Roundtable Machine Learning

Vom Prototyp zum praktischen Projekt

01.04.2021
Von 
Iris Lindner ist freiberufliche Journalistin für Elektronik und Automatisierung.
Dass die Technik funktioniert, ist längst bewiesen. Dennoch schaffen es nicht alle KI-Cases vom PoC zum breiten Roll-out.
Noch haben viele Machine-Learning-Projekte Schwierigkeiten über den Prototypen-Status hinauszukommen.
Noch haben viele Machine-Learning-Projekte Schwierigkeiten über den Prototypen-Status hinauszukommen.
Foto: Skorzewiak - shutterstock.com

Die Idee dahinter ist klar, ein paar Use-Cases sind weit bekannt, die Werkzeuge vorhanden. Trotzdem haben Projekte im Bereich Machine Learning und Künstliche Intelligenz so ihre Schwierigkeiten damit, über den Prototypen-Status hinauszukommen.

Woran KI-Projekte scheitern

Woran das liegt? Kurzum: Die Herausforderungen liegen nicht auf der technischen Seite. Machine-Learning- oder KI-Projekte scheitern häufig daran, dass man von Anfang an das Business nicht berücksichtigt. Oft wird auch vergessen, diejenigen miteinzubeziehen, die es hinterher betreiben müssen. Doch es gibt auch positive Erfahrungen aus der Praxis: Unternehmen zum Beispiel, die mit einem Team aus Data Scientists eine zentrale Anlaufstelle für die Fachbereiche etabliert haben. Know-how und Kommunikation ermöglichen es ihnen, Ideen innerhalb kürzester Zeit dahingehend zu überprüfen, ob das Ergebnis für die Fachbereiche auch wirklich interessant ist. Denn nur so erreicht man Akzeptanz für die Technik und die Unterstützung bei deren Anwendung.

Bewährt hat sich ferner, bereits in einer frühen Phase Datenschützer sowie Mitglieder des Betriebsrats in Workshops für die Use-Case-Evaluation einzuladen. Das schafft nicht nur Transparenz, sondern gibt den Beteiligten auch die Möglichkeit, frühzeitig auf eventuelle Probleme hinzuweisen. Und dies sollte schon vor dem Proof of Concept stattfinden, um die spätere Operationalisierung bereits im Vorfeld betriebswirtschaftlich zu steuern. Je nach Größe des Projekts empfiehlt sich ferner ein Steering Committee. Durch regelmäßiges Reporting kann dabei verhindert werden, dass auf dem Weg vom PoC über das MVP zum Roll-out ein Monolith aufgebaut wird.

Deutschland – Land der Piloten

Wenn es um die technische Umsetzung von Machine-Learning- oder KI-Projekten geht, so sollte man die Notwendigkeit beziehungsweise den Umfang eines PoC durchaus einmal kritisch hinterfragen. Mittlerweile ist die Technik genügend erprobt, um zu wissen, was man davon erwarten kann. Muss man also wirklich noch im Detail zeigen, dass die Technologie an sich funktioniert? In den meisten Fällen nicht. Predictive Maintenance ist so ein Beispiel. Anstatt hier einen aufwendigen Piloten aufzusetzen, sollte man sich auf die verfügbaren Daten konzentrieren. Mit anderen Worten: Sind überhaupt die Rahmenbedingungen gegeben, um die Technologie für diesen Business Case wirklich einzusetzen? Ob es mit den vorhandenen Daten funktioniert und wie es mit deren Einbettung aussieht, kann bei Predictive Maintenance relativ schnell geklärt werden. Dennoch braucht es eine Phase, in der man mit wenig Investment auch scheitern kann.

Wesentlich mehr Investment erfordert hingegen die Datengenerierung. Ob es sich lohnt, die Daten zu erheben, hängt ausschließlich vom anfangs definierten Business Case ab. Dessen Erfolg lässt sich im Vorfeld betriebswirtschaftlich nicht immer leicht berechnen, geschweige denn messen. Typische Beispiele hierfür sind Customer-Experience-Projekte. Einsparungen, die sich durch Verbesserungen der Effizienz oder Reduzierung des Materialverbrauchs ergeben, lassen sich hingegen sehr gut dem Investitionsaufwand gegenüberstellen.

Data Governance schaffen

Betriebswirtschaftlich ebenfalls schwer zu erfassen ist der Aufwand, um eine einheitliche Datenplattform sowie eine einheitliche Data Governance zu schaffen. Eine unternehmensweite Datenplattform ist zwar für den Anfang keine Notwendigkeit; ohne sie würde es aber eventuell entweder nur bei einem Use Case bleiben oder im Laufe der Zeit würden für jeden weiteren Case erneute Kosten verursacht.

Die Tatsache, dass Digitalisierung wichtig ist und man Data Governance betreiben soll, ist laut den Erfahrungen einiger Experten und Expertinnenbei der Geschäftsleitung kleinerer Unternehmen noch lange nicht angekommen. Hier ist man in Deutschland noch sehr rückständig.

Studie "Machine Learning 2021": Sie können sich noch beteiligen!

Zum Thema Machine Learning führt die COMPUTERWOCHE derzeit eine Multi-Client-Studie unter IT-Entscheidern durch. Haben Sie Fragen zu dieser Studie oder wollen Sie Partner werden, helfen Ihnen Regina Hermann (rhermann@idgbusiness.de, Telefon: 089 36086 384), René Krießan (rkriessan@idg.de, Telefon: 089 36086 322) und Bastian Wehner (bwehner@idg.de, Telefon: 089 36086 169) gerne weiter. Informationen zur der Studie Machine Learning finden Sie auch hier zum Download (PDF).

Erneuter Hype Cycle oder Abkühlungsphase?

Vor vier, fünf Jahren war KI in aller Munde und wurde als die Zukunftstechnologie gefeiert. Entsprechend hoch waren die Erwartungen - so hoch, dass es unmöglich war, sie zu erfüllen. Dies führte bei vielen sowohl zur Resignation als auch zu der Erkenntnis, dass KI-Projekte viel Basisarbeit benötigen. Wurde KI durch Machine Learning nun wieder ein Hype-Cycle-Thema oder befinden wir uns in einer Abkühlungsphase?

Heute wird pragmatischer über KI nachgedacht: Statt blind darauf loszulaufen, setzt man nun gezielt auf Data Scientists und Weiterbildung. So wird KI mehr und mehr zur Commodity: Sie ist verfügbar und man kann sie schneller austesten. Das Ergebnis: Es entstehen viele kleine PoCs.

IT versus Data Scientists

Der Wunsch der Data Scientists nach Operationalisierung widerspricht oft den Vorstellungen der IT. Und so scheitern nicht wenige der Projekte an den unterschiedlichen Vorstellungen über die Machbarkeit. Diese Verständnislücke zu schließen - und Künstliche Intelligenz damit ein Stück weit zu entmystifizieren -, ist Aufgabe der Geschäftsleitung. Sie muss die klare, strategische Ausrichtung vorgeben, um viele kleine PoC-Inselchen ohne Möglichkeit der Skalierung zu vermeiden. Eine zentrale Datenplattform zeichnet sich hierbei zunehmend als Trend ab, deren Aufbau sollte aber den KI- oder ML-Projekten nicht vorangestellt werden. Erstens würde ein Projekt dieser Größenordnung nur abschrecken, zweitens lassen sich nach einer genauen Einzelfallbetrachtung oft mit dem vorhandenen Datenbestand schon sehr produktive Cases aufsetzen.

Der Roll-out, also die unternehmensweite Nutzung einer Technologie, ist eine Reise, auf der man sich in modularen Schritten dem großen Ziel nähert. "Think big, but start small, scale fast or fail early", lautet dabei ein Ratschlag an die Unternehmen. Wer die Rahmenbedingungen schafft, bei der Anzahl der Projekte nicht übertreibt und deren Skalierung realistisch einschätzt, den wird auch ein Fail nicht zurückwerfen. Im Gegenteil: Derjenige hat dadurch die Möglichkeit, Prozesse agiler zu gestalten.

Informationen zu den Partner-Paketen der Studie Machine Learning