1. These: Vor der Künstlichen ist die menschliche Intelligenz gefragt

Wie nähern wir uns einem Thema, dessen Auswirkungen vom Bezahlvorgang an der Supermarktkasse bis hinein in die Tiefen der Medizin reichen? Das Arbeits- und Privatleben gleichermaßen verändert? Mit radikaler Vereinfachung – und dem Blick fürs Machbare. Denn nur über KI reden hilft nicht weiter. Es geht darum, Anwendungsfälle zu finden und dann die passenden Systeme zu bauen. Das ist die Idee hinter unseren zehn Thesen zur Künstlichen Intelligenz (KI).

Sie werfen ein Schlaglicht auf Vorteile, Vorurteile und Vorgehen rund um KI: Daten beschaffen, Anwendungen entwickeln, Modelle trainieren. Aber auch Neues entdecken, Mitarbeiterinnen und Mitarbeiter mitnehmen, Kundinnen und Kunden begeistern. In diesem Spannungsfeld bewegen sich alle, die erfolgreich KI-Anwendungen planen, realisieren und einsetzen.

In den kommenden Wochen greifen wir hier im Blog jede These auf und spinnen die Ideen weiter.

Daten sind eine notwendige, aber keine hinreichende Bedingung

Gestern Schach, heute Go, morgen der ganze Rest: Die Erfolgsgeschichte von KI scheint bereits festzustehen. KI kann schon vieles und wird bald fast alles können – so der Tenor vieler Berichte in den Medien. Dabei haftet der Technologie etwas Magisches an. Wenn genug Daten vorhanden sind, braucht es nur noch einen Algorithmus und mit einem Fingerschnipsen entsteht etwas Sinnvolles: Eine Maschine meldet sich – bevor sie ausfällt. Eine medizinische Anwendung erkennt Hautauffälligkeiten – ganz ohne Ärztin oder Arzt. Ein Auto fährt eigenständig – im dichtesten Berufsverkehr. All dies vermögen KI-Anwendungen bereits heute. Und rasend schnell kommen neue Gebiete und Anwendungen hinzu.

Die Euphorie rund um die Möglichkeiten darf nicht den Blick für die Arbeit in der Praxis verstellen. Expertinnen und Experten beschwören erfolgreiche KI-Projekte nicht in Zauberlaboren herauf. Damit KI funktioniert, müssen Menschen weiter die eigenen Köpfe anstrengen. Und da kommt einiges auf die Expertinnen und Experten zu.

Denn unsere aktuelle Umfrage unter Unternehmensverantwortlichen zeigt: Es mögen bisher nur wenige KI-Projekte umgesetzt sein, aber die Pipelines sind gut gefüllt. Allerorts initiieren Verantwortliche Projekte, um die neuen Möglichkeiten auszutesten. Technologien wie Machine Learning halten in Zukunft verstärkt Einzug in die IT-Landschaften. Ziel der Projekte ist es, Zusammenhänge in Daten zu erkennen oder große Datenmengen automatisch zu klassifizieren. Bei der Entwicklung solcher datengetriebener Anwendungen kommt es in der Praxis immer wieder zu Schwierigkeiten. Denn: Im Vergleich zu klassischen IT-Lösungen benötigt ihre Entwicklung eine andere Projektstruktur und ein anderes Fachwissen der Beteiligten.

Der entscheidende Unterschied zu „normalen“ Softwareprojekten: Die Expertinnen und Experten entwickeln auf der Grundlage vorhandener Daten. Aber nur über Daten zu verfügen, reicht nicht aus. Die Projektbeteiligten müssen auch ein Verständnis für diese Daten mitbringen: Struktur, Aussagekraft, Verfügbarkeit, Qualität, Herkunft, Konsistenz, oder rechtliche Rahmenbedingungen der Nutzung sind ein Thema.

Das Bewerten und Einsetzen von KI-Technologien, der Umgang mit Werkzeugen zur Datenanalyse und Kenntnisse für das Entwickeln von Algorithmen: Diese Fertigkeiten spielen bei KI-Projekten die entscheidende Rolle. Hinzu kommt die Notwendigkeit, die Besonderheiten des eigenen Unternehmens und der eigenen Branche zu kennen. Der Blick der Fachabteilung ist ebenso wichtig wie die KI-Expertise. Unser Vorgehensmodell „Building AI-based Systems“ ist die Antwort auf diese Besonderheiten: Phasen, Rollen und Verantwortlichkeiten geben der Entwicklung die passende Struktur. Das ist der Rahmen, der Expertinnen und Experten dabei hilft, ihr ganzes Fachwissen in ein KI-Projekt einzubringen.

Denn intelligente Lösungen – egal welcher Art auch immer – entstehen nicht zufällig oder auf Knopfdruck. Sie entstehen, wenn die richtigen Expertinnen und Experten unter den richtigen Rahmenbedingungen gemeinsam an einem Ziel arbeiten. In diesem Punkt unterscheidet sich das Entwickeln von KI-basierten Lösungen kein Stück von der klassischen Softwareentwicklung.

Fazit

Der Einsatz von KI entbindet nicht davon, die Anforderungen der eigenen Branche und des eigenen Unternehmens zu kennen. Deswegen müssen die IT- und Fachabteilungen von Anfang an zusammenarbeiten, wenn es darum geht, die eigenen KI-Potenziale zu entdecken. Das Vorgehensmodell Building AI-based Systems schafft dafür den richtigen Rahmen.

Wenn euch das Thema Building AI-based Systems interessiert: Wir haben die Informationen in einem kostenlosen Report für euch zusammengefasst.

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
5. These: Das “A” in “AI” bedeutet nicht Abrakadabra, sondern „Arbeit“
6. These: KI fängt mit „D“ wie „Daten“ an