Wie KI einen praktischen Mehrwert bringt

Autor/Redakteur: Ron Brandt, Vice President Consulting Services bei CGI Deutschland/gg

Künstliche Intelligenz automatisiert Prozesse, wartet Maschinen, trifft Entscheidungen und findet Lösungen für knifflige Probleme. Unternehmen können enorm davon profitieren. Voraussetzung ist allerdings die richtige KI-Strategie und eine gelungene Kombination aus Algorithmen, Methoden und Daten.

Künstliche Intelligenz (KI) ist kein Produkt, sondern ein Oberbegriff für eine Vielzahl von Methoden und Techniken. Dazu gehören auf den ersten Blick so unterschiedliche Dinge wie Deep Learning, Machine Learning, neuronale Netze, Bild- und Spracherkennung, Robot Process Automation, Chatbots oder entscheidungsunterstützende Systeme. Allen diesen Techniken liegt die Überzeugung zugrunde, dass das Wissen für die Lösung von Problemen in den Daten bereits vorhanden ist, man muss es nur erkennen und nutzen. Mit selbstlernenden Algorithmen wird aus Datenmengen und Zeitfolgen ein Lösungsmuster herausgeschält, das sich zudem an neue Situationen anpasst. All diese unterschiedlichen Methoden tragen in klar definierten Anwendungsszenarien dazu bei, dass Computer eine gewisse „Intelligenz“ suggerieren, dass sie lernen und selbstständig Entscheidungen treffen können, die in den ursprünglichen algorithmischen Regeln so noch nicht angelegt waren. Unternehmen in Deutschland haben zwar mittlerweile den Mehrwert von Künstlicher Intelligenz für die Weiterentwicklung ihrer Produkte und Dienstleistungen erkannt. Doch die schwierigste Frage bleibt, welche Anwendungsszenarien langfristigen Mehrwert versprechen und wie eine erfolgreiche KI-Strategie aussehen sollte.

Anwendungsszenarien evaluieren

Bei der Einführung von KI-Projekten in Unternehmen empfiehlt sich ein Vorgehen in drei Schritten. Den Ausgangspunkt und damit den ersten Schritt bei KI-Projekten bildet die Identifikation und Beschreibung potenzieller Use Cases. Bewährt haben sich an dieser Stelle Design-Thinking-Methoden, die zum Ziel haben, sehr schnell zu ersten Prototypen zu gelangen. In Workshops, und begleitet durch einen darauf spezialisierten IT-Dienstleister, erarbeiten die Fachabteilungen mögliche Anwendungsfälle. Schritt zwei befasst sich mit der Auswahl der passenden Methoden, Algorithmen und mathematischen Verfahren, die sich für die Umsetzung des Use Cases am besten eignen. Im dritten Schritt muss der Datenbestand entweder aus eigenen oder externen Datenquellen definiert und aufbereitet werden, um die Prognosemodelle zu trainieren.

Ein ganz typischer Anwendungsfall ist die Bilderkennung oder Bildanalyse. Sie wird bereits erfolgreich in der medizinischen Diagnostik, beispielsweise bei der Auswertung von Röntgenbildern, eingesetzt. Medizinischen Studien zufolge lässt sich mit geeignetem Trainingsmaterial und durch den Einsatz von Convolutional Neural Networks (CNN) die Trefferquote zum Beispiel in der Krebsdiagnose erheblich steigern. Ein guter Radiologe erreicht eine Trefferquote von etwa 60 Prozent; mit gut trainierten CNNs lässt sich die Quote auf über 80 Prozent steigern.