Anzeige
Anzeige
Kommentar

Fernab des Hypes: Wie Unternehmen Machine Learning sinnvoll implementieren

Bevor Unternehmen übereilt künstliche Intelligenz implementieren, sollten sie zunächst kritisch überprüfen, welches Einsatzfeld ihre Organisation überhaupt voranbringt, findet Data Scientist und t3n-Gastautor Ryan Chaves.

Von Ryan Chaves
5 Min.
Artikel merken
Anzeige
Anzeige
Nicht nur generative KI, auch Machine Learning kann für Unternehmen ziemlich spannend sein. (Bild: Everything Possible / Shutterstock)

Seit Monaten beherrscht ein Thema die Schlagzeilen der hiesigen Medienlandschaft – und das von Wirtschaftspresse bis Lifestyle-Medien: künstliche Intelligenz (KI).

Anzeige
Anzeige

Die Fragen rund um KI sind vielfältig. Stellt diese technologische Errungenschaft die nächste große Zäsur in der Menschheits­geschichte dar? Was bedeutet diese Entwicklung für jede:n Einzelne:n? Wie verändert sich dadurch die Arbeitswelt? Werden ganze Berufsfelder durch Einsen und Nullen ersetzt? 

Was beim Versuch, diese absolut legitimen Fragen zu beantworten, immer wieder auffällt: Die Diskussion wird oft emotionalisiert geführt. Da ist die Rede von außerordentlichen Potenzialen, aber auch von teilweise panischen Ängsten.

Anzeige
Anzeige

Aus meiner Sicht fehlt es häufig an Pragmatismus und Differenzierung. Deshalb möchte ich versuchen, diese beiden Aspekte mit Blick auf Fintech-Unternehmen, die KI sinnvoll einsetzen wollen, stärker in den Mittelpunkt zu rücken. 

Anzeige
Anzeige

KI, generative KI, maschinelles Lernen: Wie hängt das zusammen? 

Klar zu differenzieren gilt es bereits bei der Definition der Sachverhalte und technologischen Ansätze, über die debattiert wird. Denn insbesondere im B2B-Kontext kommen wir in Diskussionen nur voran, wenn alle Beteiligten sich einig sind, worüber sie gerade sprechen. Um es herunterzubrechen: 

  • Künstliche Intelligenz, generative künstliche Intelligenz und maschinelles Lernen sind allesamt verwandte Konzepte im Bereich der Informatik. 
  • Künstliche Intelligenz (KI oder AI) ist als Oberbegriff zu betrachten. Es handelt sich dabei um das Konzept, dass Maschinen in der Lage sind, Aufgaben auszuführen, die normalerweise menschliches Denken erfordern würden. 
  • Maschinelles Lernen (ML) hingegen ist ein Teilgebiet der KI und bezieht sich auf den Prozess, bei dem Maschinen automatisch aus Daten lernen, Muster erkennen und Vorhersagen treffen, ohne explizit programmiert zu werden. 
  • Auch generative KI (Gen AI) ist ein Teilgebiet der KI, das Techniken aus dem Bereich des ML verwendet (insbesondere Deep Neural Networks), jedoch geht es hierbei darum, gänzlich originäre Inhalte (Texte, Bilder und so weiter) zu erstellen.   

Der große mediale Hype dreht sich derzeit ganz klar um generative KI. Dabei sind es meist die „traditionelleren“ ML-Modelle, die für Unternehmen einen echten Mehrwert schaffen – und die Potenziale von ML im Unternehmens­kontext sind noch lange nicht ausgeschöpft. 

Anzeige
Anzeige

Die meisten prognostizierenden ML-Modelle haben spezifische Ziele, wie zum Beispiel die Vorhersage der Wahrscheinlichkeit von Kund:innenabwanderung oder die Wahrscheinlichkeit, dass ein:e Kund:in mit einem Kredit in Verzug gerät. 

Im Vergleich zu den sehr breit aufgestellten und damit für manche nebulös wirkenden Gen-AI-Anwendungsfällen haben sie klar greifbare Auswirkungen auf das operative Geschäft –  gerade jetzt, da die Möglichkeiten, Daten zu generieren, kontinuierlich zunehmen. 

Die größte Herausforderung für Unternehmen ist jedoch nicht die Frage, ob ML implementiert werden soll, sondern darin, die Implementierung so zu gestalten, dass ein echter Wert für die Organisation generiert wird. Der soll dann auch noch in Einklang mit dem Wachstum des Unternehmens skalierbar sein, schließlich sind für die Implementierung adäquate finanzielle Mittel und personelle Expertise gefragt. 

Anzeige
Anzeige

Machine Learning im Unternehmen: Wie funktioniert’s? 

Unternehmen sollten sich meiner Erfahrung nach immer an einen Grundsatz halten: Gerade, wenn ein Thema – wie eben eine neue bahnbrechende Technologie – als möglicher Heilsbringer deklariert wird, sollte man nicht in blinden Aktionismus verfallen. Eine richtungsweisende Entscheidung nur aus Angst, den Anschluss zu verlieren, ohne stringente Strategie zu treffen ist der falsche Weg.

Schon mit wenigen, klar definierten Schritten lässt sich das Für und Wider eines möglichen Einsatzes von ML-Modellen identifizieren. 

Analyse des Status quo

Mit einer ausreichenden Anzahl historischer Daten können ML-Modelle für eine Vielzahl von Anwendungsfällen entwickelt werden. Diese Anwendungsfälle konzentrieren sich in der Regel auf die Vorhersage eines Wertes (zum Beispiel die Wahrscheinlichkeit eines Betrugs), der für eine bessere Entscheidungsfindung oder für Automatisierung in einem Unternehmen genutzt werden kann. 

Anzeige
Anzeige

Da jedes entwickelte Modell personelle und finanzielle Kapazitäten in Anspruch nimmt, müssen die Verantwortlichen zunächst analysieren, welche Geschäftsbereiche am meisten von der Implementierung profitieren und den größten Effekt auf das eigene Produkt, die Kund:innen oder weitere relevante Bereiche haben.

Im Falle eines Fintech-Unternehmens könnte dies zum Beispiel der Bereich Risikomanagement und Betrugserkennung sein, bei einem Online-Retailer die Empfehlung verwandter Artikel oder die Steigerung der Konversionsrate.     

Erfolgreiche Implementierung: Es braucht mehr als die Fachabteilung

Bereits bei der angesprochenen Analyse des Status quo beginnend und für die operative Umsetzung von größter Bedeutung: Das Team der Daten­wissenschaftler:innen muss mit den anderen Abteilungen des Unternehmens kollaborieren und deren fachliche Kompetenzen und operatives Wissen für seine Arbeit nutzen. Dafür müssen neue Strukturen geschaffen und die jeweiligen Arbeitsweisen aufeinander abgestimmt werden.

Anzeige
Anzeige

Nur dann gelingt es, zielgerichtete Modelle mit echtem Mehrwert zu entwickeln. Ein Erfolg versprechender Ansatz wäre beispielsweise, funktions­übergreifende Projektteams zu installieren, die Fachexpert:innen (zum Beispiel Produktentwicklung), Daten­wissenschaftler:innen und Ingenieur:innen vereinen.

Die Qualität der Daten: Das Zünglein an der Waage

Unternehmen sollten rechtzeitig damit beginnen, die für die Erstellung von ML-Modellen notwendigen Daten zu sammeln und zu überprüfen. Sind die Daten überhaupt vollständig und genügt die Qualität den Ansprüchen? Oder verfälschen unsaubere Daten das erhoffte Ergebnis, indem sie falsche Ableitungen für konkrete operative Maßnahmen (beispielsweise Marketing-Initiativen) treffen?

Gegebenenfalls müssen die Datensätze dann im ersten Schritt bereinigt werden. Denn je anspruchsvoller und komplexer die initial geplanten Modelle sind, desto wichtiger ist eine saubere und aussagekräftige Datengrundlage. 

Anzeige
Anzeige

Externer Support, um anfängliche Hürden aus dem Weg zu räumen

Vor allem kleine und mittelständische Unternehmen haben meist den Nachteil, nicht über ein komplettes Team an Daten­analyst:innen und Ingenieur:innen zu verfügen. Realistisch betrachtet benötigt ein Unternehmen jedoch zumindest einen personellen Grundstock an Expert:innen, ohne den die bereits genannten Punkte nur schwer umzusetzen sind.

Im Anfangsstadium ist es deshalb durchaus überlegenswert, für begrenzte Zeit den Support einer auf ML-Plattformen spezialisierten Beratungsagentur heranzuziehen. Diese kann den Implementierungs­prozess begleiten und steht mit Expert:innen und Sparrings­partner:innen für die gewünschte Zeit zur Verfügung.  

Das Skalierungs­potenzial bestimmt, wohin die Reise geht

Insbesondere wenn eine Organisation den Plan verfolgt, den Einsatzbereich von ML Schritt für Schritt zu erweitern, ist eine komplexe Infrastruktur inklusive ML-Plattform und ML-Ops ein Muss. Nur dann ist gewährleistet, dass das aufgesetzte System die Kapazitäten hat, in Einklang mit dem Unternehmens­wachstum und den operativen Anforderungen zu wachsen.  

Anzeige
Anzeige

Das A und O: Kühlen Kopf bewahren und kollaborative Strategie entwickeln

Abschließend möchte ich vor allem eines festhalten: Bei der richtungsweisenden Entscheidung, ML-Modelle in die eigenen Unternehmens­prozesse zu integrieren, muss unbedingt vermieden werden, den zweiten oder dritten Schritt vor dem ersten zu gehen.

Ich empfehle von Anfang an eine abteilungs­übergreifende Taskforce, die fachspezifische Expertise, Projektmanagement und Entscheider:innen an einen Tisch bringt. So lassen sich genau die Geschäftsbereiche identifizieren, die am meisten von Neuerungen profitieren und bei denen die zuständige Fachabteilung in der Lage ist, diese auch erfolgreich umzusetzen.

Die Einführung von ML-Modellen an der einen Stelle schließt natürlich nicht aus, dass unabhängig davon an anderer Stelle – beispielsweise in der Marketing-Abteilung für die Erstellung von Produkttexten oder Werbematerialien– mit Gen-AI-Anwendungen wie ChatGPT experimentiert wird. Entscheidend ist eben in erster Linie die Gewichtung personeller und monetärer Kapazitäten, um sich nicht im Hype zu verlieren.   

Fast fertig!

Bitte klicke auf den Link in der Bestätigungsmail, um deine Anmeldung abzuschließen.

Du willst noch weitere Infos zum Newsletter? Jetzt mehr erfahren

Anzeige
Anzeige
Kommentare

Community-Richtlinien

Bitte schalte deinen Adblocker für t3n.de aus!
Hallo und herzlich willkommen bei t3n!

Bitte schalte deinen Adblocker für t3n.de aus, um diesen Artikel zu lesen.

Wir sind ein unabhängiger Publisher mit einem Team von mehr als 75 fantastischen Menschen, aber ohne riesigen Konzern im Rücken. Banner und ähnliche Werbemittel sind für unsere Finanzierung sehr wichtig.

Schon jetzt und im Namen der gesamten t3n-Crew: vielen Dank für deine Unterstützung! 🙌

Deine t3n-Crew

Anleitung zur Deaktivierung
Artikel merken

Bitte melde dich an, um diesen Artikel in deiner persönlichen Merkliste auf t3n zu speichern.

Jetzt registrieren und merken

Du hast schon einen t3n-Account? Hier anmelden

oder
Auf Mastodon teilen

Gib die URL deiner Mastodon-Instanz ein, um den Artikel zu teilen.

Community-Richtlinien

Wir freuen uns über kontroverse Diskussionen, die gerne auch mal hitzig geführt werden dürfen. Beleidigende, grob anstößige, rassistische und strafrechtlich relevante Äußerungen und Beiträge tolerieren wir nicht. Bitte achte darauf, dass du keine Texte veröffentlichst, für die du keine ausdrückliche Erlaubnis des Urhebers hast. Ebenfalls nicht erlaubt ist der Missbrauch der Webangebote unter t3n.de als Werbeplattform. Die Nennung von Produktnamen, Herstellern, Dienstleistern und Websites ist nur dann zulässig, wenn damit nicht vorrangig der Zweck der Werbung verfolgt wird. Wir behalten uns vor, Beiträge, die diese Regeln verletzen, zu löschen und Accounts zeitweilig oder auf Dauer zu sperren.

Trotz all dieser notwendigen Regeln: Diskutiere kontrovers, sage anderen deine Meinung, trage mit weiterführenden Informationen zum Wissensaustausch bei, aber bleibe dabei fair und respektiere die Meinung anderer. Wir wünschen Dir viel Spaß mit den Webangeboten von t3n und freuen uns auf spannende Beiträge.

Dein t3n-Team

Kommentar abgeben

Melde dich an, um Kommentare schreiben und mit anderen Leser:innen und unseren Autor:innen diskutieren zu können.

Anmelden und kommentieren

Du hast noch keinen t3n-Account? Hier registrieren

Anzeige
Anzeige