Wie KI einen praktischen Mehrwert bringt
Fahrpläne automatisiert erstellen
Im Transportwesen, der Logistik und in der Personenbeförderung können KI-Systeme zum Beispiel die Erstellung von Fahrplänen automatisieren und dabei helfen, die Bewegungen von Fahrzeugen und die Auslastung von Schienennetzen in Echtzeit zu tracken, um auf diese Weise Soll- und Ist-Zustände abzugleichen und Optimierungspotenziale zu identifizieren. Chatbots werden in Call Centern, in der Finanzberatung und in Hotlines eingesetzt, um ihr Potenzial und die Akzeptanz beim Kunden auszutesten.
All diese Beispiele zeigen einen kleinen Ausschnitt von Use Cases in Unternehmen aller Branchen. Vieles ist bereits realisiert, anderes in der Planung, über Weiteres wird nachgedacht. Ein entscheidender Faktor ist, dass Unternehmen und Entscheider ein klares Verständnis brauchen, wo und wie Methoden und Verfahren des Bereichs Künstliche Intelligenz eingesetzt werden können. Je konkreter der Use Case beschrieben ist, desto erfolgreicher können KI-Projekte durchgeführt werden.
Die Basis von KI-Aktivitäten ist immer ein prognostisches Modell, das in der Lernphase an vorhandene Daten angepasst wird und so das Zustandekommen bestimmter Ereignisse erklärt. Ein Projektteam trainiert einen geeigneten mathematischen Algorithmus mit einer passenden Datenmenge und setzt die Idee in einem Proof of Concept um. In der Regel werden Modelle anhand von historischen Daten trainiert, auch weil sich dort die Gültigkeit der Prognosen überprüfen lässt. Es ist ja alles schon passiert. Fallen die Ergebnisse zufriedenstellend aus, wird das Modell zur Prognose zukünftiger Ereignisse eingesetzt. Die Herausforderung besteht darin, den richtigen Datenbestand zu definieren, um die mathematischen Modelle trainieren zu können. Davon ist letztlich auch der Projekterfolg abhängig.
Qualifizierte Mitarbeiter sind entscheidend
Technologische Voraussetzungen, organisatorische Bedingungen und personelle Ressourcen zählen zu den zentralen Herausforderungen. KI-Lösungen benötigen viel Rechenleistung und bei der Bilderkennung darüber hinaus auch Graphical Processing Units (GPU).
Notwendig sind aber auch qualifizierte Mitarbeiter, die über Kenntnisse mathematisch-statischer Verfahren verfügen. Dazu kommen Entwickler mit Erfahrungen beim Einsatz von Programmiersprachen wie Python, R sowie den Deep-Learning-Frameworks Caffee und Theano oder TensorFlow, einem Framework zur numerischen Berechnung von Datenflussgraphen. Gerade für Unternehmen, die sich nicht selbst in Forschung und Entwicklung engagieren, lohnt sich dabei eine Partnerschaft mit einem qualifizierten Technologieunternehmen.
