Künstliche Intelligenz ( KI / AI ) im Mittelstand – wann macht ein Projekt für das Unternehmen Sinn?

Was künstliche Intelligenz im Mittelstand leisten kann

0-KI-4.jpeg

Die Rechenleistung moderner Computer ist enorm gestiegen. Dennoch gibt es zahllose Aufgaben, bei denen der Mensch dem Computer überlegen ist. Das liegt an der menschlichen Anpassungs- und Lernfähigkeit. „Machine Learning“ der Künstlichen Intelligenz (kurz: KI oder Englisch AI für artificial intelligence) soll Computer in die Lage versetzen, Entscheidungen zu treffen, die solchen aus natürlicher Intelligenz heraus in ihren Ergebnissen zumindest nahe kommen.

Einsatzbereiche für KI mit Mittelstands-Potenzial

Künstliche Intelligenz scheint gerade in alle Lebens- und Industriebereiche vorzudringen. Was sie tatsächlich leisten kann – insbesondere im Mittelstand – wollen wir uns kurz genauer ansehen. Ein paar Beispiele:

  • Maschinelle Übersetzung von Texten in einer Qualität, die kaum noch von der menschlicher Übersetzer zu unterscheiden ist
  • Unterstützung von Juristen beim Auffinden präziser Textstellen aus zigtausenden Präzedenzurteilen zur Unterstützung eigener Argumentation
  • Die Steuerung von Sammeltaxis, so dass Fahrgäste innerhalb einer garantierten Zeit abgeholt werden können
  • Erzeugen „druckreifer“ Katalogtexte für ähnliche Produkte in vielerlei Variationen
  • Chatbot als Kunden-Service: Beantwortung immer wiederkehrender Anfragen als Text oder per Sprachausgabe.
  • In der Landwirtschaft: Drohnen oder Satellitenfotos liefern entlang der gesamten Wachstumsphase detaillierte Bilder einer Anbaufläche. Mittels Bilderkennung steuert eine KI bis hinunter zur einzelnen Pflanze eine angepasste Gabe an Düngemitteln.
  • Beispiel Qualitätskontrolle: Wenn ein technisches Gewebe eine gleichmäßig hohe Reißfestigkeit aufweisen soll, muss der dafür verwobene Faden gleichmäßig dick und fehlerfrei sein. Da dies in der Herstellung nur bis zu einem gewissen Grad sichergestellt werden kann, wird eine Toleranz von 20% eingebaut. Es wird also ein um 20% dickerer Faden verwendet, um auf Nummer sicher zu gehen. Eine KI, die den Faden in der Produktion in Echtzeit auf alle denkbaren Schadstellen prüft, könnte im Idealfall bis zu 20% Material einsparen – ein enormes Potenzial.

Wie kann eine Künstliche Intelligenz zum maschinellen Lernen aufgesetzt werden?

Um eine künstliche Intelligenz einsetzen zu können, muss zunächst eine Netzarchitektur aufgebaut werden.

In Entwicklerkreisen beliebt, weil sehr mächtig, ist etwa TensorFlow von Google – was aus Datenschutzgründen allerdings nur für nicht personenbezogene, nicht geschäftskritische Anwendungen in Betracht kommt. TensorFlow ist ein Framework, das aus Python heraus benutzt und mithilfe der Programmiersprachen Python oder C++ implementiert wird.

Das Setup eines Machine Learning Prozesses beginnt mit der Wahl der Netzart. Inzwischen gibt es dutzende vordefinierter Netzarten. Sie bestehen aus Eingabe- und Ausgabepunkten, sowie mehreren dazwischenliegenden Layern.

Die Neuronen innerhalb der Layer sind jeweils untereinander vernetzt. Der Inhalt dieser Layer ist bei vorgefertigten Netzarten nicht einsehbar. D.h. die Gestaltung der KI-Art an diesen Stellen liegt kein Programmcode sondern eine Vielzahl von „Black Boxes“ zugrunde.

Abhängig von der Aufgabe kann zunächst entschieden werden, ob ein vorwärts gerichtetes Netz (Multilayerperceptron) genügt oder die Regelung in der Lage sein muss, sequentielle Daten zu verarbeiten. Die Zahl der Ein- und Ausgabepunkte definiert sich im Kontext der Aufgabe.

Künstliche Intelligenz braucht Training

Ist dieses Verarbeitungs-Setup erfolgt, kann mit dem Training begonnen werden. Noch bevor dem System Realdaten zugeführt werden können, dienen Trainingsdaten dazu, herauszufinden, ob die Netzarchitektur selbst brauchbar gewählt und gestaltet wurde und ob sie auch konsistente Ergebnisse liefert.

Lassen Sie uns den Beginn einer KI am Beispiel einer Anwendung erläutern, wie sie im Prinzip auf Millionen von Smartphones und Tablets Realität ist: Um eine KI zu trainieren, dass sie handschriftlich geschriebenen Zahlen von 0-9 korrekt erfasst, werden ihr Trainingsdaten zur Verfügung gestellt, die manuell und ohne Fehler eindeutig zugeordnet sind.

Darüber lässt sich auch die Trefferquote ermitteln, die in unserem Fall nach dem ersten Lern-Durchlauf etwa 97%, nach dem fünften über 98% beträgt. Wäre etwa die Netzart falsch gewählt, oder die Zahl der Eingabepunkte zu niedrig, würde eine deutlich niedrigere, oder eine nach mehreren Durchläufen sich verschlechternde Erfolgsquote für eine Korrektur in der Architektur sprechen.

Nachdem die Hard-/Software-Aufgabe gelöst ist, in unserem Beispiel über einen optischen Sensor Realdaten heranzuführen, kann die KI weiterlernen: Zahlen erkennen etwa, die perspektivisch verzerrt, mit dünnem Stift, heller Farbe etc. eingelesen oder geschrieben wurden. Der Unterschied der KI zu herkömmlicher Mustererkennung ist eben ihre rapide Lernfähigkeit, welche im Gegensatz zu herkömmlichen Verfahren nicht mehr programmiertechnisch nachgeführt und ständig optimiert werden muss. Die in den Layern enthaltenen Algorithmen lernen den Prozess anzupassen – ohne menschliche Unterstützung.

Hürden und Grundsatzerwägungen bei der Einführung von KI in Unternehmen

Trotz aller Potenziale, die KI in vielen Unternehmen hat, oder die ihr zumindest zugetraut werden, sind die Hürden bis zum konkreten Projekt oft höher als angenommen. Um KI erfolgreich im Unternehmen zu implementieren und am Market einzuführen, müssen zahlreiche Faktoren passen:

  • Prozessinnovation als Voraussetzung
    Wird KI lediglich als erweiterte Steuerungs- und Regelungstechnik verstanden, drohen überkommene Prozesse unhinterfragt zugrunde gelegt zu werden. Auf diesen Teil der Prozessanalyse, der noch weit vor dem konkreten KI-Projekt liegen kann, sollte – in voller Kenntnis der Fähigkeiten und Grenzen von KI – eingegangen werden.
  • Rentabilität ist nicht immer gegeben
    Ein Einsatzbereich von KI ist „Predictive Maintainance“. Verkürzt gesprochen, kann über verschiedene Datenquellen ermittelt werden, ob eine Maschine in Kürze gewartet werden muss. In der heutigen Praxis rentiert sich das erst ab einer sehr großen Größenordnung von Installationen. Hier liegt eher eine Vernetzungsaufgabe von Herstellern vor als eine von Anwendern.
  • Aufwand für Testdaten wird unterschätzt
    Ohne eine wirklich große Basis an Testdaten lässt sich keine noch so passende KI trainieren. Und selbst eine gut trainierte KI wird im Praxisbetrieb versagen, wenn sie dort nicht ordentlich weitergepflegt wird. Klar ausgedrückt: Eine KI braucht sehr, sehr viele Basisdaten und sehr hohe Datendurchsätze. Der zeitliche und finanzielle Aufwand alleine für die Testdaten-Generierung kann enorm sein. Wer also die Person am Empfang mit 50 Anrufen pro Tag durch eine KI ersetzt sehen will, dem sei davon abgeraten. Es gibt auch andere Wege, seine Effizienz zu steigern.

Transparenzhinweis: Die Outline – online Medien GmbH ist eine Beratungs- und Umsetzungsagentur für Digitalisierung im Bereich Kommunikation und Marketing. Wir setzen Digitalisierungsprojekte vorwiegend im mittelständischen Bereich im gesamten deutschsprachigen Raum um. Als eine vom Bundeswirtschaftsministerium autorisierte Beratungsagentur für das Förderprogramm go-digital unterstützen wir mittelständische Unternehmen bei Maßnahmen für die digitale Markterschließung. Dies schließt beispielsweise auch eine Potenzialanalyse und Prozessberatung in Richtung Einsatz von Anwendungen mit Künstlicher Intelligenz / Machine Learning ein.