Die Integration von Künstlicher Intelligenz in Unternehmen bietet enorme Potenziale, birgt jedoch auch Herausforderungen. Dr. Janis Kesten-Kühne, Head of Algorithms and Machine Learning for Roughness Metrology bei der Zeiss SMT GmbH, gibt in diesem Gastbeitrag hilfreiche Tipps für die KI-Integration in Ihrem Unternehmen.
Extra-Tipp: Mehr praktische Tipps und Best Practices rund um die KI-Integration erhalten Sie von Dr. Janis Kesten-Kühne, Peer Denecke und Merlin Korth in unserem Seminar „Künstliche Intelligenz in F&E“.
Head of Algorithms and Machine Learning for Roughness Metrology | Zeiss SMT GmbH
Zum ProfilAktuell ist KI wieder in aller Munde, insbesondere durch den Aufstieg Generativer KI (GenAI). Dies geht so weit, dass KI oft nur noch mit GenAI assoziiert wird. Dabei ist KI viel mehr als nur große Sprachmodelle (LLMs) oder GenAI. Mit GenAI erreicht KI aber erstmals die Lebensrealität vieler Menschen, da Sprache ein essentieller Bereich des menschlichen Alltags ist. Plötzlich scheint alles möglich zu sein.
GenAI hat das Potenzial, in vielen Bereichen große Produktivitätssprünge zu ermöglichen. Bereits jetzt entstehen neue Berufsfelder, wie das des "Prompt Engineers", die sich auf die optimale Nutzung dieser Technologie spezialisieren. Doch nicht nur Spezialisten, sondern auch viele andere Berufsgruppen müssen lernen, GenAI effektiv einzusetzen, um wettbewerbsfähig zu bleiben. Ein Beispiel hierfür ist die Marketingbranche, in der GenAI bereits zur Erstellung von Inhalten genutzt wird, was Prozesse erheblich beschleunigt und personalisiert.
Noch ersetzt KI im Großen und Ganzen keine Menschen, aber Menschen, die KI beherrschen, werden in absehbarer Zeit Menschen ersetzen, die dies nicht tun. Diese Entwicklung lässt sich bereits beobachten, etwa im Kundenservice, wo KI-gestützte Chatbots einfache Anfragen übernehmen oder GenAI Menschen Textbausteine liefert, die in der Korrespondenz verwendet werden. Dies kann so weit gehen, dass ganze Antwort-Emails oder –Texte vorformuliert werden.
Um die anfängliche Frage zu beantworten: In meinen Augen hat GenAI ein großes Potential und ist in gewissem Umfang bereits Realität. Dennoch befinden wir uns gerade mitten in einem Hype, der auch viel Enttäuschung nach sich ziehen wird. Generell wurde die Geschwindigkeit der KI-Entwicklung in der Vergangenheit allerdings oft falsch eingeschätzt. Und aktuell wird sie in der Regel immer wieder deutlich unterschätzt.
Ich bin ein großer Freund von Künstlicher Intelligenz und der Anwendung von KI auf reale Probleme. Ich freue mich über jede erfolgreiche und sinnvolle Integration von KI in industrielle und wirtschaftliche Prozesse. Gerade deshalb schreibe ich diesen Beitrag. Doch um nicht in einer großen Enttäuschung und im schlimmsten Fall einem neuen „KI-Winter“ zu enden, muss der Einsatz von KI einer nüchternen – wirtschaftlich und technischen – Betrachtung folgen und darf weder Liebelei noch Träumerei oder gar Selbstzweck sein.
Natürlich empfiehlt es sich, als Organisation mit dem Einsatz von KI zu beginnen, um erste Erfahrungen zu sammeln. Dies dient der Befähigung der Organisation zum Einsatz von KI und nicht primär der Verbesserung von Produkten oder der Profitabilität. Es empfiehlt sich, zunächst mit kleinen Projekten zu starten, die wenige Risiken aufweisen und klar auf Erfahrungssammlung ausgelegt sind. Solche Projekte sind als Investitionen ohne direkten Return on Invest (ROI) zu verstehen. Für „echte“ Projekte ist KI jedoch erstmal nur ein weiteres (oft teures) Werkzeug, das sich im Wettbewerb mit anderen großartigen Werkzeugen durchsetzen muss. Technische Faszination sollte einen sekundären Einfluss haben und wertneutralen Auswahlverfahren weichen. Sonst besteht die Gefahr, dass KI der berühmte Hammer ist, für den alles aussieht, wie ein Nagel.
Ein entscheidender Punkt ist, dass es oft aus Gründen der Erklärbarkeit und Performanz klüger ist, zunächst auf bewährte Techniken zurückzugreifen und KI erst als letzte oder zumindest späte Option in Betracht zu ziehen, wenn nichts Anderes (ausreichend gut) funktioniert. Dies zeigt sich insbesondere in sicherheitskritischen Bereichen, wie der Medizin oder im autonomen Fahren, wo die Vertrauenswürdigkeit – also u.a. die Sicherheit, Robustheit und Erklärbarkeit – von Systemen oberste Priorität haben.
Neben GenAI gibt es eine Vielzahl von KI-Anwendungsgebieten und -Techniken, die in der Industrie eingesetzt werden und die teilweise die Grundlage von Fundamentalmodellen bzw. GenAI bilden. Im Folgenden will ich einige der heutigen Arbeitspferde sowie einige Zukunftsfelder nennen, ohne dabei Anspruch auf Vollständigkeit zu haben:
Computer Vision: Automatische Bilderkennung und -verarbeitung, die in Bereichen wie der Medizin, der Überwachung sowie in der Automobilindustrie Anwendung findet. Ein Beispiel ist die Qualitätskontrolle in der Fertigung, bei der Computer Vision eingesetzt wird, um Fehler in Echtzeit zu erkennen.
Sprachverarbeitung: Verarbeitung natürlicher Sprache (NLP), die u.a. in Chatbots, Übersetzungssystemen und Stimmungsanalysen eingesetzt wird. Besonders im Kundenservice revolutioniert NLP die Interaktionen, indem es schnelle und präzise Antworten auf Kundenanfragen ermöglicht.
Zeitreihenanalyse und Datenanalytik: Analyse zeitlich geordneter Daten, die u.a. in der Finanzwirtschaft, im Gesundheitswesen und in der Wettervorhersage von Bedeutung ist. So nutzen Banken Zeitreihenanalysen, um Markttrends vorherzusagen und Risikobewertungen vorzunehmen.
Automatisierung, insbesondere mit Reinforcement Learning: Systeme, die durch Belohnung und Bestrafung lernen, wie sie z. B. in der Robotik und im autonomen Fahren eingesetzt werden. Im autonomen Fahren wird Reinforcement Learning genutzt, um Fahrzeuge selbstständig und sicher im Straßenverkehr zu navigieren.
KI-Simulationen: Simulation realer Szenarien, oft kombiniert mit physikbasierten Modellen, um komplexe Systeme zu optimieren. In der Architektur werden solche Simulationen verwendet, um die Energieeffizienz von Gebäuden bereits in der Planungsphase zu maximieren.
Physik-basierte KI-Algorithmen: Algorithmen, die physikalische Gesetze integrieren, um genauere Vorhersagen und Modelle zu erstellen. Diese Techniken sind besonders in der Klimaforschung von Bedeutung, wo präzise Simulationen von Wetter- und Klimamodellen entscheidend sind.
Jede dieser KI-Techniken hat ihre eigenen Vor- und Nachteile sowie Stärken und Schwächen. Oft lassen sich die gleichen Techniken in verschiedenen Anwendungsgebieten einsetzen und in der Regel gut für komplexe Anwendungsfälle kombinieren.
Die meisten großen Mehrwerte entstehen derzeit nicht durch KI-Systeme mit allgemeinem Anwendungszweck (General Purpose AI), sondern durch hochspezialisierte KI-Systeme, die gezielt für bestimmte Anwendungen entwickelt wurden. Diese Systeme sind oft deutlich kleiner und performanter als generelle KI-Systeme und erfordern weniger Rechenleistung, was sie in vielen Fällen effizienter macht. Ein Beispiel hierfür ist die Bilderkennung in der Medizin, wo spezialisierte Algorithmen mit hoher Genauigkeit Tumore auf Röntgenbildern identifizieren können.
Ein weiteres Konzept, das hierbei eine Rolle spielt, ist die sogenannte „KI-Schere“. Diese Idee lässt sich mit der berühmten Simon’schen Schere vergleichen: Sie besagt, dass Heuristiken nur effiziente Entscheidungen treffen und damit nützlich sein können, wenn eine spezialisierte Heuristik auf genau die richtigen Umweltstrukturen trifft. Ebenso ist eine KI-Technik nur dann effizient (und teilweise effektiv), wenn sie perfekt auf den spezifischen Anwendungsfall zugeschnitten ist. Gegenüber der Simon’schen Schere erfordern die Algorithmen des Maschinenlernens jedoch zusätzlich eine ausreichende Datenlage oder anderweitige Information, etwa in Form von Simulationen, um optimal zu funktionieren.
Zudem gilt es zu beachten, dass vielen KI-Techniken nach wie vor schwerfällt, Differentialgleichungen zu verstehen. Diese sind jedoch in physikalischen Systemen oft entscheidend. Bei genauer Kenntnis des Systems und insbesondere der zugrundeliegenden physikalischen Zusammenhänge sind daher diese Gleichungen vorzuziehen. Wie bereits angeklungen, gibt es jedoch auch Ansätze, dieses Vorwissen direkt in die KI-Technik zu integrieren, wie etwa bei physikbasierten neuronalen Netzen, die physikalische Prinzipien in ihre Struktur einbinden, um genauere und robustere Modelle zu erstellen und so diesem Nachteil zu begegnen.
Wenn ein Unternehmen plant, den Bereich der KI für sich zu erschließen, stellt sich natürlich zunächst die typische make-or-buy-Entscheidung, also wie viel Expertise soll im Haus vorhanden sein und was wird zugekauft. Insbesondere GenAI erfordert zudem meist weniger KI-spezifisches Wissen. Dafür wird GenAI-spezifisches Wissen nötig.
Für einen erfolgreichen Einsatz von KI sind jedoch mindestens die folgenden Fähigkeiten nötig, wobei manche hiervon ausgelagert werden können:
Der erste Schritt beim Einsatz von KI besteht darin, den spezifischen Anwendungsfall genau zu definieren und zu verstehen. Hierbei geht es darum, die Herausforderungen und Ziele des Projekts klar zu identifizieren. Ein tiefes Verständnis des Problems und der möglichen Lösungsansätze ist unerlässlich, um die richtige KI-Technologie zu wählen. Es ist wichtig, nicht nur die technischen, sondern auch die geschäftlichen Anforderungen zu berücksichtigen, um sicherzustellen, dass der KI-Einsatz tatsächlich einen Mehrwert liefert. Ein Beispiel hierfür könnte die Optimierung von Lieferketten sein, bei der KI zur Vorhersage von Nachfrage und zur Reduzierung von Lagerkosten eingesetzt wird. Wichtig ist zudem eine gute Kenntnis der Schnittstellen und Rahmenbedingungen unter denen ein Anwendungsfall erst funktioniert.
Der zweite Schritt umfasst die Identifikation und Analyse der benötigten Daten und Informationen. Für die erfolgreiche KI-Integration im Unternehmen es entscheidend, genau zu wissen, welche Daten zur Verfügung stehen und wie diese genutzt werden können. Die Qualität der Daten spielt hierbei eine zentrale Rolle, ebenso wie ihre Relevanz für den spezifischen Anwendungsfall. Unvollständige oder fehlerhafte Daten können das gesamte Projekt gefährden, daher ist eine gründliche Datenprüfung und -vorbereitung erforderlich. Beispielsweise könnte ein Unternehmen, das KI zur Vorhersage von Maschinenwartungen einsetzt, feststellen, dass seine Sensordaten unvollständig oder inkonsistent sind, was zu unzuverlässigen Vorhersagen führen würde. Informationen müssen dabei nicht immer in der Form direkter Datensätze vorliegen, sondern können auch andere Formen, wie z.B. die einer Simulation annehmen.
Eine solide Datenlage und ein effektives Datenmanagement sind die Basis für jedes erfolgreiche KI-Projekt. Es geht darum, sicherzustellen, dass die Daten nicht nur qualitativ hochwertig, sondern auch in ausreichender Menge vorhanden sind. Ein durchdachtes Datenmanagementsystem hilft dabei, die Daten effizient zu speichern, zu organisieren und zu verwalten. Dies umfasst auch Maßnahmen zur Qualitätssicherung und zur Sicherstellung der Verfügbarkeit und Aktualität der Daten. Ein Beispiel hierfür könnte ein Unternehmen sein, das KI-gestützte Personalentscheidungen trifft und sicherstellen muss, dass die verwendeten Bewerberdaten aktuell, vollständig und frei von Verzerrungen sind. Wie bei vielen Algorithmen gilt dabei auch bei KI, dass eine Integration irrelevanter Daten nur das Rauschen erhöht und dem Algorithmus so die Arbeit erschwert. Dies kann in einer generell niedrigeren Leistungsfähigkeit des KI-Systems resultieren oder aber in der Notwendigkeit deutlich größerer Algorithmen und Datensätze.
Im vierten Schritt ist es wichtig, sich einen Überblick über die aktuelle KI-Landschaft zu verschaffen. Dies beinhaltet das Verständnis der verschiedenen verfügbaren KI-Technologien und -Tools sowie deren Anwendungsgebiete. Der Überblick über die KI-Landschaft ermöglicht es, die richtige Technologie für den spezifischen Anwendungsfall auszuwählen und von den neuesten Entwicklungen und Best Practices zu profitieren. Beispielsweise könnte ein Unternehmen, das KI zur Optimierung von Produktionsprozessen einsetzen möchte, feststellen, dass es bereits spezialisierte Algorithmen für die Fertigungsindustrie gibt, die sich leicht anpassen lassen.
Nach der Analyse der allgemeinen KI-Landschaft folgt die Auswahl der konkreten KI-Technik, die für das Projekt am besten geeignet ist. Dies kann von der Wahl eines spezifischen Machine-Learning-Algorithmus bis hin zur Integration von vortrainierten Modellen reichen. Die Entscheidung für eine bestimmte Technik sollte auf einer sorgfältigen Abwägung der Vor- und Nachteile basieren, wobei sowohl die technischen Anforderungen als auch die Geschäftsziele berücksichtigt werden müssen. Zum Beispiel könnte ein Unternehmen, das KI für die Kundensegmentierung einsetzt, feststellen, dass ein bestimmter Clustering-Algorithmus besser geeignet ist, um die gewünschten Ergebnisse zu erzielen.
Die Umsetzung eines KI-Projekts erfordert umfassende Fähigkeiten in der Softwareentwicklung, auch wenn mittlerweile mächtige Frameworks zur Erstellung von KI-Algorithmen existieren. Es ist wichtig, dass die KI-Modelle nahtlos in bestehende Systeme integriert und in einer produktiven Umgebung bereitgestellt werden können. Dies erfordert nicht nur fundierte Kenntnisse in der Programmierung, sondern auch in der Entwicklung von Schnittstellen, der Implementierung von Sicherheitsmaßnahmen und der Sicherstellung der Skalierbarkeit des Systems. Ein Beispiel könnte ein Unternehmen sein, das ein KI-Modell zur Vorhersage von Kundenabwanderung entwickelt und sicherstellt, dass es problemlos in das bestehende CRM-System integriert werden kann.
Ein weiterer kritischer Aspekt bei der Implementierung von KI ist die IT-Infrastruktur und IT-Sicherheit. Hier geht es darum, sicherzustellen, dass die eingesetzten Systeme robust und sicher sind. Dies umfasst den Schutz sensibler Daten, die Gewährleistung der Systemverfügbarkeit und die Absicherung gegen Cyberangriffe. Hierbei ist zu beachten, dass durch den Einsatz von KI potentiell neue Angriffsvektoren entstehen, gegen die die Systeme gesichert werden müssen. IT-Sicherheit sollte von Anfang an in den Entwicklungsprozess integriert werden, um spätere Risiken zu minimieren. Beispielsweise könnte ein Unternehmen, das KI für die Verarbeitung sensibler Kundendaten verwendet, sicherstellen müssen, dass diese Daten verschlüsselt und vor unbefugtem Zugriff geschützt sind.
Der letzte Schritt einer erfolgreichen KI-Integration betrifft die Einhaltung von rechtlichen und ethischen Standards, bekannt als KI-Compliance. Dies beinhaltet u.a. die Berücksichtigung von Datenschutzgesetzen, die Sicherstellung der Transparenz und Nachvollziehbarkeit der KI-Modelle, die Erklärbarkeit, die Robustheit, das Datenmanagement, die (IT-)Sicherheit, Umgang mit autonomen Systemen sowie die Beachtung ethischer Richtlinien, insbesondere in Bezug auf Fairness und Nichtdiskriminierung. KI-Compliance ist ein zentraler Bestandteil der verantwortungsvollen Nutzung von KI-Technologien und darf nicht vernachlässigt werden. Zudem ist die KI-Verordnung der EU in Kraft getreten, die z.T. weitreichende und aufwendige Maßnahmen für KI-Systeme vorschreibt. Es handelt sich dabei um eine risikobasierte und anwendungsfallspezifische Regulierung, die empfindliche Strafen bei Nichtbeachtung vorsieht. Ein Beispiel könnte ein Unternehmen sein, das KI für automatisierte Kreditanalysen einsetzt und sicherstellen muss, dass die KI-Entscheidungen transparent und nichtdiskriminierend sind.
Gerade im unternehmerischen Einsatz gilt: KI ist kein Selbstzweck, sondern Mittel zum Zweck. Für konkrete Lösungen muss zwischen allen bestehenden Wegen zum Ziel gut abgewogen werden, wobei keine Vorurteile gegenüber bestimmten Techniken bestehen sollten. KI hat definitiv einen Platz im Werkzeugkoffer der nützlichen Werkzeuge verdient, muss sich für den Einsatz aber immer qualifizieren. Dabei ist klar, dass mit dem Einsatz von KI mittlerweile Funktionen umsetzbar sind, die vor 10 Jahren noch unmöglich erschienen. Dies kann viele Innovationen und Optimierungspotentiale aufdecken. Zum jetzigen Zeitpunkt ist KI allerdings kein Universalwerkzeug oder Allheilmittel, das ohne tiefgehendes KI-Wissen, Domänenwissen, Daten und individuelle Anpassungen erfolgreich angewendet werden kann.
Was sind Ihre Tipps für die erfolgreiche KI-Integration in Ihrem Unternehmen?
Laden Sie sich dieses kostenlose Whitepaper herunter und erfahren Sie alles rund um Künstliche Intelligenz, damit Sie sich Ihren Wissensvorsprung sichern!
Vielen Dank für diesen interessanten Beitrag zum Einsatz von KI.
LG Birgit