Viele Unternehmen stehen vor der Aufgabe, künstliche Intelligenz in erfolgreiche Daten- und KI-Produkte einfließen zu lassen. Wir erklären, worauf bei der Entwicklung von Datenprodukte zu achten ist.

Das Projektumfeld analysieren

Der erste wesentliche Schritt ist die Analyse vom Projektumfeld. Welche Bereiche sind für künstliche Intelligenz relevant?

Wir betrachten bei individuellen KI-Projekten folgende Bereiche:

  • Strategie: Was möchte die Organisation als Ganzes erreichen? Wofür steht sie? Was sind die Kernpunkte, die den Wandel im Unternehmen positiv steuern können?
  • Daten: Wie wird aktuell mit Daten im Unternehmen umgegangen? Gibt es eine klare Ausrichtung der Datensammlung und -analyse in Hinblick auf die Unternehmensstrategie? Existiert eine eigene Datenstrategie?
  • Quantitative Analyse: Welche Einblicke und Analysen werden zur aktuellen strategischen Weiterentwicklung des Unternehmens bereits genutzt? Wo sind “blinde” Flecken? Welche Auswertungen würden noch benötigt?
  • Umsetzung: Welche internen Kapazitäten sind hinsichtlich der Umsetzung bereits verfügbar?
  • Wartung: Wie werden aktuelle Wartungsprozesse von digitialen Produkten im Unternehmen gelebt? Existiert ein konsequenter Qualitätsmanagement-Prouzess?
  • Randbedingungen: Welche Randbedingungen bzw. Einschränkungen herrschen? Sind die strategischen Absichten mit den aktuell vorherrschenden Rahmenbedingungen vereinbar?

Datenkreislauf für KI-Produkte{;width=”500”}

Die Rahmenbedingungen stellen ein Kernelement für den Erfolg der Entwicklung von KI-Produkten dar. Wir haben für alle oben angeführten Punkte aus unserer Erfahrung Fragenkataloge ausgearbeitet, die wir unsere Klienten vor Projektstart bereits analysieren lassen. Dies stellt einen Teil der Machbarkeitsstudie für Projektideen dar und wird während der Projektumsetzung kontinuierlich weiter ausgearbeitet.

Lernen aus den Daten

Wesentlicher Treiber der Umsetzung der KI-Transformation in einem Unternehmen sind Daten und der Umgang mit Daten. Dies muss auch vom Top-Management Rückendeckung erfahren. Idealerweise befindet sich ein DataScientist auf dem C-Level der Führungsstruktur des Unternehmens. Weiters sollen alle Analytiker im Unternehmen gut vernetzt sein und ihre Expertise im gesamten Unternehmen teilen.

Beispielhafte Fragen:

  • Welche Fähigkeiten hinsichtlich des Umgangs mit Daten sind bereits im Unternehmen vorhanden?
  • Wie sieht der Recruitingprozess für Analysten und Mitarbeiter aus dem Umfeld künstlicher Intelligenz aus?
  • Wie können interne Potentiale im Data und Machine-Learning Bereich identifiziert werden?
  • etc.

(Daten- und KI-)Strategie im Unternehmen

KI- und Datenprodukte sollen auf die Lösung von Problemen im Unternehmen ausgerichtet sein. Das bedeutet, jedes KI-Projekt und -Produkt soll zur Wertschöpfung und Weiterentwicklung des Unternehmens beitragen. Dafür ist es jedoch erforderlich, zu wissen, wohin sich das Unternehmen entwickeln soll - sprich: eine klare Strategie ist unumgänglich.

  • Welche sind die Top-5 strategischen Herausforderungen mit denen das Unternehmen heute konfrontiert ist?
  • Welche Daten sind verfügbar, die helfen können, diese Probleme zu lösen?
  • Wird bereits ein daten bzw. durch künstliche Intelligenz getriebener Ansatz zur Lösung dieser Herausforderungen genutzt?
  • Welche Key Performance Treiber könnten den höchsten strategischen Einfluß bewirken?
  • Nach der Ausarbeitung der wichtigsten strategischen Einflußfaktoren, kann evaluiert werden, welche Handlungen das Unternehmen setzen kann, um diese Performance Treiber mittels künstlicher Intelligenz entweder strategisch oder auch operativ bestmöglich zu beeinflussen.

Diese Auflistung der Performance Treiber und der möglichen Ansatzpunkte durch datengetriebene Applikationen bilden die Basis für die Erarbeitung von konkreten KI-Projekten.

Nach der Ausarbeitung der Ansatzpunkte für erfolgreiche KI-Produkte muss geklärt werden, welche Daten dafür erforderlich sind und woher die Daten bezogen werden können.

Vielfach sind die Daten bereits im Unternehmen vorhanden, jedoch so fragmentiert und auf verschiedene isolierte Datensilos verteilt, dass diese zuerst extrahiert und zusammengeführt werden müssen. Für andere Projekte müssen die Daten erst beschafft werden.

  • Welche Datenplattformen werden im Unternehmen eingesetzt? Data Warehouses, OLAP cubes, Hadoop Cluster, Spreadsheets usw.
  • Gibt eine zentrale Übersicht und Struktur über die Datenarchitektur im Unternehmen?
  • Über welche Client-Programme besteht Zugang zu den Daten?
  • Wo und von wem werden die Zugangsrichtlinien verwaltet?
  • Wie werden Nutzer über neue Datensysteme im Unternehmen benachrichtigt?
  • Wie wird der Entscheidungsprozess über die Erfassung von neuen Daten im Unternehmen abgebildet?

Eingesetzte Auswertungswerkzeuge für Datenquellen

Welche Tools werden im Unternehmen für die Auswertung der Datenbasen eingesetzt. Für Analysten ist eine adäquate Unterstützung durch geeignete und aktuelle Werkzeuge essentiell. Aus diesem Grund sollte ein laufender Monitoringprozess etabliert werden, der neue Tools analysiert und hinsichtlich des Potentials für das eigene Unternehmen durchleuchtet.

  • Welche Werkzeuge weden aktuell eingesetzt?
  • Wer entscheidet über einen neuen Einsatz von zusätzlichen Werkzeugen?
  • Wie lange dauert der Prozess bis zur Einführung der neuen Werkzeuge?
  • Gibt es eine Strategie im Umgang mit Cloud-Diensten?
  • Welche Beispiele gibt es, bei denen Visualisierung, tabellarische Form oder predictive modelling eingesetzt wurden?
  • Wie werden Machine Learning Modelle generiert und evaluiert?

Umsetzung der KI-Projektideen

Rahmenbedingungen aus klassischen IT-Projekten bedeuten oft das Scheitern für datengetriebene Entwicklung.

  • Gibt es bereits Erfahrungen zu erfolgreichen / nicht erfolgreichen Datenprojekten im Unternehmen?
  • Wie werden analytische Modelle hinsichtlich ihrer Validität bereits im Vorfeld analysiert?
  • Wie werden analytische Modelle / Systeme, die von externen Unternehmen entwickelt wurden, weiterentwickelt? Wie kann der fortlaufende Betrieb gesichert werden?