini) berichtet vom Anruf eines Finanzbuchhalters, der Geld übrig hatte und nun wissen wollte, was er Sinnvolles mit AI tun könne. "Dieser Buchhalter konnte keine Fragestellung formulieren und kein Problem benennen", so Schladitz.

Konsens gab es in der Diskussion aber auch darüber, dass es viele gute Business Cases gibt - gerade im Bereich der Bilderkennung. Als Beispiel wurde etwa das britische Mode-Label Burberry genannt, das Fälschungen anhand von AI erkennt. Auch Automobilhersteller nutzen bereits "sehende Maschinen", die beispielsweise melden, wenn ein Teil falsch verbaut wird. So lassen sich Kosten senken. Und der intelligente Chatbot, der den Kundenkontakt automatisiert und manchmal auch verbessert, ist das vielleicht prominenteste Beispiel für erfolgreichen AI-Einsatz - auch wenn das System in der Praxis nicht immer weiß, wann, wann der richtige Zeitpunkt erreicht ist, um den Kunden an einen Mitarbeiter durchzustellen.

Fazit: Die Erwartungen an AI sind hoch, der Appetit mancher IT-Mitarbeiter ist riesig. Doch ohne einen vernünftigen Business Case und ausreichende Vorarbeiten schaffen sich Unternehmen keine Vorteile.

Bimodale IT ist "keine gute Praxis"

3. Die Distanz zwischen IT und Business ist immer noch zu groß. "Der CIO bekommt oft gar nicht mit, was in seinem Unternehmen bereits passiert", so die Erfahrung von Godden (DataStax). Er hat viel mit Fachabteilungen und Business-Entscheidern zu tun, die neue Applikationen ins Spiel bringen - ohne Kenntnis des CIOs. "Deswegen schätzen die Leute auch die Cloud so sehr", schmunzelt Godden.

IBM-Manager Bucksch wundert sich nicht darüber, dass viele AI-Projekte heute oft in den Fachabteilungen angestoßen werden. "In der IT gibt es seit Jahren einen Investitionsstau!" Er beobachtet, dass viele Unternehmen auf bimodale IT (oder: IT der zwei Geschwindigkeiten) gesetzt haben: eine Corporate IT, die den Betrieb am Laufen hält, existiert neben einer neuen agilen IT-Welt, die sich um die spannenden Themen wie Internet of Thing soder eben auch AI kümmern darf.

Keine gute Praxis, meint Bucksch. Erstens lasse sich die Arbeit der "jungen Wilden" oft nur schwer in das Backend integrieren. Zweitens wolle niemand eine Zwei-Klassen-Gesellschaft in der IT. Hier findet aber bereits ein Umdenken statt, war sich die Runde einig.

IT-Chefs müssen mit den CDOs zusammenarbeiten

4. IT-Chefs müssen sich nach Meinung der Diskutanten öffnen und nicht nur mit den Fachbereichen, sondern auch mit neueren Rollen wie Chief Digital Officer und Chief Data Officer kooperieren. Oft seien Digitalisierungsprojekte und der Einsatz von KI und Machine Learning weder klar auf der IT-, noch auf der Fachabteilungseben anzusiedeln.

Ein Diskussionsteilnehmer spitzte zu, dass sich IT-Team an ITIL (IT Infrastructure Library) orientierten, die Fachabteilungen aber auf das DevOps-Modell setzten (die Verschmelzung von Development und Operations). So sei es kein wunder, dass die Teams aneinander vorbei redeten.

Heute bildeten erfolgreiche Teams meist ein Dreieck aus IT, Fachabteilung und einer koordinierenden oder orchestrierenden Instanz. Das könne ein Chief Data Officer sein, ein Chief Digital Officer oder eine Rolle mit einem ganz neuen Titel. Diese Funktion muss die Daten zusammenhalten und Automatisierungspotenziale identifizieren.

AI und Automatisierung sind sensible Themen, es geht um viel mehr als Daten und Technologien. Ein Kulturwandel ist im Gang, der vielen Mitarbeitern Angst macht. Sie fürchten sich, nicht mehr gebraucht zu werden. Wer Automatisierungen initiiert, so die übereinstimmende Meinung der Diskussionsteilnehmer, muss die Mitarbeitervertretungen mit an den Tisch holen.

Dabei sei Gelassenheit wichtig, die irgendwann auch die Beschäftigten erfassen werde, denn Modernisierung ist am Ende nichts Neues. "Haben wir in den vergangenen hundert Jahren etwas anderes getan, als permanent effizienter zu werden?" überlegt Huber (USU). Steiner (Meta:proc) hat sich kürzlich den Spaß gemacht, auf Stepstone und Gehalt.de nach Jobs für Datenerfasser zu suchen. Er kam auf rund 300 Treffer - mit Gehaltsangaben zwischen 40.000 und 60.000 Euro. "Ich frage mich: Wie viel Spaß haben die in ihrem Job?" Hier sei die Unterstützung durch Tools im Interesse aller, solange die Jobs nicht gestrichen würden.

Frische Perspektive auf KI und Automation gefällig?

Für einen frischen Blick auf die Themen angewandte KI und Automation verbindet die aitomation conference fachlich anspruchsvollen Erfahrungsaustausch und nutzwertige Use-Cases mit hochklassigem Networking.

Kommen Sie am 9. und 10. Mai 2019 nach Hamburg zur aitomation conference!

Sichern Sie sich noch heute Ihr Ticket unter https://www.aitomation.de/#ticket.