Künstliche Intelligenz ist dem Experimentierlabor entwachsen, Unternehmen bringen KI in die Praxis und wollen Ergebnisse sehen. Das gilt nicht nur für Großunternehmen, sondern auch für KMU: Diese sehen nicht nur das wachsende Potential aus digitalen Geschäftsmodellen (vgl. etwa Ratgeberliteratur wie Digitale Gewinner oder „Titelverteidiger. Wie die deutsche Industrie ihre Spitzenposition auch im digitalen Zeitalter sichert“). KMU wird auch die Umsetzung von KI-basierten Projekten zunehmend leichter gemacht, es gibt inzwischen eine Vielzahl an Baukästen, die den Einstieg in KI erleichtern. Mit nur wenigen Programmzeilen lässt sich mithilfe der Open Source Deep-Learning-Bibliothek Keras in Python ein Künstliches Neuronales Netzwerk aufbauen. Oder die Open Source Toolbox StreamPipes für industrielle IoT Anwendungen: Diese ermöglicht ohne Entwicklungsaufbau den Aufbau echtzeitfähiger Anwendungen durch Domänenexperten, und zwar auf Basis eines modularen Baukastens.

Unlängst habe ich mit einem guten Dutzend KI/IoT/BigData-Experten verschiedenster Unternehmen in einem Workshop für einen Erfahrungsaustausch zusammengesessen. Die Herausforderungen bei der Umsetzung von KI-Projekten sind unternehmensübergreifend häufig identisch, herausgekommen sind folgende Lessons Learned aus KI-Projekten bei KMU:

Empfehlungen für KI-Projekte im Mittelstand: Erfolgsfaktoren

Erstens, Künstliche Intelligenz vollbringt keine Wunder. Projekte, die mit dieser Illusion starten, sind zwangsläufig zum Scheitern verurteilt. Das richtige Erwartungsmanagement sollte mithin am Anfang jedes KI-Projektes stehen: Was kann ein Unternehmen realistischerweise von einem KI-Projekte an Ergebnissen erwarten, was ist die Projektlaufzeit für das KI-Projekt bis zur Erzielung erster verwertbarer Ergebnisse und welcher Einsatz von (zeitlichen, monetären) Ressourcen ist dafür erforderlich? Das mögen aus Sicht eines erfahrenen Projektleiters Selbstverständlichkeiten sein, jedoch zeigt die Erfahrung, dass mit Künstlicher Intelligenz häufig Ängste, aber auch Erwartungen in irrationalem Ausmaß verbunden sind. Wer von Vorhersagemodellen etwa eine Genauigkeit von nahe 100% erwartet, der muss zwangsläufig enttäuscht sein, wenn KI-basierte Modelle nur eine Genauigkeit von 70% bis 90% erreichen.

In diese Kategorie fällt auch der Fall eines mittelständischen Unternehmens, wo ein Praktikant ein KI-Projekt probiert hat, dabei aber die Erwartungen des Managements offenbar nicht getroffen hat; denn danach war das Thema verbrannt, das Management hatte aufgrund des Scheiterns eines Praktikanten das Thema als „irrelevant für das eigene Unternehmen“ abgehakt. Womöglich voreilig.

Zweitens: KI-Modelle werden mit Daten trainiert, die Verfügbarkeit umfangreicher Datensätze ist darum eine Grundvoraussetzung für erfolgreiche KI-Projekte. Tatsächlich haben aber nur die wenigsten Unternehmen eine echte Datenstrategie, die eine hohe Datenverfügbarkeit sicherstellt. Stattdessen werden Daten (etwa von Produktionsmaschinen) gar nicht abgerufen, oder aber diese Daten stehen zentral nicht zur Verfügung. Wer das Potential für die Anwendung von KI in einem Unternehmen ermitteln möchte, muss ohnehin noch einen Schritt zurückgehen: Es gilt zu bestimmen, welche Daten überhaupt (!) generiert werden (das schließt Maschinen ein, die an Kunden ausgeliefert werden) und aus welchen Daten mithilfe von KI wertstiftende Erkenntnisse gewonnen werden könnten; allein diese Aufgabe ist anspruchsvoll. Umso mehr die daran anschließende Aufgabe, für einmal identifizierte Datenquellen sicherzustellen, dass Datenströme zuverlässig einer Auswertung durch KI zugeführt werden (Beispiel: Sensordaten von an Kunden ausgelieferten Werkzeugmaschinen). Im Bereich industrielle IoT-Auswertungen könnte dann etwa ein Werkzeugkasten wie das weiter oben genannte StreamPipes eingesetzt werden.

Drittens. Eine allbekannte Herausforderung ist offenbar der Engpass an Experten im Bereich Künstliche Intelligenz, an Datenwissenschaftlern (Data Scientists). Eine Antwort: Die Entwicklung von Digitalkompetenz im eigenen Team; wenn Unternehmen externe Berater/Experten zur Initialisierung eines KI-Projektes ins Haus holen, sollte ein solches Projekt von entsprechenden Weiterbildungsmaßnahmen für eigene Mitarbeiter flankiert werden. Es gibt tatsächlich ein ausreichendes Angebot an Schulungsangeboten, vergleiche dazu etwa auch den Erfahrungsbericht des Autors zum Maschinenlernen / KI: Maschinenlernen für Product Owner, IT Projektmanager (Teil 1) – Einführung und Datenaufbereitung. Es ist dabei ermutigend, dass der deutsche KI-Pionier Sebastian Thrun (Gründer der Online-Universität Udacity, Aufbau des legendären Google X Labs) erklärt, ein Programmierer könne innerhalb von 6 Monaten zum KI-Experten werden.

Da die Dynamik im Bereich KI-Entwicklung sehr hoch ist, empfiehlt sich die unternehmensübergreifende Vernetzung von KI-Experten. Eine beliebte Adressen für (Software)Entwickler ist die Plattform StackOverFlow; mit dem Fokus auf den Wissenstransfer zu KI zwischen deutschen KMU bewirbt sich zudem das Konsortium AI2Y.net um Mittel des Bundeswirtschaftsministeriums: Ein Ökosystem zum Transfer von KI-Innovationen ist das Ziel. Durch branchenübergreifende Vernetzung und Vermittlung von Akteuren und Technologien sollen kleine und mittlere Unternehmen (KMU) beim Auffinden und der Anwendung passender KI-Technologien unterstützt werden. Good luck!

Sebastian Zang
Author

Der Autor ist Manager in der Softwareindustrie mit internationaler Expertise: Prokurist bei einem der großen Beratungshäuser - Verantwortung für den Aufbau eines IT Entwicklungszentrums am Offshore-Standort Bangalore - Director M&A bei einem Softwarehaus in Berlin.