17.08.2022 – Kategorie: Digitale Transformation

Transfer Learning: Mehr Sicherheit bei KI-Themen

Für viele Unternehmen klingt der Begriff „künstliche Intelligenz“ immer noch nach einem abgehobenen Thema. Mit einer pragmatischen Herangehensweise und KI-Services aus der Cloud lassen sich jedoch viele Prozesse deutlich optimieren und automatisieren. Das gilt insbesondere für die Fähigkeit, Vorhersagen zu treffen, was in schwierigen Zeiten noch wichtiger wird.

Bei einigen Anwendungsszenarien machen Ansätze wie Transfer Learning die Entwicklung von KI-Lösungen günstiger und reduzieren das Risiko zumindest teilweise. Denn hier geht es darum, vortrainierte Modelle zu nutzen und für die eigene Problemstellung anzupassen.

Transfer Learning für den leichten Einstieg

Viele Unternehmen tun sich noch schwer, in das Thema KI einzusteigen oder die Technologie in der Breite zu nutzen. Teilweise werden zwar Proofs of Concept und Pilotvorhaben gestartet, dann aber nicht immer mit operativen Projekten weiterverfolgt. Ein Grund dafür ist, dass der Nutzen von KI-Lösungen nicht leicht greif- und belegbar ist. Das nötige Investment wird als Risiko eingeschätzt, da kein fertiges Produkt mit einem garantierten Nutzen gekauft werden kann. Zugleich ist der Projekterfolg von vielen Faktoren abhängig: Von der Qualität, Quantität und Verfügbarkeit der Daten, ebenso wie der Bereitschaft der Mitarbeitenden, sich auf neue Prozesse einzulassen. Das gilt gerade auch im Bereich der Forecasts, die oft im Fachbereich auf Basis von Vergangenheitsdaten und Erfahrungswerten erstellt wurden. Wenn eine KI-Lösung diese Aufgabe übernimmt, entsteht häufig Unsicherheit darüber, wie valide und verlässlich die Daten sind.

Das Team auf den KI-Weg mitnehmen

Während zuvor auf das Bauchgefühl und kurzfristige, steuernde Reaktionen gesetzt wurde, erscheinen die Analyse-Ergebnisse zunächst als schwer nachvollziehbare „black box“. Ein gutes Beispiel, um sich den Einsatz von KI-Technologie vorzustellen, sind Robotrading-Plattformen, die Anlagetipps geben. Sie verarbeiten ebenfalls riesige Datenmengen und damit ein Maß an Information, das kein einzelner Anleger jemals vergleichen und einbeziehen könnte.

Im Business-Umfeld analysieren KI-Algorithmen sehr viele unterschiedliche Parameter über große Mengen an historischen Daten, vielleicht auch zusätzlich Informationen aus Marktanalysen, Lieferantenbewertungen oder sogar Wetterdaten. Das hilft vor allem dort, wo aufgrund aktueller Umbrüche – wie Corona-Krise oder Ukrainekrieg – Lieferketten ins Wanken geraten. Welche Materialien oder Waren werden knapp? Wie viele Lagerbestände sollten für die prognostizierten Aufträge aufgebaut werden, um Lieferuntreue oder höhere Beschaffungskosten zu vermeiden? Während bisher die meisten Informationen im ERP-System zu finden waren, gilt es nun, weitere Informationen einzubeziehen und Arbeitsprozesse umzustellen, um KI zu nutzen.

Auf Cloud-KI-Plattformen experimentiert es sich leichter

Auf eigene Faust on-Premises ist das Thema KI vom Investitionsaufwand her kaum zu stemmen. Cloud-Plattformen wie Microsoft Azure hingegen erleichtern den Einstieg, weil sich die nötigen Rechenressourcen und KI-Services gezielt für eigene Projekte buchen und bei Bedarf wieder kündigen lassen. Services wie Azure Synapse helfen zudem dabei, Dateninfrastrukturen wie Data Lakes oder Warehouses zu organisieren und viele Quellen zu verknüpfen, um zentral entsprechende KI-Lösungen darauf zu fahren. Eine Erleichterung beim Einsatz von KI bringen auch Werkzeuge wie Auto ML, die anhand der verfügbaren Datensätze und Ziele das am besten geeignete KI-Modell vorschlagen – und den zeitaufwändigen Prozess der Modellentwicklung im Machine Learning automatisieren.

Die Praxiserfahrung zeigt: Es gibt viele Use Cases, die sich wirklich lohnen. Dazu gehören Themen wie die dynamische Preisgestaltung, um Erträge zu sichern, ebenso wie Demand Forecasts, um Marktpotenziale richtig einzuschätzen. Oft ist Churn Prevention hilfreich, also die rechtzeitige Erkennung von Abwanderungstendenzen bei Kunden. Für viele Unternehmen lohnen sich Cross- oder Upselling-Algorithmen, mit denen Vorschläge gemacht werden, die mit hoher Wahrscheinlichkeit relevant für den jeweiligen Kunden sind. In der produzierenden Industrie setzen sich zunehmend Predictive Control in der Produktionsplanung und -steuerung durch, aber auch vorausschauende Wartung oder KI-Bilderkennung für Qualitäts- oder Sortierprozesse.

Transfer Learning kann KI-Nutzung vereinfachen

Der erste wichtige Schritt ist die Identifikation der Ansätze, die das eigene Unternehmen nach vorn bringen können. Doch auch bei guten Ideen steckt der Teufel wie gewohnt im Detail. Im schlechtesten Fall fehlen am Ende sogar Daten, um eine Lösung fertigzubauen. Dieser Herausforderung kann am besten mit dem Prinzip „fail fast“ begegnet werden: Also möglichst früh im Erkundungsstadium abzuklären, was geht – und was nicht. Gerade für kleine und mittlere Unternehmen, die in der Regel nicht über ein Team von Datenanalysten verfügen, ist ein vertrauenswürdiger Partner wichtig, der diese Expertise und eine geeignete Vorgehensweise im Projekt einbringt. Das bedeutet, agil vorzugehen und immer wieder zu hinterfragen, ob das Team noch auf dem richtigen Weg ist.

Bei einigen Anwendungsszenarien machen Ansätze wie Transfer Learning die Entwicklung von KI-Lösungen günstiger und reduzieren das Risiko zumindest teilweise. Denn hier geht es darum, vortrainierte Modelle zu nutzen und für die eigene Problemstellung anzupassen. So lassen sich Lösungen oft besser und schneller umsetzen. Gute Beispiele sind Text-, Ton- und Bilderkennung im Bereich Cognitive Services, wo man mit vortrainierten Modellen bereits vernünftige Ergebnisse erzielen kann. Bei der Texterkennung können zum Beispiel mit Transfer Learning auch neue Schriftarten, auf die zuvor nicht eigens trainiert wurde, gut und zuverlässig erkannt werden. In der Bildverarbeitung lässt sich so beispielsweise ein Algorithmus schnell auf eine andere oder neue Produktvariante oder ein etwas anders geformtes Bauteil anpassen.

Zentrales Datenmanagement unterstützt automatisierten KI-Einsatz

Die Erfahrung zeigt: Die Daten sind immer ein Thema, oft liegen sie zu Beginn nur in unzureichender oder schlechter Qualität und Quantität vor. Auch die Verfügbarkeit und der Zugriff auf die Daten gestaltet sich oft problematisch: Sie sind häufig in unterschiedlichen Quellsystemen und Datensilos einzelner Abteilungen gespeichert, an die nur schwer heranzukommen ist. Einen wichtigen Vorsprung haben hier Unternehmen, die auf übergreifende Plattformen setzen, auf denen Daten mittels eines zentralen Datenmanagements nach dem Prinzip „Single Source of Truth“ einschließlich Security und Zugriffsrechteverwaltung organisieren werden. Deshalb sollte die Datenstrategie zusammen mit Data Governance bei der digitalen Transformation der Geschäftsprozesse auf jeden Fall im Fokus stehen.

Ganz klar: Je eher in Projekten auf standardisierte Daten zugegriffen werden kann, desto leichter können dafür auch Standard-Services zum Einsatz kommen, um schneller von KI zu profitieren.