Zwei Personen diskutieren zusammen vor einem Laptop

Künstliche Intelligenz ist oftmals auch in KMU einsetzbar und längst kein Hexenwerk. Mit der richtigen Unterstützung lässt sich klären, inwieweit KI auch in Ihrem Unternehmen Vorteile bringt - oder eben nicht. - Bild: Adobe Stock, everythingpossible

| von Dietmar Poll

In unserer Miniserie mit drei Teilen beleuchten wir den aktuellen Stand des Einsatzes von Künstlicher Intelligenz in den Unternehmen. Betrachtet werden dabei im Schwerpunkt Anwendungsfälle aus der Logistik, aber auch der Produktion. Im Fokus steht die Frage, welche Hürden KMU nehmen müssen, um KI einzusetzen und inwieweit Künstliche Intelligenz überhaupt in mittleren Unternehmen Sinn macht.


Teil 2: Worauf ich bei der Einführung von KI achten muss und wann ich merke, dass KI für mein Unternehmen keinen Sinn macht

Wem das Thema Künstliche Intelligenz zu abstrakt erscheint, der erhält hier Schritt für Schritt detaillierte Einblicke aus der Praxis, was ein Unternehmen wirklich für die Einführung von KI benötigt. Und er lernt auch ganz schnell, ob KI für seine Belange überhaupt Sinn ergibt. Zum Thema 'Operationalisierung von Maschine Learning (ML) Projekten' äußert sich Florian Zizler, Team Leader, Planning & Monitoring bei Dachser SE: "Jedes Projekt ist anders und auch die Voraussetzungen in jedem Unternehmen sind andere. Deshalb möchte ich mich auf allgemeingültige Sachverhalte konzentrieren, die wir als Dachser zusammen mit dem Fraunhofer Institut in den letzten beiden Jahren gelernt haben."

Dreiteilige Serie über Künstliche Intelligenz in KMU

Zizler unterstreicht, dass "wir bei Dachser davon überzeugt sind, dass KI in den nächsten Jahren verstärkt Einzug in unsere Prozesse halten wird. Das Jahr 2020 steht dafür, dass wir erstmals KI-Produkte in Echtbetrieb innerhalb der Organisation einsetzen."

Natürlich beschäftige sich Dachser schon länger damit, habe in den letzten Jahren gut zugehört, gelernt und werde das ganze nun weiter forcieren. "Entscheidend ist nämlich, ob es uns gelingt, neue Technologien, egal ob Maschine Learning oder sonstige Technologien, nutzenstiftend in den Realbetrieb zu überführen. So haben wir vor langer Zeit beschlossen, unsere eigenen Transportmanagementsysteme zu entwickeln", beschreibt er.

Das sind die Hürden für den Einsatz von KI in mittleren Unternehmen

Dass Operationalisierung schwierig ist, zeigt auch eine aktuelle Bitcom-Umfrage. Hier wurden 600 Unternehmen mit mehr als 20 Mitarbeitern befragt, ob sie KI bereits im Einsatz haben. Sechs Prozent antworteten laut Zizler mit Ja. Aber warum ist es eigentlich so schwierig, Maschine Learning im Unternehmen zu etablieren?

Dazu Zizler: "Dafür gibt es mehrere Gründe. Der erste Grund ist sicherlich der plausibelste: Maschine Learning ist für uns alle noch relativ neu. Zweitens ist ML hochgradig interdisziplinär."

Als dritten Grund findet Zizler, dass ML Personen ins Spiel bringt, die heute noch nicht so recht in das bisher gelebte Verhalten zwischen IT und Fachabteilung passen. So zum Beispiel den Data Scientist. Also jemanden, der Maschine-Learning-Methoden anwendet, indem er Daten aufbereitet, Modelle auswählt und sie entsprechend trainiert. Und dieser Data Scientist ist kein Software-Entwickler."

3 Kernbotschaften zur Einführung von Machine Learning

Florian Zizler, Team Leader, Planning & Monitoring bei Dachser SE. - Bild: Dachser

Florian Zizler hat im Bezug auf die Einführung von ML in der eigenen Organisation drei Botschaften:

  1. Machine Learning soll zugänglicher werden
  2. Aktivieren Sie Ihr bereits vorhandenes analytisches Potenzial. Egal ob Business Analyst oder Controller. Der Weg, sich einen Zugang zu ML zu verschaffen, ist kürzer als gedacht. Begeistern Sie die richtigen Leute dafür. Ich bin mir sicher, Sie werden überrascht sein, welche Dynamik rund um das Thema im Unternehmen entstehen kann.
  3. Schaffen Sie die organisatorischen Voraussetzungen für neue Berufsbilder wie den Data Scientist. Entschärfen Sie das Spannungsfeld zwischen IT und Fachabteilung. Dann kommt das Thema Machine Learning auch in Ihre Organisation.

Erfolgreiche Operationalisierung Künstlicher Intelligenz beginnt schon in der Projektplanungsphase

Anhand einzelner Projektphasen möchte Zizler nun aufzeigen, wie Dachser ein erfolgreicher Transfer aus dem Enterprise Lab in die Organisation gelungen ist. Klar ist auch, dass die Operationalisierung in der Regel mit dem Employment beginnt. "Ich bin jedoch der Meinung, dass der Grundstein einer erfolgreichen Operationalisierung bereits in der Frühphase des Projektes gelegt wird - nämlich in der Planungsphase", so Zizler.

So steht am Anfang immer die Idee oder der Wunsch, mit ML ein Problem zu lösen - wozu es ein Team benötigt, wie Zizler findet: "Die Protagonisten gilt es nun gemeinsam an einen Tisch zu bringen, denn ein ML-Projekt wird nur Erfolg haben, wenn Leute aus verschiedensten Fachrichtungen und mit unterschiedlichen Erwartungen als Team funktionieren."

Hier gelte die einfache Regel: nicht zu groß, dafür interdisziplinär und ausgewogen. "Wenn hier nur drei Plätze zu vergeben sind, dann lassen Sie den Mathematiker zu Hause, es sei denn, er kann ganz toll programmieren oder hat ganz viel Ahnung von ML. Oder Sie wollen Ihre eigenen Algorithmen entwickeln, was Sie aber in den seltensten Fällen tun werden. Meistens werden Sie auf Standardmodule zurückgreifen, die für jeden verfügbar sind", klärt Zizler auf.

Überzogene Erwartungen an KI-Systeme zurückschrauben

In dieser Phase gibt es laut Zizler auch überzogene Erwartungen, die berechtigterweise existieren. Diese müssten eingefangen werden.

"Die wichtigste Rolle zu Beginn hat hier die Business-Seite, denn am Ende wollen Sie ja echte Probleme lösen. Die Herausforderung liegt darin, dass Sie versuchen müssen, Ihr Anliegen als Logistiker so zu erklären, dass dieses auch von Fachfremden verstanden wird. Dieses Business Understanding ist hier wirklich sehr wichtig. Dieses Erklären seiner eigenen Branche, seiner eigenen Fachkompetenz ist nicht immer so einfach, wie wir meinen. Da muss man sich richtig Mühe geben, aber die Mühe lohnt sich", unterstreicht Zizler.

In diesem frühen Stadium sind zwei Ausgänge denkbar, wie Zizler anmerkt: "Variante Eins: Sie stellen fest, dass Ihnen ML nicht weiterhelfen wird. Dann sollten Sie auch an dieser Stelle so konsequent und ehrlich sein und das Projekt beenden. Variante Zwei ist die bessere: Sie sind sich immer noch sicher, dass ML noch das Richtige für Ihre Aufgabe ist, dann gilt es, sich im nächsten Schritt mit den potenziellen Daten auseinander zu setzen."

Wo Sie Unterstützung für die Einführung von KI bekommen

Gerade für kleine und mittelständische Unternehmen gibt es verschiedene Forschungsausschreibungen, auf die Sie sich bewerben können. Das sind KI für KMU oder auch die Forschungsausschreibung KMU innovativ, die alle sechs Monate Einreichungsfristen haben. Dort können Sie sich mit guten Ideen bewerben und eine gewisse Förderung bekommen. Es gibt aber auch die Mittelstand 4.0 Kompetenzzentren, die ursprünglich im Rahmen der Digitalisierung ins Leben gerufen wurden. Derzeit sind über 20 Zentren deutschlandweit verteilt. Dort kann man sich als kleines mittelständisches Unternehmen kostenfrei zum Thema Digitalisierung informieren und seit einigen Jahren auch zum Thema KI. Es entstehen gemeinsame Gestaltungsworkshops und Planungen, die für Unternehmen ebenfalls kostenfrei sind.

Daten sind der Schlüssel für intelligente Systeme

Spätestens jetzt ist klar, dass es ohne Daten kein Machine Learning geben wird. In Bezug auf die Daten sind drei Botschaften sehr wichtig, wie Zizler findet: "Starten Sie so einfach wie möglich. Komplettiert wird es nach und nach immer von ganz alleine. Achten Sie besonders auf die Qualität. Nehmen Sie nicht wahllos Daten in Ihr Modell, vor allem nicht zu Beginn. Und investieren Sie viel Zeit in die richtigen Features - etwa, welche Information Ihr Modell bekommen soll."

Noch kritisch ist hier laut Zizler die Frage nach der Datenverfügbarkeit. Wie schwierig oder teuer wird es sein, die gewünschten Daten zu beschaffen? Eine sehr wichtige Frage, die frühzeitig adressiert werden muss. Parallel dazu gehört die Recherche, ob ähnliche Probleme bereits gelöst wurden und wenn ja, mit welchen Algorithmen.

"Wenn Sie jetzt immer noch optimistisch sind, dann gehen Sie den nächsten Schritt an. Dieser fühlt sich zwar wie ein Schritt zurück an, aber er ist nötig, weil ich immer wieder feststellen muss, dass viele Projektziele bei ML einfach zu allgemein formuliert sind", beschreibt Zizler. Dieser Umstand habe weitreichende Folgen auf den weiteren Projektverlauf. Denn dazu kommen nachfolgende Fragen auf - am Beispiel Mengenprognose aufgezeigt:

  • Was werden Sie konkret tun?
  • Reicht es zu sagen, Sie wollen Netzwerkprognosen machen?
  • Was für ein Netzwerk?
  • Welche Sicht?
  • Ausgang oder Eingang?
  • Wollen Sie den Sammelguteingang prognostizieren?
  • Gewicht oder Anzahl der Sendungen?
  • Wollen Sie einzelne Tage, einzelne Relationen oder ganze Wochen prognostizieren?

"Sie sehen schon, das sind sehr viele Fragen, mit denen Ihr Data Scientist übrigens heillos überfordert wäre. Sie brauchen gerade in der Planungsphase Leute, die ihr Geschäft kennen. Sie brauchen die Logistikexperten", betont Zizler.
Diese sprichwörtliche Domainkompetenz ist beim ML gerade in der Frühphase extrem wichtig, so der Experte. "Sie müssen Ihren Wissenskreis erklären können, nur dann sind die Wissenschaftler und die Data Scientists in der Lage, ihren Job richtig gut zu machen."

Die letzte Frage: Was ist meine Baseline?

Erst wenn der Unternehmer das Ziel so konkret wie möglich geklärt hat, wird er in der Lage sein, die letzte Frage zu beantworten: Was ist die Baseline? "Ist es Zeit, Geld oder die Genauigkeit? Oder sind es alle drei genannten, nur unterschiedlich priorisiert?", stellt Zizler klar. Eine Baseline ist zum Beispiel die aktuelle Prognosegenauigkeit ohne Machine Learning.

"Wenn Sie also sagen, dass Sie die ersten drei Wochen mit einer Abweichung von maximal drei Prozent prognostizieren, dann legen Sie damit die Messlatte fest. Wenn Ihr Modell jetzt eine Genauigkeit von maximal zwei Prozent Abweichung liefert, ist das ein Fortschritt", unterstreicht Zizler.

Natürlich könne man jetzt die Entwickler weiter quälen, um eine maximale Abweichung von einem Prozent zu erreichen. Es gelte jedoch zu bedenken, dass die letzten Meter immer die schwersten seien und am Ende gehe es schließlich auch um die Ressourcen.

Die Planung ist nun abgeschlossen und jetzt schlägt die Stunde der Entwickler, weiß Zizler. Machine Learning ist ein hochiterativer Prozess - Versuch und Irrtum sind hier an der Tagesordnung.

"Meine Empfehlung in der ersten Phase des Prototypings ist, sich nicht allzu viel um Dokumentation zu bemühen. Denn was heute dokumentiert wird, kann morgen schon wieder veraltet sein. Die Geschwindigkeit gerade in dieser ersten Phase des Prototypings ist sehr hoch. Lassen Sie hier den Entwickler einfach mal machen. Das können Sie ruhigen Gewissens tun, wenn Sie die eben genannten Vorstufen gut geplant haben, können Sie hier die Leinen loslassen. Auch das ist sehr wichtig", überrascht Zizler.

Geht der Plan dieser Technologie auch im Mittelstand auf?

Ob der richtige Weg eingeschlagen ist, ist spätestens daran erkennbar, dass am Ende ein vielversprechendes Modell übrigbleibt.

"Und dieses gilt es weiter zu schärfen. Versuchen Sie hier möglichst früh, einen Echtbetrieb auf kleiner Flamme zu simulieren. Gerade bei Zeitreihenanalysen sollten Sie versuchen, die Zeiträume zu prognostizieren. Wenn alles nach Plan läuft, haben Sie irgendwann einen vielversprechenden Prototypen gebaut. Mehr noch nicht. Und Sie konnten hoffentlich Ihre Stakeholder überzeugen", sagt Zizler.

Nun steht die Entscheidung an, die Operationalisierung zu starten. "Mein Tipp dazu: Gehen Sie nicht unvorbereitet in die Operationalisierung. Wenn Sie bisher alles Ihrem Kooperationspartner überlassen haben, wird das bevorstehende Deployement sehr schwierig. Also nutzen Sie als Organisation beziehungsweise Auftraggeber die Planungs- und Prototypingphase zum Ausbau Ihrer eigenen ML-Kompetenz", betont der Experte.

Spätestens jetzt seien die Leute gefragt, die etwas von IT-Architektur verstehen, wodurch sich die Hackordnung im Team verschiebe.

"Es sind Leute gefragt, die etwas über Datenbanken wissen, die ihre eigenen, teilweise komplexen IT-Systeme verstehen und beherrschen. Wenn diese Personen von Beginn an dabei waren, wissen sie nun genau, was zu tun ist. Nehmen Sie die IT-Architekten, die Data Engineers rechtzeitig mit hinein. Sie werden spätestens jetzt beim Übergang von der Prototypingphase in die Deploymentphase sehr davon profitieren", hebt Zizler hervor.

Intelligente Technologie entscheidet über stabile Produktions-, Test- und Entwicklungsumgebung

Denn jetzt wird es laut Zizler technisch anspruchsvoll. Die größte Herausforderung beim Deployment ist, dass der Prototyp und der zukünftige ML-Service in zwei verschiedenen Welten leben.

"Überspitzt gesagt, der Prototyp lebt auf Ihrem Laptop, während Sie den zukünftigen Service vielleicht als Web-Service mit mehreren Datenbanken im Hintergrund bereit stellen wollen. Auch der Aspekt der Kollaboration muss hier unbedingt berücksichtigt werden", argumentiert Zizler. Die Zeiten, in denen ein einsamer Data Scientist an seinem Computer sitzt und eifrig Prototypen entwickelt, seien spätestens jetzt vorbei.

"Des Weiteren werden Sie sich vielleicht mit einem schlechten Code - im Sinne von wenig performant oder schlecht skalierbar - auseinandersetzen müssen. Denn der Weg aus dem Notebook in die eigene Infrastruktur ist ein steiniger. Unterschätzen Sie hier nicht den Aufwand. Denn am Ende wollen Sie eine stabile Produktions-, Test- und Entwicklungsumgebung haben", rät Zizler.

Irgendwann ist laut Zizler dann der Zeitpunkt erreicht, zu dem das Modell gut genug erscheint und ausgerollt werden muss. Das Deployment ist damit abgeschlossen. "Was Sie jetzt beim sogenannten Maintaining brauchen ist ein Plan, wie Sie Ihren Service im Echtbetrieb laufen lassen wollen. Hier gibt es mindestens drei Anforderungen. Die Wichtigste dabei: Ihr ML-Service muss technisch zuverlässig seinen Job verrichten, denn Sie müssen produzieren", erläutert Zizler.

Gleichzeitig müsse die Qualität in regelmäßigen Abständen kontrolliert werden. Gerade bei Zeitreihenprognosen sei das nicht immer so einfach. "In einem Beispiel, in dem Sie ausgehend von heute 25 Wochen in die Zukunft prognostizieren wollen, wissen Sie erst in 25 Wochen, ob Sie gut oder schlecht prognostiziert haben. Dafür braucht es geeignete Umgebungen und Workflows, um einfach abseits von diesem Produktionsprozess, die Modelle ständig zu monitoren", erklärt Zizler.