12. Januar 2022
KI in der Beratungspraxis: Wie operationalisieren Sie KI in Ihren Geschäftsprozessen?
Auf Anfrage von VVP, der Plattform für Finanzdienstleister, erläutert unser CTO und KI-Stratege Dennie van den Biggelaar, wie man KI und maschinelles Lernen konkret auf die „Beratung in der Praxis“ anwendet. In verschiedenen Ausgaben werden folgende Themen beleuchtet:
Erste Schritte mit spezifischer KI und ML
Umsetzung in Geschäftsprozessen
Integration in die bestehende IT-Landschaft
Messen = Lernen: KPIs für ML
Ethik, Regulierung und Gesellschaft
KI und ML: Ein Blick in die nahe Zukunft
In dieser zweiten Ausgabe beantworten wir die Frage: Wie lässt sich ein solcher trainierter Algorithmus nun in die Praxis umsetzen?
Herausforderungen bei der Umsetzung von KI in Geschäftsprozessen
Stellen Sie sich vor: Sie haben gemeinsam mit Ihrem Data-Science-Team einen vielversprechenden KI-Algorithmus entwickelt, um Kündigungen vorherzusagen, damit Berater proaktiv darauf reagieren können. Dieser Prozess wurde in Teil 1 dieser Reihe „KI in der Praxis“ behandelt. Das Potenzial ist da, aber schnell stellt man fest, dass bei der tatsächlichen Umsetzung in die Praxis eine Reihe komplexer Hürden überwunden werden müssen. Welche Hürden sind das und wie kann man sie umgehen?
Es bleiben messbare Ergebnisse aus
Ein klar formuliertes Ziel legt genau fest, was der KI-Algorithmus erreichen soll, und ist auf die Unternehmensziele abgestimmt. Der Umfang hingegen gibt dem Projekt eine Richtung vor, indem er die relevanten Datenquellen, das Budget, die Zeitpläne und die erwarteten Ergebnisse definiert. Welche Schritte sind erforderlich, um dies zu erreichen?
Ein Data-Science-Projekt ist im Allgemeinen eine Investition, bei der:
Es ist nicht klar, was dir das bringen kann
Es ist nicht sicher, ob dein Team in der Lage ist, dies umzusetzen
Gestalte das Projekt daher so klein und übersichtlich wie möglich, ohne dass es seinen Wert und seine Wirkung verliert, wenn es gelingt. Und versuche, so schnell wie möglich Ergebnisse zu erzielen, die dir zeigen, dass du auf dem richtigen Weg bist.
Wenn du diese Ergebnisse nicht erzielst, besprich die Situation mit dem Team und nimm entsprechende Anpassungen vor. Wenn du sie doch erzielst? Erstes Ziel erreicht! Dann verpacke das Ganze in eine ansprechende Geschichte, präsentiere sie deinen Stakeholdern und besprich mit ihnen, wie du dies innerhalb deines Unternehmen weiter ausbauen kannst.
Zweifel an der gleichbleibenden Datenqualität
Ein häufiges Hindernis ist die Qualität und die kontinuierliche Bereitstellung aktueller Daten. Inkonsistenzen und fehlende Werte können die Genauigkeit des KI-Modells beeinträchtigen. Die Lösung? Eine gründliche Untersuchung, welche Daten stets genau, verfügbar und konsistent sind (die ABC-Daten).
Entsprechen die für das Erreichen deines Ziels wesentlichen Daten diesen Anforderungen nicht? Dann führe eine umfassende Datenbereinigung durch, beispielsweise durch die Behandlung fehlender Werte, extremer Ausreißer und fehlerhaft eingegebener Daten. Anschließend musst du diese Bereinigungsschritte strukturell in einer Datenumwandlungspipeline und dem dazugehörigen Prozess verankern, damit du diese Daten als Grundlage für ein zuverlässiges Betriebsmodell nutzen kannst.
Das Vertrauen in das KI-Modell ist unzureichend
Mangelndes Verständnis und Vertrauen in ML-Modelle stellen für nicht-technische Nutzer eine Hürde für die Akzeptanz dar. Wenn man diesem Aspekt nicht genügend Aufmerksamkeit schenkt, entstehen Misstrauen und Widerstand. Eine Lösung besteht darin, transparente Modelle mit guter Erklärbarkeit und intelligente Methoden auszuwählen, bei denen Komplexität in ein verständliches Konzept umgewandelt wird. Visualisierung und klare (Prozess-)Dokumentation stärken das Vertrauen. Dadurch tritt der Einwand einer „Black Box“ in den Hintergrund.
Und wie bei jeder Veränderung ist es auch hier wichtig, deine Kollegen sorgfältig in diesen Prozess einzubeziehen. Gib ihnen genügend Zeit, ihre Fragen zu stellen und sich an diese neue Technologie und ihre Möglichkeiten zu gewöhnen. Und sei dir bewusst, dass ihre Fragen und ihr Feedback für dich unverzichtbarer Input sind, um die von dir angestrebte Anwendung in der Praxis erfolgreich umzusetzen.
Bedenken hinsichtlich Sicherheit, Datenschutz und Ethik
Es versteht sich von selbst, dass die Sicherheit und der Schutz von (Kunden-)Daten eine Grundvoraussetzung dafür sind, überhaupt erst anzufangen. Glücklicherweise wurden in den letzten fünf Jahren viele neue Gesetze verabschiedet, und die Organisationen setzen diese auch praktisch und strukturell um.
Vertrauen ist nicht nur eine Frage der Gesetzgebung und der Technologie. Auch auf ethischer Ebene ist mit Einwänden aus verschiedenen Richtungen zu rechnen:
Können wir sicher sein, dass der Algorithmus fair ist?
Und was bedeutet das eigentlich?
Sind bestimmte Gruppen in einer Situation mit Algorithmen schlechter gestellt?
Halten wir das für ethisch vertretbar?
Wie kann ich verhindern, dass mein Algorithmus diskriminiert?
Glücklicherweise hat der Verband der Versicherer hierfür eine Reihe von Richtlinien erstellt, die du in deinem Algorithmus und deinem Vorgehen berücksichtigen kannst. Möchtest du sichergehen, dass du dabei nichts übersiehst? Dann übertrage die Verantwortung dafür einer Person
Der Feedback-Kreislauf fehlt
Das Eingehen auf Nutzererfahrungen und die Nutzung dieses Feedbacks sorgen für einen dynamischen, iterativen Zyklus, durch den sich das Modell entsprechend den geschäftlichen Anforderungen weiterentwickelt. Ein strukturierter Feedback-Mechanismus ist entscheidend für die Selbstlernfähigkeit des KI-Modells. Wie man diesen richtig gestaltet, ist je nach KI-Anwendung unterschiedlich.
Im konkreten Fall der „Verhinderung von Kündigungen“ lässt man die Berater beispielsweise festhalten, was sie mit der Prognose gemacht haben: den Kunden angerufen, besucht oder nichts unternommen. So lässt sich im Laufe der Zeit messen, wie sich dies auf die Kündigungsrate auswirkt.
Es findet keine ausreichende Überwachung statt
Das Motto muss lauten: „Halte den Algorithmus an der kurzen Leine“. Was du vermeiden willst, sind „Halluzinationen“ oder unerwartete Leistungseinbußen, beispielsweise bei einem Trendbruch. Das bedeutet, dass es ein sorgfältiges Überwachungs- und Warnsystem geben muss, um die Modellleistung zu überwachen. Eine nachhaltige Anwendung erfordert zudem eine detaillierte Dokumentation der Parameter und der verwendeten Daten, damit das Modell transparent und reproduzierbar ist und bleibt.
Das Modell erweist sich als nicht skalierbar
Ein Algorithmus sollte von Grund auf Teil eines Systems sein, das auf Skalierbarkeit ausgelegt ist. Hierfür sind in der Regel sichere Cloud-Lösungen und eine skalierbare Infrastruktur wie MLOps-Technologie (die ML-Variante von DevOps) erforderlich. Berücksichtigen Sie Wachstumsprognosen und sorgen Sie für ein ausreichend flexibles System, das sich an sich wandelnde Geschäftsanforderungen anpasst. Die richtigen Entscheidungen für die Integration in die IT-Landschaft zu treffen, ist entscheidend (z. B. Echtzeit- oder Batch-Verarbeitung). Mehr dazu jedoch in der nächsten Ausgabe.
Last but not least: mangelndes Engagement
Laut dem Innovationsprofessor Henk Volberda ist der Erfolg einer Innovation nur zu 25 % technischer Natur und hängt zu 75 % von der Akzeptanz durch die Menschen ab. Eine erfolgreiche Akzeptanz beginnt mit „CEO-Sponsoring“, denn schließlich fließt das Wasser von oben nach unten. Die Führungsebene muss dafür sorgen, dass bei der Einführung eines KI-Modells ausreichend Schulung, Kommunikation und Unterstützung vorhanden sind. Investieren Sie genügend Zeit und Energie, um diese neue Technologie zu einem Teil Ihres Unternehmen zu machen, von der Strategie bis zum operativen Geschäft. Denn darin liegt der wahre Return on Investment: in der erfolgreichen Zusammenarbeit zwischen menschlichem Experten und KI-Technologie.
„Es ist einfach, einen selbstlernenden Algorithmus zu entwickeln. Die Herausforderung besteht darin, eine selbstlernende Organisation zu schaffen.“ – Satya Nadella, CEO von Microsoft
Kurz gesagt: Die Entwicklung, Umsetzung und Validierung eines robusten Algorithmus ist nur der erste Schritt zur erfolgreichen praktischen Anwendung von KI. In der nächsten Ausgabe werden wir näher darauf eingehen, wie man KI in bestehende IT-Systeme und Arbeitsabläufe integrieren kann.
Der Originalartikel wurde in der VVP-Zeitschrift veröffentlicht.
