Enable javascript in your browser for better experience. Need to know to enable it? Go here.

Linse eins: Partnerschaft mit KI

 

Machine Learning (ML) und Künstliche Intelligenz (KI) gewinnen in allen Branchen an Zugkraft. Von der Automatisierung alltäglicher Geschäftsprozesse bis hin zur Unterstützung strategischer Entscheidungsfindung – wir beobachten eine rasche Übernahme verschiedenster Anwendungsfälle. Durch ein besseres Verständnis der jeweiligen Stärken und Grenzen von Menschen und Maschinen können Unternehmen ausgewogene und produktive Partnerschaften zwischen ihren Mitarbeiter:innen und KI entwickeln. Sie können so größtmöglichen Nutzen aus aufkommenden Technologien ziehen, ohne dabei die möglichen ethischen Auswirkungen aus den Augen zu verlieren.

 

 

Unter die Lupe genommen 

 

Wenn wir wirklich mit KI zusammenarbeiten wollen, dürfen wir sie nicht als ein Werkzeug zur Lösung aller Geschäftsprobleme betrachten. Vielmehr müssen wir verstehen, wo sie Mehrwert erzeugt, wo menschliches Handeln erforderlich ist, um ihr Potenzial auszusch pfen und wo sie sich als unwirksam erweisen könnte.

Einige unternehmerische Probleme – zum Beispiel solche, die eine Nutzung historischer Daten oder schnelle digitale Feedbackschleifen erfordern – lassen sich durch den Einsatz von KI zu vollständig automatisierten Prozessen oder Entscheidungsfindungen entwickeln. Für andere jedoch – insbesondere solche, die Kreativität, Intuition und zeitintensivere strategische Feedbackschleifen erfordern – dient KI am besten als Verstärkung der menschlichen Talente.

KI-gestützte Techniken werden mehr und mehr zum Mainstream und berühren daher auch mehr Bereiche unseres täglichen Lebens. Daher müssen ihre Auswirkungen aus einer ethischen Perspektive betrachtet werden. Dies treibt die Forschung und Entwicklung von Tools voran, um erklärbare KI (XAI) und robustere Governance-Prozesse, darunter auch eine automatisierte Compliance, zu unterstützen.

 

Zu den Signalen gehören:

 

  • Ein anhaltender Investitionsschub in KI-Forschung und -Anwendungen. Das Marktforschungsunternehmen IDC schätzt, dass der weltweite KI-Markt bis 2024 die 500-Milliarden-Dollar-Grenze durchbrechen wird
  • Anhaltend hohe Nachfrage nach ML-, KI- und Datenspezialist:innen auf dem Stellenmarkt. Laut LinkedIn, waren KI-Spezialist:innen 2020 die am schnellsten wachsende Stellenkategorie, während Glassdoor 2021 Data Scientists auf Platz zwei der besten Jobs in den Vereinigten Staaten setzte
  • Steigende Zunahme an ML/KI-Startups, spezialisierten Produkten, Börsengängen und übernahmen. Im Oktober 2021 ging Exsientia – ein britisches Unternehmen, das die weltweit ersten drei KI-entwickelten Arzneimittel in die erste Testphase am Menschen gebracht hat – mit einer Bewertung von drei Milliarden US-Dollar an die NASDAQ.
  • Veränderungen bei bestehenden Stellen und Rollen. Das Weltwirtschaftsforum schätzt, dass bis 2025 85 Millionen Arbeitsplätze verdrängt werden könnten durch eine Verschiebung in der Arbeitsteilung zwischen Menschen und Maschinen, demgegenüber stehen 97 Millionen potenziell neu entstehende Rollen
  • Verstärkte öffentliche Wahrnehmung von Situationen, in denen KI unbeabsichtigte Folgen hatte. So geriet beispielsweise Gesichtserkennung mehrfach in die Schlagzeilen, weil Bedenken hinsichtlich des Datenschutzes aufkamen, und bei der KI von Twitter zum Zuschneiden von Bildern wurden rassistische Voreingenommenheiten festgestellt. Dessen ungeachtet gibt es Bedenken, dass ethisches KI-Design auch innerhalb des nächsten Jahrzehnts nicht die Norm sein wird


Die Chancen

 

Die meisten Unternehmen sind sich dessen bewusst, dass Automatisierung die Produktivität ihrer Mitarbeiter:innen verbessern kann, weil sich wiederholende alltägliche Datenverarbeitungsaufgaben automatisiert werden. Automatisierung hat das Potenzial, einige Arbeitsplätze grundlegend zu verändern oder gar überflüssig zu machen. Andererseits wird sie auch neue Rollen schaffen, bei denen Menschen mit anspruchsvollen Aufgaben betraut werden, die Urteilsvermögen und Kreativität erfordern. Zu den typischen Bereichen, die von einer Automatisierung profitieren können, zählen die dynamische Preisgestaltung, Empfehlungssysteme, Erkennung von Anomalien und Optimierung von Lieferketten.

 

In anderen Fällen wird die Arbeit von Menschen insofern von der Erweiterung durch KI/ML profitieren, dass Mensch und Maschine kombinierende oder sich ergänzende Rollen übernehmen. Dabei geht es zumeist um die Lösung von solchen Problemen, die Kreativität, Intuition, Erfahrung und eine ganzheitliche Denkweise erfordern. Dazu gehören wichtige strategische Entscheidungen, die nicht sehr häufig getroffen werden – wie zum Beispiel „Welches Produkt sollten wir als nächstes verkaufen?“ oder „Wie können wir Netto-Null-Emissionen erreichen?“ – Sie können aber auch davon profitieren, dass Maschinen helfen, verschiedene Ergebnisse zu simulieren und zu untersuchen oder auch Ideen zu generieren, die Menschen dann bewerten können. Beispiele hierfür sind die KI-gestützte Arzneimittel- oder Produktentwicklung und dynamische Simulationen für die Planung komplexer Szenarien wie dem Klimawandel.

 

Alle diese Anwendungen zeigen, wie KI einen Mehrwert für das gesamte Unternehmen schaffen kann: von der Verbesserung interner Abläufe und fundierteren Geschäftsentscheidungen bis hin zur Produktinnovation und einer besseren Kund:innenerfahrung.

Landscape view of Oslo with city lights and cloudy purple sky Landscape view of Oslo with city lights and cloudy purple sky

Kundenbeispiel

Forenom ist ein schnell wachsender Anbieter von Serviced Apartments mit Tausenden von Zimmern in allen größeren Städten Skandinaviens. Jedes Jahr übernachten 200.000 Gäste in den Unterkünften von Forenom. Ihr Revenue-Managementteam musste in ihrem alten System Stunden manueller Arbeit investieren, um die Preise zu aktualisieren. Um die betriebliche Effizienz zu verbessern und den Umsatz pro Zimmer zu maximieren, ersetzten wir das alte Preissystem durch ein Online-Modell für Reinforcement Learning, das eine dynamische Preisstrategie umsetzt. Die KI-Lösung führte zu einer Umsatzsteigerung von 13 % und bewies, dass die Automatisierung operativer Entscheidungen signifikante Geschäftsergebnisse liefern kann.
Whisky distillery factory equipment in copper color and blurred background Whisky distillery factory equipment in copper color and blurred background

Kundenbeispiel

Eine erfolgreiche Partnerschaft mit KI haben wir auch erlebt, als wir Computerkreativität für die Produktforschung und -entwicklung einsetzten. Wir haben mit Mackmyra, einer schwedischen Brennerei, zusammengearbeitet, um den ersten KI-generierten Whiskey auf den Markt zu bringen. Dabei setzten wir Machine Learning ein, um hunderte von verschiedenen Rezepten zu generieren, aus denen der menschliche Master Blender die auswählen konnte, die er produzieren wollte. Dies sollte den Master Blender nicht ersetzen, sondern ihm helfen, die ganze Bandbreite an Möglichkeiten zu erkunden. Der Whiskey wurde von einer KI generiert, aber von einem Menschen kuratiert. Der Mackmyra AI:01 Intelligens hat zahlreiche Auszeichnungen erhalten, vom Gold Label des American Distilling Institute und der Best International Malt Whisky Trophäe bis hin zum weltberühmten ADC Silver Cube im Produktdesign.

Zu beobachtende Trends: Top drei

 

Übernehmen

 

Operationalisierung von KI – In vielen Unternehmen verlagert sich die Übernahme von KI und ML von der Experimentierphase in die Produktion und rückt damit n her an die Kund:innen. Neben der Entwicklung der technischen Fähigkeiten zum Trainieren, Bereitstellen und Überwachen von ML-Systemen (wie zum Beispiel CD-4ML) gilt es auch, Prozess- und Betriebsaspekte zu berücksichtigen. An erster Stelle steht der Governance-Prozess für den Einsatz von KI und ML, der die Belange von Audit, Erkl rbarkeit, Ethik, Voreingenommenheit und Fairness berücksichtigen muss. An zweiter Stelle steht die Bereitschaft des Unternehmens, KI- und ML-Lösungen zu übernehmen, sobald sie verfügbar sind, was möglicherweise Change Management erfordert – insbesondere, wenn Rollen davon betroffen sind.

 

Analysieren

 

Online Machine Learning – Machine-Learning-Modelle werden in der Regel als Offline-Stapel-Aktivität mit einem statischen Datensatz trainiert, der sich im Laufe der Zeit nicht weiterentwickelt. Die Notwendigkeit, Modelle häufiger neu zu trainieren, wird offensichtlich, wenn sich die Daten selbst schnell ändern. Online Machine Learning-Techniken ermöglichen Lösungen, die auf der Grundlage der nacheinander eintreffenden Daten kontinuierlich lernen. Reinforcement Learning ist ein Beispiel für solche Techniken, die weniger von historischen Daten abhängig sind und in Bereichen wie Content Placement, Personalisierung und dynamischer Preisgestaltung eingesetzt werden.



Antizipieren

 

Kausale Inferenz für ML – Viele Machine-Learning-Techniken nutzen statistische Methoden zum Lernen, indem sie Korrelationen zwischen Variablen finden. Dies funktioniert dann gut, wenn sich die für die Inferenz eingesetzten Daten im Vergleich zu den Trainingsdaten nicht stark verändert haben. Korrelation bedeutet allerdings nicht gleich Kausalität. Bei der kausalen Inferenz werden Techniken untersucht, mit denen sich Ursache-Wirkungsbeziehungen zwischen den Eingabedaten und den Ergebnissen herstellen lassen. Wenn Machine-Learning-Modelle kausale Beziehungen lernen können, sind sie allgemeiner anwendbar und erfordern weniger Trainingsdaten, um gut zu arbeiten. Es gibt erste Forschungsarbeiten, die versuchen, auf kausaler Inferenz basierendes ML auf reale Probleme anzuwenden, insbesondere in medizinischen Diagnoseszenarien.

Zu beobachtende Trends: Die gesamte Matrix

Übernehmen
Technologien, die heute schon vorhanden sind und in der Branche genutzt werden
  • Natürliche Sprachverarbeitung
  • KI-as-a-Service
  • CD4ML
  • Testen von ML-Algorithmen und -Anwendungen 
  • Operationalisieren von KI
  • ML-Plattformen
Analysieren
Technologien, die sich je nach Branche und Anwendungsfall immer mehr durchzusetzen beginnen
  • Computer Vision
  • Ethische Rahmenwerke
  • ML/AI on Edge
  • Erklärbare KI
  • Plattform-Geschäft
  • Dezentralisierte Datenplattformen
  • Online Machine Learning
  • Synthetische Medien im Unternehmenskontext
Antizipieren
Technologien, die noch nicht ganz ausgereift sind, in einigen Jahren aber großen Einfluss haben könnten
  • Ethikkodex für Software
  • Smart Cities
  • Überwachungstechnologien
  • KI-Marktplätze
  • Autonome Roboter
  • Autonome Fahrzeuge

Ratschläge für Anwender:innen

 

  • Erkennen Sie, wann Sie Automatisierung und wann Verstärkung einsetzen sollten. Es gibt Prozesse oder Rollen, die KI und ML vollständig automatisieren, und andere, bei denen sie den Menschen dabei unterstützen können, bessere Entscheidungen zu treffen. Wesentlich ist es, den Unterschied zu erkennen. 

 

  • Operationalisieren Sie KI-Experimente mit einem ganzheitlichen Ansatz. Betrachten Sie die Bereitschaft des Unternehmens für eine Anwendung und das erforderliche Änderungsmanagement,  und entwickeln Sie einen robusten technischen Prozess und Governance-Prozess zur Bereitstellung Ihrer KI/ML-Lösungen.

 

  • Berücksichtigen Sie die ethischen Auswirkungen von KI/ML und nehmen Sie diese Verantwortung durchgehend ernst. KI und ML dringen in komplexe und sensible Bereiche wie Finanzierung, Strafverfolgung und medizinische Diagnostik vor, wo die Auswirkungen von Entscheidungen unbeabsichtigte Folgen haben können. Ziehen Sie alle potenziellen Auswirkungen frühzeitig in Betracht, um Probleme zu bewerten und zu erfassen, bevor es zu spät ist.

 

  • Bereiten Sie Ihre Mitarbeiter:innen auf Veränderungen in ihren Rollen vor. Unterschätzen Sie nicht den Aufwand, der erforderlich ist, um Mitarbeiter:innen zu unterstützen und zu befähigen, die von den Auswirkungen von KI auf ihre Arbeit betroffen sein können. Die Automatisierung kann ihnen Zeit für die Ausführung anspruchsvollerer Aufgaben verschaffen, wohingegen Augmentation ihnen hilft, produktiver zu sein. Entwickeln Sie klare Pl ne für den Übergang und die berufliche Entwicklung, damit sich die Mitarbeiter:innen weiterentwickeln und entfalten können.

 

  • Wählen Sie Ihre KPIs sorgfältig aus. Untersuchen Sie die Metriken, die Sie mit KI und ML erreichen wollen. Messen Sie den aktuellen Prozess, um Ihre Ausgangsbasis zu erheben, und setzen Sie die KPIs ein, um zu bewerten, ob KI und ML Ihnen echte geschäftliche Vorteile bieten. Mit den geeigneten Benchmarks können Sie mit verschiedenen Techniken experimentieren, um das gewünschte Ergebnis zu erzielen – auch dann, wenn ein bestimmter KI/ML-Ansatz nicht funktioniert.

 

  • Investieren Sie in robuste Data-Governance- und Datenmanagementpraktiken. KI/ML-Techniken erfordern auch weiterhin den Zugriff auf Daten, und wenn Ihre Daten isoliert und schwer zugänglich sind, wird der Fortschritt mühsam sein. Überlegen Sie, wo die Datenverantwortung in Ihrem Unternehmen angesiedelt ist, da Probleme mit der Datenqualität in der Regel durch Organisationsstrukturen und Architekturen entstehen, die keinen Anreiz für die Teams bieten, die vorhandenen Datenressourcen so bereitzustellen, dass sie von anderen genutzt werden können.

Bis 2023 werden Unternehmen…

… verstehen, dass KI nicht die Kunst ist, Werte aus gesammelten Daten zu erzwingen, sondern genau genommen die Kunst, durch Interaktion mit der Welt neue Daten und Erkenntnisse zu generieren.
Jarno Kartela
Global Head of AI Advisory, Thoughtworks

Gesamten Report runterladen