Eine Raketenwissen­schaft? Nein!

Bozen – Künstliche Intelligenz (KI) ist in aller Munde. Kein Tag vergeht, wo wir nicht von KI lesen. Große Unternehmen haben bereits begonnen, KI in verschiedenen Bereichen einzusetzen, von der Fertigung über den Vertrieb bis hin zum Kundenservice. Nicht nur die Tech-Giganten wie Facebook oder Amazon haben massiv in diesen Bereich investiert. So hat Facebook beispielsweise bereits im Jahre 2013 das Facebook AI Research Lab ins Leben gerufen. Ein Beispiel aus der Industrie wäre Siemens mit seinem „Siemens AI Lab“, welches 2017 gegründet wurde. Auch einige mittlere und kleine Unternehmen können bereits erste Erfahrungen mit KI vorweisen. Das ist auch gut so. Denn wollen KMUs langfristig wettbewerbsfähig sein, müssen sie sich so bald wie möglich mit dem Thema auseinandersetzen.

Aufgaben, die menschliche Intelligenz erfordern

Bevor es darum gehen soll, was KMUs vor dem Einsatz von KI berücksichtigen sollten, lohnt es sich, zunächst einen Schritt zurückzumachen: Was ist künstliche Intelligenz überhaupt? KI bezeichnet die Fähigkeit von Computern und Systemen, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. Diese Technologie nutzt Algorithmen und Datenanalyse, um Muster zu erkennen, Prognosen zu treffen und Probleme zu lösen. Beispiele für KI in der Praxis sind Chatbots, die Kundenanfragen bearbeiten, oder maschinelles Lernen zur Vorhersage von Verkaufstrends. Je nachdem, welche Aufgaben eine KI übernehmen soll, ist ihr Training komplexer oder weniger komplex. Das wird anhand von zwei Praxisbeispielen deutlich.

Praxisbeispiele: KI-Chatbot und Vorhersage von Verkaufstrends

Will ein Unternehmen einen eigenen KI-basierten Chatbot etablieren, wären folgende Schritte notwendig:

1. Eingegebene Anfragen der Kundschaft werden mittels eines Web-Widgets in einer Datenbank gesammelt;
2. Eine Schnittstelle mit einem der bekannten Anbieter, z. B. CHAT-GPT, wird eingerichtet oder ein eigenes Large Language Model (LLM) wird betrieben. An diesen Service wird die eingehende Kundenanfrage weitergegeben;
3. Das ausgewählte Modell wird mit den gewünschten Antworten trainiert.

Will ein Unternehmen hingegen Verkaufstrends vorhersagen, dann ist die Sache komplexer. In dem Fall müsste folgender Prozess durchgemacht werden:

1. Sammeln der historischen Verkaufsdaten auf Artikelebene, Einbezug von Lager und Retouren;
2. Sammeln verschiedener Dimensionen von Daten, welche den Verkauf in der jeweiligen Branche beeinflussen, z. B. Wetter- und Wettervorhersagen, Wochentage, Feiertage, Touristenströme, Passanten-Daten im stationären Handel usw.;
3. Aufbereiten dieser Daten durch einen sogenannten „Datenwissenschaftler“, sodass diese in Modellen des Maschinellen Lernens verwendet werden können;
4. Auswahl des geeigneten Modells – hier muss entweder auf einen Testdatensatz zugegriffen werden und getestet werden, welches Modell für den konkreten Anwendungsfall die besten Ergebnisse bringt, oder auf ein Experten-Unternehmen zurückgegriffen werden, welches bereits Erfahrung hat und Modelle eingrenzen kann;
5. Trainieren des ausgewählten Modells mit den Daten;
6. Testen des berechneten Modells: Hier wird normalerweise eine Vorhersage mit einem Teil der historischen Daten gemacht (30 Prozent der historischen Daten werden in das Modell eingespielt. Mit diesen sollen die nicht eingespielten 70 Prozent der historischen Daten vorhergesagt werden. Damit wird das Modell kalibriert);
7. Diese Schritte werden wiederholt, bis eine Vorhersagegenauigkeit von mindestens 80 Prozent vorgewiesen werden kann. Das Modell kann sich dann verbessern, indem in der Zukunft mehr Daten in das Modell eingespielt werden oder neue Parameter entdeckt werden, welche das Modell positiv beeinflussen;
8. Das Modell und die dazugehörige Dateninfrastruktur sollte mit dem restlichen IT-System zusammenführt werden, sodass die Daten in das vorhandene ERP-System und Berichtswesen integriert werden – in beide Richtungen (neue Daten füttern das Modell und Ergebnisse werden rückgespielt).

Die beiden Beispiele zeigen: Die technische Herausforderung von KI-Projekten unterscheidet sich, je nachdem welches Ziel damit verfolgt wird. Beim ersten Projekt hält sie sich in Grenzen. Es besteht keine Notwendigkeit von historischen Daten, um die Aufgabe zu bewältigen. Beim zweiten Projekt ist die technische Herausforderung hingegen deutlich höher und mehr Expertenwissen ist notwendig.

Welche Voraussetzungen in Unternehmen notwendig sind

Gleichgültig, welches Ziel ein Unternehmen mit KI verfolgt und wie aufwendig ein Projekt ist – bevor sich Betriebe an ein Projekt wagen, sollten sie darauf achten, dass mehrere ­Voraussetzungen gegeben sind. Folgende Umstände sind entscheidend, damit künstliche Intelligenz in Betrieben erfolgreich eingesetzt werden:

1. Ziel: Unternehmen benötigen einen klaren strategischen Plan, der die Ziele und den Mehrwert definiert, den KI liefern soll.
2. Daten: KI basiert auf Daten. Eine solide Dateninfrastruktur ist deshalb unerlässlich, um qualitativ hochwertige Daten für das Training von KI-Modellen zur Verfügung zu haben. Unternehmen sollten sicherstellen, dass sie über qualitativ hochwertige Daten verfügen, die für die Schulung und den Betrieb von KI-Modellen verwendet werden können. Bei Bedarf sollten sie in die Datenerfassung, -speicherung und -bereinigung investieren.
3. Ressourcen: Die vorhandenen Fähigkeiten und Ressourcen im Unternehmen sollten überprüft werden, um festzustellen, ob das erforderliche Fachwissen in den Bereichen Datenwissenschaft, maschinelles Lernen und Softwareentwicklung vorhanden ist. Auch externe Experten und Expertinnen können eingebunden werden.
4. IT: Die IT-Infrastruktur sollte einer Überprüfung unterzogen werden, um sicherzustellen, dass sie den Anforderungen von KI-Anwendungen gerecht wird. Möglicherweise werden leistungsfähigere Rechenkapazitäten oder Cloud-Dienste benötigt, um KI-Modelle zu trainieren und zu nutzen.
5. Ethik und Rechtliches: Unternehmen sollten sich informieren, ob der Einsatz von KI den rechtlichen und ethischen Anforderungen entspricht, insbesondere im Hinblick auf Datenschutz und Sicherheit.
6. Pilotprojekte: Um den Einsatz von KI in kleinerem Maßstab zu testen und zu validieren, können Pilotprojekte implementiert werden. Dies hilft, Erfahrungen zu sammeln, mögliche Herausforderungen zu identifizieren und Erfolge zu dokumentieren. Hier ist es ratsam, in jenen Bereichen zu beginnen, wo große Hebel vermutet werden. Produzierende Betriebe können beispielsweise mit dem Einkauf oder der Produktion zu beginnen.
7. Team: Veränderungen durch die Einführung von KI können Mitarbeitende betreffen. Unternehmen sollten deshalb sicherstellen, dass entsprechende Schulungen angeboten werden. Auch sollten sie den Mehrwert von KI transparent kommunizieren, um Akzeptanz und Zusammenarbeit zu fördern. Die KI wird keine Mitarbeitenden „ersetzen“, sondern Mitarbeiter:innen für neue Aufgaben frei machen.
8. Optimierung: KI ist ein sich ständig weiterentwickelndes Gebiet. Firmen sollten deshalb die fortlaufende Optimierung der KI-Modelle einplanen und regelmäßig evaluieren, wie KI in anderen Bereichen oder Abteilungen skaliert werden kann.
9. Ergebnisse: Um sicherzustellen, dass die KI-Anwendungen die gewünschten Ergebnisse liefern und dass auf Veränderungen oder Bedürfnisse im Unternehmen reagiert werden kann, sollten Mechanismen zur Überwachung der Leistung und zum Sammeln von Feedback implementiert werden.

Ist Südtirol KI-ready?

Die große Frage ist nun: Sind Südtirols Unternehmen KI-ready? Wenn wir ehrlich sind, gibt es wahrscheinlich nur wenige Betriebe, welche auf Anhieb die Dateninfrastruktur, die IT-Infrastruktur, die Talente und das KI-Fachwissen in sich vereinen. Das ist jedoch kein Beinbruch, denn in all diesen Bereich kann und sollte wie oben dargestellt gearbeitet werden

So kann und wird ein KI-Pilotprojekt ein wesentlicher Treiber im Unternehmen sein, um die Prozesse und Dateninfrastruktur zu verbessern. Haben Unternehmen beispielsweise heute noch keine saubere Integration zwischen Lagerverwaltungssystem und ERP-System, wird man zunächst daran arbeiten und diese Daten z. B. in einem Data Warehouse zusammenbringen.

Wenn Betriebe heute noch keine Maschinendaten erfassen, wird man zunächst damit beginnen, diese mit Sensoren auszustatten und die Daten zu erfassen, beispielsweise in einem sogenannten Datensee (Data Lake). Dann geht in Zukunft nichts mehr verloren.

Ich persönlich glaube, dass wenige Unternehmen heute bereits die Voraussetzungen haben, um sofort mit KI arbeiten zu können. Aber der Aufwand, um eine gute Grundlage zu schaffen, ist nicht astronomisch – große Meilensteine können schnell erreicht werden. Ich warne nur davor, dass wir zu optimistisch auf das Thema blicken und meinen, KI sei der heilige Gral und löse alle Probleme. KI ist aber auch keine Raketenwissenschaft und jeder Betrieb kann von ihr profitieren, wenn die obengenannten Tipps und Tricks berücksichtigt werden.

Hannes Lösch

DER AUTOR ist Gründer und CEO des Softwareentwicklungsunternehmens Limendo.