Auf Anfrage von VVP, vorgestellt in der neuesten Ausgabe von VVP, der führenden Plattform für Finanzberater in den Niederlanden, erklärt unser CTO und KI-Stratege Dennie van den Biggelaar, wie man spezifische KI und maschinelles Lernen auf die ‚Beratung in der Praxis‘ anwendet. In verschiedenen Ausgaben werden folgende Themen behandelt:

• Start mit spezifischer KI und ML
• Operationalisierung in Geschäftsprozessen
• Integration in bestehende IT-Landschaften
• Messen = Lernen: KPIs für ML
• Ethik, Vorschriften und Gesellschaft
• KI und ML: ein Blick in die nahe Zukunft

In dieser zweiten Ausgabe beantworten wir die Frage: Wie operationalisieren Sie einen trainierten Algorithmus?

Herausforderungen bei der Operationalisierung von KI in Geschäftsprozessen

Stellen Sie sich vor, Sie und Ihr Data-Science-Team haben einen vielversprechenden KI-Algorithmus zur Vorhersage von Kündigungen entwickelt, um Berater zu befähigen, proaktiv darauf zu reagieren. Dieser Prozess wurde in Teil 1 dieser Serie, „KI in der Praxis“, besprochen. Das Potenzial ist vorhanden, aber bald merken Sie, dass mehrere komplexe Hürden überwunden werden müssen, um ihn praktisch umzusetzen. Was sind diese Hürden und wie können Sie sie überwinden?

Messbare Ergebnisse fehlen

Ein klar formuliertes Ziel identifiziert genau, was der KI-Algorithmus erreichen soll und stimmt mit den Geschäftszielen überein. Der Umfang hingegen lenkt das Projekt, indem relevante Datenquellen, Budget, Zeitrahmen und erwartete Ergebnisse definiert werden. Was sind die Schritte, um dies zu erreichen?

Ein Data-Science-Projekt ist im Allgemeinen eine Investition, bei der:

• Unklar ist, was es liefern kann.
• Unsicher ist, ob Ihr Team es realisieren kann.

Machen Sie das Projekt daher so klein und handhabbar wie möglich, ohne seinen Wert und seine Wirkung zu verlieren, falls es erfolgreich ist. Versuchen Sie, so schnell wie möglich Ergebnisse zu erzielen, um zu beweisen, dass Sie auf dem richtigen Weg sind.

Wenn Sie diese Ergebnisse nicht erreichen, evaluieren und passen Sie sie mit dem Team an. Wenn Sie sie erreichen? Erstes Ziel erreicht! Dann erstellen Sie eine überzeugende Geschichte und präsentieren Sie sie Ihren Geschäftsstakeholdern, um zu besprechen, wie sie innerhalb Ihrer Organisation skaliert werden kann.

Fragen zur konsistenten Datenqualität

Ein häufiger Stolperstein ist die Qualität und konsistente Bereitstellung aktueller Daten. Inkonsistenzen und fehlende Werte können die Genauigkeit des KI-Modells gefährden. Die Lösung? Eine gründliche Untersuchung, welche Daten immer Genau, Verfügbar und Konsistent sind (das Daten-ABC).

Wenn essenzielle Daten diese Kriterien nicht erfüllen, wenden Sie umfangreiche Datenbereinigungen an, wie das Handling fehlender Werte, extremer Ausreißer und falsch eingegebener Daten. Dann müssen Sie diese Bereinigungsschritte strukturell in einer Datenverarbeitungspipeline und dem zugehörigen Prozess sicherstellen, sodass Sie diese Daten zu Ihrer Grundlage für ein zuverlässiges operatives Modell hinzufügen können.

Unzureichendes Vertrauen in das KI-Modell

Unzureichendes Verständnis und Vertrauen in ML-Modelle bilden eine Barriere für die Akzeptanz bei nicht-technischen Nutzern. Wenn Sie dem nicht genügend Aufmerksamkeit schenken, entstehen Misstrauen und Widerstand. Eine Lösung ist die Auswahl transparenter Modelle mit guter Erklärbarkeit und intelligenter Methoden, bei denen Komplexität in ein verständliches Konzept übersetzt wird. Visualisierung und klare (Prozess-)Dokumentation erhöhen das Vertrauen und drängen den „Black Box“-Einwand in den Hintergrund.

Wie bei jeder Veränderung ist es wichtig, Ihre Kollegen sorgfältig in diesen Prozess einzubeziehen. Geben Sie ihnen genügend Zeit, Fragen zu stellen und sich an diese neue Technologie und ihre Möglichkeiten zu gewöhnen. Realisieren Sie, dass ihre Fragen und ihr Feedback wesentliche Inputs sind, um die beabsichtigte Anwendung in der Praxis erfolgreich zu machen.

Bedenken hinsichtlich Sicherheit, Datenschutz und Ethik

Es versteht sich von selbst, dass die Sicherheit und der Datenschutz von (Kunden-)Daten Voraussetzungen sind, um zu starten. Glücklicherweise wurde in den letzten fünf Jahren viel neue Gesetzgebung implementiert, und Organisationen wenden sie auch praktisch und strukturell an.

Vertrauen ist nicht nur eine Frage von Gesetzgebung und Technologie. Ethische Einwände können auch aus verschiedenen Blickwinkeln erwartet werden:

• Sind wir sicher, dass der Algorithmus fair ist?
• Und was bedeutet das?
• Sind bestimmte Gruppen mit einem Algorithmus schlechter gestellt?
• Finden wir das ethisch verantwortungsvoll?
• Wie verhindere ich, dass mein Algorithmus diskriminiert?

Glücklicherweise hat der niederländische Versicherungsverband mehrere Richtlinien aufgestellt, die Sie in Ihren Algorithmus und Ansatz integrieren können. Möchten Sie sicherstellen, dass Sie nichts übersehen? Bestimmen Sie eine verantwortliche Person dafür.

Der Feedback-Zyklus fehlt

Das Hören auf Benutzererfahrungen und die Nutzung dieses Feedbacks schafft einen dynamischen iterativen Zyklus, der es dem Modell ermöglicht, sich entsprechend den geschäftlichen Anforderungen weiterzuentwickeln. Ein strukturierter Feedback-Mechanismus ist entscheidend für die Selbstlernfähigkeit des KI-Modells. Wie Sie dies richtig einrichten, unterscheidet sich je nach KI-Anwendung.

Im spezifischen Fall von „Kündigungen verhindern“ lassen Sie Berater zum Beispiel festhalten, was sie mit der Vorhersage gemacht haben: den Kunden angerufen, besucht oder nichts unternommen. So können Sie im Laufe der Zeit messen, welchen Effekt dies auf Kündigungen hat.

Unzureichende Überwachung

Das Motto sollte sein: „Den Algorithmus an der Leine halten.“ Sie wollen keine „Halluzinationen“ oder unerwartete Leistungsverschlechterungen, zum Beispiel während eines Trendbruchs. Das bedeutet, dass ein sorgfältiges Überwachungs- und Warnsystem vorhanden sein muss, um die Modellleistung zu verfolgen. Eine nachhaltige Anwendung erfordert eine detaillierte Dokumentation der Parameter und verwendeten Daten, sodass das Modell transparent und reproduzierbar bleibt.

Das Modell ist nicht skalierbar

Ein Algorithmus muss „by design“ Teil eines Systems mit Skalierbarkeit im Blick sein. Sichere Cloud-Lösungen und skalierbare Infrastrukturen wie MLOps-Technologie (die ML-Variante von DevOps) sind im Allgemeinen notwendig. Berücksichtigen Sie Wachstumsprognosen und stellen Sie sicher, dass ein ausreichend flexibles System vorhanden ist, das sich an die sich entwickelnden geschäftlichen Anforderungen anpasst. Die richtigen Entscheidungen zur Integration in die IT-Landschaft zu treffen, ist entscheidend (z. B. Echtzeit- oder Batch-Verarbeitung). Mehr dazu in der nächsten Ausgabe.

Zuletzt, aber nicht zuletzt: Unzureichende Einbindung

Laut Innovationsprofessor Henk Volberda ist der Erfolg von Innovationen nur zu 25 % technisch und zu 75 % von der menschlichen Akzeptanz abhängig. Erfolgreiche Akzeptanz beginnt mit „CEO-Sponsoring“, da Wasser von oben nach unten fließt. Die Führung muss bei der Implementierung eines KI-Modells für ausreichende Schulung, Kommunikation und Unterstützung sorgen. Investieren Sie genügend Zeit und Energie, um diese neue Technologie von der Strategie bis zur Umsetzung in Ihre Organisation zu integrieren. Denn dort liegt der wahre Return on Investment: die erfolgreiche Zusammenarbeit zwischen menschlichen Experten und KI-Technologie.

„Es ist einfach, einen selbstlernenden Algorithmus zu erstellen. Herausfordernd ist es, eine selbstlernende Organisation zu schaffen.“ – Satya Nadella, CEO von Microsoft

Zusammenfassend: Das Erfinden, Bauen und Validieren eines robusten Algorithmus ist nur Phase eins der erfolgreichen Implementierung von KI in der Praxis. In der nächsten Ausgabe werden wir darauf eingehen, wie man ihn in bestehende IT-Systeme und Arbeitsabläufe integriert.