0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
ZUSAMMENFASSUNG
Die vorliegende Broschüre zum Thema Künstliche Intel-
Die Adressaten der Broschüre sind zum einen die Teil-
ligenz zielt darauf ab, einen Rahmen für die Betrachtung
nehmer des Innovationskreises, denen die Broschüre als
der wohl relevantesten Technologie des digitalen Wan-
Verschriftlichung der gemeinsam erarbeiteten Ergebnisse
dels zu liefern. Damit bildet sie die gesammelten Inhalte
dienen soll. Da in den Innovationskreisen besonders dar-
des ersten Jahres des Innovationskreises Implikationen
auf geachtet wird, die vertrauensvolle Arbeitsatmosphäre
Künstlicher Intelligenz für Wirtschaft und Gesellschaft ab,
der Treffen zu schützen, stellt diese Broschüre die einzi-
im Zuge dessen sich Experten und Vertreter unterschied-
ge offizielle Dokumentation der gemeinsamen Arbeit dar.
lichster Branchen ausgetauscht und gemeinsam neues
Weitere besprochene Ergebnisse verbleiben zwischen
Wissen im Bereich verantwortungsvoller K I -Implemen-
den Teilnehmern. Zum anderen bietet die Broschüre inte-
tierung erarbeitet haben. Das konkrete Ziel dieser Treffen
ressierten Unternehmen und gesellschaftlichen Akteuren
war es, unterschiedliche Schwerpunkte hinsichtlich dieser
die Möglichkeit, sich einen Einblick in die Arbeit des Inno-
industrieübergreifenden Thematik vorzustellen, ihre Impli-
vationskreises zu verschaffen und die inhaltliche Struktur
kationen für und mit den Unternehmen zu erarbeiten und
sowie den Ablauf der Treffen kennenzulernen und einen
Szenarien erfolgreicher Umsetzung zu diskutieren. Der
Einblick in die Vortragsthemen zu erhalten. Neben der
Innovationskreis wie auch die Erstellung der Broschüre
Vorstellung der inhaltlichen Struktur des gesamten Krei-
erfolgten in Kooperation zwischen dem Bodensee Inno-
ses wird jede Einzelveranstaltung durch einen Beitrag des
vationscluster | BIC sowie den teilnehmenden Geschäfts-
jeweiligen Speakers und durch einen Ergebnisbericht von
führern, Führungskräften und Technologieexperten des
Seiten des BIC vorgestellt.
Innovationskreises.
„Die Komplexität Künstlicher Intelligenz sowie die teilweise hohen Einstiegshürden, die mit KI-Implementierung einhergehen, erfordern Kooperation und strategische Weitsicht. Dies betrifft sowohl den organisationalen Rahmen – also das Unternehmen selbst – als auch die Entwicklung KI-basierter Lösungen und Produkte im internationalen Kontext.“
SABINE WIESMÜLLER
Geschäftsführerin des Bodensee Innovationsclusters | BIC
April 2022
INH A LT
4 Grußwort 6 Einleitung zum Innovationscluster und Innovationskreis 8 Themenübersicht der BIC-Erhebung 2020 10 Relevanz des Innovationskreises Künstliche Intelligenz 12 Innovationskreis #1 : Verantwortung bei der Einführung von Künstlicher Intelligenz 11 Überblick Innovationskreis Künstliche Intelligenz 18 Innovationskreis #2 : Deep Learning – Grenzen des Möglichen 24 Innovationskreis #3 : Datenmanagement und Data Pooling 32 Innovationskreis #4 : Kollaborative KI-Implementierungsstrategien 38 Innovationskreis #5 : KI-Adoption aus HR- & Change-Perspektive 42 Innovationskreis #6 : Erfolgreiche KI-Implementierung und hybride Kollaboration 49 Impressionen 50 Ausblick 52 Team 53 Kontakt & Impressum
GRUSSWORT
Die exponentielle Entwicklung digitaler Technologien und der
und Versicherungsbranche sowie Pharmaindustrie – heraus-
globale Wettbewerb in digitalisierten Märkten stellen Unter-
gestellt und hat sich auch seitdem in weiteren Dimensionen
nehmen vor die Herausforderung, ihre Organisation an die
bestätigt. Insbesondere hinsichtlich der Nutzung von Künst-
Schnelligkeit des digitalen Wandels und die dadurch erfor-
licher Intelligenz gaben die Unternehmen an, als einzelnes
derlichen neuen Fähigkeiten und notwendigen Ressourcen
Unternehmen vor großen Herausforderungen zu stehen, bei-
anzupassen. Die Nutzung digitaler Technologien und deren
spielsweise hinsichtlich begrenzter Ressourcen. Dies beinhal-
Einbindung in neue Produkte und Services ist daher als Teil des digitalen Wandels der Geschäftsmodelle der Wirtschaft unumgänglich. Aus dieser Gegebenheit resultieren unterschiedliche Anforderungen an Unternehmen und die Legitimität ihres Geschäfts-
te zum einen technische Ressour-
Das Ziel der Unternehmen sollte dabei die Erreichung einer digital-affinen Unternehmenskultur sein
modells in der Gesellschaft. Das
cen, wie den Zugang zu qualitativ hochwertigen, biasfreien Datensätzen, sowie den Zugang zu qualifiziertem Personal. Zu diesem Zweck initiierten das LEIZ und das BIC in Kooperation
und inhaltlicher Abstimmung mit
Ziel der Unternehmen sollte dabei die Erreichung einer digi-
dem Kuratorium des BIC – bestehend aus der Rolls-Royce Po-
tal-affinen Unternehmenskultur sein, die diesen Wandel als
wer Systems AG , der SAP SE , der ZEPPELIN GmbH sowie der
Chance begreift und die notwendigen Bedingungen für die
KPMG AG als operative Schirmherren – den Innovationskreis
erfolgreiche Implementierung digitaler Technologien, allen
Implikationen Künstlicher Intelligenz für Wirtschaft und Ge-
voran Künstlicher Intelligenz, schafft.
sellschaft.
Die Relevanz Künstlicher Intelligenz und digitaler Wertschöp-
Über ein Jahr hinweg haben sich Vertreter verschiedener
fung wurde innerhalb der beiden Evaluierungsstudien des
führender Unternehmen der Bodenseeregion, die sich mit
Leadership Excellence Institute Zeppelin | LEIZ und des Bo-
der Entwicklung und Implementierung Künstlicher Intelligenz
densee Innovationsclusters | BIC im Jahre 2018 und 2020 von
befassen, zweimonatlich digital über Zoom getroffen und die
führenden Unternehmen in Kernbranchen der Wirtschafts-
gleichermaßen vertraute wie vertrauensvolle Atmosphäre
region Bodensee – u. a. Maschinenbau, Automotive, Banken-
dazu genutzt, zahlreiche drängende Fragen im Bereich der
4
Künstlichen Intelligenz und deren Management zu besprechen. Die Themenkomplexe reichten hierbei von den Grenzen technologischen Fortschritts über Fragen der Governance und des Risk Managements bis hin zu Implikationen für People Management und kollaborative Formen der Entwicklung Künstlicher Intelligenz. Was jedoch allen Themen gemein war, ist die Notwendigkeit der Inbezugnahme betroffener Stakeholder – sowohl innerhalb als auch außerhalb der Unternehmensgrenzen –, um eine erfolgreiche KI -Nutzung sicherzustellen. Das LEIZ , das BIC und sein gesamtes Kuratorium sind stolz darauf, einen erfolgreichen organisatorischen Rahmen für den vertrauensvollen und inspirierenden Informationsaustausch in einem solch zukunftsrelevanten Bereich wie dem der Implikationen Künstlicher Intelligenz für Wirtschaft und Gesellschaft geschaffen zu haben. Wir wünschen im Folgenden viel Spaß bei der Lektüre der Gedanken einiger federführender Akteure des Innovations kreises !
Prof Dr Josef Wieland | LEIZ
Sabine Wiesmüller | BIC
5
Einleitung zum Innovationscluster und Innovationskreis Dr Lennart Brand, Sabine Wiesmüller, BIC
Das BIC bietet Forschungseinrichtungen, Technologieunter-
eines gewählten Bereiches behandelt werden. Mithilfe dieser
nehmen und anderen relevanten Stakeholdern der Boden-
Struktur kann das Thema durch Experten aus den sechs je-
seeregion eine Plattform zu Austausch, Vernetzung und ge-
weiligen Unterbereichen bespielt werden, sodass im Laufe
meinsamer Arbeit an Themen des digitalen Wandels. Dieser
eines Jahres ein ganzheitliches Verständnis der Thematik des
Austausch erfolgt vor allem über die Innovationskreise des
Innovationskreises erarbeitet wird. Dank dieser breiten inhalt-
Clusters, regelmäßige themenfokussierte und moderierte
lichen Aufstellung und des Ineinandergreifens der einzelnen
Veranstaltungen, in denen sowohl die Auswirkungen des di-
Arbeitstreffen entstehen konkrete Lösungsmodelle, die von
gitalen Wandels als auch gemeinsame Innovationspoten-
den Teilnehmern in ihren jeweiligen Unternehmen Stück für
ziale sicht- und nutzbar gemacht werden. Die vorliegende
Stück implementiert werden können. Bei der Planung eines
Broschüre verfolgt das Ziel, Ihnen einen Einblick in den inhalt-
jeden Kreises wird daher die Auswahl der Experten auf die
lichen Aufbau und die Ergebnisse der gemeinsamen Arbeit
Bearbeitung spezifischer strategischer Themen hin getroffen.
im Innovationskreis Implikationen Künstlicher Intelligenz für
Der Redner kann entweder aus den Reihen der teilnehmen-
Wirtschaft und Gesellschaft zu geben.
den Unternehmen selbst gestellt werden oder ein externer Experte sein. Möglich ist zudem auch eine Mischform der
Grundsätzlich wird jeder Innovationskreis durch eine Im-
beiden Varianten, bei der ein externer Experte mit einem Ex-
pulsveranstaltung an der Zeppelin Universität initiiert. Diese
perten aus den teilnehmenden Unternehmen gemeinsam den
Veranstaltungen werden vom BIC in Abstimmung mit dem
Workshop bestreitet. Im Verlauf der Zusammenarbeit mit den
Kuratorium des BIC geplant und durchgeführt. Die Impulsver-
teilnehmenden Unternehmen sollte die Anwendbarkeit der
anstaltung findet gewöhnlich in Form einer halb- oder ganz-
Themen für diese Unternehmen graduell steigen.
tägigen Konferenz statt. Im Anschluss beginnt die Arbeit in Innovationskreisen, wobei jeder Innovationskreis über eine
Ziel eines jeden Treffens ist die Anwendung des Wissens des
Mindestdauer von einem Jahr abgehalten wird. Die Treffen
jeweiligen Experten auf konkrete Herausforderungen der
der Arbeitsgruppe sind hierbei mit einer Taktung von etwa
Teilnehmer. Idealerweise schließen sich diejenigen Teilneh-
acht Wochen angesetzt. Somit ergibt sich pro Arbeitskreis
mer, die sich mit ähnlichen oder gleichen Herausforderungen
eine Mindestanzahl von sechs Treffen. Bei erfolgreicher Zu-
konfrontiert sehen, in Gruppen zusammen und arbeiten an
sammenarbeit der Gruppe ist eine Fortsetzung der Treffen
gemeinsamen Lösungsansätzen für ihre Unternehmen. Soll-
wünschenswert. Angesichts der Dauer eines jeden Innovati-
ten einzelne Teilnehmer eine unabhängige Bearbeitung ihrer
onskreises sollten innerhalb eines Zyklus sechs Unterthemen
Fragestellung ohne Anschluss an eine Gruppe wünschen, so
6
ist auch das möglich. Bei der Planung des zeitlichen Ablaufes und der schrittweisen Erarbeitung der Ergebnisse wird ein eigens hierfür entwickeltes Workshop-Design eingesetzt, das den
Auswirkungen des digitalen Wandels als auch gemeinsame Innovationspotenziale werden sicht- und nutzbar gemacht
Ablauf des Treffens regelt und die Erarbeitung konkreter Ergebnisse sicherstellt. Diese Form der Bearbeitung hat zum Ziel, die Teilnehmer der Workshops miteinander in Dialog zu bringen und die Diskussion eigener Erfahrungen zu fördern. Dafür werden Formate wie die Arbeit in Fokusgruppen, Kleingruppendiskussionen und kurze vorbereitete Impulsvorträge als sinnvolle Arbeitsformen betrachtet. Die Dauer der Veranstaltungen beträgt dabei etwa drei bis dreieinhalb Stunden. Durch eine zusätzliche gemeinsame Kaffeepause und ein anschließendes Get-together ergibt sich eine Veranstaltungsdauer von etwa einem halben Arbeitstag. Aktuell werden diese Veranstaltungen aufgrund der Covid-19-Pandemie online durchgeführt, um eine Gefährdung der Teilnehmer auszuschließen. Um Erfahrungsaustausch und offene Diskussionen zu ermöglichen, wird während der gesamten Veranstaltung darum gebeten, weder Fotos zu machen noch elektronisch mitzuschreiben. Ein offizielles Fotoprotokoll der Arbeitsergebnisse wird durch die Mitarbeiter des BIC angefertigt und kann im Nachgang beim Innovationslabor angefragt werden.
7
THEMENÜBERSICHT DER BIC-ERHEBUNG 2020
Cybersecurity
Implikationen künstlicher Intelligenz für Geschäftsmodelle und Gesellschaft
Branchenübergreifend stellt das Thema Cybersecurity und
Künstliche Intelligenz charakterisiert industrieübergreifend
die damit einhergehende Datensicherheit eine zentrale He-
die relevanteste Technologie der digitalen Transformation für
rausforderung im Kontext des digital getriebenen Struk-
die Geschäftsmodell- und Produktinnovation. In Verbindung
turwandels dar. Angesichts der fortschreitenden digitalen
mit Big Data entstehen dabei vollkommen neue Möglichkei
Vernetzung von Produkten, Maschinen und Services müs-
ten der Datenanalyse und -auswertung, die es Unterneh-
sen sich Unternehmen zusehends mit Sicherheitsfragen
men ermöglichen, das bestehende Produkt- und Servicean-
befassen, um Kunden und ihre Organisation wirksam vor
gebot variantenreicher und kundenindividueller zu gestalten
Datenmissbrauch schützen zu können. Die Sicherheitsge-
sowie Prozessabläufe zu optimieren. Während einige Un-
währleistung bei der Speicherung von Daten in der Cloud
ternehmen der Bodenseeregion bereits kleinere K I -Tech-
sowie die Einhaltung der Datenschutzregularien gegen-
nologien unternehmensintern und -extern einsetzen, findet
über Lieferanten, Kunden, Partnern und Mitarbeitern sind
diese Technologie bei der Mehrheit der Unternehmen noch
dabei entscheidende Herausforderungen für die Unterneh-
keine Anwendung. Industrie- und länderübergreifend sind
men der Bodenseeregion, um die Potentiale der digitalen
sich Führungskräfte dennoch einig, dass Anwendungen
Transformation als Wettbewerbsvorteil nutzen zu können.
im Bereich – beziehungsweise mit Unterstützung – Künstliche Intelligenz eine treibende Kraft innerhalb der digitalen Transformation sein werden oder dies bereits sind.
8
Kundenzentrierte Geschäftsmodelle
Digitale Führung und Wissensmanagement
Die digitale Wirtschaft ist im Allgemeinen durch Schnellle-
Die hochgradig komplexen Herausforderungen im Zuge der di-
bigkeit und dynamische Entwicklungen des Wettbewerbs
gitalen Transformation scheinen nur durch die systematische
gekennzeichnet. Ziel ist es, durch die Integration digitaler
Identifikation von Expertise und die Nutzung von Informations-
Lösungen Geschäftsmodelle, Prozessabläufe und Produkte
synergien handhabbar. Bereichsübergreifender Erfahrungs-
kundenindividueller zu gestalten und die Potentiale der digita-
und Wissensaustausch innerhalb der Organisation sowie die
len Transformation in der eigenen Organisation als Wettbe-
aktive Einbindung von Experten ermöglichen es die digitale
werbsvorteil zu nutzen. Industrie- und länderübergreifend
Transformation als Wettbewerbsvorteil zu nutzen. Unterneh-
bietet die digitale Vernetzung der Wertschöpfungskette
mensinterne Aus-, Weiter- und Fortbildungsmaßnahmen zur
sowie von Produkten und Maschinen eine große Chance
Entwicklung digitaler Kompetenzen und der generationen-
zur Generierung nachhaltiger Wettbewerbsvorteile : Neben
und bereichsübergreifende Informationsaustausch werden zu
diversen Prozessoptimierungen können Prozessabläufe und
zentralen Kernbestandteilen des unternehmensinternen Per-
Produkte so variantenreicher und kundenindividueller ge-
sonalmanagements. Essenzielle Voraussetzung dafür ist die
staltet werden.
Etablierung einer digital-affinen Unternehmenskultur, die sich durch Technologieoffenheit, Lernbereitschaft, Interdisziplinarität und grundlegendes technologisches Interesse seitens der Unternehmensführung und der Mitarbeiter auszeichnet. 9
KÜNSTLICHE INTELLIGENZ
Relevanz des Innovationskreises Künstliche Intelligenz Die Wichtigkeit der Bearbeitung des Themas Künstliche In-
Nichtsdestotrotz decken sich die Aussagen zu der steigenden
telligenz zeigte sich bereits in der BIC -Erhebung von 2018
Wichtigkeit digitaler Technologien mit einem weiteren Trend,
und zeigte eine deutliche Steigerung in den Ergebnissen der
der für die Bodenseeregion identifiziert werden konnte : die
BIC -Erhebung von 2020.
Entwicklung von analoger hin zu digitaler Wertschöpfung. Dieser Prozess stellt Führungskräfte zunehmend vor neue He-
Im Jahr 2018 bezeichnete die Mehrheit der Befragten KI als
rausforderungen – sei es hinsichtlich der Notwendigkeit neu-
eine der relevantesten Technologien, die Unternehmen im
er technischer Skills, strategischen Wissens bei der Auswahl
Zuge der digitalen Transformation beachten sollten. Jedoch
geeigneter Technologien oder neuer Anforderungen an Mitar-
hatten nur sehr wenige der befragten Unternehmen KI zu
beiterführung.
diesem Zeitpunkt in ihrer Organisation implementiert oder in breiterem Ausmaß genutzt. Somit waren die direkten Auswir-
Um eine Plattform zur Bearbeitung dieser Fragen und The-
kungen von KI auf die Bodenseeregion zu diesem Zeitpunkt
menbereiche zu schaffen, initiierte das BIC im September
weder absehbar noch messbar.
2020 den Innovationskreis Implikationen Künstlicher Intelli-
Die zwei Jahre später stattfindende zweite Erhebung zeig-
ferenz. Ziel des Innovationskreises ist es, Experten aus ver-
genz für Wirtschaft und Gesellschaft durch eine Auftaktkonte eine deutliche Veränderung hinsichtlich der Nutzung und
schiedenen Bereichen der Gesellschaft und unterschiedlichen
Wahrnehmung von K I : Die befragten Experten verbanden
Industrien miteinander in Kontakt zu bringen, um den Aus-
bereits konkrete Chancen für ihre Geschäftsmodell- und
tausch von bestehenden Erfahrungswerten zu erlauben und
Produktinnovationen mit dem Einsatz von KI . Insbesondere
gemeinsam Lernerfahrungen zum Thema Künstliche Intelli-
hoben sie dabei das Zusammenspiel von Big Data und KI hin-
genz zu ermöglichen. Basierend auf diesen Einschätzungen
sichtlich neuer Formen der Datenanalyse und Datenauswer-
bearbeitet und diskutiert der Innovationskreis auf der einen
tung hervor. Diese neuen Optionen wiederum erlauben Un-
Seite eine „solution“, also eine für sich stehende Lösung in
ternehmen – laut Aussage der Experten –, das Produkt- und
Produktform ; auf der anderen Seite einen „service“, also eine
Serviceangebot ihrer Unternehmen zu diversifizieren und auf
angebotene oder empfangene Dienstleistung. Zudem befasst
die Bedürfnisse ihrer Kunden anzupassen. Weiterhin war die
der Innovationskreis sich mit Fragen zu aktuellen technischen
Erwartung der Experten, dass die Relevanz von KI insbeson-
Fortschritten, zu unternehmerischer Verantwortung und zu
dere für eigene Geschäftsprozesse und Kundenorientierung
Herausforderungen bei der Implementierung und Entwick-
in den kommenden Jahren noch deutlich ansteigen würde.
lung von KI .
Jedoch waren die Unternehmen, die bereits KI -Lösungen einsetzen, weiterhin in der Minderheit. 10
Überblick Innovationskreis Künstliche Intelligenz Innovationskreis
Innovationskreis
Innovationskreis
Jahreskonferenz
Innovationskreis #1: Verantwortung bei der Einführung von Künstlicher Intelligenz | Dr Mathias Bauer, Lighthouse Germany, KPMG AG
Auftaktkonferenz
| Konrad Krafft, doubleSlash Net-Business GmbH Innovationskreis
Innovationskreis
Innovationskreis #2: Deep Learning – Grenzen des Möglichen | Patrick Haller, SAP SE
Innovationskreis
| Dr Mathias Bauer, Lighthouse Germany, KPMG AG | Ansgar Kuswik, Kontron AG Innovationskreis #3: Datenmanagement und Data Pooling
Innovationskreis #5: K I -Adoption aus HR - & Change-Perspektive
| Anton Steurer, Plattform V
| Andreas Meinke, the peak lab. GmbH & Co. KG
| Dr Paul Wälti, InfoCodex AG Semantic Technologies
| Stefan Schneider, Continental Automotive GmbH
| Markus Fleisch, WALSER GmbH | Volker Loch, Verisk 3E Innovationskreis #4: Kollaborative K I -Implementierungsstrategien
| Tobias Oberrauch, KI Bundesverband e.V. Baden-Württemberg, CGI | Georg Gabelmann, ZF Group
Innovationskreis #6: Erfolgreiche K I -Implementierung und hybride Kollaboration | Dr Patrick Ott, Rolls-Royce Power Systems AG | Tobias Oberrauch, KI Bundesverband e.V. Baden-Württemberg, CGI
11
KÜNSTLICHE INTELLIGENZ
Innovationskreis #1 : Verantwortung bei der Einführung von Künstlicher Intelligenz Verantwortung bei der Einführung von Künstlicher Intelligenz – Technische und nicht-technische Aspekte
Das Management wiederum muss neben den wirtschaftli-
Dr Mathias Bauer, Lighthouse Germany, KPMG AG
auf die Einhaltung aller Regeln und Gesetze achten. Wichtig
chen Vorgaben insbesondere Leitlinien für den ethischen Einsatz von KI im Rahmen einer KI -Governance definieren und ist dabei eine Operationalisierung „weicher“ Vorgaben wie
Künstliche Intelligenz ist eine Schlüsseltechnologie, deren
Fairness in Zusammenarbeit mit den Entwicklern und Data
Einführung nahezu alle Lebensbereiche tangieren wird.
Scientists, sodass das resultierende System tatsächlich das
Dennoch darf diese Transformation nicht ausschließlich unter
Vorgaben in ein technisches Konzept erfordert die Kommuni-
technischen Gesichtspunkten betrachtet werden. Vielmehr
kation mit allen internen Stakeholdern. Sie umfasst außerdem
spielen auch eine Reihe wirtschaftlicher, rechtlicher und
den Abbau eventuell vorhandener Vorurteile und Ängste ge-
kommunikativer Aspekte eine Rolle.
genüber KI -Systemen und eine transparente Darstellung der
gewünschte Verhalten zeigt. Diese Übersetzung informeller
erwarteten Implikationen. Von zentraler Bedeutung ist natürlich der Prozess der Entwicklung und Einführung von KI -Systemen innerhalb eines
Ebenso wichtig ist allerdings die Kommunikation nach au-ßen:
Unternehmens. Die damit beauftragten Personen sind gehal-
Kunden, Lieferanten und sonstige Partner sollten wissen,
ten, bei jeder Stufe des in der Abbildung skizzierten Prozesses
wann sie es mit einem KI -System zu tun haben. Dessen Ver-
wohlbegründete Entscheidungen zu treffen und diese auch
halten sollte transparent und nachvollziehbar und ggf. durch
entsprechend zu dokumentieren.
einen menschlichen Entscheidungsträger revidierbar sein.
Ein kritischer Aspekt ist hierbei beispielsweise die Auswahl des zu verwendenden Algorithmus in einer Anwendung mit Maschinellem Lernen. Hier spielen zahlreiche Kriterien – von der erforderlichen Präzision über die Toleranz gegenüber verrauschten Trainingsdaten bis hin zur Anforderung der Nachvollziehbarkeit – eine Rolle. Wie an allen anderen Punkten innerhalb dieses Prozesses muss die Entscheidung transparent und dokumentiert sein. 12
Abbildung: AI Adoption Process
Value Driven Leadership – Der Weg zur digitalen Strategie Konrad Krafft, doubleSlash Net-Business GmbH
Ziele und Stakeholder identifizieren
Die Digitalisierung ist unbestritten einer der Megatrends in diesem Jahrhundert und es gibt viele Gründe, diesem Trend zu folgen. Ein herausragendes Produkterlebnis für Kunden
Daten erfassen und vorbereiten | Statistische Eigenschaften | Verzerrung/Bias
zu schaffen oder große Potenziale bei der Kosteneinsparung zu heben, sind zum Beispiel schon zwei gute Gründe. Technologien, die die Digitalisierung möglich machen, gibt es im Überfluss, doch allzu oft scheitern Projekte nicht an den Technologien, sondern vielmehr an Strukturen, die für ein Arbei-
Modell erstellen | Auswahlkriterien für den Algorithmus
ten nach festgelegten Abläufen gemacht wurden. Sie waren in der Vergangenheit nicht dazu gedacht, kreative Lösungen zu finden, um sich ständig anzupassen. Dafür wird eine völlig neue Kultur der Zusammenarbeit benötigt, denn Digitalisie-
Modell bewerten | X-Validierung | ROC | Kostenfunktion für Fehler
rung ist in erster Linie kein technologischer Wandel, sondern ein Wandel der Unternehmenskultur. Um diesen Kulturwandel zu ermöglichen, muss die bestehende Führungsstruktur angepasst werden – hier setzt die digitale werteorientierte Führung an.
Ergebnisse kommunizieren | Ergebnisse erklären/begründen | Mit dem Benutzer interagieren
Werteorientierte Führung gliedert sich dabei in zwei Felder : Erstens vermittelt diese Art der Führung Werte, die für alle Mitarbeiter ein verlässliches Fundament bieten, auf dem sie agieren können ; zweitens sollen Werte geschaffen werden,
Deployment und Überwachung | Schwellwert für Qualitätsmaße definieren | Auf Concept trifft reagieren
die sich an einem hohen Nutzen für den Kunden orientieren.
13
KÜNSTLICHE INTELLIGENZ
Für eine werteorientierte Führung hat doubleSlash daher fol-
Unternehmen muss die Fähigkeit entwickeln, umfangreich
gende, strategieorientierte Prinzipien aufgestellt :
Daten zu sammeln und diese strukturiert in Informationen und Wissen zu verwandeln. Denn nur auf Basis von Wissen
1. Team-Purpose
– also wahren Erkenntnissen – sollten Entscheidungen getroffen werden.
Jedes Team braucht eine Vision und Mission, damit in nicht vorhersehbaren Situationen schnell entschieden werden kann.
4. Connected
Voraussetzung dafür ist, dass eine Organisation so in Teams aufgeteilt wird, dass jede / r die Auswirkungen des eigenen
In Zeiten des rasch voranschreitenden Wandels können nur
Denkens und Handelns auf die Mission des Teams verstehen
hochgradig vernetzte Unternehmen überleben. Nur sie brin-
kann – wir sprechen hier von der agilen Produktorganisation.
gen die Lern- und damit Anpassungsfähigkeit mit, die der
Wichtig ist vor allem, dass jedes Team seine Kunden kennt
Wandel fordert. Dafür sollten die Teams ihre Schnittstellen zu
und weiß, welchen Mehrwert es für diese generiert.
anderen Teams kennen, besonders dann, wenn es sich um Kunden handelt. Hier schlägt die Stunde der API s, die eine
2. Agile Development
technische, aber sehr flexible Verbindung von beliebigen Unternehmensteilen bieten.
Die Arbeit leitet sich in kurzen Zyklen erstens von der Vision und Mission ab und zweitens von den neuen Erkenntnissen,
5. Automation
die über Kunden und deren Bedürfnisse permanent gewonnen werden. Die Arbeit folgt demnach nicht festgelegten
Da für einen hohen Kundennutzen Zeit und Kosten eine zen-
Mustern, sondern wird in jedem Zyklus neu angepasst – Jah-
trale Rolle spielen, müssen interne Unternehmensabläufe
respläne gehören damit der Vergangenheit an.
automatisiert werden. Algorithmen helfen dabei, Mitarbeiter von Routinetätigkeiten zu befreien. Die gewonnenen Freiräu-
3. Data-Driven
me sollten kreativ genutzt werden, um den Nutzen für den Kunden zu erhöhen und damit die Wertschöpfung für das
Neue Erkenntnisse werden auf Basis von Fakten gewonnen : Die Aufgabe von Führung ist es, eine Kultur zu etablieren, in der Daten zu teilen eine Selbstverständlichkeit ist. Das schafft ein hohes Maß an Transparenz und damit Vertrauen innerhalb des Unternehmens über Abteilungsgrenzen hinweg. Ein 14
Unternehmen zu verbessern.
Ergebnisse Innovationskreis #1
Verantwortung des Technikers
Sabine Wiesmüller, Magnus Kurz, BIC
Die Verantwortung des Technikers umfasst die sechs Phasen In der ersten Sitzung des Innovationskreises Künstliche Intel-
der Entwicklung, die sich teils rekursiv definieren und dyna-
ligenz präsentierten Dr Mathias Bauer, Partner bei der KPMG
misch ablaufen und daher stetig adaptiert werden können :
AG Lighthouse Deutschland Centre of Excellence for Data &
Analytics, und Konrad Krafft, Geschäftsführer bei der dou-
1. Ziele und Stakeholder identifizieren
bleSlash Net-Business GmbH, welche Verantwortung die
2. Daten erfassen und vorbereiten
Einführung von KI in Unternehmen mit sich bringt. In Impuls-
3. Modell erstellen
vorträgen und anschließender Breakout-Session diskutierten
4. Modell bewerten
und beleuchteten die Experten gemeinsam mit den Innova-
5. Ergebnisse kommunizieren
tionskreisteilnehmern die Implikationen des Einsatzes von KI .
6. Deployment und Überwachung
Der erste Impulsvortrag von Dr Mathias Bauer handelte the-
Verantwortung des Managements
matisch von der notwendigen Verantwortungsübernahme bei der Einführung von K I , im Zuge derer technische und
Die Vorgabe und kontinuierliche Überprüfung von Zielen und
nicht-technische Aspekte beleuchtet wurden. Der Einsatz von
Konditionen im Unternehmen bildet den Rahmen für die Ent-
K I im unternehmerischen Wertschöpfungsprozess bedingt
wicklung und den Einsatz von KI . Dieser Rahmen setzt sich
eine Vielzahl von Folgeentscheidungen, die sich den drei The-
zudem zusammen aus ethischen und wirtschaftlichen Unter-
menbereichen ( 1 ) Entwicklung und Betrieb, ( 2 ) Beauftragung
nehmenszielen, AI Governance sowie gesetzlichen Vorgaben.
und Design und ( 3 ) Einführung im Unternehmen zuordnen
Die Identifikation und Priorisierung relevanter Stakeholder so-
lassen. Diese Bereiche umfassen multiple technische, ( ar-
wie das Einbinden dieser in den strategischen Management-
beits- )rechtliche, datenschutzrechtliche, wirtschaftliche und
prozess ist dabei unerlässlich. In enger Zusammenarbeit und
soziale / gesellschaftliche Entscheidungslogiken. Die verschie-
in kontinuierlichem Austausch zwischen Data Scientists bzw.
denen Entscheidungslogiken dürfen dabei nicht isoliert vonei-
Entwicklern und Entscheidungsträgern des strategischen
nander betrachtet werden, sondern stehen in einem stetigen
Managements müssen die informalen Vorgaben in ein tech-
interdependenten Verhältnis zueinander.
nisches Konzept übersetzt werden. Die unterschiedlichen Kommunikationsmodi ( technisch vs. wirtschaftlich / rechtlich / gesellschaftlich ) zeigen allerdings die Komplexität dieser Operationalisierung. 15
KÜNSTLICHE INTELLIGENZ
Stakeholder-Kommunikation nach außen
stellen in diesem Zusammenhang somit die unterschiedlichen „Sprachen“ und Vorstellungen sowie eine zielgerichtete Incen-
Für die externe gesellschaftliche Akzeptanz des Einsatzes von
tivierung der verschiedenen Gruppen dar. Innerhalb der Break
KI werden – entsprechend der Initiative D21 – die Kenntlich-
out-Session zeichneten sich diese Herausforderungen als
machung des Einsatzes ( insbesondere in der direkten Kom-
zentral für das Individuum, das Unternehmen ( intern / extern )
munikation ), die Herstellung von Transparenz im Entschei-
und die Gesellschaft ab. Im Fokus der Diskussion standen da-
dungsprozess sowie Öffentlichkeitsarbeit als Voraussetzung
bei vor allem die Sicherstellung von Fairness, die Förderung
für den verantwortungsvollen Einsatz von K I empfohlen.
von Technologieakzeptanz sowie transparente Kommunikati-
Transparente Kommunikation ermöglicht dabei eine höhere
on beim Einsatz von KI .
Sensibilität sowie ein stärkeres Bewusstsein für den Umfang der neu integrierten Technologien.
Im zweiten Impulsvortrag von Konrad Krafft lag der Fokus auf
Stakeholder-Kommunikation nach innen
hob hervor, dass die Informatik das Ziel hat, die Fähigkeiten
Da KI u. a. für die Automatisierung von Arbeitsplätzen einge-
unsicheren Situationen) nachzubilden, um diese Kompetenzen
einem Best-Practice-Bericht zum Einsatz von KI . Der Referent der Logik, des Lernens, des Planens und des Entscheidens ( in setzt wird, werden die darunterfallenden neuen Technologien
mittels algorithmischer Systeme zielorientiert einzusetzen. Da-
vielfach als „Jobkiller“ wahrgenommen, die zudem zu einer
bei sind (bislang) ergänzende Fähigkeiten, wie Bewusstsein,
Reduktion der Löhne verbleibender Arbeiter führen kann. Zu-
Empfindungsvermögen, Selbsterkenntnis/Eigenwahrnehmung
meist verändert KI jedoch lediglich das Jobprofil, ermöglicht
und Weisheit, außen vor.
Geschäftsmodellinnovation und realisiert sich in der Komplementarität von Mensch und Maschine.
Maschinelles Lernen wiederum definiert sich durch die konti-
Insgesamt müssen bei einer geplanten Einführung von KI eine
Lernschleife bei zu hoher Fehlerrate. Dieser Prozess konstitu-
nuierliche Adaption und Optimierung des Modells durch eine Vielzahl von Entscheidungslogiken und Kommunikations-
iert sich durch die Eingabe von Trainingsdaten, die iterative
modi in den Entscheidungsprozess und die Verantwortlichkeit
Anwendung des Modells, die Ausgabe des Ergebnisses und
des strategischen Managements einbezogen werden. Von
eine abschließende Validierung. Innerhalb des Modells kann
zentraler Bedeutung sind hierbei eine offene und rechtzeitige
zwischen verschiedenen Schulen des Maschinellen Lernens
Kommunikation zwischen den relevanten Stakeholdern sowie
variiert und diese ggf. kombiniert werden. Kritische Ent-
eine frühzeitige, klare Definition der erwarteten Beiträge der
scheidungen für die Qualität des Modells stellen die Auswahl
jeweiligen Stakeholder. Entscheidende Herausforderungen
der Trainingsdaten, die potenziell einen „algorithmic bias“
16
bedingen kann, sowie die Festlegung der Fehlerquote dar. Das
Einführung einer Datasharing-Kultur sowie einer stärkeren
Risiko eines „algorithmic bias“ ist im Fall von Maschinellem
Kooperation innerhalb eines Unternehmens ermöglicht funk-
Lernen allerdings nicht größer als in anderen algorithmischen
tionsbereichübergreifende Geschäftsmodellinnovation. In der
Systemen.
anschließenden Diskussion wurde die überhöhte Erwartung an eine niedrige Fehlerrate der KI im Vergleich zu der eines
Allgemeine Herausforderung Daten
Menschen diskutiert sowie die Notwendigkeit, auch bei Maschinen eine gewisse Fehlertoleranz zu akzeptieren.
Am Beispiel des Autonomen Fahrens verdeutlichte Konrad Krafft die Herausforderung der Datenerfassung für das Training eines entsprechenden KI -Modells. Die hohen Anforderungen an Datenmenge und Datenqualität sowie die notwendige Rechenleistung für die vielfachen Berechnungen des Modells zeigen die zentralen Herausforderungen des Einsatzes von KI auf. Der Bedarf an Speicherplatz wächst mit der Leistungsfähigkeit einer KI -Applikation kontinuierlich. Bei der Datengewinnung sollte daher sehr sorgfältig darauf geachtet werden, welche Daten tatsächlich gebraucht werden und wie lange deren Einsatz notwendig ist. Die erforderliche Datenqualität sollte ebenfalls in regelmäßigen Abständen überprüft werden. Zudem sollte frühzeitig sichergestellt werden, dass die Endgeräte über ausreichende Sensorik zur Datengewinnung verfügen und ggf. eingesteuert werden hinsichtlich der Anforderungen an Sensorik und Vernetzung. Eine weitere Herausforderung stellt die Existenz von häufig starkem Silodenken in Unternehmen dar : Existierende Datenquellen können daher häufig nicht über einzelne Unternehmensbereiche hinweg erschlossen werden. Erst die 17
KÜNSTLICHE INTELLIGENZ
Innovationskreis #2 : Deep Learning – Grenzen des Möglichen Deep Learning – Praktischer Einsatz und Grenzen des Möglichen
Bereiche vorgedrungen, die bislang menschlichen Fachkräf-
Patrick Haller, SAP SE
Forschungslabor in die Industrie vollzogen.
Deep Learning – Vorstellung der Grenzen des Möglichen vs.
Mit Neural Architecture Search – einer Technik, um optimale
ten vorbehalten waren – damit haben sie den Sprung aus dem
dessen technische Begrenzung: Was ist technisch machbar
Architekturen Neuronaler Netze selbst mithilfe von K I zu
und wo liegen Bereiche, die ethische Fragen aufwerfen ?
entwerfen – und gigantisch angelegten Großprojekten, wie
Faszination und Potenzial von Deep Learning liegen gleich-
folger GPT- 4 , könnte nun das Feld der wohldefinierten An-
OpenAI s legendärem GPT-3 und seinem angedachten Nachsam darin, die Intelligenz des Algorithmus aus der steuernden
wendungsfälle verlassen werden. Die Evolution von einer
Hand eines menschlichen Designers zu nehmen und weitest-
schwachen hin zu einer starken KI – definiert durch die Fähig-
gehend den Deep Learning Verfahren selbst zu überlassen.
keit, selbstständig Aufgabenstellungen zu erkennen und zu
So werden einerseits geradezu unglaubliche Ergebnisse er-
erarbeiten – geht vielleicht nur mit viel Aufwand und mög-
reicht, die die Grenzen händisch entworfener Algorithmen
licherweise kleinen Inkrementen voran.
klar sprengen. Andererseits werden Verständnis und Nachvollziehbarkeit dessen, was im Inneren eines Deep Neural
Hier gibt es aber einen Kipppunkt, den die KI -Visionäre Elon
Networks passiert, zum Problem – es drohen ein Kontrollver-
Musk und Sam Harris äußerst kritisch sehen, denn: Was pas-
lust und im Fehlerfall ein Vertrauensverlust.
siert, wenn eine KI eine verbesserte Version von sich selbst erschaffen kann ?
Durch diverse Sicherungsverfahren beim Training von Neuronalen Netzen ( Regularisierung, Dropout, Partitionierung von Trainings-, Test- und Validierungsdaten ) sowie optional zusätzlicher Safe Guards werden in wohldefinierten Anwendungsfällen robuste Vorhersagequalitäten und Praxistauglichkeit erreicht. Auch bei der Verständlichmachung der inneren Arbeitsweise sind Fortschritte erzielt worden, was vor allem bei visuell orientierten Anwendungsfällen gut funktionieren kann. Mit Kosteneffizienz und überlegenen Fehlerraten in der Automatisierung und der Mustererkennung sind auch Deep Learning Anwendungen in der vergangenen Dekade in 18
Praktischer Einsatz von Deep Learning
schicht und ersetzt diese durch eine neue, auf andere Ziel-
Dr Mathias Bauer, Lighthouse Germany, KPMG AG
klassen trainierte, so spricht man von Transfer Learning.
In diesem Teil der Präsentation ging es um die unterschied-
Dies spart zwar sehr viel Aufwand – insbesondere bei der
lichen Möglichkeiten bei der Entwicklung von Deep Learning
Bereitstellung von Trainingsdaten und der reinen Dauer des
Systemen und ihren jeweiligen Implikationen.
Trainingsprozesses –, bringt aber auch Nachteile mit sich. Erstens müssen die Ausgangsdomäne und die Zieldomäne zu-
Startet man eine solche Entwicklung von Grund auf, ist eine
mindest gewisse strukturelle Ähnlichkeiten aufweisen, um
Vielzahl an Designentscheidungen zu treffen. Dazu gehören
ein solches Vorgehen anwenden zu können, was im Vorfeld oft nur schwer abzuschätzen ist. Zweitens ist das Verhalten
| Die Architektur des zu trainierenden Neuronalen Netzes ( NN ).
des aus dem alten Modell übernommenen Teils des NN meist
Hier kann zwar auf vielfältige Erfahrungen zurückgegriffen
sehr intransparent. Dies hat zur Folge, dass man sich auf
werden ( z. B. eignen sich sogenannte Convolutional NN sehr
diesem Weg einen ungewollten Bias oder anderweitig sub-
gut zur Bildanalyse, während Recurring NN erfolgreich für
optimales Verhalten des Gesamtmodells „importieren“ kann,
Zeitreihen verwendet werden ), jedoch gibt es keine allge-
weshalb intensives Testen notwendig ist.
meingültigen Empfehlungen, sodass immer auch ein gewisses Maß an Experimenten notwendig ist.
Bereits vor der Entscheidung für Deep Learning sollte unbedingt überprüft werden, ob dieser sehr aufwendige Ansatz
| Die Anzahl der zu trainierenden Schichten des Netzes und die
tatsächlich notwendig ist. Sehr viele Aufgaben können auch
Anzahl der Parameter. Je komplexer – und damit potenziell
deutlich einfachere maschinelle Lernverfahren in ausreichen-
genauer, aber auch anfälliger gegenüber Overfitting – das
der Qualität bearbeiten. Außerdem muss sichergestellt sein,
Netz wird, umso mehr Trainingsdaten müssen zur Verfügung
dass auch alle erforderlichen Ressourcen – Rechenleistung,
stehen und umso rechenintensiver ist das Training selbst.
Transparenzanforderungen, qualifiziertes Personal – vorhan-
Eine gute Balance zu finden, stellt eine Herausforderung für
den sind.
die Data Scientists dar. Die aktuelle Entwicklung deutet darauf hin, dass rein datenEine Alternative zu diesem Vorgehen besteht darin, bereits
getriebene Ansätze, wie Deep Learning, durch eine seman-
vortrainierte NN oder Teile davon zu verwenden und auf die
tische, wissensbasierte Komponente ergänzt werden, sodass
konkrete Aufgabenstellung anzupassen. Entfernt man bei-
nicht nur rein statistische Korrelationen, sondern auch kausale
spielsweise von einem NN zur Bilderkennung die Ausgabe-
Zusammenhänge gefunden werden können. 19
KÜNSTLICHE INTELLIGENZ
Die digitale Assistenz im Gesundheitswesen
Digitale Assistenten können dabei helfen, steigende Kosten
Ansgar Kuswik, Kontron AG
zu reduzieren und den Ärzten Arbeit abzunehmen, damit diese sich – ganz im Sinne des hippokratischen Eides – um den
Unser Gesundheitssystem befindet sich seit Jahren im steti-
Menschen kümmern können. Dieser Eid trifft die Medizin
gen Wandel : Insbesondere die hohen Kosten, die durch die
wie auch die Branche der Medizintechnik im Kern, da er u. a.
zunehmend individuellere Behandlung der Patienten entste-
besagt :
hen, stellen dabei eine Herausforderung für Versicherer und andere im Gesundheitssystem tätige Akteure dar. Eine ange-
„[ ... ] den, der mich diese Kunst lehrte, [ ... ] ihn, wenn er Not
messene Betreuung der Patienten und eine bezahlbare Ge-
leidet, mitzuversorgen ; seine Nachkommen meinen Brüdern
sundheitsvorsorge sind dabei zwar im Interesse der Gemein-
gleichzustellen und, wenn sie es wünschen, sie diese Kunst
schaft, in manchen Ländern – wie den USA – aber für viele
zu lehren ohne Entgelt und ohne Vertrag ; Ratschlag und Vor-
Bürger nicht mehr zu finanzieren. Während der Covid-19-Pan-
lesung und alle übrige Belehrung meinen und meines Lehrers
demie wurden die Fehlentwicklungen der vorherigen Jahre
Söhnen mitzuteilen, wie auch den Schülern, die nach ärzt-
schließlich bewusster wahrgenommen als zuvor. Deutlich
lichem Brauch durch den Vertrag gebunden und durch den
wurde durch die Pandemie dabei einerseits, dass viele Men-
Eid verpflichtet sind, sonst aber niemandem. Meine Verord-
schen nicht mit den für sie relevanten Daten umgehen kön-
nungen werde ich treffen zu Nutz und Frommen der Kranken,
nen. Andererseits konnte vielen Menschen geholfen werden,
nach bestem Vermögen und Urteil ; ich werde sie bewahren
indem vernetzte mobile Systeme – sogenannte medizinische
vor Schaden und willkürlichem Unrecht [ ... ]“
Wearables – gemeinsam mit einer KI genutzt wurden, um relevante Daten zu beurteilen und auszuwerten.
Ein Arzt kann diesem Auftrag nachkommen, wenn er verstärkt Zeit hat, sich mit dem Patienten direkt zu beschäftigen –
Die Digitalisierung und der Einsatz neuer Technologien im
durch den Einsatz von mobilen digitalen Assistenzsystemen
Gesundheitswesen gewinnen zunehmend an Bedeutung.
kann genau das erreicht werden. U. a. sind es jedoch die
Dabei sind neue Technologien notwendig, die
hohen Beschaffungs- und laufenden Kosten, die dafür sor-
| die Heilung der Menschen unterstützen
gen, dass entscheidende Akteure eine abwartende Haltung
| den Zustand des Patienten überall überwachen und so dem
hierbei einnehmen. Hinzu kommt, dass in medizinischen Ein-
Arzt die Diagnose erleichtern können sowie
richtungen nicht nur das Gemeinwohl von Relevanz ist, son-
| die dabei generierten Daten sicher und privat speichern, um
dern zu großen Teilen auch der Shareholder Value ( mit jähr-
weiterhin eine bezahlbare und für die Breite der Gesellschaft
lichem Wachstum, Rendite und Dividende ) im Fokus steht.
zugängliche Gesundheitsversorgung gewährleisten zu können.
Diese Ausrichtung erschwert weitere Investitionen in die
20
risikobehaftete Entwicklung von medizinischen Wearables,
Ergebnisse Innovationskreis #2
da die Angst vor dem Verlust des investierten Kapitals häu-
Sabine Wiesmüller, Magnus Kurz, BIC
fig überwiegt. Solange sich daher nicht ein am Gemeinwohl orientiertes Denken etabliert, werden die notwendigen Ent-
Das Ziel der zweiten Sitzung des Innovationskreises Künst
wicklungen digitaler Assistenzsysteme wahrscheinlich nicht
liche Intelligenz war die Einordnung Künstlicher Intelligenz mit
umgesetzt. Diese Transformation jedoch zu begleiten und zu
Fokus auf Deep Learning als State-of-the-Art-Technologie aus
unterstützen, sehe ich als wichtige gesellschaftliche Aufgabe –
technischer und ethischer Perspektive. Durch die zunehmend
auch für mich selbst.
komplexeren neuronalen Netze wird es stetig schwieriger zu verstehen, welche Aktionen innerhalb dieses Netzes geschehen. Problematisch daran ist, dass mit dem Ende der Nachvollziehbarkeit auch die Möglichkeit der Kontrolle endet und Unternehmen gezwungen sind, Vertrauen in die Arbeit der Technologie zu setzen. In diesem Kontext boten die Experten Patrick Haller, Dr Mathias Bauer und Ansgar Kuswik den Innovationskreisteilnehmern in ihren Impulsvorträgen spannende Einblicke, die anschließend in den Breakout-Sessions diskutiert wurden. Im ersten Impulsvortrag von Patrick Haller ging es zunächst um die Grenzen des technisch Möglichen und die Begrenzung des Möglichen im Bereich Deep Learning. Deep Learning bezeichnet ein Teilgebiet des Maschinellen Lernens. Zielsetzung des klassischen Maschinellen Lernens ist die Erkennung und Abbildung von Mustern in strukturierten Datensätzen mittels manueller Abstraktion. In Abgrenzung zum klassischen „Ausprogrammieren“ können durch den Einsatz von Deep Learning Technologien unstrukturierte Daten direkt in einen Algorithmus eingelesen und die problematische Feature Extraction einem mehrschichtigen neuronalen Netzwerk überlassen werden. Ein mehrschichtiges neuronales Netzwerk ist dabei 21
KÜNSTLICHE INTELLIGENZ
prinzipiell in der Lage, auch komplexe, nicht-lineare Zusammenhänge zwischen Input und Output zu erfassen.
Im zweiten Impulsvortrag von Dr Mathias Bauer ging es um den praktischen Einsatz von Deep Learning. Der Referent differenzierte zwischen zwei Möglichkeiten des Einsatzes von
Die Entwicklung des Algorithmus basiert schließlich auf der
Deep Learning Technologien :
stetigen Wiederholung und Kontrolle der Input-Output-Relati-
1. Eigenentwicklung „from scratch“ und
on, die die Spezifizierung des Modells und die Verbesserung
2. die kollaborative Implementierung künstlicher Intelligenz.
der Leistung des neuronalen Netzwerks mit einer steigenden Anzahl an Trainingsdaten ermöglicht. Je mehr Trainingsdaten
Entwicklung eines Deep Learning Systems „from scratch“
dem neuronalen Netzwerk zur Verfügung stehen, desto besser ist die Ergebnisqualität. Der Algorithmus zur Berechnung
Deep Learning Netzwerke müssen in Abhängigkeit des zu
der Input-Output-Relation wird anschließend durch einen se-
analysierenden Datentyps ( Bilder, Texte, Zeitreihen ) entwi-
paraten Datensatz, der nicht zum Lernen herangezogen wird,
ckelt werden. Die Architektur des Netzes wird dabei durch
validiert. Dieser Prozess wird als Cross Validation bezeichnet
die Anzahl der Schichten – Indikator der Balance zwischen
und ermöglicht eine fortlaufende Verifizierung.
der Expressivität bzw. Kapazität und der Gefahr des Overfitting – und die Anzahl der Parameter beschrieben. Je umfang-
Gegenwärtig entwickelt sich das Forschungsfeld Deep Lear-
reicher das neuronale Netz ist, desto präziser können Vorher-
ning in einer immensen Geschwindigkeit weiter, das sich ins-
sagen getroffen werden. Umso höher ist jedoch die Gefahr,
besondere auf die Innovationen der Verfahren, den Aufbaus
dass das Netz die Daten auswendig lernt. Die steigende An-
und die Spezialisierung von neuronalen Netzwerken fokus-
zahl der Parameter und die damit einhergehende wachsende
siert. Die Möglichkeiten der Kombination spezialisierter neu-
Komplexität indiziert daher einen hohen Bedarf an Trainings-
ronaler Netzwerke verdeutlicht unter anderem GPT-3 . Steigen-
daten sowie hohe Anforderungen der Rechenkapazitäten. Die
de Rechenleistungen ermöglichen es, die Größe der Modelle
Neuentwicklung eines Deep Learning Systems stellt somit
und die Anzahl der Trainingsdaten stetig weiter auszubauen.
hohe Anforderungen an das jeweilige Unternehmen und des-
Als kontroverses Beispiel verwies Patrick Haller auf Deepfa-
sen Data Scientists. Daher ist entscheidend, die Aspekte der
kes, realistisch wirkende Medieninhalte, die durch AI ver-
Unabhängigkeit des Netzwerks mit der Komplexität der An-
fälscht werden. Diese Technik erlaubt es mittlerweile nicht
forderungen und notwendigen Summe an Trainingsdaten ab-
mehr, reale und fiktive Personen voneinander zu unterschei-
wägen zu können.
den. Dies eröffnet die Möglichkeit, die Technik zu missbrauchen, indem sie bspw. gezielt zur Desinformation eingesetzt wird. 22
Alternativer Ansatz: Transfer Learning
Die Firmen im Medizinsektor stehen insbesondere vor der Herausforderung, Schnittstellen zwischen Hard- und Soft-
Einen alternativen Ansatz zur aufwendigen Eigenentwick-
ware zu entwickeln und somit die unterschiedlichen Systeme
lung stellt das Transfer Learning dar : Hierbei greift man auf
zu integrieren. In diesem Zuge setzen immer mehr Firmen
ein vortrainiertes Netz zurück. Dieses Vorgehen reduziert die
auf den Einsatz von KI . Die Integration künstlicher Intelligenz
erforderlichen Ressourcen ( Trainingsdaten, Rechenleistung
wird durch die Möglichkeiten der früheren und präziseren Di-
und Rechendauer, Kosten ) deutlich und ist vor allem dann ge-
agnose und die dadurch entstehende zusätzliche Zeit der Be-
eignet, wenn nur wenige Daten zur Verfügung stehen. Die
handlung begründet. Zentraler Kritikpunkt ist die Sensibilität
Nachteile dieses Ansatzes bestehen bspw. darin, dass die ei-
der Daten menschlicher Gesundheit sowie die damit einher-
genen Daten eine strukturelle Ähnlichkeit zu den Daten auf-
gehende Sorge vor fehlerhaften Diagnosen. Durch die grund-
weisen müssen, mit denen das Standardnetz trainiert wurde,
sätzliche Verknüpfung von Hard- und Software wäre es mög-
was im Voraus schwer einzuschätzen ist. Sind die Daten ein-
lich, eine personalisierte Medizin anzubieten, die nicht nur
ander nicht ähnlich, kann es geschehen, dass das Netz „auf-
den Heilungsprozess des Patienten beschleunigt sowie bes-
taut“ und rückwärts neu trainiert werden muss, was einen er-
sere Diagnose- und Behandlungsmöglichkeiten bietet, son-
heblichen Aufwand darstellt. Zudem können ungewünschte
dern auch Kosten einspart.
Verzerrungen und falsche Ergebnisse entstehen, falls die ursprünglichen Trainingsdaten nicht vollständig nachvollzogen werden können. Der dritte Impulsvortrag von Ansgar Kuswik bestand aus einem Erfahrungsbericht zum Einsatz von KI in der Medizintechnik. Die aktuelle Ausgangssituation in der Medizin ist laut ihm high cost | high tech | low access. Bis zum Jahr 2025 wird die Medizin in Richtung „digital care“ gehen, also low cost | high tech | high access. Die Firmen im Medizinsektor stehen somit vor einer großen Herausforderung im Hinblick auf ihre Kostenstruktur. Der medizinische Sektor muss effizienter, die Daten sicher zur Verfügung gestellt und die Abläufe kostengünstiger werden. Durch Digitalisierung und digitale Assistenzsysteme versucht man, diesem Kostendruck gerecht zu werden. 23
KÜNSTLICHE INTELLIGENZ
Innovationskreis #3 : Datenmanagement und Data Pooling Nutzung unstrukturierter Daten – Ein Neuland
Voraussetzungen brauchen wir jedoch, um die Freitexte zu
Anton Steurer, Plattform V, Dr Paul Wälti, InfoCodex AG
analysieren ?
Semantic Technologies
Naheliegend ist, dass viele auf KI in Verbindung mit Natural Wenn wir die Schlagzeilen über die explodierenden Daten-
Language Processing ( NLP ) setzen. Allerdings weist NLP einige
mengen lesen, ist das nichts Neues, und wir speichern wei-
wesentliche Schwachstellen in der Texterkennung auf :
ter in die überquellenden Datentöpfe. Wussten Sie, dass ca. 80 Prozent der gespeicherten Daten Textdaten sind und dass
Trainingsaufwand
wir weniger als 1 Prozent dieser Daten einer Wertschöpfung
(Nachbilden des fallspezifischen Wissensgebietes)
zuführen ? „Die Kosten für das Training sind der eigentliche Engpass in Prof Dr C. Lerner in Datenwertformel ( 2020 ) :
der KI/NLP -Anwendung. Unternehmen geben Millionen von
„... und weniger als 1 Prozent aller unstrukturierten Daten wird
Dollar pro Woche aus, nur um ihre KI -Workloads zu trainieren
überhaupt analysiert.“ Leandro DalleMule, CDO AIG und Tho-
und abzustimmen.“ Anshumali Shrivastava, Professor Rice
mas Davenport, Professor Babson College & MIT
University
Sollten Daten tatsächlich das Gold des 21. Jahrhunderts sein,
Bias (Verzerrung)
ist dringender Handlungsbedarf angezeigt. NLP hat einen relativ großen Bias, siehe „Unsolved Problems
Unstrukturierte Daten sind generell schwer zu analysieren. Da
in Natural Language Understanding Datasets“ ( 2020 ), https://
meist ein bereits definiertes oder organisiertes Datenmodell
towardsdatascience.com/unsolved-problems-in-natural-
fehlt, können E-Mails, Social-Media-Aktivitäten usw. mit gän-
language-datasets-2b09ab37e94c
gigen Methoden nur mit großem Aufwand durchsucht werden. Die Erschließung interner und weltweit externer Quellen
Erkennung verborgener Fakten
eröffnet erst die Möglichkeit, den Datenschatz zu heben. NLP -Methoden mit ihrer Satz-für-Satz-Analyse können nur
Künstliche Intelligenz ist eines der bestimmenden Business
bekannte Fakten erkennen und extrahieren, Udo Hahn et al.:
themen unserer Zeit und jeder wünscht sich den berühmten
Brief Bioinform 2012, 13( 4 ) : 460 – 494.
Button, der alles irgendwie automatisch erledigt. Welche
24
NLP bezieht sich auf eine einzelne Sprache
Das WordNet der Princeton University mit seinen fundierten Netzwerkstrukturen bildet das Gerippe der linguistischen
Gebraucht wird jedoch ein semantisches KI -Tool für das Sam-
Datenbank. Die Wissenssubstanz wird durch Wörter und
meln, Strukturieren und eine Inhaltsanalyse von unstrukturier-
Phrasen aus rund 100 renommierten Informationsquellen
ten Freitextinformationen :
( z. B. EuroVoc, DIN ) vervollständigt und mit dem WordNet harmonisiert.
| aus der Flut unstrukturierter Informationen – auch in komplett neuen Situationen – echte Werte generieren und das ohne
Daten nutzbar machen – aber wie?
Training der Wissensstruktur Das Bewusstsein, den Datenschatz zu heben, ist omnipräsent, | Eine Nutzbarmachung der Daten muss in unserer globalen Welt über Sprachen hinweg funktionieren.
nur weiß man häufig nicht, wie die vorhandene Komplexität angepackt werden soll. Die technologischen Möglichkeiten bieten verschiedenste Einstiegszenarien und dennoch kom-
Wir müssen die Entdeckung neuer Fakten und versteckter
men wir zu wenig rasch voran.
Beziehungen aus der Analyse von Dokumentensammlungen ermöglichen.
Wir müssen den Mut aufbringen, erste Schritte zu tun, und uns die Frage nach dem Wert unserer Daten stellen. Voraus-
InfoCodex ( www.infocodex.com ) ist bspw. eine Kombination
setzungen sind die Kategorisierung nach inhaltlichen Krite-
einer universellen, maschinenlesbaren, linguistischen Daten-
rien und das Gewinnen einer Übersicht. Die Frage nach der
bank ( Semantik ), die einzigartig mit einem selbstorganisie-
Nutzbarmachung erfordert dann auch eine neue Datenkom-
renden neuronalen Netz ( Intelligenz ) verknüpft ist, sowie von
petenz und Herangehensweise an die Fragestellung zur Wert-
mathematisch-statistischen Tools.
schöpfung.
Darstellung datenbasierter Informationsgenerierung unter KI-Nutzung
Words of a document
Projection
100-dimensional space
Neural network
Information-landscape
25
KÜNSTLICHE INTELLIGENZ
Wenn in meinen Daten tatsächlich das Gold des 21. Jahrhunderts schlummert, sollte ich was tun!
zur Weiterentwicklung unserer Produkte und Services. Daher
Markus Fleisch, WALSER GmbH
stellt sich die Frage, wie diese Bewertungen besser analysiert
Wir leben in einer Zeit, in der die Datenmengen geradezu ex-
wonnen werden können. Unser erster Schwerpunkt war es,
plodieren. Laut IDC wurden im Jahr 2020 weltweit 59 Zetta
die unstrukturierten Daten in eine Darstellung zu bringen, mit
byte an Daten erstellt, erfasst, kopiert und genutzt ( David
der das Produktmanagement arbeiten kann. In einem Proof
Die Bewertungen beinhalten jedoch wertvolle Informationen
und anwendbares Wissen für unsere Weiterentwicklung ge-
Reinsel, John Rydning, John F. Gantz 2020 ). Allein in den
of Concept ( PoC ) mit InfoCodex war es dann möglich, Ama-
nächsten drei Jahren werden mehr Daten erstellt als in den
zon-Kunden-Feedback aus den Bewertungssystemen in eine
vergangenen 30 Jahren zusammen. Das anhaltende Wachs-
Datenbank zu ziehen und mit einem Tool – speziell dem „Se-
tum dieser sogenannten „Global Data Sphere“ hat auch
mantic Artificial Intelligence Tool for Collecting, Structuring,
Auswirkungen auf Unternehmen. Sie erfassen und speichern
and Content Analysis of Unstructured Free Text Information“ –
riesige Datenmengen in unterschiedlichen Formen und mit
zu bearbeiten.
diversen Methoden : strukturiert, unstrukturiert vom Benutzer oder von Maschinen erzeugt.
Erste Erkenntnisse aus den rund 3.500 analysierten Kundenbewertungen auf Amazon zeigen :
Über 2.500 Produkte der WALSER GmbH werden über verschiedene Online-Plattformen als Streckengeschäft und im stationären Handel vertrieben. Ein ausgeklügeltes Logistik
| Große Datenmengen können für den Nutzer transparent aufbereitet werden.
system liefert direkt in die Schwerpunktmärkte. Nicht nur die Covid-19-Pandemie hat uns gezeigt, dass die Abhängigkeit
| Fünf-Sterne-Bewertungen von Amazon sind immer schon
von Online-Diensten und E-Commerce den richtigen Umgang
hochprozentig positiv. Die Freitextanalysen der Bewertungs-
mit Daten erfordern. Diese Systeme bieten auch umfangreiche
texte unterstreichen das.
Methoden zur Rückmeldung von Kundenmeinungen, kurz Bewertungen. Speziell die Bewertungen haben einen hohen An-
| Jedoch konnten wir „hidden opportunities“ in der Informa-
teil an Textdaten. Diese zu analysieren, war immer schon eine
tionsflut aufdecken ! Zufriedene Kunden ( mit Fünf-Sterne-
Sisyphusarbeit und beschränkte sich vornehmlich auf den
Bewertungen ) geben wertvolle Informationen für Marketing
Blick einzelner Aussagen in den Portalen oder auf die Sichtung
und Produktentwicklung.
des Schriftverkehrs mit den Kunden.
26
Der PoC hat allerdings auch gezeigt, dass Informationen in die
Data Pooling in Machine Learning Projekten
Kultur eines Unternehmens eingebettet werden müssen. Ein
Volker Loch, Verisk 3E
Ausbildungsprozess, der nur auf die Analysemethoden und Systeme fokussiert, wird keinen nachhaltigen Erfolg bringen.
Die Idee des Data Pooling – der Zusammenführung von Da-
Neben den technischen Aspekten muss in der weiteren Um-
ten aus unterschiedlichsten Quellen – hat in den vergangenen
setzung gelehrt werden, wie systematisch mit Systemen ge-
Jahren stark an Bedeutung gewonnen. Data Pooling hilft nicht
arbeitet wird. Kurz : Der Nutzer des Systems muss die „richti-
nur Unternehmen, ihre Kunden besser zu verstehen, sondern
gen“ Fragen stellen, um nutzbares und anwendbares Wissen
kann bei Machine Learning Projekten auch Datenengpässe
aus den Daten zu extrahieren. In unserem Fall war und ist das
beheben und die Qualität und Robustheit der entwickelten
Verständnis der Kundenbedürfnisse und des Kundenverhal-
Modelle verbessern. Bei vielen der üblichen Herausforderun-
tens stets einer der Erfolgsfaktoren. Die Suche nach expliziten
gen in Machine Learning Projekten kann Data Pooling daher
und impliziten Kundenwünschen treibt uns an und darf auch
ein Lösungsansatz sein.
in einer digitalen Welt nicht in den Methoden zur Textanalyse ( Semantics, Linguistics, Free Text Analysis, NLP etc.) ver-
Für das Trainieren von Modellen benötigt man üblicherweise
loren gehen.
sehr große Datenmengen. Das Sammeln und Aufbereiten
Zusammengefasst haben wir aus dem PoC gelernt, dass die
jektarbeit aus. Dabei können eigene Daten, Daten aus öffent-
dieser Daten macht erfahrungsgemäß ca. 60 Prozent der Protechnischen Probleme gelöst werden können und auch große
lichen Quellen und von Kunden oder Partnern verwendet und
unstrukturierte Datenmengen einer Analyse zugeführt wer-
zusammengeführt werden.
den können. Das volle Datenpotenzial erschließt sich jedoch erst durch die Neugier und Kreativität des Nutzers. Wir wün-
Wichtig ist es hierbei, frühzeitig die Rechte an der kommer-
schen uns alle einen „sympathischen Blechtrottel“ ( AI , App
ziellen Verwendung der Daten zu klären. Auch frei verfügbare
etc. ), der uns die Wünsche von den Lippen abliest. Bleiben
Quellen sind nicht automatisch zur kommerziellen Nutzung
wir realistisch ! Wir werden zuallererst wieder lernen müssen,
freigegeben. Verträge mit Partnern und Kunden zur Daten-
die „richtigen“ Fragen zu stellen.
nutzung sollten somit sehr frühzeitig geschlossen werden, da dieser Prozess bei größeren Unternehmen durchaus ein Jahr oder länger dauern kann. Zudem sollte unbedingt vertraglich geregelt sein, dass die Rechte zur Datennutzung für ein Machine Learning Modell 27
KÜNSTLICHE INTELLIGENZ
auch nach Vertragsende bestehen bleiben. Ansonsten muss
Schritt das Training eines neuen Modells mit den zusammen-
bei Vertragsende das Modell ohne diese Nutzungserlaubnis
geführten Datenquellen. Das neue Modell sollte anschließend
der Daten neu trainiert werden, was einen entscheidenden
hinsichtlich der Ergebnisse mit dem Vorgängermodell vergli-
Einfluss auf die Ergebnisse des Modells und daher aller Nut-
chen werden. Dabei sollte das neue Modell nicht nur insge-
zer haben kann.
samt bessere Ergebnisse liefern, sondern sich auch nicht bei einzelnen Klassen verschlechtern.
Das Anonymisieren und Filtern der Daten sollte dabei möglichst direkt an der Datenquelle erfolgen, sodass vertrauliche oder personenbezogene Daten – sofern für das Modell nicht unbedingt erforderlich – auch nicht im Datenpool zusammengeführt werden. Auch bei nicht-repräsentativen Trainingsdaten kann Data Pooling helfen : Eine einzelne Datenquelle deckt selten alle zu bestimmenden Klassen ab. Daten aus verschiedenen Unternehmen oder Branchen können hier Abhilfe schaffen und das Modell robuster machen oder sogar eine spezifischere Klassifizierung erst ermöglichen. Eine erfolgreich erprobte Herangehensweise für Machine Learning Projekte mit Data Pooling ist, ein Modell basierend auf einer einzelnen Datenquelle zu entwickeln. Anhand der Ergebnisse dieses ersten Modells können dann leichter weitere interessierte Partner gewonnen werden. Schon in einer frühen Projektphase kann so ein konkreter Nutzen generiert werden. Neue Datenquellen werden auf Qualität und Vollständigkeit geprüft und dann zuerst als Testdaten für das vorhandene Modell verwendet. Die Ergebnisse werden mit Fachexperten überprüft und bewertet. Erst danach erfolgt im nächsten 28
Ergebnisse Innovationskreis #3 Sabine Wiesmüller, Magnus Kurz, BIC
mathematisch-statistischen Ebene. Ein solches Informationsmanagement, das die unstrukturierten Daten nutzbar macht, funktioniert dann, wenn Freitextinformationen sofort aus-
Der Fokus der dritten Sitzung des Innovationskreises Künst
gewertet werden und versteckte Beziehungen sowie neue
liche Intelligenz lag auf der Einordnung Künstlicher Intelligenz
Fakten durch die Analyse großer Mengen von Freitextdoku-
im Kontext des Datenmanagements und Data Pooling. Die
menten entdeckt werden.
ausgewiesenen Experten Dr Paul Wälti, Anton Steurer, Markus Fleisch und Volker Loch boten in ihren Impulsvorträgen
Im zweiten Impulsvortrag, gehalten von Dr Paul Wälti, ging
und den anschließenden Breakout-Sessions spannende Ein-
es um das Erfassen unstrukturierter Daten. Die Nutzung von
blicke in eben diese Themen.
Freitexten stellt die größte Herausforderung innerhalb der Integration und Nutzung von Daten dar. Semantische Daten
Den ersten Impulsvortrag hielt Anton Steurer zur Frage „Sind
bieten einerseits weitreichende Nutzungsmöglichkeiten und
Daten das Gold des 21. Jahrhunderts ?“. Dabei ging er zu-
sind andererseits aufgrund ihrer Struktur sehr schwierig zu
nächst auf die Entwicklung und den Einsatz datengetriebe-
verarbeiten. Die immensen Potenziale der automatisierten
ner Algorithmen ein, die immense Potenziale für eine Viel-
Auswertung semantischer Daten verdeutlichen die folgenden
zahl branchenübergreifender Geschäftsmodelle bieten. Ein
Use Cases :
Großteil der heute in Unternehmen erhebbaren Daten liegt jedoch in unstrukturierter Form ( ca. 80 Prozent ) vor. Während
Use Case 1: Wissenstransfer
strukturierte Daten eine normalisierte Form haben, besitzen unstrukturierte Daten eine nicht identifizierbare Datenstruktur,
Der Wissenstransfer innerhalb von Unternehmen bietet abtei-
die eine direkte Verarbeitung erschwert. Die Nutzbarkeit der
lungsübergreifend große Wertschöpfungspotenziale ( in For-
unstrukturierten Daten durch Software und automatisierte
schung & Entwicklung, im Vertragsmanagement, im Sales,
Prozesse ist dadurch stark eingeschränkt. Um sie dennoch zu
im Marketing etc. ). Die fehlenden Möglichkeiten der automa-
verarbeiten, muss zunächst eine Art Struktur aus den Daten
tisierten Analyse und Verarbeitung unstrukturierter Textdaten
gewonnen werden.
erschwert den Wissenstransfer innerhalb von Unternehmen.
Ein erfolgreiches Informationsmanagement, das eine Lösung für diese Herausforderung bieten kann, sollte aus der Kombination von drei Bereichen bestehen : einer universellen linguistischen Datenbank, einem neuronalen Netzwerk und einer 29
KÜNSTLICHE INTELLIGENZ
Use Case 2: Detektion neuer Trends
daten ermöglicht es hierbei, vorhandene unternehmensspezifische sowie öffentliche Daten zu nutzen und datenba-
Eine Analyse eigener und öffentlich zugänglicher Datenquel-
sierte Entscheidungen innerhalb der Produktentwicklung zu
len ermöglicht die kontinuierliche Detektion neuer technologi-
treffen. Markus Fleisch berichtet im Kontext der Implemen-
scher Entwicklungen sowie eine Beobachtung von Entwick-
tierung von der Herausforderung, relevante Daten für die ent-
lungen innerhalb der eigenen Branche und liefert relevante
sprechende Abteilung zu selektieren und zentrale Fragestel-
Informationen zu bestehenden wie potenziellen Kunden.
lungen zu identifizieren.
Im anschließenden dritten Impulsvortrag von Markus Fleisch
Eine effektive Nutzung der neuen Technologie erfordert je-
ging es um einen konkreten Anwendungsfall des Datenma-
doch Technologieoffenheit seitens aller beteiligten Anwender.
nagements in Unternehmen. Die WALSER GmbH kombiniert
Sowohl der Referent als auch andere Teilnehmer des Innova-
dabei die Anwendung von verschiedenen der oben vorge-
tionskreises merkten an, dass im Hinblick auf die Einführung
stellten Use Cases zur automatisierten Verarbeitung unstruk-
neuer Technologien die Einrichtung sogenannter Fokusgrup-
turierter semantischer Daten in Form einer Auswertung von
pen zielführend sei. Dadurch könnten Schwerpunkte des Ein-
Amazon-Produktbewertungen. Die zunächst unstrukturier-
satzes der Technologie gezielt erarbeitet und erprobt werden.
ten semantischen Daten – eigene Produktbewertungen sowie Bewertungen von Konkurrenzprodukten – werden auto-
Im vierten Impulsvortrag, gehalten von Volker Loch, ging es
matisiert ausgelesen ( crawl ), objektiv klassifiziert ( effizien-
abschließend um Data Pooling für Machine Learning Projekte,
tes Info-Retrieval Controlled Tagging ), kategorisiert ( Profile
welches das Zusammenführen von Daten aus unterschied-
Matching ) und selektiv analysiert. Die Analyse von Produkt-
lichen Datenquellen beschreibt.
bewertungen kombiniert somit das Profile Matching mit der gezielten Report- und Sentimentanalyse zur ergebnisorien-
Das Thema war darin begründet, dass die größten Heraus-
tierten Analyse und Auswertung von Produktbewertungen.
forderungen beim Training von Machine Learning Modellen
Das Tool zur Strukturierung semantischer Unternehmens
datenbasiert sind – wie nachfolgend aufgelistet :
30
Datensammlung
Sampling bias
Eigene Quellen reichen häufig nicht aus, um ausreichende
Die Art, wie man Trainingsdaten auswählt, hat einen ent-
Trainingsdaten für Machine Learning Modelle zur Verfügung
scheidenden Einfluss auf das Ergebnis. Ausgewählt wurde
zu haben. Deshalb greifen Data Scientists neben den eige-
ein Modell, das Wölfe und Hunde unterscheiden sollte. Es
nen auch auf öffentlich zugängliche Daten sowie auf Kunden-
erreichte zwar eine hohe Genauigkeit beim Klassifizieren, je-
und Partnerdaten zurück. Wichtig ist an dieser Stelle, dass
doch ignorierte das Modell das Tier selbst und klassifizierte
die IP -Rechte für die kommerzielle Nutzung abgeklärt werden
nur den Hintergrund ( Wölfe in Wald und Schnee, Hunde eher
müssen, bevor die Daten verwendet werden.
in städtischen Umgebungen ).
Datenmenge
Schlechte Datenqualität und irrelevante Merkmale (Over-fitting)
Für die Arbeit an Zeitreihen werden Daten über einen Zeitraum von drei bis fünf Jahren benötigt. Liegen diese Daten
Durch die Verwendung von Mitbewerber- und Kundendaten
nicht vollständig vor, kann man verschiedene Lösungsansätze
kann man beispielsweise die Herausforderungen hinsichtlich
wählen, um damit umzugehen ( Einfaches Modell, Transfer
hinreichender Datensammlung und der Datenmenge lösen
Learning, Datenerweiterung oder künstliche Datenerzeugung ).
und auch der Nutzung nicht-repräsentativer Trainingsdaten
Nicht-repräsentative Trainingsdaten
hin, dass ein freier Quellcode nicht bedeutet, dass eine kom-
entgegenwirken. Volker Loch wies in diesem Kontext darauf merzielle Nutzung automatisch möglich ist. Die Trainingsdaten sollten alle Kategorien zukünftiger Arbeit, die zur Identifikation dienen sollen, abdecken.
31
KÜNSTLICHE INTELLIGENZ
Innovationskreis #4 : Kollaborative KI-Implementierungsstrategien Erfolgreiche KI dank Kollaboration
Team könnten folgende Rollen benötigt werden : Data Analyst,
Tobias Oberrauch, KI Bundesverband e.V. Baden-Württemberg, CGI
Database Administrator, Data Modeler, Data Architect und Data Engineer, wohingegen Letzterer die übliche Rolle für die-
Laut dem Gartner Institut fällt es IT-Führungskräften schwer,
sen Bereich darstellt.
Künstliche Intelligenz in Anwendungen zu integrieren. Sie verschwenden Zeit und Geld für KI -Projekte, die nie in Betrieb
| Data Science hat das Ziel, Wissen aus Daten zu generieren,
genommen werden, oder haben Schwierigkeiten, den Wert
um Optimierungen durchführen oder eine Entscheidungsfin-
von KI -Lösungen zu erhalten, sobald diese freigegeben sind.
dung zu unterstützen. Dabei kommen Methoden und Wis-
Die Gründe sind hierfür sehr vielschichtig.
sen aus verschiedenen Bereichen wie Mathematik, Statistik, Stochastik, Informatik und Branchen-Know-how zum Einsatz.
Ein vollumfängliches KI -Projekt kann Data Engineering, Data
Lokale Faktoren : Infrastruktur zum Trainieren, Validieren und
Science, IT-Operations und Integration betreffen, wobei alle
Bereitstellen von Modellen. Für das Team kommt entweder
Bereiche von weitreichenden Faktoren, wie der Vision des
der Data Scientist oder der Machine Learning Engineer in
Unternehmens und der globalen Strategie, mitbestimmt wer-
Frage, wobei der Data Scientist die Algorithmen selbst imple-
den. Diese wiederum profitieren von den Metriken, die jeder
mentiert und der Machine Learning Engineer fertige Services
Bereich zur Verfügung stellt. Neben den Metriken wird auch
nutzt.
empfohlen, Erfahrungen in Form von Services und Lösungen ( solutions ) zu digitalisieren und über eine Plattform wertbringend zur Verfügung zu stellen.
| Als IT-Operations werden Prozesse und Dienste bezeichnet, die von der IT -Abteilung eines Unternehmens administriert werden. Das IT -Operations-Team ist für das eigentliche Be-
Lokale Faktoren, die in jedem Bereich unterschiedlich zur
reitstellen der lokalen Faktoren zugunsten anderer Bereiche
Geltung kommen, werden im Folgenden erläutert:
verantwortlich.
| Data Engineering befasst sich mit dem Sammeln, Aufbereiten und Validieren von Daten und stellt sicher, dass die Infrastruk-
| Die Integration befasst sich damit, dass fertig trainierte Modell in die bestehende Systemlandschaft zu integrieren.
tur und die Anwendungen vorhanden sind, die zur Analyse benötigt werden.
Lokale Faktoren: Infrastruktur zur Integration der Modelle in die bestehende Systemlandschaft. Für das Team kommt die Rolle
Lokale Faktoren : Infrastruktur für Datenlandschaft zum Beispiel als Lakehouse, Data Lake oder Data Warehouse. Für das 32
des Business Analysten am ehesten in Frage.
Abbildung: AI Collaboration Process
Provide data Global | Data ingest | Data understanding | Data wrangling | Data governance | Enterprise metadata
Science
Engineering
Collaboration
Provide need
| Business understanding
| Train, evaluate & optimize model | Choose algorithms | Feature engineering
Integration
| Vision | Strategy | Metrics | Shared services | Shared solutions
Provide model
Operations
| Data infrastructure | Machine learning infrastructure | Model deployment | Model inference infrastructure
Local | Infrastructure | Consulting | Team: | Building | Trainings | Onboarding | Ramp up | Sprints
Integrate running model
Durch diese unterschiedlichen Anforderungen steigt die Kom-
AI Collaboration ist eine gemeinnützige Initiative, die Wissen
plexität, die wiederum nicht mehr mit der Erwartungshaltung
als Open Source Plattform und Framework zur Verfügung stellt,
einer kurzfristigen Wertschöpfung durch KI zu decken ist.
um die genannten Herausforderungen zu bewerkstelligen.
Erschwerend kommt hinzu, dass bei KI -Projekten weitere häu-
Dabei bietet sie verschiedene Aspekte :
fig auftretende Herausforderungen zu meistern sind : | Plattform zur automatischen Bereitstellung | Der Reifegrad für KI -Projekte ist niedrig
| Plattform zur Erforschung der KI -Grundlagen
| Keine KI -Strategie und Prioritätensetzung für KI -Projekte
| KI -Framework für Strategie und Projekte
| KI -Projekte von Grund auf selbst implementieren
| Rahmen für die abteilungsübergreifende Zusammenarbeit
| Kein gemeinsames Verständnis von KI
| Gebrauchsfertige KI -Dienste und KI -Lösungen
| Mangelnde Zusammenarbeit bei KI -Projekten
| Plattform zur gemeinsamen Nutzung von KI -Diensten
| KI -Services und KI -Lösungen werden nicht geteilt
und KI -Lösungen 33
KÜNSTLICHE INTELLIGENZ
AI Product Thinking – Ein kollaborativer Ansatz zur Entwicklung von KI-Applikationen … Do you already think in products? Georg Gabelmann, ZF Group
“One of the biggest mistakes leaders make is to view AI as a
den Vordergrund stellt. Die bereits verfolgte agile Vorgehensweise lässt sich hierbei sehr gut weiterführen und im Sinne eines BizDevOps Ansatzes mit dem AI Product Team, das den Business Value als gemeinsames Ziel hat, umsetzen. Diese kollaborative Herangehensweise setzt ein gewisses
plug-and-play technology with immediate returns.”*
Mindset aller Beteiligten voraus sowie neue Fähigkeiten, Rol-
Wer sich tiefer mit der Entwicklung von Künstlicher Intelligenz
wird hierbei multidisziplinär aus verschiedenen Abteilungen
len und insbesondere eine andere Kultur. Das Product Team beschäftigt, wird schnell feststellen, dass produktionsreife
besetzt und besteht aus allen benötigten Rollen wie Data
KI -Applikationen aus einem Zusammenspiel von vielen Kom-
Scientist, Software Engineer, Business Analyst, Operation
ponenten bestehen, wobei das Machine Learning ( ML ) Modell
Engineer, UX Expert sowie Machine Learning / Data Engineer.
nur eine kleine, wenn auch sehr wichtige Komponente ist. Wir haben in diesem Zuge die Rolle des AI Product Managers Im Kern einer KI -Entwicklung steht die KI -Software : Neben
neu eingeführt, der das Product Ownership übernimmt, die
dem eigentlichen Code kommen bei KI und ML Applikationen
Kundenperspektive vertritt und das Product Team wie ein
aber noch das Modell und die Daten hinzu. Diese drei Ele-
Dirigent zur bestmöglichen Wertschöpfung und Leistung or-
mente müssen in Einklang gebracht und jeweils versioniert
chestriert. Sicher gibt es in der Umsetzung dieser Vorgehens-
werden. Die Applikation kann dann ( kontinuierlich ) deployed
weise noch einige Herausforderungen wie Budget- und Kapa-
und betrieben werden. Ein bewährter Ansatz, um dies erfolg-
zitätsplanung – die Erfolge des gewählten Ansatzes sprechen
reich zu managen, ist der DevOps bzw. MLO ps Ansatz, den
jedoch für sich.
wir in der ZF Group zur Implementierung von KI -Lösungen im Enterprise Kontext entlang unseres ZF AI Prozess Modells
Am Ende kommt es hier auch auf die „organizational intelli-
praktizieren. Um diesen Herausforderungen besser zu begeg-
gence“ als Zusammenspiel der Menschen, Daten, Business
nen, haben wir uns bewusst dafür entschieden, die klassische
und KI an. Eat production-readiness for breakfast but stay
Projektvorgehensweise basierend auf jährlichen Budgets und
innovative against all odds !
festen Zeitplänen zu verlassen und für die Entwicklung von KI -Lösungen einem produktorientierten Ansatz zu folgen, der
ein Produkt über seinen Lebenszyklus mit kontinuierlicher Weiterentwicklung betrachtet und die Kundenbedürfnisse in 34
* HBR , 2019 https://hbr.org/2019/07/building-the-ai-powered-organization
Ergebnisse Innovationskreis #4
Abbildung: Entscheidungsbaum
Sabine Wiesmüller, Magnus Kurz, BIC
Starten oder integrieren
In der vierten Sitzung des Innovationskreises Künstliche Intelligenz lag der Schwerpunkt auf kollaborativen Ansätzen der Implementierung und Nutzung von KI -Anwendungen. Neu beginnen
Integrieren
Zusammen mit den beiden Experten Tobias Oberrauch und Georg Gabelmann wurde die Thematik in den anschließenden Breakout-Sessions diskutiert und von verschiedenen Blickwinkeln beleuchtet. Beide präsentierten interessante Perspektiven auf kollaborative Ansätze ( innerhalb und außerhalb von Unternehmensgrenzen ) zur KI -Entwicklung.
Einstieg : Top-down / bottom-up
Evaluierung : Was ist vorhanden ?
Welcher Use Case ?
Priorisierung
Die nächsten Schritte ?
Die nächsten Schritte ?
Tobias Oberrauch sprach in seinem Impulsvortrag vor allem über die Initiative AI Collaboration, deren Ziel es ist, über Unternehmens- und Verbandsgrenzen hinweg Wissen im Bereich Künstliche Intelligenz zu teilen und gemeinsam aufzu-
| Entscheidungshilfen
bauen. Die Initiative setzt sich aktiv zur Stärkung von Open
Entscheidungshilfen für Algorithmen, Datenlandschaft, Infra-
Source Informationen im Bereich Künstliche Intelligenz ein.
struktur für das Training und Deploying von Modellen
Dabei hat die Initiative ein AI Collaboration Framework entwickelt, das Unternehmen bei der KI -Implementierung unterstützen soll.
| Use Cases Übersicht von Use Cases nach Nutzen, Datenquelle, Abteilung, Methode oder Aktionsfeld
Dieses Framework besteht aus drei verschiedenen Bestandteilen :
Nachfolgend wird anschaulich aufgezeigt, wie das AI Collaboration Framework eingesetzt werden kann. Der dargestellte
| Methoden und Prozesse
Entscheidungsbaum gibt zwei verschiedene Möglichkeiten
AI Design Sprint, Gartner AI Use-Case Prism, AI Use Case
vor, anhand derer Unternehmen mit der KI -Implementierung
Canvas
beginnen können : 35
KÜNSTLICHE INTELLIGENZ
1. Neu beginnen
Neben dem „Centre of Excellence“ sorgt das Management
„Neu beginnen“ meint in diesem Kontext, dass es noch kei-
Entwicklern wird eine Infrastruktur zur Verfügung gestellt, die
nen existierenden Use Case innerhalb des Unternehmens gibt.
das Training und die Entwicklung von KI -Modellen ermöglicht.
für den Aufbau eines IT -Departments. Den firmeninternen
Zu Beginn steht somit die Entscheidung an, ob ein Top-Downoder Bottom-Up-Ansatz bei der KI -Implementierung im Unter-
Der Bottom-Up-Ansatz:
nehmen bevorzugt wird. Beide Ansätze werden nachfolgend ausführlich beschrieben. Eine weitere Möglichkeit der KI -Imple-
Zu Beginn des Bottom-Up-Ansatzes steht der AI Design
mentierung besteht darin, sich für eine hybride Lösung zu
Sprint. Dieser Sprint dauert in der Regel fünf Tage. Am Ende
entscheiden, bei der einzelne Teams autark starten und die
eines Sprints sollte einerseits feststehen, ob der K I -Einsatz
Ergebnisse später in einer größeren Umgebung manifestie-
einen wirklichen Mehrwert bietet und genutzt werden sollte,
ren. Der nächste Schritt besteht anschließend darin, einen KI
und andererseits, wie genau KI eingesetzt werden kann. Ein
Use Case zu definieren und nachfolgende Implementierungs-
Sprint hat somit den Vorteil, dass Ergebnisse schnell erreicht
schritte zu definieren.
und Ressourcen gespart werden können. Zum Ende der Woche steht schließlich entweder die Erkenntnis, dass KI nicht
2. Integrieren
die richtige Lösung für den Business Case des Unternehmens ist, oder die Entscheidung, dass die Integration der entwickel-
Im Unterschied zu Punkt 1 existieren innerhalb eines Unter-
ten Lösung vorangetrieben, überprüft und weiter verbessert
nehmens bereits KI -Ansätze und KI -Lösungen. Aus diesem
wird.
Grund wird hier zu Beginn eine Selbstevaluierung durchgeführt, um zu identifizieren, welche Lösungen und Use Cases
Im anschließenden Vortrag sprach Georg Gabelmann über
bereits existieren. Daraufhin erfolgt die Definition der weiter-
den kollaborativen Ansatz für KI -Anwendungen, wie er bei der
führenden Integrationsschritte.
ZF Group verfolgt wird. Er wies darauf hin, dass das Thema
Künstliche Intelligenz aufgrund seiner hohen Komplexität einen Der Top-Down-Ansatz: Der Top-Down-Ansatz wird häufig in größeren Unternehmen für die KI -Implementierung genutzt. Das Management schafft eine zentrale Stelle – ein „Centre of Excellence“ –, dessen Aufgabe die Definition der essenziellen Business Values ist. 36
gewissen Reifegrad erfordert innerhalb der Organisation :
Laut Georg Gabelmann gibt es viele Themenbereiche rund
Das „AI Product Thinking Mindset“ stellt die Wünsche und
um Künstliche Intelligenz, die berücksichtigt werden sollten :
Anforderungen des Kunden in den Mittelpunkt. Ziel ist es
Für Unternehmen sei von entscheidender Bedeutung, die
herauszufinden, ob der Kunde eine Lösung benötigt, die auf
wichtigsten Themenfelder für das eigene Unternehmen zu
KI aufbaut, oder ob sein Problem mit bereits existierenden
identifizieren und hierin Expertise aufzubauen. Die ZF Group
Lösungen besser gelöst werden kann. Neben einer Kultur-
hat daher vor zwei Jahren eine AI Strategy entworfen und
und Mindsetveränderung ist mit dem „AI Product Thinking
eine Vision für den Konzern entwickelt, die darstellt, welches
Mindset“ auch verbunden, dass neue Rollen definiert und
Ziel die ZF Group im Rahmen der KI -Implementierung ver-
Skills erlernt werden müssen. Die ZF Group löst sich dabei vom
folgt. Die Strategie basiert auf drei Pfeilern : Zum einen geht
klassischen Projektmodus und entwickelt sich hin zu einer
es darum, AI Use Cases zu liefern. Diese AI Use Cases wer-
Organisationsform, in der jeweils ein Produktteam fokussiert
den an den Stellen eingesetzt, an denen der Mehrwert später
ein Produkt entwickelt.
auch deutlich wird. Zum anderen gilt es, Voraussetzungen zu schaffen, die die Entwicklung von K I im Unternehmen erlauben, und schließlich um die Weiterbildung bestehender Mitarbeiter. Die Transformation hin zu einer „AI Organisation“ hinge unter anderem auch stark davon ab, inwieweit man es schafft, einen Kultur- und Mindsetwandel innerhalb der Belegschaft umzusetzen. Ein wichtiger Baustein sei es, das Wissen in das Unternehmen hineinzutragen und weiterzugeben, um mehr Mitarbeiter für das Thema zu begeistern. Für die Entwicklung ihrer KI -Produkte hat die ZF Group ein sogenanntes „AI Product /Solution Canvas“ entwickelt, das als eine Art Projektsteckbrief zu verstehen ist. Hier geht es darum, eine Softwareapplikation umfänglich zu beschreiben. Zu diesem Canvas haben neben Mitarbeitern auch Kunden Zugang. Dies sorgt für ein besseres Verständnis des gemeinsam Entwickelten und alle involvierten Teilnehmer haben die Möglichkeit, jederzeit nachzuvollziehen, in welchem Entwicklungsstadium sich das Projekt aktuell befindet. 37
KÜNSTLICHE INTELLIGENZ
Innovationskreis #5 : KI-Adoption aus HR- & Change-Perspektive KI-Change-Management Andreas Meinke, the peak lab. GmbH & Co. KG
und einigt sich auf interne Leitlinien, die den Einsatz von KI bestimmen. Mit der frühen Mitbestimmung und der daraus resultierenden Akzeptanz kann mit der Gestaltung neuer
Im November 2020 veröffentlichte Bosch im Rahmen des
Arbeit begonnen werden. Auf Basis der vier Säulen der Ar-
„Bosch KI -Zukunftskompasses 2020“ eine Umfrage von 1.000
beitsgestaltung ( Schutz des Einzelnen, Vertrauenswürdigkeit,
repräsentativ ausgewählten Deutschen zum Thema Künst
sinnvolle Arbeitsteilung, förderliche Arbeitsbedingungen )
liche Intelligenz. Dabei waren laut Statistik die größten Treiber
wird versucht, ein Gleichgewicht zwischen guter und förder-
der Hoffnung auf KI -Einsatz Effizienz ( 86 Prozent ) und Fort-
licher Arbeit für den Menschen und der Ausschöpfung von
schritt ( 85 Prozent ), wohingegen Überwachung ( 82 Prozent ),
technologischen und wirtschaftlichen Potenzialen zu schaffen.
Kontrollverlust ( 81 Prozent ) und unethische Entscheidungen
Die entstandenen Arbeitsprozesse können auf dieser Grund-
( 79 Prozent ) Skepsis bei den Befragten auslösten. Während
lage erprobt und eingeführt werden. Parallel wird dafür ge-
Experten sich mit diesen Punkten befassen, muss anerkannt
sorgt, dass Mitarbeiter geschult und passende Materialien zur
werden, dass diese Ängste in der Gesellschaft existieren. An
Verfügung gestellt werden. Zwar sollte der Schwerpunkt auch
diesem Punkt setzt der KI -Change-Management-Prozess in
auf dem richtigen Umgang mit der KI -Lösung liegen, dennoch
Unternehmen ein. Das Ziel ist es, durch Beteiligung und Mo-
ist es wichtig, dass Mitarbeiter auch verstehen, wie KI funkti-
bilisierung von Mitarbeitern die Akzeptanz von KI -Lösungen
oniert. Das sorgt nicht nur für ein erhöhtes Selbstbewusstsein
zu steigern, innere Impulse anzuregen und Mehrwerte zu
bei der Interaktion, sondern ermöglicht den Beschäftigten Po-
erzeugen.
tenziale für neue KI -getriebene Lösungen im Arbeitsumfeld zu erkennen. Das Ziel dieses Prozesses ist es, langfristig Räume
Der KI -Change-Management-Prozess beschreibt den techni-
für Mitarbeiter zu schaffen, in denen die Beschäftigten Impulse
schen und organisatorischen Teil des Wandels. Dabei gibt es
und neue Potenziale kommunizieren können.
vier Phasen, die durchlaufen werden : Zielsetzung und Folgenabschätzung, Planung und Gestaltung, Vorbereitung und Implementierung, Evaluation und Anpassung.
Der KI -Change-Management-Prozess muss in frühen Phasen der Implementierung eine höchstmögliche Akzeptanz bei Mitarbeitern aufbauen, um langfristige Erfolge in der Trans-
Die Zielsetzung und Folgeabschätzung bilden die Basis für
formation des Unternehmens zu erzielen. Das geschieht
eine nachhaltige Akzeptanz bei Mitarbeitern und können da-
durch Transparenz im Implementierungsprozess sowie die
rüber entscheiden, wie erfolgreich der Prozess ist. Man ver-
frühzeitige Einbindung der Beschäftigten und Debatten über
sucht durch eine frühe Einbindung von Beschäftigten, Ängste
förderliche Faktoren erfolgreichen KI Einsatzes.
und Sorgen zu hören, lässt persönliche Grenzen definieren 38
Ergebnisse Innovationskreis #5
Herausforderungen einher, die von Unternehmen proaktiv be-
Sabine Wiesmüller, Magnus Kurz, BIC
handelt werden sollten. Dieser Wandel in den Unternehmen kann dabei nur gemeinsam mit den Mitarbeitern bewältigt
In der fünften Sitzung des Innovationskreises Künstliche Intel-
werden.
ligenz lag der Schwerpunkt auf KI -Implementierung aus der Perspektive von HR - und Change-Management.
Andreas Meinke definierte hierfür eine konkrete vierphasige Roadmap für die erfolgreiche KI -Implementierung :
Gemeinsam mit den Innovationskreisteilnehmern und den Experten Andreas Meinke und Stefan Schneider wurde die
1. Zielsetzung und Folgenabschätzung
Thematik in Impulsvorträgen und anschließenden Break-outSessions diskutiert und von verschiedenen Blickwinkeln beleuchtet. Das Ziel des Innovationskreistreffens war es, Ma-
| Festlegung von Unternehmenszielen und des geplanten Funktionsumfangs des KI -Systems
nagementschritte vorzustellen, die für die KI -Implementierung
| Potenzialanalyse und betriebliche Folgenabschätzung
innerhalb einer Organisation in diesem Kontext als besonders
| Beteiligung von Mitarbeitern und Mobilisierung der Unterneh-
relevant eingestuft wurden. Dies waren u.a. eine funktionieren-
menskultur
de Infrastruktur, die Einrichtung einer neuen Abteilung /eines „Centres of Excellence“ sowie die stetige Weiterbildung von Mitarbeitern.
Die Akzeptanz der KI -Systeme durch die Mitarbeiter spielt eine große Rolle. Den Ausgangspunkt für die intrinsische Motivation der Mitarbeiter stellt dabei die Unternehmenskultur dar.
Im ersten Impulsvortrag sprach Andreas Meinke über den
Aus dem Kontext der Unternehmenskultur erklärt sich der
KI -Change-Management-Prozess und geeignete Maßnahmen,
Mehrwert der eingesetzten KI -Systeme, der umso höher sein
um die Einführung von KI -Systemen gemeinsam mit Mitarbei-
kann, je klarer die Mitarbeiter vor Augen haben, wieso die
tern zu gestalten. Insbesondere da die Einführung von KI in
jeweiligen KI -Systeme eingesetzt werden und welche Konse-
Unternehmen Chancen und Potenziale sowohl für Beschäf
quenzen sie für den Arbeitsalltag mit sich bringen.
tigte – etwa in Form von Arbeitsentlastungen – als auch für Unternehmen selbst bietet – etwa durch die Verbesserung
2. Planung und Gestaltung
von Arbeitsabläufen oder die Umsetzung neuer Geschäftsmodelle –, ist ein Prozess, der alle beteiligten Stakeholder integ-
Beschäftigte werden zukünftig zunehmend und in selbstver
riert, von besonderer Wichtigkeit. Gleichzeitig gehen mit ei-
ständlicher Art und Weise mit KI -Systemen im Arbeitsall
nem derart komplexen Unterfangen der KI -Implementierung
tag interagieren – daher ist es wichtig, die Potenziale von 39
KÜNSTLICHE INTELLIGENZ
K I -Systemen zielgerichtet zu nutzen und gleichzeitig die
Beschäftigten evaluiert und ggf. angepasst werden. Dadurch
Schnittstelle zwischen Mensch und Maschine zum Wohle
gewinnen die Unternehmen mehr Erfahrung hinsichtlich des
des Menschen auszugestalten. Daher sollte die Einführung
Einsatzes von KI -Systemen in ihren Produkten und internen
von KI -Systemen von Beginn an auf klar definierte Kriterien
Prozessen und können ihre KI -Anwendung kontinuierlich ver-
zurückgreifen :
bessern. Diese Erfahrungen bestmöglich zu nutzen heißt, sie mit geeigneten Methoden in zukünftige Innovationsprozesse
| Der Schutz des Einzelnen ( Sicherheit und Gesundheitsschutz,
einfließen zu lassen.
Datenschutz und Diskriminierungsfreiheit ) | Vertrauenswürdigkeit ( Transparenz, Verantwortung, Haftung )
Im zweiten Impulsvortrag sprach Stefan Schneider über
| Sinnvolle Arbeitsteilung ( Entlastung und Unterstützung )
die Herausforderungen und Lehren, die Continental aus
| Förderliche Arbeitsbedingungen ( Handlungsspielräume, Sinn-
der KI -Implementierung für fahrzeuginterne Dienste ziehen
stif tende Arbeit )
konnte. In-Vehicle-Services sind dabei Technologien, die es ermöglichen, Geräte und Systeme innerhalb eines Fahr-
3. Vorbereitung und Implementierung
zeugs miteinander sowie mit externen oder entfernten Systemen zu verbinden. Der beispielhaft vorgestellte Service hilft
In der dritten Phase geht es darum, die Beschäftigten frühzeitig
autonom fahrenden Autos, bspw. auf einer Autobahn die be-
auf ihre neuen Aufgaben vorzubereiten. Durch geeignete Quali-
vorstehenden Straßenbedingungen im Voraus zu erkennen.
fizierungsmaßnahmen gilt es, das volle Potenzial von KI -Tech-
Dabei gilt es, das Auto in die Lage zu versetzen, Straßenbedin-
nologien zu heben und die Akzeptanz seitens der Mitarbeiter
gungen zu erkennen, bevor die integrierten Messsysteme und
zu stärken. Durch Pilotprojekte können die Beschäftigten mit-
Sensoren diese erfassen können. Dieser Schritt ist von gro-
einbezogen und Erfahrungswerte gesammelt werden, bevor
ßer Wichtigkeit, da einem sicheren autonomen Fahren auch
eine flächendeckende Einführung der KI -Systeme erfolgt.
entgegensteht, dass globale Wettervorhersagen nicht präzise genug sind und vorhandene Daten bisher nicht hersteller-
4. Evaluation und Anpassung
übergreifend miteinander geteilt werden. Durch die entwickelte Anwendung werden Wetter- und Kartendaten zusammen mit
Nach der Einführung der KI -Systeme erfolgt die Umsetzung
direkt aus dem Auto erhaltenen Daten in Machine Learning
von Evaluierungsmaßnahmen, die ebenso wichtig für das
Modelle eingespeist, um anschließend Rückschlüsse auf die
Gelingen des Transformationsprozesses sind wie die Phasen
Straßentemperatur und den Wasserstand zu erhalten. Diese
der Planung und die Einführung selbst. Der Einsatz der KI -Sys-
Informationen können wiederum bspw. dazu genutzt wer-
teme sollte daher unter systematischer Einbeziehung der
den, um den Fahrer oder das autonom fahrende Auto davor
40
zu warnen, dass die Straße in einem Kilometer vereist sein wird, und so das Sicherheitsrisiko für Mensch und Maschine zu senken (Verminderung der Geschwindigkeit, Erhöhung des Abstandes zum vorfahrenden Fahrzeug). Bei der Entwicklung des Services (in einer eigenen Organisationseinheit ) wurde auch eine neue Arbeitsmethode genutzt. Ein Kernaspekt war, dass die Mitarbeiter 20 Prozent ihrer Arbeitszeit zur persönlichen Weiterbildung nutzen konnten und sollten. Diese Managemententscheidung hat dabei geholfen, neues Wissen zu generieren und innerhalb der Organisationsgrenzen anzusammeln. Die Organisation wurde im Laufe der Zeit weiterentwickelt, die beiden einzelnen Chapter „Big Data“ und „KI “ zu einem großen Chapter zusammengefasst und konkrete Kundenprojekte gemeinsam umgesetzt. Dies hatte die Umstrukturierung der Organisation hin zu einem stärkeren Fokus auf die Produktentwicklung mit einzelnen Entwicklerteams zur Folge. Identifizierte Erfolgsfaktoren im KI -Implementierungsprozess waren dabei : | Ausreichend Freiraum und Zeit für die Teams bei der Entwicklung von Konzepten und Prototypen sowie die kontinuierliche Weiterverfolgung eines wissenschaftlichen Ansatzes, um auf dem aktuellen Stand der Technik zu bleiben ( Doktorarbeiten, Praktikanten, Bachelor- und Masterarbeiten ) | Teilung von erarbeitetem Wissen mit anderen Organisationseinheiten. Dies erfordert idealerweise mehrere Personen, die komplexe Inhalte managementtauglich erklären können. 41
KÜNSTLICHE INTELLIGENZ
Innovationskreis #6 : Erfolgreiche KI-Implementierung und hybride Kollaboration Künstliche Intelligenz bei der Rolls-Royce Power Systems AG
Das KI -Team bei der Rolls-Royce Power Systems AG ent-
Dr Patrick Ott, Rolls-Royce Power Systems AG
cken. So hat das Team beispielsweise einen Microservice zur
wickelt innovative Microservices, die mehrere Bereiche abdePrognose des verfügbaren Cashflows im Unternehmen ent-
Das „Digital Centre“ bei der Rolls-Royce Power Systems AG
wickelt und diese Prognose in einem modernen Dashboard
hat eine zentrale Aufgabe: Es soll einen Mehrwert für das Un-
dargestellt. In einem anderen Beispiel ermöglichte das KI -
ternehmen erwirtschaften. Für jeden ausgegebenen Euro des
Team erhebliche Einsparungen im Garantiebudget, indem es
Budgets soll das „Digital Centre“ mindestens zwei Euro an
die Bearbeitung von Garantieansprüchen teilweise automati-
Wert generieren, indem es die Kosten senkt oder die Einnah-
sierte und das Serviceteam mit KI -gestützter Entscheidungs-
men des Unternehmens erhöht. Mit seinen 30 internen Mitar-
findung bei größeren Ansprüchen unterstützte.
beitern und mehr als 50 externen Support-Mitarbeitern in den USA , Deutschland, Indien und Singapur festigt es das digitale
Jedoch sind nicht alle KI -Lösungen auf das Unternehmen
Fundament von Rolls-Royce Power Systems.
ausgerichtet, sondern sie werden ebenfalls eingesetzt, um
Das „Digital Centre“ des in Friedrichshafen ansässigen Ge-
von Rolls-Royce Power Systems schätzen die verbleibende
die Kunden zu unterstützen: Die Restnutzungsdauer-Modelle schäftsbereiches Power Systems von Rolls-Royce befasst
Lebensdauer der kritischen Triebwerkskomponenten wie
sich mit einer Vielzahl von Technologien und Problemen :
Zündkerzen oder Einspritzdüsen. Darüber hinaus ist eine neue
Business Intelligence Anwendungen, wie Dashboards und
Technologie namens Observer in der Lage, ganze Triebwerks-
Berichte sowie eigens entwickelte Software, bieten dem Be-
flotten zu überwachen und nach Anomalien im Verhalten der
nutzer moderne und schlanke Schnittstellen zur Nutzung und
Produkte zu suchen, indem die vom Triebwerk an die cloud-
Interaktion mit Daten. Workflow- und Prozessautomatisie-
basierte Verarbeitungsplattform gesendeten Telemetriedaten
rung ermöglichen es den Mitarbeitern, sich auf die wichtigs-
ständig überwacht werden.
ten Aspekte ihrer Arbeit zu konzentrieren und die mühsamen und zeitraubenden Aufgaben den Maschinen zu überlassen.
Die Einführung von KI bei der Rolls-Royce Power Systems AG erforderte nicht nur technische, sondern auch organisato-
Während dies sehr wichtige Eckpfeilertechnologien für
rische Kompetenzen. Die Struktur des KI -Teams konzentriert
Rolls-Royce Power Systems sind, bietet die Künstliche In-
sich auf Rollen, die in der Lage sind, Projekte und Produkte
telligenz den größten Wert, indem sie eine Automatisierung
gleichermaßen zu koordinieren, sowie auf eine Handvoll
ermöglicht, die die Kapazität des menschlichen Verstandes
technischer Führungsrollen wie die eines leitenden Daten-
herausfordert und manchmal übersteigt.
wissenschaftlers. Die meisten anderen Rollen – einschließlich
42
derjenigen, die den Hauptteil der Entwicklungsarbeit aus-
In fünf Schritten zum Smart Manufacturing
machen – sind an Near- und Offshore-Partner ausgelagert.
Tobias Oberrauch, KI Bundesverband e.V. Baden-Württemberg, CGI
Dieses Modell ermöglicht eine schnelle Skalierung bei steigender Nachfrage nach KI -Dienstleistungen und bietet die
Die Digitalisierung in der Fertigungsindustrie schreitet voran –
Möglichkeit, die Teamgröße in Krisenzeiten deutlich zu redu-
auch unter Einsatz von KI -Technologien. Viele Projekte brin-
zieren, um Kosteneinsparungen zu ermöglichen.
gen aber nicht den gewünschten Erfolg. Ein 5-Level-Konzept für die sukzessive Umsetzung von Automatisierung in Produk-
Um KI im Unternehmen zu etablieren und bis zu einem ge-
tionsstraßen kann Fertigungsunternehmen dabei ein entschei-
wissen Grad zu entmystifizieren sowie zu entstigmatisieren,
dendes Hilfsmittel an die Hand geben.
hat das „Digital Centre“ mit der Entwicklung zweier zentraler interner Produkte begonnen : dem Digital Boardroom, einer
In der Fertigungsindustrie sind Industrie 4.0 und Smart Manu-
Business Intelligence Initiative zur Erstellung fortschrittlicher
facturing längst zentrale Themen. Unternehmen arbeiten
Management-Dashboards, sowie Tools & Automations, einer
daran, Fehler in den Fertigungsprozessen frühzeitig zu erken-
Suite von Softwaretools und Prozessautomatisierungen, die
nen und die Produktion insgesamt zu optimieren. Eine Basis
den Mitarbeitern die tägliche Arbeit erleichtert. Beide Pro-
hierfür bietet die Erhebung und Nutzung relevanter Daten
dukte fungieren als Türöffner für KI im Unternehmen, indem sie
aus den Produktionsanlagen.
dem Benutzer durch Dashboards, Berichte oder interaktive Software eine sanfte Einführung in die KI -basierte Verarbei-
Genau an diesem Punkt bleiben jedoch viele Smart Manu-
tung bieten. Dadurch hat Rolls-Royce Power Systems in den
facturing Projekte auf halbem Wege stehen : IoT-Daten der
vergangenen Jahren wichtige Meilensteine erreicht, wenn es
Maschinen werden zwar erhoben, aber nicht zentral bereit-
darum geht, KI als eine technologische Kernkompetenz des
gestellt. So können wiederum keine systemübergreifenden
Unternehmens zu etablieren.
Erkenntnisse aus den Daten gewonnen werden, denn letztlich führt ein solcher Prozess zu keinen nutzbaren oder den immer gleichen Ergebnissen. Folglich werden auch Fehler und Engpässe nicht, kaum oder zu spät erkannt. Selbst bei einer zentralisierten Datensammlung werden oft keine Konsequenzen für die Automatisierung abgeleitet. Die Datenerfassung dient dabei vielfach nur der reinen Archivierung.
43
KÜNSTLICHE INTELLIGENZ
Ein klassisches Beispiel sieht wie folgt aus : In einer Produk
Level 2: Fehler verstehen
tionsstraße werden IoT-Daten von mehreren SPS -Geräten – also speicherprogrammierbaren Steuerungen – lokal erhoben
Der zweite Schritt dreht sich um das Verstehen von Fehlern,
und gespeichert. Dabei erfolgt keine Datenvernetzung, die für
das heißt die Identifizierung ungewöhnlicher Werte. Hier wird
die Gewinnung und automatisierte Umsetzung von Erkennt-
bspw. eine Anomalieerkennung mittels Künstlicher Intelligenz
nissen zwingend erforderlich wäre. Ein Smart Manufacturing
( KI ) und Machine Learning ( ML ) genutzt. Sie ermittelt auto-
kann nämlich nur dann erfolgreich eingeführt werden, wenn
matisch Anomalien in Datenströmen wie Qualitäts- und Leis-
folgende Anforderungen erfüllt sind : Daten werden zentral be-
tungsschwankungen. Basis dafür sind die mit vorhandenen
reitgestellt und analysiert, Probleme, wie Fehler und Engpässe,
Erkenntnissen angelernten Algorithmen.
werden verstanden und frühzeitig erkannt, Lösungsvorschläge werden angezeigt und Empfehlungen werden direkt und auto-
Level 3: Fehler frühzeitig erkennen
matisiert ausgeführt. Nur so kann ein Fertigungsunternehmen die Produktionsleistung durchgängig und signifikant verbessern.
Der dritte Schritt umfasst das frühzeitige Erkennen von Fehlern unter Einsatz von KI - und ML-Systemen. Genutzt werden
Ein von CGI entwickeltes 5-Level-Konzept kann Unternehmen
dabei Algorithmen für die Eventkorrelation, die Zusammen-
dabei unterstützen, die vorhandenen Herausforderungen zu
hänge zwischen Fehlern und Ursachen herstellt, was wie-
meistern und etwaige Stolpersteine zu vermeiden. Auf jeder
derum erlaubt, Fehler im Kontext vorhergehender Ereignisse
Stufe wird dabei ein bestimmter Grad an Automatisierung
zu betrachten.
hinterlegt und umgesetzt. Level 4: Empfehlungen anzeigen Der Ausgangspunkt für die Etablierung des Autonomous Manufacturing ist die manuelle Bearbeitung, also die Bedienung
Beim vierten Schritt werden Lösungsvorschläge aus den ge-
von Maschinen durch Menschen.
wonnenen Erkenntnissen abgeleitet, also konkrete Empfeh-
Level 1: Statische Regeln
Recommendation Engine zum Einsatz. Die für die Anzeige
lungen für die Fehlerbehebung. Dabei kommt eine KI -basierte von Empfehlungen genutzten Algorithmen basieren u. a. auf Im ersten Schritt geht es darum, statische Regeln für die
den Erfahrungswerten einzelner Mitarbeiter aus der Vergan-
Nutzung festzulegen. Dabei werden bspw. Schwellenwerte
genheit. Die beste Lösung für den aktuellen Fehler wird somit
definiert und Abweichungen von der Norm in Produktions-
aufgrund von gelernten vorherigen manuellen Lösungen vor-
prozessen können schnell erkannt werden.
geschlagen.
44
Level 5: Empfehlungen ausführen
Schließlich empfiehlt sich generell eine sukzessive Implemen-
Im letzten Schritt erfolgt die vollautomatische Durchführung
zeptes. Es stellt eine konkrete Blaupause für die Umsetzungs-
tierung der Automatisierung, bspw. anhand des 5-Level-Konder Problemlösung bzw. Fehlerbeseitigung. Basis hierfür sind
möglichkeiten von Automatisierung und die Nutzung von
das Reinforcement Learning und ein Digital Twin der Produk-
Algorithmen bereit. Damit bleiben Autonomous Manufactu-
tionsstraße. Auf dem digitalen Abbild des Prozesses werden
ring und Smart Manufacturing nicht länger reine Buzzwords.
durch sogenannte Softwareagenten autonom Lösungen ge-
Sie können damit vielmehr zur Basis für die Umsetzung innova-
funden.
tiver Industrie 4.0 und IoT-Szenarien werden – auf dem Weg zur intelligenten Industrie und Fabrik der Zukunft.
Die zentrale Komponente für die Umsetzung des 5-Level-Konzeptes ist der Einsatz von K I und ML . Die ausschließliche Nutzung statischer Regeln ist für die Optimierung von Fertigungsstraßen allein nicht ausreichend. Entscheidend ist, dass Maschinen mittels KI aus Beobachtungen und Erfahrungen selbstständig lernen. Aufgrund der anfallenden und zu analysierenden Datenvolumina ist hierbei in aller Regel die Nutzung einer Cloudinfrastruktur zu empfehlen. Das Ziel des Smart Manufacturing ist immer die automatisierte Produktion, also die Optimierung von Fertigungsstraßen durch Automatisierung. Der entscheidende Hebel ist dabei die Digitalisierung von Wissen. Da alle Projekte eine hohe Komplexität aufweisen, sollte ein Unternehmen eine klare Fokussierung wählen, das heißt zunächst auf einen einzelnen, konkret spezifizierten Business Value abzielen. Ganzheitliche Projekte mit der Absicht, komplette End-to-End-Prozesse aufzusetzen, sind hingegen oft überdimensioniert und damit auch nicht zielführend.
45
KÜNSTLICHE INTELLIGENZ
Ergebnisse Innovationskreis #6
1. Das „Digital Centre“
Sabine Wiesmüller, Magnus Kurz, BIC
Das „Digital Centre“ bei der Rolls-Royce Power Systems AG In der sechsten Sitzung, der Abschlusssitzung des ersten
hat das Ziel, direkten Wert für das Unternehmen zu generie-
Jahres des Innovationskreises Künstliche Intelligenz, wurden
ren. Dies kann durch eine Erhöhung des Umsatzes oder eine
Managementstrategien beleuchtet, die Ansätze liefern für
Kostensenkung erreicht werden. Die Mitarbeiter des „Digital
die erfolgreiche KI -Implementierung innerhalb einer Organi-
Centre“ unterstützen mit ihren Datenanalysefähigkeiten bspw.
sation. Außerdem ging es darum, wie vor allem mittelstän-
die Mitarbeiter in der Motorenentwicklung. Sofern es dort ein
disch geprägte Unternehmen beim Thema Künstliche Intelli-
Problem gibt, das nicht direkt in diesem Bereich gelöst wer-
genz über Unternehmensgrenzen hinweg zusammenarbeiten
den kann, schlagen die Mitarbeiter des „Digital Centre“ bspw.
können.
neue Lösungsansätze für das Problem vor.
Für den Innovationskreis konnten wir mit Dr Patrick Ott und
2. Lighthouse-Projekte
Tobias Oberrauch zwei Experten als Referenten gewinnen, die in Impulsvorträgen und anschließender Breakout-Session die
Eines der aktuellen Lighthouse-Projekte des „Digital Centre“
Thematik mit den Teilnehmern aus verschiedenen Perspektiven
befasst sich mit der verbleibenden Nutzungsdauer von Zünd-
beleuchteten.
kerzen im Bereich der Predictive Maintenance. Durch den Einsatz von KI konnte eine Lösung entwickelt werden, um
Im ersten Impulsvortrag beschäftigte sich Dr Patrick Ott mit
den Kundenservice und das Leistungsangebot von Rolls-Roy-
dem Einsatz von KI bei der Rolls-Royce Power Systems AG .
ce Power Systems zu verbessern. Durch die Vorhersage des
Das Unternehmen hat seine Aktivitäten in den Bereichen Artifi-
Zeitpunktes, wann bestimmte Teile in Motoren schadhaft
cial Intelligence, Business Intelligence und Software Develop-
werden, kann die Downtime einer Maschine beim Kunden re-
ment mit weltweit verteilten Teams in einem sogenannten
duziert werden – was Kosten spart und die Effektivität seiner
„Digital Centre“ zentralisiert. Als Director des „Digital Centre“
Abläufe steigert.
sprach Dr Patrick Ott in seinem Vortrag über die Mission dieses Zentrums, die aktuell laufenden Lighthouse-Projekte, Or-
3. Organizational Readiness
ganizational Readiness, Reach Considerations und schließlich über die Technological Readiness seines Unternehmens.
Schlüsselfaktoren für eine funktionale Struktur beim Thema KI sind für Rolls-Royce Power Systems :
46
| Kundenorientierung
Durch die Partizipation bei der Wahl eines Ansatzes wurde die
Jede funktionale Struktur muss einen klaren internen
Ablehnung von KI reduziert und auch die Skepsis unter den
Kundenfokus haben.
Mitarbeitern abgemildert. Ein wichtiger Aspekt, der zum er-
| Top-Fähigkeiten Jeder Bereich braucht seine jeweiligen Talente. | Skalierbarkeit
folgreichen Gelingen der Einführung von KI beigetragen hat, war, dass der Fokus dabei auf transparente Kommunikation gelegt wurde. Wichtig in diesem Kontext war, dass die Pro-
Die funktionale Struktur muss mit der Anzahl der Projekte
gramme auf jeder Ebene der Organisation vorgestellt wurden
und Themen wachsen.
(obere und untere Managementebene sowie bei Personen mit
| Compliance
operativen Rollen ), Bedenken ernst genommen und KI als Op-
Eine funktionale Struktur, die sich auf externe Ressourcen
tion präsentiert wurde, um Mitarbeiter zu entlasten, anstatt
stützt, muss gesetzeskonform sein.
sie zu ersetzen. Der Betriebsrat wurde zudem sehr aktiv in die KI -Strategie einbezogen.
Entscheidend ist außerdem der Arbeitsmodus des KI -Teams : Innerhalb dieses Teams gibt es ein KI -Kernteam, das sich aus
Zusammenfassend lässt sich sagen, dass die Mitarbeiter von
Programm Managern, Lead Data Scientists, Senior Data En-
Rolls-Royce Power Systems letztlich froh über die neuen
gineers, Senior Data Scientists und Senior DevOps Engineers
Möglichkeiten waren, durch die ihnen monotone Aufgaben
zusammensetzt. Dieses Kernteam trifft die großen und rich-
abgenommen und Werkzeuge zur Verfügung gestellt wurden,
tungsweisenden Entscheidungen und sichert die Compliance
um produktiver arbeiten zu können.
hin zu den Business-Partnern ab. Im zweiten Impulsvortrag von Tobias Oberrauch ging es vor 4. Reach Considerations
allem um hybride Kollaborationsformen als Schlüssel zur erfolgreichen Umsetzung Künstlicher Intelligenz. Der Vortrag
Wie wurde bei Rolls-Royce Power Systems KI mit der Orga-
adressierte aktuelle zentrale Probleme, vor denen viele, kei-
nisation verschränkt und wie hat es das Unternehmen ge-
neswegs aber nur mittelständische Firmen stehen.
schafft, KI in die Organisation zu integrieren ? Anstatt zu versuchen, die Schwierigkeiten bei der Implementierung direkt
Dies umfasst u. a. folgende Aussagen :
zu lösen, umging Rolls-Royce Power Systems die Probleme
| Ich weiß nicht, wie ich mit KI anfangen soll.
und führte Programme zur Umgestaltung des Unternehmens
| Ich weiß nicht, wie man KI entwickelt und einsetzt.
ein. Diese Programme ( Automatisierte Texterkennung, Das-
| Ich weiß nicht, wie ich KI integrieren und nutzen kann.
hboards etc. ) beinhalteten KI als Teil des Lösungsansatzes. 47
KÜNSTLICHE INTELLIGENZ
Zur Unterstützung dieser Firmen wird aktuell die AI Collabo-
| KI gemeinsam nutzen
ration Plattform entwickelt. Sie verfolgt das Ziel, KI innerhalb
Dank der Plattformstruktur können Lösungen und Services
als auch außerhalb von Unternehmensgrenzen miteinander
sicher in ihrem Ökosystem mit Standards geteilt werden.
teilen zu können. In Zukunft werden Firmen über das Pay-peruse-Modell in der Lage sein, die KI -Services von AI Collabo-
Im Anschluss an den Vortrag von Tobias Oberrauch hatten
ration zu nutzen – ohne selbst eine KI -Anwendung entwickeln
die Innovationskreisteilnehmer die Möglichkeit, eine Live-
zu müssen. Abgerechnet wird nach Bedarf und Nutzung der
Präsentation der AI Collaboration Plattform zu sehen und die
jeweiligen Lösung. Die Plattform ist dabei nach verschiedenen
Features selbst auszuprobieren.
Features unterteilt : | Einstieg in die Nutzung einer KI -Lösung Die Sammlung aller KI -Services kann im Browser ausprobiert oder als API integriert werden. | KI -Anwendung entwickeln und implementieren Diese Dienste ermöglichen die einfache Skalierung auf einer produktionsreifen Umgebung. Ein Beispiel hierfür ist ein PDF Extractor, mithilfe dessen aus beliebig vielen PDF s Informationen extrahiert werden können – bspw. das jeweilige Inhaltsverzeichnis. Ein anderer Service nennt sich Question Answering und kann auf Grundlage von eingefügten Textabschnitten Fragen beantworten, wie z. B. „Was umfasst gute Führung ?“.
48
IMPRESSIONEN
„Das BIC bietet die Möglichkeit, sich mit Gleichgesinnten
„Der Innovationskreis Künstliche Intelligenz hat das Thema
auszutauschen und aktuelle Herausforderungen zu disku-
K I aus den unterschiedlichsten Sichtweisen beleuchtet
tieren. Dabei beeindruckt mich immer wieder die vorherr-
und mir so erlaubt, über den Tellerrand zu blicken. Es war
schende Offenheit sowie die vielen verschieden Anwen-
spannend zu sehen, was sich abseits unserer Kernexper-
dungsmöglichkeiten von KI in Unternehmen.”
tise im Engineering alles tut und welche Potenziale KI für die unterschiedlichsten Branchen und Anwendungen hat.“
DR SEBASTIAN STERNBERG, KPMG AG DORIS ENTNER, V-RESE ARCH GMBH
„Besonders spannend fand ich, dass im Innovationskreis
„Die Teilnehmer sind sehr vielfältig und haben die unter-
Künstliche Intelligenz nicht nur die Technologielösungen
schiedlichsten Hintergründe, aber allesamt einen starken
betrachtet wurden, sondern das gleiche Augenmerk auf
Fokus auf Künstliche Intelligenz. Die interessanten Vorträ-
die Auswirkungen des Einsatzes von K I auf die verschie-
ge und intensiven Diskussionen sind ideal, um sich über
densten Bereiche in Unternehmen, den Menschen und un-
die vielfältigen Perspektiven auszutauschen, dabei Gemein-
sere Gesellschaft gelegt wurde. Dadurch wurde für mich
samkeiten herauszuarbeiten und Kontakte zu knüpfen.“
die Tragweite der K I als Technologie transparent aufgespannt, was zu sehr lebendigen, interessanten und berei-
TOBIAS WEISS, ROLLS -ROYCE POWER SYSTEMS AG
chernden Vorträgen und Diskussionen geführt hat, aus denen ich viel mitnehmen konnte.“ VERONIK A LEROUX, STREMLER AG
49
Ausblick Basierend auf dem erhobenen Bedarf der Unternehmen der
bis hin zu Beispielen von erfolgreichem Data Pooling – mit
Vierländerregion initiierte das BIC den Innovationkreis Impli-
dem Ziel, einen qualitativ hochwertigen Datensatz für die
kationen Künstlicher Intelligenz für Wirtschaft und Gesell-
Entwicklung einer eigenen Lösung zu ermöglichen.
schaft mit dem Ziel, Unternehmen jeglicher Größe und aus allen in der Bodenseeregion vertretenen Industrien bei der
Zweitens wurde die Wichtigkeit der Verantwortungsübernah-
Einführung und Umsetzung von KI zu unterstützen.
me bei der Einführung von KI fortwährend betont: Dies war für die Unternehmen zum einen be-
Aus diesen Erkenntnissen und den gemeinsam geführten Diskussionen lässt sich ableiten, dass erstens die meisten Unternehmen bei der Einführung von KI auf ähnliche Herausforderungen stoßen. Dies betrifft zum einen
Kooperation der Schlüssel zum Erfolg : Gemeinnützige Initiativen bieten gesammeltes und strukturiertes Wissen
die Frage nach geeigneten Use
züglich ihrer eigenen Mitarbeiter von Relevanz. Denn ihre Mitarbeiter standen KI häufig skeptisch gegenüber und erwarteten Transparenz hinsichtlich des geplanten Einsatzes und der Konsequenzen dieser Entscheidung für die Belegschaft. Auch seitens der Gesell-
Cases innerhalb des Unternehmens und die Bereitstellung
schaft und geplanter Regulierungsansätze auf EU -Ebene
notwendiger Ressourcen. In beiden Fällen scheint Kooperation
stehen Unternehmen vor der Herausforderung, den Einsatz
der Schlüssel zum Erfolg : Gemeinnützige Initiativen bieten
von KI zu verargumentieren und ihren verantwortungsvollen
gesammeltes und strukturiertes Wissen zur Einführung und
Umgang mit dieser Technologie zu belegen.
zu Anwendungsmöglichkeiten von KI , das von anderen Unternehmen zur Verfügung gestellt und durch die Initiativen auf-
Die Qualität und der Erfolg des Einsatzes KI -basierter Lösun-
bereitet wurde. Hinsichtlich begrenzter Ressourcen wurden
gen hängt somit – neben technischer Güte – zu einem beson-
im Innovationskreis unterschiedliche Ansätze diskutiert – von
deren Maße von den Managemententscheidungen ab, die ein
der Arbeit mit externen Partnern über klassisches Outsourcing
Unternehmen trifft. Daher ist es insbesondere die Arbeit in
50
Wissensnetzwerken und der Austausch mit anderen Unternehmen, die es erlauben, von den Erfahrungen anderer Unternehmen zu profitieren und KI erfolgreich umzusetzen.
Der Innovationskreis Künstliche Intelligenz hat gezeigt, dass dieser Wissensaustausch gelingen kann und fruchtbare Erkenntnisse für alle beteiligten Akteure hervorbringt
Der Innovationskreis Künstliche Intelligenz als Beispiel eines solchen Wissensnetzwerkes hat gezeigt, dass dieser Wissensaustausch gelingen kann und fruchtbare Erkenntnisse für alle beteiligten Akteure hervorbringt. Diese Entwicklung möchten wir als BIC weiter begleiten und freuen uns darauf, auch zukünftig vormals fragmentierte Wissensressourcen zum Nutzen aller Akteure zusammenzuführen und nutzbar zu machen.
Prof Dr Josef Wieland | LEIZ
Sabine Wiesmüller | BIC
Dr Lennart Brand | LEIZ
Magnus Kurz | BIC
51
TEAM
Dr Lennart Brand ist Managing Director des LEIZ . Nach Studienabschlüssen in Wien und Edinburgh arbeitete er in der Luftfahrtindustrie, bevor er in Oxford promovierte. Er ist seit 2012 an der ZU tätig und übernahm seine jetzige Position im Jahr 2015. Im Zuge seiner Position als Geschäftsführer des LEIZ hat er ebenfalls die Geschäftsführung des BIC inne.
Sabine Wiesmüller studierte International Business u.a. in Deutschland, Spanien, Indonesien und Mexiko. In ihrer Promotion befasste sie sich mit den Auswirkungen Künstlicher Intelligenz auf Unternehmens verantwortung und schloss diese 2021 ab. Seitdem umfasst ihre Forschung u. a. Themen der verantwortungsvollen KI -Implementierung in Unternehmen und kollaborative Formen der KI -Entwicklung. Ihre aktuelle Position als Geschäftsführerin und Mitbegründerin des BIC hat sie seit 2018 inne.
Magnus Kurz studiert im Master Corporate Management & Economics mit den Schwerpunkten Leadership & Relational Societies und Family Business an der Zeppelin Universität. Vor seinem Masterstudium erwarb er einen Bachelor in Volkswirtschaftslehre und absolvierte eine Berufsausbildung zum Finanzassistenten. Innerhalb des BIC ist er als Innovationsmanager für die operative Leitung des Innovationskreises Künstliche Intelligenz verantwortlich.
52
Kontakt Sabine Wiesmüller sabine.wiesmueller@zu.de +49 7541 6009 2267 zu.de/bic
Impressum Zeppelin Universität gemeinnützige GmbH Am Seemooser Horn 20 88045 Friedrichshafen
Chefredaktion : Dr Lennart Brand Redaktion : Sabine Wiesmüller Lektorat: Sebastian Paul Art Direction : Philipp N. Hertel Grafikdesign : Ulrike von Dewitz, Petra Mohr Bildrechte: Samuel Grösch S. 52
zu.de/bic