Foto: sdecoret - shutterstock.com
Weil Daten nur Gewinn bringen, wenn sie intelligent genutzt werden, implementieren Entscheider KI-Lösungen (Künstliche Intelligenz). Diese erfordern die passende Informations-Architektur. Darüber informiert ein Webcast der Computerwoche.
Ziel ist, einen ganzheitlichen Blick auf KI (oder Englisch AI für Artificial Intelligence) zu bekommen. Welche Ansätze es dafür gibt, erklären Stephan Lobinger, Data Science Center of Excellence bei IBM und Michael Niederée, Partner Lighthouse von KPMG. Oliver Janzen von der Computerwoche moderiert den Webcast.
Für Niederée beginnt das Thema beim Selbstverständnis im Umgang mit Daten. Der Unternehmenswert ist "die Summe der Kundendaten", sagt er. So lassen sich bereits über simple Altersangaben Lebenssituationen darstellen und der Beratungsbedarf bei bestimmten Produkten ermitteln. Das führt zu höheren Conversionraten. Doch bei einem solchen datengesteuertem Marketing "steckt Deutschland im Vergleich zu den USA noch in den Kinderschuhen".
Schmerzpunkt interne Prozesse
Neben dem "Dauerbrenner Kunde" zielt der KPMG-Partner auf die internen Prozesse ab. Die Email ist "das schlimmste Thema unserer Zeit", sagt er offen. Beispiel Ausschreibungs-Management: Ausschreibungen kommen an den unterschiedlichen Stellen im Unternehmen an und schon werden ganze Email-Ketten losgetreten. Einen weiteren Punkt bilden "unstrukturierte Verträge". Niederée: "Man weiß oft nicht, was drinnen steht, und muss sie erstmal digitalisieren."
Wer aus Daten Wertschöpfung ziehen will, muss zunächst einmal verstehen, welche Signale auf sein Geschäft wirken. "Der Zusammenhang zwischen Wetter und Stadtbesuch ist klar", schmunzeln die Experten, "aber das kann B2B sehr viel komplexer sein." Und: schon ein um wenige Prozente besserer Einkauf kann sich in Millionen auswirken. Entscheider müssen sich also fragen: legen wir genug Wert auf eine Datenstrategie? Welche Anforderungen an die Informationsarchitektur ergeben sich aus unseren Anwendungsfällen?
Dabei lässt sich das große Thema Künstliche Intelligenz laut Lobinger in sieben Cluster unterteilen: Data, Vision, Discovery, Empathy, Language, Speech und Conversation. In Abgrenzung zum Machine Learning werden im Deep Learning künstliche neuronale Netze verwendet. Eine sogenannte "KI-Leiter" beginnt auf der untersten Stufe mit Collect (Daten einfach zugänglich machen) und geht über Organize (eine vertrauenswürdige Datenbasis schaffen) und Analyze (aus den Daten lernen) bis zu Trust (Vertrauen und Transparenz). Erst auf der obersten Stufe kommt Infuse (Automatisieren, Skalieren und Operationalisieren).
Bei Amazon floppte das KI-gestützte Recruiting
Soweit die Theorie. In der Praxis erleben es Unternehmen, wie ihnen ihre eigenen Projekte "den Spiegel vorhalten", wie Niederée sagt. So geriet etwa Amazon negativ in die Schlagzeilen, als sich herausstellte, dass ein KI-gestütztes Recruiting Frauen benachteiligte. "Das muss der Data Scientist künftig besser machen", kommentiert Moderator Janzen. IBM's Data Scientist Lobinger ergänzt: "In solchen Fällen muss man entweder das Modell neu trainieren oder dem Ganzen eine Brille aufsetzen!" Im sogenannten Supervised Learning bedarf es eine Zielvariable (Was will ich vorhersagen?). Inputvariablen (die nötigen Daten, um das Problem zu lösen) und Konfidenzintervalle sowie Bewertungsmethoden (Wie sicher muss die Vorhersage sein/wie sieht die Qualitätskontrolle aus?)
Lobinger rät: "Erstellen, trainieren und implementieren Sie ML und KI-Modelle für jede Rolle!" Konkret also für den Coder (R, Python oder Scala), der das programmiert, den Clicker der es mit visuellen Modellierungswerkzeugen "zusammenklickt" und den Business Experten, der damit arbeitet.
Doch wie stellt sich die Situation für die Zuschauer des Webcasts dar? Moderator Janzen erhebt in einer spontanen Umfrage, welche die am meisten benötigten Fähigkeiten oder Komponenten sind. Das Publikum nennt klare Prioritäten: erforderlich sind eine übergeordnete Informationsarchitektur (68 Prozent), qualifiziertes Personal, vor allem Data Scientisten (59 Prozent), Erfahrungen oder Leuchtturm-Projekte (41 Prozent) und Lösungsangebote auf dem Markt (32 Prozent).
Die größten Chancen durch KI und Data Science sehen die Befragten in Forecasting und Decision Support (62 Prozent), Produktion und Wartung (54 Prozent) sowie in Kundeninteraktion und Sales/Marketing (jeweils 42 Prozent).
"Woher weiß ich, welche Daten gesammelt werden sollen?"
Umgekehrt hat ein Webcast-Zuschauer eine Frage an die Experten. "Woher weiß ich, welche Daten gesammelt werden sollen? Jeder sammelt doch drauf los", sagt er. "Ja das stimmt", bestätigt Lobinger. Sein Rat: "Man sollte immer mit einem echten Geschäftsproblem starten und mit den Daten, die damit zusammenhängen."
Doch die beste Theorie nützt nichts ohne Umsetzung. Niederée: "Man darf nicht nur feststellen, dass Kunden abgewandert sind, sondern man muss diese Kunden dann auch anrufen!" Am erfolgreichsten sei KI dann, "wenn der Nutzer das gar nicht mitbekommt", ihm also nur noch die relevanten Infos angezeigt werden.
Ein weiterer Zuschauer will wissen, ob man denn das Ganze einfach mal testen kann. Natürlich, so die Experten: "IBM Watson Studio googlen, hochladen und testen!"