{"id":19089,"date":"2021-06-18T11:47:00","date_gmt":"2021-06-18T09:47:00","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=19089"},"modified":"2021-06-14T10:58:45","modified_gmt":"2021-06-14T08:58:45","slug":"erfolgsfaktoren-fuer-die-skalierung-von-ki-projekten","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=19089","title":{"rendered":"Erfolgsfaktoren f\u00fcr die Skalierung von KI Projekten"},"content":{"rendered":"\n

Autorin\/Redakteur: Rachel Boskovitch, Leiterin des Zentraleuropa-Teams bei der Enterprise-AI Plattform Dataiku<\/a>\/gg<\/p>\n\n\n\n

Mit Hilfe K\u00fcnstlicher Intelligenz schaffen Unternehmen bereits vielseitig neue Werte. Nach erfolgreichen Pilotprojekten stellt die Skalierung von KI-Projekten Unternehmen vor neue Herausforderungen und Fragestellungen. Die richtige Strategie, eine ganzheitliche KI-Kultur und passgenaue technische Voraussetzungen ebnen den Weg hin zum erfolgreichen datengesteuerten Unternehmen.<\/p>\n\n\n\n

\"\"<\/a>
Bild: Dataiku<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Jede KI-Journey muss irgendwo beginnen und so setzen eine Vielzahl an Unternehmen bei der Implementierung zun\u00e4chst auf kurzfristige Ziele, die wissenschaftlich nicht komplex sind, dem Unternehmen aber einen deutlichen Mehrwert bieten \u2013 etwa im Sinne einer Kosteneinsparung oder Effizienz- und Qualit\u00e4tssteigerung. Die Zielsetzung liegt sinnvollerweise darin, aus wenigen anf\u00e4nglichen Anwendungsf\u00e4llen einen greifbaren Mehrwert zu schaffen. Um auch \u00fcber diese ersten Anwendungsf\u00e4lle hinaus profitabel mit KI zu arbeiten, muss deren Einsatz fr\u00fcher oder sp\u00e4ter ausgeweitet werden. Um erfolgreich zu skalieren, sollten sich Unternehmen nach und nach auch l\u00e4ngerfristige Ziele stecken und die schnellen, simpleren Anwendungsf\u00e4lle mit komplexeren Projekten mischen. Ziel ist es, KI nicht mehr als isoliertes Thema zu betrachten, sondern als essenziellen Treiber f\u00fcr die Entwicklung des Kerngesch\u00e4fts. Das bedeutet vor allem, KI in Gesch\u00e4ftsprozesse einzubetten. Ein Operationsmodell, das die richtige Balance zwischen Bottom-up-Empowerment und Top-down-Unterst\u00fctzung wahrt, hat sich hierbei bew\u00e4hrt. Wichtige Bestandteile dieser Strategie sind branchenunabh\u00e4ngig die Weiterbildung der Teams, ein demokratisierter Datenzugang, die klare Festlegung von Priorit\u00e4ten und die Erstellung einer strategischen Roadmap.<\/p>\n\n\n\n

Mit den richtigen Investitionsentscheidungen zur erfolgreichen Skalierung<\/strong><\/p>\n\n\n\n

Um KI-Projekte auf den Weg zu bringen, vor allem aber auch zu skalieren, sind sowohl monet\u00e4re als auch zeitliche Investitionen notwendig und die richtigen Investmententscheidungen werden ma\u00dfgeblich zu einer erfolgreichen Skalierung beitragen. In deren Zentrum steht erneut der Gedanke, Analysen und Modelle nicht als eigenst\u00e4ndiges Datenprodukt zu sehen. Vielmehr sollte ein miteinander verbundener Stack entwickelt werden, in dem bereits bestehende Datenprodukte die Basis f\u00fcr die Implementierung vieler anderer KI-Anwendungsf\u00e4lle vorantreibt. Nat\u00fcrlich wird auch Anhand des Return on Invest gemessen werden, wie stark Investitionen auf die Unternehmensziele einzahlen. Gerade wenn in fr\u00fchen Stadien der Journey vergleichsweise hohe Investitionen notwendig sind, kann ein vermeintlich hinter den Erwartungen zur\u00fcckbleibender ROI zum echten Skalierungshemmnis werden. Unternehmen sollten dabei aber die weniger offensichtlichen Werte nicht untersch\u00e4tzen. So kann ein h\u00f6herer KI-Reifegrad, der durch die Skalierung erreicht wurde, beispielsweise positive Wirkung auf die Reputation des Unternehmens haben und damit neue Werte erschlie\u00dfen oder die Fluktuation von Mitarbeitern vermindern.   <\/p>\n\n\n\n

Gesicherten Data Governance Praktiken kommt bereits bei einigen wenigen KI-Anwendungsf\u00e4llen eine gro\u00dfe Bedeutung zu. \u00a0Im Zuge der Skalierung wird sich deren Bedeutung jedoch nochmals drastisch erh\u00f6hen. \u00a0Mit der Ausweitung der KI-Strategie werden auch automatisch gr\u00f6\u00dfere Datenmengen erfasst, angebunden, aufbereitet, gespeichert und verwendet. Mehr denn je werden hier die Data-Governance-konforme Speicherung und klar geregelte Verwaltung der Daten in den Vordergrund treten, um einerseits die rechtlichen Anforderungen an die Datennutzung zu erf\u00fcllen und andererseits den \u00dcberblick nicht zu verlieren. Eine grundlegende Voraussetzung sind klare Strukturen. Anstatt Modelle in intransparenten Umgebungen, wie zum Beispiel auf lokalen Rechnern zu erstellen, sollten diese \u00fcber eine zentrale Plattform mit Echtzeitzugriff abgebildet werden. Un\u00fcbersichtliche Kommunikation per Mail, die sich bez\u00fcglich der Einhaltung von Data Governance-Richtlinien ohnehin schwierig gestaltet, kann ebenfalls \u00fcber eine solche Plattform abgewickelt werden. Kritische Dateien oder Feedbacks gehen dann nicht verloren und es immer klar einsehbar, woher Daten kommen, wie sie beschaffen sind und bereits aufbereitet oder genutzt wurden.<\/p>\n\n\n\n

Die Demokratisierung von KI ist Grundvoraussetzung zur erfolgreichen Skalierung<\/strong><\/p>\n\n\n\n

Im Zuge der Skalierung ist auch die Schaffung einer breiten und integrativen Organisation unabdingbar, um den Anforderungen an gro\u00dfe Datenprojekte gerecht zu werden. Konkret bedeutet das: Wesentlich mehr Mitarbeiter m\u00fcssen Zugang zu Daten erhalten und aktiv in Projekte eingebunden werden. Die Arbeit an KI-Projekten darf dann speziell nicht mehr Teams hochqualifizierter Data Scientists vorbehalten sein, sondern muss auch Ingenieure, Business-Analysten, Marketingexperten, Techniker und Gesch\u00e4ftsprofile auf C-Level einbeziehen. Nur so kann ein umfassender Blick auf L\u00f6sungsans\u00e4tze und potenzielle Use Cases f\u00fcr das gesamte Unternehmen erreicht und die Wertsch\u00f6pfung maximal vorangetrieben werden.<\/p>\n\n\n\n\n\n\n\n

In diesem Zuge m\u00fcssen Mitarbeiter abseits der Datenteams kein tiefgreifendes Verst\u00e4ndnis oder gar hochkomplexe Machine Learning Kenntnisse entwickeln. Vielmehr geht es um die Etablierung einer ganzheitlichen KI-Kultur, in der Mitarbeiter \u00fcber s\u00e4mtliche Verantwortlichkeiten hinweg eine Vorstellung von Nutzen und Werten der KI-Nutzung sowie ein grundlegendes Verst\u00e4ndnis f\u00fcr die dabei verwendeten Daten erlangen. Projekte profitieren dann vom gemeinsamen Diskurs aus unterschiedlichsten Blickwinkeln. Die teils sehr komplement\u00e4ren Anforderungen an und Ziele der Datenarbeit werden bestm\u00f6glich miteinander in Einklang gebracht, weil keine wichtigen Insights oder Sichtweisen au\u00dfen vor bleiben und Missverst\u00e4ndnisse von vornherein vermieden werden k\u00f6nnen.<\/p>\n\n\n\n

Eine zentrale Plattform sorgt f\u00fcr gute Zusammenarbeit an vielen Projekten<\/strong><\/p>\n\n\n\n

Damit diese Ausweitung der Arbeit mit KI funktioniert, muss vor allem der Zugang zu Daten demokratisiert werden. Die bereits oben erw\u00e4hnte workflow-orientiere Plattform mit Echtzeit Datenanbindung bietet sich als zentrale Anlaufstelle f\u00fcr alle Beteiligten Mitarbeiter an. Hier werden Datenprojekte mit den dazugeh\u00f6rigen Datens\u00e4tzen und Funktionen in verst\u00e4ndlichen Dashboards so visualisiert, dass auch nicht-technische Profile mit den Informationen arbeiten, grundlegende Erkenntnisse ziehen und Ergebnisse interpretieren k\u00f6nnen.<\/p>\n\n\n\n

Durch die Bereitstellung von Frameworks f\u00fcr die \u00dcberf\u00fchrung von Modellen in die Produktion k\u00f6nnen Data-Science-Tools die mit der Modellpflege und -\u00fcberwachung verbundenen Kosten reduzieren. Deshalb werden vor allem auch gute MLOps-Praktiken eine kritische Komponente bei der Skalierung von Machine-Learning-Anstrengungen sein und Unternehmen dabei helfen, von einem oder einer Handvoll Modelle in der Produktion auf Dutzende, Hunderte oder sogar Tausende zu kommen.<\/p>\n\n\n\n

Wenn es um die Auswahl der richtigen Technologie geht, m\u00fcssen Unternehmen das Unvorhersehbare einplanen. Technologie, die heute noch State-of-the-Art ist, kann rapide durch bessere Alternativen abgel\u00f6st werden. Dieser Agilit\u00e4t k\u00f6nnen Unternehmen nur mit Agilit\u00e4t begegnen. Wer sich fr\u00fch darauf einstellt, Technologien bei Bedarf auszuwechseln, kann sich langfristig Wettbewerbsvorteile sichern. Hierbei hilft eine isolierende Schicht zwischen die Teams, die an KI-Projekten mitwirken und der zugrunde liegenden Rechenschicht.<\/p>\n\n\n\n

Um KI-Projekte erfolgreich zu skalieren und langfristig die Transformationen zu einem wirklich datengesteuerten Unternehmen zu vollziehen, sind also drei Faktoren ausschlaggebend. Eine durchdachte strategische Planung legt den Grundstein f\u00fcr erfolgreiche Folgeschritte. Auch bei der Skalierung von KI werden Menschen weiterhin eine Schl\u00fcsselrolle spielen. Deshalb ist die Etablierung einer zukunftsf\u00e4higen KI-Kultur im Sinne einer umfassenden, team\u00fcbergreifenden Zusammenarbeit der zweite Erfolgsfaktor. Nicht zuletzt wird die erfolgreiche Transformation des Unternehmens auch von der Wahl der richtigen Technologie abh\u00e4ngen.<\/p>\n","protected":false},"excerpt":{"rendered":"

Mit Hilfe K\u00fcnstlicher Intelligenz schaffen Unternehmen bereits vielseitig neue Werte. Nach erfolgreichen Pilotprojekten stellt die Skalierung von KI-Projekten Unternehmen vor neue Herausforderungen und Fragestellungen. Die richtige Strategie, eine ganzheitliche KI-Kultur und passgenaue technische Voraussetzungen ebnen den Weg hin zum erfolgreichen datengesteuerten Unternehmen.<\/p>\n","protected":false},"author":1,"featured_media":19091,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,14917],"tags":[10392,14947,1829,8220,10986,14948,4732],"class_list":["post-19089","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-digitalisierung","tag-data-governance","tag-dataiku","tag-framework","tag-ki","tag-ml","tag-mlops","tag-skalierung"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/19089","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=19089"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/19089\/revisions"}],"predecessor-version":[{"id":19092,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/19089\/revisions\/19092"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/19091"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=19089"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=19089"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=19089"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}