Das Thema Künstliche Intelligenz (KI) nimmt seit 2018 in Deutschland Fahrt auf. Mehr als zwei Drittel der deutschen Unternehmen geben an, dass sie KI als die wichtigste Zukunftstechnologie sehen. Und dennoch nutzen bislang nur 8 Prozent der deutschen Unternehmen KI-Anwendungen. Zu diesen Ergebnissen kommt eine Studie der Bitkom, die Anfang 2021 600 Unternehmen aus allen Branchen befragt hat.
Datenmanagement als Voraussetzung für KI
Neben Geld, Personal und Zeit, die die meisten Organisationen als Gründe nennen, sich gerade nicht mit KI zu beschäftigen, spielt auch das Datenmanagement eine große Rolle. Tatsächlich wird das Industrielle Internet der Dinge (IIoT) von Anbieter*innen häufig als eine Art “magischer Prozess” dargestellt. Das Sammeln von Daten in Kombination mit komplizierter Mathematik führen auf Anhieb zu Ergebnissen, die der Prozessverbesserung dienen. Doch so einfach ist das Ganze nicht: Um ein erfolgreiches KI-Projekt durchzuführen, müssen folgende Schritte durchlaufen werden:
- Ziele definieren
- Daten sammeln
- Daten verstehen und vorbereiten
- Modell erstellen
- Modell verfeinern
- Modell bedienen
Daten sammeln, verstehen und vorbereiten – diese ersten drei Schritte bilden die Basis für ein Machine Learning Modell. Doch gerade hier entstehen häufig Herausforderungen, die zum Scheitern eines KI-Projekts führen können.
6 Herausforderungen auf dem Weg zur KI
- Datenmangel
Laut einer Studie von McKinsey ist Datenmangel einer der häufigsten Gründe, warum KI-Initiativen scheitern. Um Machine Learning-Algorithmen richtig zu programmieren, muss eine Strategie für die Datensammlung vorliegen, die es ermöglicht, die Daten richtig einzuordnen. Wenn dies nicht der Fall ist, müssen Daten manuell klassifiziert werden, was einerseits zu hohem Zeitaufwand und andererseits zu erhöhten Fehlerraten führt. Außerdem berichten Unternehmen, dass Sie nicht über die richtigen Daten für Ihr KI-Ziel verfügen.
- Training läuft ins Leere
Ein weiteres Problem ist, dass Unternehmen häufig kein klares Ziel vor Augen haben, das sie verfolgen. Infolgedessen werden Datensätze verwendet, die irrelevante oder nur wenig vielfältige Daten enthalten. Wenn die KI mit diesen irrelevanten Daten trainiert wird, kann dies zum Scheitern des Projektes führen. Sie sollten außerdem einen formalen Prozess für vorurteilsfreies Trainieren von KI-Systemen entwickeln und Ihre Datenbasis vergrößern. Denn aufgrund von Datenmangel oder geringer Vielfalt der Daten kommt es sonst zu fehlerhaften Interpretationen.
- Unvollständige Datenintegration
Ihrer Organisation stehen Daten zur Verfügung, die aber über mehrere Orte verteilt abgelegt sind? Dann lautet das Problem: unvollständige Datenintegration. Denn wenn Daten an zu vielen Orten abgelegt sind, ist es schwer den Überblick zu behalten. Data Scientists sind so mit dem Suchen der Daten beschäftigt und können sich nicht auf ihre eigentliche Arbeit, die Analyse der Daten, konzentrieren. Dagegen reicht eine singuläre Quelle an Daten für Ihr KI-System nicht aus. Die Lösung besteht darin, mehrere Datenquellen zu integrieren, um eine Grundlage für ein gut funktionierendes KI-System zu schaffen.
- Unterschiedliche Datenformen
Um KI-Systeme zu trainieren, sollten aktive und transaktionale Daten (= Echtzeitdaten) verwendet werden. Wenn Sie dagegen historische Daten verwenden, entstehen Probleme und das System wird im Zusammenspiel mit Echtzeitdaten nicht zuverlässig arbeiten. Die verwendeten Daten müssen sozusagen nach dem Einsatz des Modells noch “frisch” genug sein, um in den Produktionsprozess zu passen. Dabei müssen auch Änderungen an Sensoren oder Produkten berücksichtigt werden.
- Kein Einbezug von unstrukturierten Daten
Laut einer Studie von Deloitte scheuen sich 64% der Unternehmen davor, unstrukturierte Daten zu verwenden und verlassen sich ausschließlich auf strukturierte Daten aus internen Systemen und Ressourcen. Das Verwenden von unstrukturierten Daten, wie beispielsweise Bild- oder Textdaten, in Kombination mit strukturierten Daten kann aber zu besseren Ergebnissen führen.
- Kulturelle Mangelerscheinungen
Auch organisatorische Herausforderungen stehen dem Erfolg von KI häufig im Weg. Ebenso wie beim Start eines IIoT Projekts gibt es grundlegende Voraussetzungen, um ein KI-Projekt zu starten. Die Beteiligten müssen den Willen haben etwas zu verändern und über Ideen verfügen, was genau im eigenen Unternehmen optimiert werden kann. Auch das nötige Prozessverständnis muss vorhanden sein und Mitarbeiter*innen aus verschiedenen Fachbereichen sollten stets zusammenarbeiten. Zu jeder Zeit muss dabei der übergeordnete Kontext im Fokus stehen und alle Bereiche sollten das Ziel vor Augen haben.
Ein erfolgreiches KI-Projekt durchführen – mit den Lösungen von scitis.io
Daten sind der Schlüssel zum erfolgreichen KI-System. Dies wird auch bei den oben beschriebenen Herausforderungen deutlich: Die ersten 5 Punkte stehen in direktem Zusammenhang mit Daten. Genau hier setzen die Lösungen von scitis.io an: Daten sammeln und aus diesen Daten Wissen generieren, das ist unsere Aufgabe. Hier können wir Sie bestmöglich unterstützen und Ihnen besonders in den Bereichen Datenmangel, Training, Datenintegration, Datenformen und unstrukturierte Daten helfen. Aber auch bei den Herausforderungen durch kulturelle Mangelerscheinungen – im Speziellen hinsichtlich Prozessverständnis und Zielkonkretisierung – kann scitis.io Ihr Unternehmen weiterbringen und Sie beispielsweise mit Workshops und Erfahrung unterstützen.
Einblick in eines unserer KI-Projekte
Wie sieht denn nun aber ein solches KI-Projekt mit scitis.io aus? Um diese Frage zu beantworten, stellen Sie sich einmal folgendes Szenario vor.
Ein Hersteller von Papier hat Schwierigkeiten mit der Qualitätsprüfung seiner Produkte. Die Qualität wird anhand bestimmter Qualitätsparameter geprüft. Da diese Qualitätsparameter aber nur bei dem Produktionsende jedes Tambour (Papierrolle) gemessen werden und keine Echtzeitwerte zur Verfügung stehen, können die Mitarbeiter in der Produktion an den entsprechenden Maschinen erst zu spät eingreifen, was wiederum zu Qualitätseinbußen führen kann. Genau hier kommt die KI-Lösung von scitis.io ins Spiel. Die entwickelte KI-Lösung ermöglicht es, Werte für die Qualitätsparameter während des Produktionsprozesses auf Live-Sensordaten minütlich innerhalb eines Fehlerbereichs von 5% vorherzusagen. Jetzt können die Parameter direkt während der Produktion angepasst werden. Dies ermöglicht dem Kunden eine ressourcenschonende Produktion, die genau auf die geforderte Qualität abgestimmt ist, was wiederum finanziell von Vorteil ist.
Hier sehen Sie die einzelnen Schritte die zu einem erfolgreichen KI-Modell führen:
Zum Schluss bleibt uns nur zu sagen, gehen Sie das Thema der Künstlichen Intelligenz mit uns gemeinsam an, denn wir sind überzeugt davon: KI ist die wichtigste Zukunftstechnologie!
