5. These: Das „A“ in „AI“ bedeutet nicht „Abrakadabra“, sondern „Arbeit“

Architekten bauen Häuser, Ingenieure Maschinen und IT-Experten Software. In diesem Begriff des Softwarebauens steckt viel von dem Selbstverständnis der IT-Experten. Die Fachleute greifen auf seit Jahren oder Jahrzehnte etablierte Verfahren, Vorlagen oder Blaupausen zurück. Die Kombination aus erprobten Standards und Erfahrung in der Projektorganisation sorgt für Zuverlässigkeit im Prozess. Auch Softwareprojekte laufen gelegentlich aus dem Ruder und überschreiten vorgegebene Budget- oder Zeitgrenzen. Im Extremfall führen sie gar nicht zum gewünschten Ergebnis. Aber das ist eher die Ausnahme, die die Regel bestätigt.

Jetzt halten KI-Anwendungen Einzug in die IT-Landschaften der Unternehmen. Verantwortliche initiieren Projekte, um die neuen Möglichkeiten auszutesten. Der entscheidende Unterschied im Vergleich zu klassischen Lösungen: Die Experten entwickeln Anwendungen auf der Grundlage von Daten. Ob personenbezogene Daten, Nutzungsdaten, Umweltdaten, Verkaufsdaten, Produktionsdaten oder Maschinendaten: Das sind die Quellen, aus denen sich KI-Anwendungen speisen. Ziel ist es, Zusammenhänge in Daten zu erkennen oder große Datenmengen automatisch zu klassifizieren.

Entgegen mancher Darstellung in den Medien entwickeln sich diese Lösungen nicht von selbst. Sie sind das Ergebnis von sauber auf- und umgesetzten Projekten. Das Entwickeln datenbasierter Anwendungen benötigt – im Vergleich zu klassischen IT-Lösungen – eine andere Projektstruktur und ein anderes Fachwissen der Beteiligten. Das Beachten dieser Unterschiede ist entscheidend für den Erfolg.

All die – in großen Teilen sicherlich berechtigte – Euphorie um die Potenziale von KI darf den Blick darauf nicht verstellen. Auch solche Systeme müssen Experten entwickeln, bauen, testen, implementieren und anpassen. Damit Künstliche Intelligenz funktioniert, müssen wir Menschen also weiter unsere eigenen Köpfe anstrengen – wir müssen arbeiten.

„Building AI-based Systems“ ist unsere Antwort auf diese Besonderheiten des KI-Entwicklungsprozesses. Dahinter verbirgt sich ein Vorgehensmodell mit Rollen, Phasen und Verantwortlichkeiten. Dieser Ansatz stellt sicher, dass die Beteiligten frühzeitig wissen, ob KI-Anwendungen überhaupt geeignet sind. Er strukturiert den gesamten Prozess und unterstützt das Team dabei, KI-Systeme in den Kontext klassischer Informations- und cyberphysikalischer Systeme einbinden.

Der Bauplan für KI-Anwendungen

Das Vorgehensmodell unterteilt den Entwicklungsprozess in bis zu sechs Prozessschritte: von der eingehenden Prüfung der vorhandenen Daten zu Beginn über das Erarbeiten der Anforderungen und die Modellentwicklung und die Integration bis zum laufenden Betrieb. Die lineare Abfolge dient zum einfachen Visualisieren und Beschreiben. In der Projektpraxis wählen Entwicklerteams nicht den gradlinigen, sondern den passenden Weg für ihr Projekt.

Insbesondere die Anfangsphase ist für den gesamten Projektverlauf von großer Bedeutung. Denn das Entwickeln KI-basierter Anwendungen steht und fällt mit der vorhandenen Datengrundlage. Zunächst verschafft sich das Projektteam ein Bild von dieser Grundlage: Sind überhaupt Daten vorhanden, auf denen sie eine KI-Anwendung aufbauen können? Wenn ja, von welcher Qualität sind sie? Aus welchen Quellen stammen sie? Wie sind die rechtlichen Rahmenbedingungen für die Nutzung? Das sind einige der zentralen Fragen zu Projektbeginn.

Die eingehende Prüfung zu Beginn stellt sicher, dass die Beteiligten das KI-Potenzial ihres Entwicklungsprojektes richtig einschätzen: Falls die Datenlage sich für KI-Ansätze nicht eignet, erkennen sie dies direkt zu Beginn – und nicht erst, wenn bereits im großen Maßstab Ressourcen in das Projekt geflossen sind.

Oft muss das Projektteam die notwendigen Daten erst beschaffen und aufbereiten. Anschließend lernen die Projektmitglieder ein Modell auf der Basis von Trainingsdaten an. Die Funktionsfähigkeit des Modells prüfen sie mit Testdaten. Hinzu kommt das Integrieren vorgefertigter KI-Services, wie Chatbots oder Services aus dem Bereich des maschinellen Lernens. So entstehen Systeme, die klassische Informationssysteme umfassen, die cyberphysikalische Anteile haben und die KI-basiert sind. Das sind Systeme, die fit sind für aktuelle und zukünftige Anforderungen.

Von der Auswahl der richtigen Projektmitarbeiter über das Bereitstellen der passenden Entwicklungswerkzeuge bis hin zum Umgehen mit Unsicherheit: datengetriebene Anwendungen erfordern an vielen Stellen ein angepasstes Vorgehen. Den Verantwortlichen sollte klar sein, dass dieser Entwicklungs- auch ein Entdeckungsprozess ist. Mit dieser Offenheit im Kopf und einem planvollen Vorgehen in der Tasche steht der Weg in Richtung KI-Zukunft offen.

1. These: Vor der Künstlichen ist die menschliche Intelligenz gefragt
2. These: KI findet die Nadel im Heuhaufen. Selbst ohne Nadel und ohne Heuhaufen
3. These: Nicht Datenmengen oder Speicherplatz oder Bandbreite sind die Treiber von KI. Sondern Kunden.
4. These: AI Summertime and the livin’ is easy
6. These: KI fängt mit „D“ wie „Daten“ an