Zeppelin Universität | BIC | Jahresreport des Innovationskreises Künstliche Intelligenz by Zeppelin Universität

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

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

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

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

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.

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.

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

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

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.

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“

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

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

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

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.

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 :

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.

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

Science

Engineering

Collaboration

Provide need

| Business understanding

| Train, evaluate & optimize model | Choose algorithms | Feature engineering

Integration

Provide model

Operations

| Data infrastructure | Machine learning infrastructure | Model deployment | Model inference infrastructure

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 ?

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

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

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.

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.

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.

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 :

| 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 ?“.

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

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

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

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.

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