Vorliegende Bachelorarbeit untersucht das Potenzial von Künstlicher Intelligenz für kleine und mittlere Unternehmen. Dazu wurde im ersten Schritt die Theorie hinter KI-Anwendungen untersucht sowie deren Entwicklung. Mit der Annahme, dass die Technologie zugänglich und implementierbar sein muss, um ein Potenzial darstellen zu können, wurden externe und interne Faktoren untersucht.
KI-Anwendungen einzuführen, kann eine große Herausforderung für Unternehmen sein. Anhand der Problemanalyse lassen sich deutliche Hemmnisse zur Einführung und Nutzung erkennen. Die Defizite in Unternehmen erschweren zudem den KI-Einsatz, können aber mit einer umfassenden Digitalisierungsstrategie und der richtigen Herangehensweise weitestgehend beseitigt werden. Mit einer Vorstellung von Anwendungsmöglichkeiten ist erkennbar, das KI in sämtlichen Wertschöpfungsaktivitäten nutzbar ist und in Bezug auf die Wissensgenerierung, Prozessoptimierung und Umsatzsteigerung eingesetzt werden kann.
Inhaltsverzeichnis
Abstract
Inhaltsverzeichnis
Abbildungsverzeichnis
Abkürzungsverzeichnis
1. Einleitung
1.1 Zielsetzung und Vorgehen
1.2 Methodik
2. Grundlagen der Künstlichen Intelligenz
2.1 Algorithmen bilden die innere Struktur von KI
2.2 KI ist eine schwache Intelligenz mit vier Arbeitsweisen
2.3 Big Data ist Basis und Ergänzung von KI-Anwendungen
2.4 Teilgebiete der Künstlichen Intelligenz
2.4.1 Regelbasierende Expertensysteme
2.4.2 Natural Language Processing (NLP)
2.4.3 Data Mining
2.4.4 Maschinelles Lernen
2.4.5 Neuronale Netze
2.4.5.1 Deep Learning
3. Wie wird eine KI entwickelt?
3.1 Anwendungsfälle mit Methoden entdecken
3.2 Einen Anwendungsfall auswählen
3.3 Budget für das Projekt festlegen
3.4 Vorgehensmodell für Entwicklung und Implementierung erstellen
3.5 Der Entwicklungsprozess
4. Die Verfügbarkeit von KI für Unternehmen
4.1 Kompetenzzentren und Netzwerke für KMUs
4.2 Wer sind die Dienstleister für KI?
4.3 Bausteine und Tools vereinfachen die Entwicklung
4.4 Service zur Nutzung von KI
5. Die Problemfelder von KI für Unternehmen
5.1 Die Digitalisierung von Unternehmen
5.2 Digitalisierungsstrategie im Bezug zu KI
5.3 Wie sollte man KI im Unternehmen einführen?
5.4 Folgen der KI-Nutzung in Bezug auf die Umfrageergebnissen
6. Anwendungsmöglichkeiten für Unternehmen
6.1 Predictive maintenance zur Instandhaltung
6.2 Industrielle Bildverarbeitung für die Qualitätssicherung
6.3 Smarte Systemanalyse von Maschinen
6.4 Automated Guided Vehicles in der Fertigung und Logistik
6.5 Empfehlende KI-Systeme im E-Commerce
6.6 Hypertargeting zur Zielgruppenerstellung
6.7 Predictive CRM zur Erhöhung des Umsatzes und Priorisierung von Kunden
6.8 Predictive supply chain als übergeordnetes KI-System
6.9 KI-Anwendungsfelder in der Logistik
6.10 KI zur Serviceverbesserung mit Chatbots
7. Fazit
7.1 Zusammenfassung
7.2 Schlussfolgerungen
8. Literaturverzeichnis
Anhang
Abstract
Autor: Daniel Schoppa
Semester: Wintersemester 2019/2020
Thema: Evaluation der Potenziale Künstlicher Intelligenz für kleine und mittlere Unternehmen
Inhalt: Vorliegende Bachelorarbeit untersucht das Potenzial von Künstlicher Intelligenz für kleine und mittlere Unternehmen. Dazu wurde im ersten Schritt die Theorie hinter KI-Anwendungen untersucht sowie deren Entwicklung. Mit der Annahme, dass die Technologie zugänglich und implementierbar sein muss, um ein Potenzial darstellen zu können, wurden externe und interne Faktoren untersucht.
Eine Kernerkenntnis ist, dass sich Künstliche Intelligenz zunehmend am Markt etabliert und Verwendung findet. Informationenbeschaffung und die Einsatzvorbereitung von KI kann neben kostenpflichtigen Dienstleistern auch durch Netzwerke und geförderten Instituten erfolgen. Das größte Potenzial bilden die zunehmend entstehenden KI-Services, die eine einfache Möglichkeit bieten, KI unkompliziert sowie effektiv im Unternehmen zu nutzen.
KI-Anwendungen einzuführen, kann eine große Herausforderung für Unternehmen sein. Anhand der Problemanalyse lassen sich deutliche Hemmnisse zur Einführung und Nutzung erkennen. Die Defizite in Unternehmen erschweren zudem den KI-Einsatz, können aber mit einer umfassenden Digitalisierungsstrategie und der richtigen Herangehensweise weitestgehend beseitigt werden. Mit einer Vorstellung von Anwendungsmöglichkeiten ist erkennbar, das KI in sämtlichen Wertschöpfungsaktivitäten nutzbar ist und in Bezug auf die Wissensgenerierung, Prozessoptimierung und Umsatzsteigerung eingesetzt werden kann.
Im Verlauf der Thesis erweist sich, dass manche Anwendungsmöglichkeiten ausgereifte Lösungen bieten, jedoch nicht immer eingesetzt werden müssen.
Als abschließendes Urteil wird gefällt, dass Unternehmen sich mit der Thematik beschäftigen müssen. Falls Möglichkeiten bestehen, KI anzuwenden, spricht nichts dagegen, dies auch zu tun, da hierdurch erkennbare Wettbewerbsvorteile möglich sind. Allerdings ist es nicht falsch, mit dem Einsatz von KI und somit auf eine weitere Marktreife der Technologie zu warten.
Abbildungsverzeichnis
Abb. 1: Entscheidungsbaum
Abb. 2: Klassifizierungsverfahren
Abb. 3: Ergebnisse einer Clusteranalyse
Abb. 4: Zusammenhang von Algorithmus und Künstlicher Intelligenz
Abb. 5: Vier Arbeitsweisen von KI
Abb. 6: Die 4 Vs von Big Data
Abb. 7: Funktionen von NLP und NLU
Abb. 8: Traditionelle Programme vs. Maschinelles Lernen
Abb. 9: Konzept eines Neuronalen Netzes
Abb. 10: Phasen der Engineering Data-Driven Applications
Abb. 11: Canvas zum Einsatz der Künstlichen Intelligenz
Abb. 12: Wasserfallmodell
Abb. 13: Spiralmodell nach Boehm
Abb. 14: Vorgehen bei KI-Projekten
Abb. 15: Ziele von KI-Netzwerken
Abb. 16: Google Cloud KI-Bausteine
Abb. 17: Amazon Forecast Funktionsweise
Abb. 18: SAPs neue Service-Waben
Abb. 19: Die Hemmnisse der KI-Nutzung im Mittelstand
Abb. 20: Digital-Maturity-Modell
Abb. 21: Fünf Phasen zur Bestimmung des digitalen Reifegrades
Abb. 22: Berücksichtigung der Digitalisierung in der Unternehmensstrategie
Abb. 23: Die Chancen der KI-Nutzung im Mittelstand
Abb. 24: Der Einsatz von KI in Unternehmensbereichen heute und in fünf Jahren
Abb. 25: Übersicht predictive maintenance
Abb. 26: Übersicht industrielle Bildverarbeitung
Abb. 27: Übersicht smarte Systemanalyse
Abb. 28: Schnittstellen der predictive supply chain
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
1. Einleitung
Künstliche Intelligenz - ein Begriff, der seit Jahren in den Medien, Unternehmen sowie im Studium auftritt - etabliert sich momentan als Megatrend schlechthin. Die Grenzen des Machbaren sind lange nicht erreicht und mit zunehmender Bedeutung hält Künstliche Intelligenz verstärkt Einzug in die Gesellschaft, Wissenschaft und Wirtschaft. Noch lässt sich nicht einschätzen, wohin sich diese Technologie langfristig entwickelt, allerdings sind intelligente Produkte wie selbstfahrende Autos, Industrie 4.0, aber auch autonome Systeme ohne Künstliche Intelligenz nicht möglich.
Was ist eigentlich Künstliche Intelligenz?
Künstliche Intelligenz befasst sich damit, einem System kognitive Fähigkeiten, in Anlehnung an menschlicher Intelligenz, beizubringen. Da Intelligenz bislang nicht definiert ist, existiert keine allgemein anerkannte Definition. Die Erwartungshaltung an Künstliche Intelligenz ist allerdings, dass diese Informationen digital verarbeitet, ein intelligentes Verhalten vorweist sowie intelligente Lösungen ermittelt.1
„Ein System heißt intelligent, wenn es selbstständig und effizient Probleme lösen kann. Der Grad der Intelligenz hängt vom Grad der Selbstständigkeit, dem Grad der Komplexität des Problems und dem Grad der Effizienz des Problemlösungsverfahrens ab.“2
Die Ergebnisse, die Künstliche Intelligenz liefert, sind ausschließlich durch den gezielten Einsatz von Algorithmen möglich. Die vielen unterschiedlichen Aufgabengebiete von Künstlicher Intelligenz unterscheiden sich in den Anwendungen hinsichtlich ihrer Komplexität zur Erreichung der Zielsetzung. Demzufolge sind KI-Anwendungen abgegrenzt voneinander zu betrachten.3
Eine im Jahr 2018 in Auftrag gegebene Studie des Bundesministeriums für Wirtschaft und Energie geht davon aus, dass „innerhalb der nächsten fünf Jahre ist mit dem Einsatz der KI im produzierenden Gewerbe in Deutschland eine zusätzliche Bruttowertschöpfung in Höhe von ca. 31,8 Mrd. Euro verbunden. Dies entspricht etwa einem Drittel des gesamten Wachstums des produzierenden Gewerbes in Deutschland innerhalb dieses Zeitraums.“4
Während die Unternehmensberatung McKinsey in einer Prognose im Februar 2019 mitteilt dass „.. die EU-28 ihre Wirtschaftsleistung (BIP) durch eine konsequente Fokussierung auf Künstliche Intelligenz (KI) bis 2030 um rund 2,7 Billionen Euro oder 19 Prozentpunkte steigern, ohne negative Auswirkungen auf den Arbeitsmarkt“5 kann.
Obwohl hohes Wertschöpfungspotenzial durch Künstliche Intelligenz prognostiziert und zunehmend in Großunternehmen diskutiert und eingesetzt wird, scheint die Technologie von vielen kleinen und mittleren Unternehmen nicht verwendet zu werden. Daher wird im Rahmen dieser Bachelorarbeit analysiert, welches Potenzial Künstliche Intelligenz für kleine und mittlere Unternehmen aufweist.
1.1 Zielsetzung und Vorgehen
Das Ziel der Arbeit ist, zu untersuchen, ob kleine und mittlere Unternehmen KI-Anwendungen in ihren Unternehmensbereichen einsetzen können. Dabei kann ein Potenzial für kleine und mittlere Unternehmen nur vorhanden sein, wenn die Technologie zugänglich und entwickelbar ist. Außerdem müssen Unternehmen die nötigen Anforderungen zum Einsatz von KI erreichen, um aus dem Potenzial eine Wertschöpfung zu erzielen.
Einführend mit einem theoretischen Teil über Künstliche Intelligenz, wird eine kompakte Wissensgrundlage über die relevanten Teilgebiete gebildet. Dadurch werden die Grundlagen des Themengebietes der Künstlichen Intelligenz verstanden, woraufhin sich weiterführend der Entwicklungsprozess einer Anwendung in Bezug auf kleine und mittlere Unternehmen darstellen lässt.
Um festzustellen, ob die Technologie verfügbar ist, werden die externen Rahmenbedingungen untersucht, die einen Zugriff auf die Anwendung Künstlicher Intelligenz ermöglichen.
Daraufhin werden die Problemfelder der Einführung und Nutzung von KI ermittelt, wodurch Rückschlüsse über das Potenzial möglich sind. Dadurch lässt sich eine Vorgehensweise bestimmen, wie KI erfolgreich in Unternehmen eingeführt werden könnte.
Abschließend werden interessante KI-Anwendungen recherchiert, um einen Überblick zu erhalten, wie KI erfolgreich von kleinen und mittleren Unternehmen genutzt werden kann.
Somit ist ein sachgerechtes Urteil über den momentanen Stand möglich, indem interne und externe Faktoren sowie potenzielle Anwendungen einbezogen werden.
1.2 Methodik
Die Basis der Thesis besteht aus der Informationsbeschaffung mit einer Literaturrecherche von Büchern und Studien, Zeitschriftenaufsätzen und Webseiten von Dienstleistern, die sich mit KI beschäftigen.
Eine praxisorientierte Herangehensweise wurde mit dem Besuch der Motek - Internationale Fachmesse für Produktions- und Montageautomatisierung am 8. Oktober 2019 ermöglicht. Dabei fand eine Umfrage mit 39 Teilnehmern anhand eines Fragebogens statt.
Der Aufbau orientierte sich dabei an einer Ist-Analyse, um einen Einblick in die Praxis zu erhalten. Ziel war es, herauszufinden, welche KI-Anwendungen eingesetzt werden oder in Planung sind, und die Herausforderungen bei der Einführung von Künstlicher Intelligenz zu ermitteln. Ein interessanter Nebeneffekt der Umfrage waren die informativen Gespräche zur Künstlichen Intelligenz.
Zusätzlich wurde an einem Webinar über predictive supply chain von der Agile IT Management GmbH am 18. Oktober 2019 teilgenommen, welche neben Informationen auch die Perspektive eines Dienstleisters über Künstliche Intelligenz gezeigt hat. Dieser empfiehlt kleine Schritte sowie die einfachsten Modelle zur Einführung von Künstlicher Intelligenz.
2. Grundlagen der Künstlichen Intelligenz
2.1 Algorithmen bilden die innere Struktur von KI
Definition Algorithmus:
„Eine Regel oder ein Set von Regeln und mathematische Operationen oder einer Logik, die zur Lösung eines bestimmten Problems gebraucht wird bzw. werden. Ein Algorithmus ist damit so etwas wie ein Programmablaufplan oder eine Handlungsvorschrift.“6
Durch die definierten Aufgaben sowie die gegebenen Rahmenbedingungen können die Algorithmussysteme mit einfachen und wenig komplexen Methoden ihre Aufgaben effizient lösen. Bedingung ist hierbei allerdings, dass die Aufgabenstellung strukturiert und mit vordefinierten Regeln lösbar ist.
Damit ein Algorithmus funktioniert, muss er seine vier Eigenschaften erfüllen:
„ 1. Das von einem Algorithmus beschriebene Verfahren muss in einem endlichen Text eindeutig beschreibbar sein.
2. Jeder Schritt dieses Verfahrens muss tatsächlich ausführbar sein.
3. Das Verfahren darf zu jedem Zeitpunkt nur endlich viel Speicherplatz benötigen.
4. Das Verfahren darf nur endlich viele Schritte benötigen.“7
Ebenso erweist sich die Form des Algorithmus als entscheidend. Hierbei können mehrere Ansätze einzeln oder kombiniert eingesetzt werden. Entscheidungsbäume, Cluster- und Klassifizierungsverfahren finden sich in komplexeren KI-Anwendungen wieder. Werden die Algorithmen nun mit selbst-adaptiven und lernenden Algorithmen ergänzt, entsteht eine Anwendung der Künstlichen Intelligenz.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 1: Entscheidungsbaum8, Abb. 2: Klassifizierungsverfahren9 und Abb. 3: Ergebnisse einer Clusteranalyse10
2.2 KI ist eine schwache Intelligenz mit vier Arbeitsweisen
Künstliche Intelligenz ist differenziert zu betrachten, da jede Anwendung ein anderes Ziel verfolgt. Sobald man versteht, wie eine KI funktioniert, lässt sich die Art des Systems für die vorhergesehene Aufgabe auswählen und eine KI erstellen, welche auf ihr Aufgabengebiet zugeschnitten ist und hiermit eine bestmögliche Performance ermöglicht. Interessanterweise fallen alle heute existierende Systeme in die Kategorie der schwachen KI.11 Eine starke Künstliche Intelligenz gleicht oder übertrifft die intellektuellen Fähigkeiten von Menschen und ist in naher Zukunft nicht realisierbar.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 4: Zusammenhang von Algorithmus und Künstlicher Intelligenz12
Je höher der Schwierigkeitsgrad, die Komplexität und die Struktur der Aufgabenstellung ausfallen, desto höher muss die Intelligenz des Systems steigen, um diese effizient zu lösen.13 Dadurch werden die implementierten Algorithmen zunehmend komplexer und strukturierter, was sich in neuen Methoden und Modellen der Künstlicher Intelligenz wiederspiegelt. Um KI genauer zu kategorisieren, wird festgelegt, ob diese autonom oder assistierend arbeitet. Der Anwendungsfall sowie der Aufbau des Systems bilden einen Rahmen dafür, ob Lernen durch einen Menschen oder sogar eigenständiges Lernen und Handeln möglich sind. Dazu wird in vier Arbeitsweisen unterteilt, die maßgeblich die Strukturierung einer KI beeinflussen:
Abbildung in dieser Leseprobe nicht enthalten
Abb. 5: Vier Arbeitsweisen von KI14
2.3 Big Data ist Basis und Ergänzung von KI-Anwendungen
Das Themengebiet Big Data, welches sich mit wachsenden und hohen Datenmengen sowie der Verarbeitung dieser befasst, kann eine Grundlage für den Einsatz von Künstlichen Intelligenz bilden. Die Infrastruktur des Datenmanagements, die Algorithmen sowie die Methoden der Big Data Analysen und sogar die erzeugten Daten tragen zu der Entwicklung und dem Erfolg von KI-Anwendungen bei. Die vier Dimensionen der Herausforderungen von Big Data beschreiben auch sehr gut die Anforderungen von KI-Systemen an ihre Daten.15
Abbildung in dieser Leseprobe nicht enthalten
Abb. 6: Die 4 Vs von Big Data16
Es existieren drei Arten der Auswertung basierend auf Big Data, die entweder einzeln oder kombiniert von einer KI eingesetzt werden können.17
- Descriptive Analytics
Die beschreibende Auswertung analysiert Datensätze und untersucht, was in der Vergangenheit passiert ist, und stellt dies dar. Dabei handelt es sich um die einfachste und häufigste vorkommende Form der Auswertung.
- Predictive Analytics
Die vorhersagende Auswertung, die sich statistischer Methoden bedient, gibt eine Prognose anhand der gegebenen Daten sowie der Parametrisierung ab. Durch die angewendeten Methoden und die Inputdaten ist es möglich, zum Beispiel eine Vorhersage über den Jahresverbrauch einer Ware zu treffen.
- Prescriptive Analytics
Mittels Simulationen und Optimierungsansätzen wird versucht, die Ausgänge von Handlungen darzustellen. In der besten Form sagt es nicht nur das Ergebnis voraus, sondern begründet dieses und gibt Handlungsempfehlungen ab.18
2.4 Teilgebiete der Künstlichen Intelligenz
2.4.1 Regelbasierende Expertensysteme
Wissensdatenbanken, die durch Fakten und Expertenwissen gebildet werden, ergeben die Grundlagen des Systems. Herausfordernd ist, das Wissen der Experten in nutzbarer und digitaler Form für das System darzustellen. Die Regelbasis, die den Handlungsrahmen des Systems definiert, wird mit Bedingungen und Anweisungen festgelegt. Hierdurch kann der Regelinterpreter des Systems ein Ergebnis mittels seiner Algorithmen unter Verwendung der Wissensdatenbank erzielen.19
Ein WENN-DANN-SONST-Schema findet hierbei Verwendung. Dies ist in zwei Verfahren anwendbar:
„ 1. Datengetrieben oder vorwärtsverkettet: „WENN Fakt, DANN Folgendes“. Hier wird versucht, auf Basis eines in der Wissensdatenbank hinterlegten Fakts ein noch unbekanntes Ziel zu erreichen. Das kann je nach System beispielsweise eine Handlung oder eine Diagnose sein.
2. Zielgetrieben oder rückwärtsverkettet: „WENN Ereignis, DANN Fakt“. Auf diese Art werden häufig Hypothesenbeweise erstellt. Je nach Design und Anwendungsfall des Expertensystems kann es auch zu einer Kombination beider Mechanismen kommen.“20 21
2.4.2 Natural Language Processing (NLP)
Um die menschliche Sprache den Maschinen verständlich zu machen, konzentriert sich das Natural Language Processing - Sprachverarbeitung - darauf, automatisierte Mustererkennung die Bedeutung der geschriebenen oder gesprochenen Wörter zu extrahieren und zu verarbeiten. Diesbezüglich sind vier Arten der Sprachverarbeitung möglich:
- Sprache zu Text
- Sprache zu Sprache
- Text zu Text sowie
- Text zu Sprache
Abbildung in dieser Leseprobe nicht enthalten
Abb. 7: Funktionen von NLP und NLU21
Eine große Herausforderung der Anwendungen besteht darin, die hohe Anzahl an Sprachdialekten, die Grammatik, den Kontext, aber auch die Wörterbedeutung richtig zu interpretieren. Um das zu bewerkstelligen, besteht außerdem die Teildisziplin Natural-Language-Understanding.22
2.4.3 Data Mining
Heutzutage entstehen in Unternehmen und im Web mehr Daten als jemals zuvor. Durch jeden Prozess werden Daten erstellt, die entweder strukturiert oder unstrukturiert gespeichert werden.
Eine strukturierte Datenbank im Unternehmen wird beispielsweise durch ihre verwendete Software erstellt, welche Daten kategorisiert und gezielt speichert. Unstrukturierte Datenbanken umfassen verschiedenste Datentypen aus mehreren Quellen, die verstreut gespeichert sind.
Das World Wide Web bildet die größte, verteilteste und unstrukturierteste Datenbank.
Data Mining befasst sich mit analytischen Methoden, um Informationen aus diesen Datenbanken zu gewinnen.23
Um die richtigen Methoden und Algorithmen einzusetzen, unterscheidet man die Aufgabengebiete in:
„ - Klassifikation
- Segmentierung
- Prognose
- Abhängigkeitsanalyse
- Abweichungsanalyse“24
2.4.4 Maschinelles Lernen
Maschinelles Lernen befasst sich mit jener Thematik, dass ein System basierend auf seinen Erfahrungen sich verbessert und hiermit seine Aufgaben besser bearbeitet.
Das wird durch „selbst-adaptive Algorithmen“25 ermöglicht, die über Rückkopplung die Entscheidungsregeln an das Erlernte anpasst.26
In der Einführung wird das System erstmals durch Trainingsdaten geschult, um neue Algorithmen zu generieren. Hierfür benötigt es große Datenmengen, um die Aufgabenstellung ohne ständiges manuelles Neuprogrammieren effizienter zu lösen.27
Abbildung in dieser Leseprobe nicht enthalten
Abb. 8: Traditionelle Programme vs. Maschinelles Lernen28
Im Vergleich zu den traditionellen Systemen, die von Programmieren optimiert und verändert werden müssen, bietet das Maschinelle Lernen eine direkt nachvollziehbare Auswertung mithilfe den erstellten Feedbackdaten Innerhalb des Maschinellen Lernens sind drei Arten von Lernverfahren festgelegt:
- Überwachtes Lernen
Der überwachte Lernprozess definiert sich durch die bereits vorgegebenen Antworten. Das KI-System wird also trainiert, indem es mit den gekennzeichneten Inputdaten und den definierten Output-Variablen eine Beziehung herstellt. Die Algorithmen werden dadurch angepasst, um das vorgegebene Ziel zu erreichen.28 29 Diesbezüglich können die Methoden „Lineare Regression, Lineare Diskriminanzanalyse sowie das Entscheidungsbaumverfahren“30 zum Einsatz kommen, um Aufgaben im Bereich Klassifizierung und Regressionsanalyse zu lösen.31
- Nicht überwachtes Lernen
Das KI-System soll ohne vorgegebene Zielsetzung die Daten verarbeiten. Durch das Analysieren von ähnlichen Merkmalen und Gemeinsamkeiten werden Muster erkannt, wodurch der Algorithmus eine Kategorisierung oder Clusterbildung der zugeführten Informationen bilden kann.32
- Verstärkendes Lernen
Ohne einen optimalen Lösungsweg soll das dynamisch programmierte KI-System einen eigenständigen Weg zum Ziel finden. Mithilfe eines Belohnungs- und Bestrafungsprinzip erkennt das KI-System, ob die vorgenommenen Versuche sich dem Ziel annähern oder davon entfernen. Infolgedessen lernt das System eine Anzahl an Lösungswege basierend auf den gemachten Erfahrungen und kann sich dadurch selber optimieren und korrigieren.33
2.4.5 Neuronale Netze
Bei einem neuronalen Netz handelt es sich um ein Konzept zur Modellbildung, das sich am menschlichen Gehirn orientiert.
Hierbei ist es möglich, Hard- und Software miteinander zu verbinden sowie schichtweise Informationen abzuarbeiten. Die einzelnen Neuronen, Units oder auch Knoten genannt, die Algorithmen sein können, sind jeweils mit den vorherigen Neuronen verbunden und bilden folglich ein Netz innerhalb der nachfolgenden Schichten.
Die Inputschicht nimmt somit Informationen von außen auf, die Inneren Schichten, auch Hidden Layers genannt, können diese Daten weiterverarbeiteten oder auch modifizierten Informationen der jeweiligen vorherigen Neuronen aufnehmen.
Den Verbindungen zwischen den Neuronen werden eine Stärke und Gewichtung zugeteilt.34
Eine positive oder negative Gewichtung nimmt somit keinen bis zu einem starken Einfluss auf die Weitergabe und Verarbeitung der Information innerhalb des Netzes.
Das Trainieren eines Netzes spiegelt sich in der Gewichtung und in der Stärke der Verbindungen wider, die mit gegebenen Lernregeln, Lernmaterial und dem Vergleich zwischen Soll und Ist-Ergebnissen die Verbindungen der Neuronen überprüfen und verbessern.
In dem Outputlayer geben die letzten Neuronen das Ergebnis schließlich aus. Außerdem ist es möglich, Neuronen rückwärts noch einmal miteinander zu verbinden, diese werden dann als Feedback oder rückgekoppelte Neuronale Netze bezeichnet.35 36
Abbildung in dieser Leseprobe nicht enthalten
Abb. 9: Konzept eines Neuronalen Netzes36
2.4.5.1 Deep Learning
Deep Learning ist eine besondere Form des Lernens für Neuronale Netze. Zwischen Input-Layer und Output-Layer befinden sich zahlreiche Hidden Layers mit einer „tiefen“ und umfangreichen Struktur. Die eingebauten Lernalgorithmen und Optimierungsmethoden ermöglichen einen autonomen und stabilen Lernerfolg des Systems. Die neuen Inputdaten werden in Relation mit den bereits verarbeiteten Daten gesetzt, wodurch sich Muster, Korrelationen und Zusammenhänge bilden. Das „Wissen“ des Systems vergrößert sich und aus den gesammelten Erfahrungen ermöglicht es das Deep Learning, neue Aufgabenstellungen zu lösen, indem es komplexere Konzepte aus einzelnen erlernten Bestandteilen bildet.37
3. Wie wird eine KI entwickelt?
Die klassische Softwareentwicklung beschäftigt sich mit der Herstellung und Wartung von IT-Systemen, während bei der Entwicklung von Künstlicher Intelligenz versucht wird, diese mit der Lernfähigkeit auszustatten.
Der Ansatz der Engineering Data-Driven Applications (EDDA) stellt die Unterschiede im Entwicklungsprozess dar und zeigt, dass das Experten notwendig sind, welche neue Werkzeuge und Methoden in ihrem Fachgebiet einsetzen.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 10: Phasen der Engineering Data-Driven Applications38
Der EDDA-Ansatz legt vier Rollen fest, die für die Entwicklung benötigt werden:
- Domain Experts haben das Wissen über die Geschäftsprozesse des Unternehmens.
- Data Scientists benötigen KI-Kenntnisse und sind für die Datenanalyse zuständig und beraten in der Auswahl der Lernalgorithmen.
- Data Domain Experts beschäftigen sich mit den Datenstrukturen und Quellen, stellen diese zur Verfügung und erstellen mit dem Softwareentwickler die erforderlichen Schnittstellenspezifikationen.
- Software Engineers sind für die Entwicklung und Implementierung zuständig.
Um KI-Projekte zu realisieren, können weitere klassische und neue Rollen mit definierten Aufgabengebieten hinzugefügt werden, die sucg bei umfangreichen Projekten auch auf einzelne Personen verteilen lassen:
- Data Engineers für die Strukturierung von Daten, um eine Lesbarkeit und Auswertung zu ermöglichen,
- Machine Learning Engineers, welche sich nur mit den Lernmethoden befassen,
- DevOps Engineers für die Prozessoptimierung und administrative Tätigkeiten sowie
- User Experience Engineers, um das Design der Anwendung zu gestalten.38
3.1 Anwendungsfälle mit Methoden entdecken
Der Auslöser für die Entwicklung einer KI-Anwendungen ist der Anwendungsfall. Dieser bestimmt, wofür und mit welcher Zielsetzung die KI entwickelt wird, und lässt sich mit folgenden Methoden entdecken:
- Branchenrecherche
Anhand der Verwendung innerhalb der Branche und von Wettbewerber können Anwendungsfälle entdeckt werden.
- Zielsetzung festlegen
Hierdurch werden gleichzeitig die Bereiche des Unternehmens eingegrenzt und ein Ziel für die KI- Anwendung bestimmt. Eine Möglichkeit, diese zu erstellen, wäre festzulegen, ob ein Problem gelöst, ein Prozess optimiert oder Wissen generiert werden soll.
- Problem-Statement erstellen
Das Statement bildet sich, indem ein Problem identifiziert und erklärt wird. Dies kann anhand einer Vorgehensweise oder einem Design erstellt werden.
- Eine Vorgehensweise wären die 5Ws (Wer, Was, Wann, Wo, Warum)
- Ein Design wäre: Sollzustand, Istzustand, Konsequenzen, Lösungsvorschläge
- SWOT-Analyse
Anhand der Stärken, Schwächen, Chancen, Bedrohungen und der Strategie eines Unternehmens können Anwendungsfälle erkannt werden.
- Business-Model-Canvas Konzept für KI auslegen
Die Methode zur Entwicklung und Darstellung eines Geschäftsmodelles, in dem die Schlüsselfaktoren in Feldern festgelegt sind, zur Ermittlung von KI-Anwendungsfällen auszulegen, ist ein sehr interessanter Ansatz, der externe Faktoren miteinbezieht. Dies könnte wie in folgender Abbildung aussehen.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 11: Canvas zum Einsatz der Künstlichen Intelligenz39
3.2 Einen Anwendungsfall auswählen
Hat man nun einen oder mehrere Anwendungsfälle entdeckt, wird mit einer Zielsetzung die Erwartungshaltung an die Lösung festgelegt. Zur Orientierung lassen sich gängige KI-Lösungen und Trends heranziehen, um in drei Schritten eine Entscheidung zu treffen:
1. Anforderungsanalyse
Eine Möglichkeit ist, zu untersuchen, was die KI benötigt, um ihre Zielsetzung zu erfüllen. Daten sind die Grundlage jeder KI-Anwendung. Deshalb lassen sich Anforderungen am leichtesten anhand der Verfügbarkeit und Verarbeitung von Daten ermitteln. Hierzu könnten folgende Fragestellungen dienen:
Welche Daten benötigt man?
Welche Prozesse erstellen die Daten?
Welche IT-Infrastruktur benötigen die Daten?
2. Ausgangsanalyse
Indem ein Ist-Zustand ermittelt wird, überprüft man, ob eine KI-Lösung überhaupt realisierbar ist. Defizite werden erkannt und Maßnahmen planbar gemacht. Beispielhaft könnte ein Prozess nicht digitalisiert sein und benötigte Daten liefern.
3. Bewertung
Die Durchführung eines Soll-/Ist-Vergleiches wäre nun möglich. Zudem sollten zur Bewertung außerdem andere Faktoren wie Aufwand, Kosten und Nutzen beachtet werden.
Eine fundierte Entscheidung kann nun stattfinden und legt zudem dem Rahmen für das KI-Projekt vor.
3.3 Budget für das Projekt festlegen
KI-Anwendungen müssen als Risikoinvestition betrachtet werden, da der Erfolg nicht gewährleistet ist. Bei der Durchführung eines Projektes ist zu beachten, dass weitere Kosten entstehen könnten, die das festgelegte Budget übersteigen. Allgemein ist die Ausgangsanalyse des Anwendungsfalles ein guter Anhaltspunkt der Budgetierung, da hier Defizite an Digitalisierung und Prozessen erkannt und eingerechnet werden können. Die KI-Budgetierung ist zur Einführung einer Anwendung oder nach einer langfristigen Strategie ausgelegt und kann sich dabei an folgenden Punkten orientieren:
- Personal
- Lohnkosten
- Personalbedarf
- Schulungen und Fortbildungen
- Dienstleister
- Umfang und Dauer der Dienstleistung
- Art der Dienstleistung
- Kooperationsentwicklung
- Implementierung einer Anwendung des Dienstleisters
- Beratung
- IT-Infrastruktur
- Software
- Upgraden veralteter Software
- Kauf neuer Software
- Anwendung und Umfang von Cloud-Computing (Server zur Speicherung und Verarbeitung von Daten)
- Hardware
- Ausstattung eines Rechenzentrums mit entsprechender Rechenpower
- Produkte und Bauteile, beispielsweise Sensorik
[...]
1 Vgl. Kreutzer/Sirrenberg (2019), S. 21.
2 Mainzer (2019), S. 3.
3 Vgl. Bünte (2018), S. 5 f.
4 Begleitforschung PAiCE (2018), S. 5.
5 McKinsey & Company (2019).
6 Michaela Tiedemann (2019).
7 Michaela Tiedemann (2019).
8 LinuxMagazin (2017).
9 Lehmann (2009).
10 Wikipedia (2011).
11 Moeser (2018).
12 Gentsch (2019), S. 15.
13 Vgl. Gentsch (2019), S. 15 f.
14 Bünte (2018), S. 6.
15 Vgl. Gentsch (2019), S. 8 ff.
16 Vijay Raghunathan (2018).
17 Vgl. Kreutzer/Sirrenberg (2019), S. 3.
18 Vgl. halobusinessintelligence (2016).
19 Vgl. Gentsch (2019), S. 32 f.
20 Gentsch (2019), S. 33.
21 Kreutzer/Sirrenberg (2019), S. 50.
22 Vgl. Kreutzer/Sirrenberg (2019), S. 46 ff.
23 Vgl. Gentsch (2019), S. 33 ff.
24 Stefan Luber (2016).
25 Kreutzer/Sirrenberg (2019), S. 6.
26 Vgl. Wittpahl (2019), S. 24.
27 Vgl. Kreutzer/Sirrenberg (2019), S. 6.
28 Wittpahl (2019), S. 25.
29 Vgl. Kreutzer/Sirrenberg (2019), S. 7.
30 Kreutzer/Sirrenberg (2019), S. 7.
31 Vgl. Gentsch (2019), S. 38.
32 Vgl. Kreutzer/Sirrenberg (2019), S. 7.
33 Vgl. Kreutzer/Sirrenberg (2019), S. 8.
34 Vgl. Kreutzer/Sirrenberg (2019), S. 5 f.
35 Vgl. Vogel Communications Group GmbH & Co. KG (2018).
36 Eigene Darstellung nach: Kreutzer/Sirrenberg (2019), S. 5.
37 Vgl. Kreutzer/Sirrenberg (2019), S. 8.
38 Heise Medien (15.01.2020).
39 Kreutzer/Sirrenberg (2019), S. 298.
- Citation du texte
- Daniel Schoppa (Auteur), 2020, Evaluation der Potenziale künstlicher Intelligenz für kleine und mittlere Unternehmen, Munich, GRIN Verlag, https://www.grin.com/document/948224
-
-
-
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X.