Künstliche Intelligenz hat das Potenzial, Prozesse in nahezu allen Branchen zu revolutionieren. Doch der Erfolg jeder KI-Anwendung steht und fällt mit der Qualität der zugrunde liegenden Daten und der richtigen Vorbereitung. NTT DATA, Anbieter von digitalen Business- und Technologie-Services, erklärt, welche Aspekte bei der Umsetzung eines KI-Projekts relevant sind.
Grafik NTT Data
Künstliche Intelligenz hat sich in den letzten Jahren zu einem der einflussreichsten Werkzeuge der Digitalisierung entwickelt. Sie ermöglicht es Unternehmen, Erkenntnisse aus riesigen Datenmengen zu gewinnen, Prozesse zu automatisieren und fundierte Entscheidungen in Echtzeit zu treffen.
Doch bei allem Potenzial hängt der Erfolg von KI-Systemen von mehreren entscheidenden Faktoren ab, allen voran von der Datenqualität. Ein KI-System, das mit fehlerhaften, unvollständigen oder verzerrten Informationen arbeitet, kann keine guten Ergebnisse liefern. Der oft zitierte Satz „Garbage in, garbage out“ trifft auf KI-Anwendungen in besonderem Masse zu. Gleichzeitig sind eine sorgfältige Planung, in die alle Stakeholder einbezogen werden sollten, und die Schulung der Mitarbeitenden ein Muss.
Wie wird ein Unternehmen KI-ready?
Aus Sicht von NTT DATA sind die folgenden sechs Bausteine notwendig, um Unternehmen KI-ready zu machen.
- IT-Infrastruktur für das Datenmanagement: Eine robuste IT-Infrastruktur ist das Rückgrat jedes KI-Systems. Ohne eine skalierbare und flexible Architektur ist es kaum möglich, grosse Datenmengen effizient zu verwalten. Cloud-basierte Systeme und moderne Speicherlösungen ermöglichen eine zentrale und konsistente Speicherung der Daten, die in Echtzeit abgerufen und verarbeitet werden können. Entscheidend ist dabei die Fähigkeit der Infrastruktur, auch mit wachsenden Datenmengen und unterschiedlichen Datentypen umzugehen, etwa bei der Einbindung unstrukturierter Informationen. Welche Datenplattform die richtige ist, hängt stark vom einzelnen Unternehmen ab und davon, wie es in der Vergangenheit mit Daten umgegangen ist.
- Qualität der Daten: KI-Systeme sind auf qualitativ hochwertige Daten angewiesen, um aussagekräftige Ergebnisse liefern zu können. Informationen, die unvollständig, veraltet oder inkonsistent sind, können zu falschen Prognosen und Entscheidungen führen. Die Sicherstellung einer guten Datenqualität erfordert eine regelmässige Überprüfung und Validierung der Informationen sowie die Implementierung von Verfahren zur Datenbereinigung und -standardisierung.
Dabei spielen automatisierte Prozesse wie Data Profiling und Anomalie-Erkennung eine immer wichtigere Rolle, um die Datenbasis kontinuierlich zu optimieren. Mit minderwertigen Informationen gehen Unternehmen ein hohes Risiko ein, dass Algorithmen verfälscht oder die KI-Anwendungen unbrauchbar werden. Im schlimmsten Fall droht sogar ein Dominoeffekt. Gerade bei der Auswahl externer Datenlieferanten ist höchste Sorgfalt angebracht. - Datenintegration und -zugänglichkeit: Eine der grössten Herausforderungen in der Praxis besteht darin, Daten aus unterschiedlichen Quellen zu integrieren und für die KI-Modelle zugänglich zu machen. Hier übernehmen moderne Lösungen und Prozesse die Aufgabe, heterogene Daten in ein einheitliches Format zu überführen. Schnittstellen und APIs spielen dabei eine wichtige Rolle, um eine reibungslose Integration von Informationen aus verschiedenen Systemen zu gewährleisten. Darüber hinaus muss sichergestellt werden, dass die richtigen Personen oder Systeme zum richtigen Zeitpunkt Zugriff haben, was wiederum die Berücksichtigung sowohl technologischer als auch organisatorischer Aspekte erfordert.
- Einhaltung von Ethik, Risk und Compliance: Der Einsatz von KI-Modellen wirft unweigerlich Fragen zu Ethik, Risiko und Compliance auf. Datenschutzrichtlinien wie die DSGVO stellen sicher, dass personenbezogene Informationen geschützt werden. KI-Systeme müssen daher so entwickelt werden, dass sie diese Anforderungen erfüllen, beispielsweise durch Anonymisierung von Daten und den Einsatz von Privacy-by-Design-Konzepten. Darüber hinaus müssen ethische Überlegungen im Umgang mit sensiblen Daten und KI-Entscheidungsprozessen berücksichtigt werden, um Vertrauen bei allen Stakeholdern aufzubauen.
Das bedeutet, dass Unternehmen bei der Entwicklung und dem Einsatz von KI-Systemen auf Transparenz und Fairness achten müssen, um Probleme mit Unconscious Bias oder Halluzinationen zu vermeiden. Mit dem EU AI Act gelten hier strikte Vorgaben: KI-Anwendungen dürfen in keinster Weise missbraucht werden, der Schutz der Grundrechte muss jederzeit gewährleistet sein. Gegebenenfalls müssen für diese Zwecke auch gänzlich neue Organisationseinheiten oder Gremien geschaffen werden, um eine entsprechende KI-Governance abzubilden. - Klare Ziele und KPIs: Vor der Entwicklung von KI-Anwendungen müssen klare Ziele und Key Performance Indicators (KPIs) definiert werden. Wie bei jedem anderen Transformationsprozess geht es im ersten Schritt darum, die übergeordneten Vorgaben zu identifizieren und diese zu priorisieren. Die KPIs wiederum helfen dabei, den Erfolg der KI-Lösung zu messen und kontinuierlich zu optimieren. Eine gute Praxis ist es, sowohl kurz- als auch langfristige Ziele festzulegen, um die Entwicklung des KI-Prozesses kontinuierlich zu steuern und anzupassen. Ohne eine klare Definition der Ziele besteht grundsätzlich die Gefahr, dass die Anwendung ineffektiv bleibt oder sogar Fehlentscheidungen trifft.
Hinzu kommt: Die weit verbreitete Haltung, dass die IT eine schlüsselfertige Lösung liefert und sonst nichts zu tun ist, führt unweigerlich in eine Sackgasse. Nicht nur technische Silos, sondern auch mögliche Blockaden in den Köpfen der Mitarbeitenden müssen abgebaut werden, wenn ein KI-Projekt erfolgreich sein soll. - Befähigung der Mitarbeitenden und Etablierung einer KI-Kultur: Die Mitarbeiterinnen und Mitarbeiter eines Unternehmens spielen eine entscheidende Rolle für den Erfolg von KI-Initiativen. Sie müssen mit den richtigen Fähigkeiten, Kenntnissen und Werkzeugen ausgestattet werden, um die neuen Technologien effektiv nutzen zu können. Dies kann durch gezielte Schulungen zu KI-Technologien, datenbasierten Entscheidungsprozessen und ethischen Fragen erreicht werden. Eine kontinuierliche Weiterbildung und der Aufbau einer Lernkultur, die Innovation und Veränderungsbereitschaft fördert, sind essenziell. Zudem sollten Unternehmen darauf abzielen, interdisziplinäre Teams zu bilden, die technische, analytische und strategische Kompetenzen vereinen. Nur so können die Mitarbeitenden von den Möglichkeiten der KI profitieren und die Transformation aktiv mitgestalten.
Fazit:
Wenn Unternehmen das Potenzial der KI voll ausschöpfen wollen, um einen echten Mehrwert für ihre Kunden, Mitarbeitenden und Stakeholder zu schaffen, müssen sie einige Punkte beachten. Dazu gehören Investitionen in die richtige Dateninfrastruktur und die richtigen Tools, die Sicherstellung einer guten Datenqualität, ein kontinuierliches Monitoring und das Setzen klarer Ziele sowie die Etablierung einer neuen Kultur und Denkweise.
Es ist fast immer sinnvoll, die eigene KI-Readiness mit Hilfe eines Spezialisten zu überprüfen. Entsprechende Assessments konzentrieren sich auf die wichtigsten Säulen, allen voran Data Governance, Cloud Computing, Datenmanagement und Sicherheit, und bewerten den individuellen Reifegrad in jedem dieser Bereiche. Das Assessment liefert wertvolle Informationen darüber, welche Lücken dringend geschlossen werden müssen. Letztendlich kann ein Unternehmen so seine Geschäftsanforderungen und aktuellen Fähigkeiten besser verstehen, bevor es sich auf die Reise in Richtung KI begibt.
Der Autor
Dr. William Cobbah ist Head of Data & Intelligence bei NTT DATA DACH (Quelle: NTT DATA)
Über NTT DATA
NTT DATA ist ein Anbieter von innovativen Business- und Technologie-Services mit einem jährlichen Umsatz von über 30 Milliarden US-Dollar. Das Unternehmen zählt 75 Prozent der Fortune Global 100 zu seinen Kunden und unterstützt diese bei Innovation, Optimierung und Transformation für langfristigen Erfolg. www.nttdata.com