87% aller Data-Science-Projekte schaffen es nie in die Produktion. Manche scheitern an fehlender Unterstützung durch das Management, andere an mangelnder Datenqualität oder unzureichender Infrastruktur. Unternehmen, die mit KI und Machine Learning echten Mehrwert schaffen wollen, sollten typische Fallstricke beim Scoping und Steuern von KI-Projekten kennen. Das ist allerdings leichter gesagt als getan. Selbst Teams mit Erfahrung in klassischen Softwareprojekten stoßen bei KI-Projekten oft auf Hürden – schlicht wegen ihrer besonderen Natur.
Was unterscheidet KI-Projekte von klassischen Softwareprojekten?
In klassischen Softwareprojekten programmiert eine Entwicklerin oder ein Entwickler die Logik explizit: Ein Input wird verarbeitet und erzeugt einen Output. Ein Beispiel ist eine Banksoftware, die die Kreditwürdigkeit (Output) senkt, wenn jemand einen sehr hohen Kredit beantragt (Input).
KI-Projekte, die Machine Learning nutzen, benötigen dagegen keine fest codierte Logik. ML-Algorithmen lernen systematisch das Muster zwischen Input und Output und sagen dann auf Basis eines Inputs den Output voraus. Ein Beispiel: die Vorhersage des Ausfallrisikos eines Kreditnehmenden anhand seiner Kreditwürdigkeit und der aufgenommenen Darlehenssummen.
Das kann anfangs für erhebliche Reibung sorgen, wenn ein Unternehmen seine ersten KI-Projekte aufsetzt und steuert. Dieser Beitrag liefert deshalb Leitlinien für dein nächstes einsatzfähiges und profitables KI-Projekt.
Drei Merkmale für erste KI-Projekte
Diese drei Eigenschaften ebnen den Weg für den Erfolg der ersten KI-Projekte eines Unternehmens. Hier ist, warum.
KI-Projekte sollten machbar sein
Bevor neue KI-Projekte starten, sollten Unternehmen ihre Datenreife messen, statt Ressourcen in Vorhaben zu stecken, die sich als nicht machbar erweisen. Die Säulen der Datenreife umfassen Infrastruktur, Menschen, Tools, Organisation und Prozesse. Hilfreiche Fragen entlang dieser Säulen helfen, die machbarsten Projekte zu priorisieren:
- Kann das Unternehmen Daten zuverlässig erfassen?
- Verfügt es über die Infrastruktur, um Daten zu speichern und zu bereinigen?
- Hat das Team die nötigen Kompetenzen, um verlässliche und genaue Modellergebnisse zu liefern?
- Gibt es Prozesse, Tools und Kompetenzen, um Modelle in Produktion zu überwachen?
KI-Projekte sollten einfach sein
Ein technisch einfaches Projekt ist für Organisationen mit geringer Datenreife besser beherrschbar. Ein schnell lieferbares, einfaches Projekt schafft Quick Wins und baut Teamerfahrung auf. So entsteht Schwung für weitere KI-Projekte – ein positiver Kreislauf, der Begeisterung im Unternehmen weckt und Rückhalt für technisch anspruchsvollere Vorhaben schafft. Mit wachsender KI-Reife kann das Unternehmen sich dann von Low-Hanging-Fruit zu komplexeren Projekten vorarbeiten.
KI-Projekte sollten wertstiftend sein
Die Harvard Business Review betont, dass ein starkes KI-Projekt vor allem Wert schafft. Das kann auf drei Wegen geschehen: bessere Entscheidungen, Kostensenkung durch Automatisierung repetitiver Tätigkeiten oder neue Produkte. Solcher Mehrwert überzeugt Stakeholder, in die KI-Fähigkeiten des Unternehmens zu investieren.
Ein Projekt zu finden, das einfach, wertvoll und machbar ist, ist alles andere als trivial. Um passende Vorhaben zu identifizieren, schlägt Veljko Krunic, Autor von Succeeding with AI, folgende Schritte vor.
- Geschäftsprobleme identifizieren.
- KI-Lösungen für diese Probleme brainstormen.
- Technische Machbarkeit und Komplexität des Projekts abschätzen.
- Business-Metriken festlegen, um den Wert des KI-Projekts zu messen.
- Den geschäftlichen Nutzen anhand dieser Metriken schätzen.
In der Theorie simpel, in der Praxis nuanciert. Besonders die Wahl geeigneter Business-Metriken ist oft nicht offensichtlich. Der nächste Abschnitt zeigt, wie du diese Metriken auswählst.
KI-Projekte mit Business-Metriken messen
Der Geschäftsmehrwert eines KI-Projekts lässt sich mit passenden Business-Metriken quantifizieren. Für viele KI-Praktiker wirkt das ungewohnt.
ML-Modelle werden üblicherweise mit Evaluationsmetriken gemessen, die ihre technische Leistung auf einem Datensatz bewerten – nicht mit Business-Metriken, die ihren Wert fürs Geschäft ausdrücken. So ist es in der Wissenschaft üblich, wo Fortschritt an objektiven, technischen Benchmarks gemessen wird. In der Praxis zählen jedoch greifbare Ergebnisse jenseits der Accuracy, etwa Umsatz, Kosten oder Kundenzufriedenheit.
Darum müssen technische Leistungskennzahlen von KI-Systemen mit Business-Metriken verknüpft werden. Diese Verbindung ist oft nicht sofort klar. Laut Andrew Ng, Mitgründer von Google Brain, sollten Business-Verantwortliche und KI-Expertinnen gemeinsam eine Metrik definieren, mit der sich die Leistung eines KI-Systems messen und optimieren lässt.
Hilfreich ist dabei die Profitkurve, die die Beziehung zwischen Business- und Technikmetriken quantitativ herstellt, wie im Buch Data Science for Business vorgeschlagen. Sie übersetzt technischen Fortschritt in Business-Terme und beantwortet Fragen wie: „Wie viel zusätzlicher Umsatz entsteht durch ein Prozentpunkt mehr Genauigkeit?“
Abbildung 1: Beispiel einer Profitkurve, die die Genauigkeit eines KI-Systems mit dem daraus resultierenden Gewinn verknüpft
Den Wert eines KI-Projekts überzeugend vermitteln
Zwischen ML-Fachleuten dreht sich Kommunikation oft zu Recht um technische Details. Für ein nicht-technisches Publikum ergibt das jedoch wenig Sinn – dort zählt der Geschäftseinfluss weit mehr als eine Verbesserung der Accuracy um ein Prozentpunkt.
Wer über KI-Projekte berichtet, sollte daher die Zielgruppe im Blick behalten. Für Business-Stakeholder haben Verbesserungen bei Business-Metriken Priorität vor technischen Kennzahlen. Zudem helfen Data-Storytelling-Techniken, um klar zu machen, wie KI-Projekte Business-Metriken verbessern – etwa durch bessere Customer Experience, höhere Retention oder sinkende Kosten.
Implementierung von KI-Systemen und ML-Pipelines gehen Hand in Hand
Wir haben gesehen, wie sich KI-Systeme von klassischer Software unterscheiden. Insbesondere benötigen KI-Systeme keine explizit codierte Logik, da sie Muster aus Daten lernen. Dafür braucht es zuerst eine Pipeline, die die nötigen Daten aufnimmt, transformiert und dem KI-System zuführt.
Ein KI-System besteht also nicht nur aus dem ML-Algorithmus, sondern aus einer Machine-Learning-(ML)-Pipeline. Diese beschreibt den gesamten Datenfluss: wie Daten gewonnen, transformiert, genutzt, präsentiert und überwacht werden.
ML-Pipelines sind Teil eines größeren Softwaresystems. Die Vorgehensweisen zur Entwicklung einer ML-Pipeline ähneln denen klassischer Software stark. Gemeinsam sind unter anderem der Bedarf an fähigen Data Engineers, softwareseitige Prozesse ähnlich zu DevOps und hohe Sicherheitsanforderungen – Themen, die in KI- wie in Softwareprojekten gleichermaßen wichtig sind.
Hier ein Beispiel für eine ML-Pipeline eines Computer-Vision-Systems, das Anomalien in der Handyproduktion erkennt. Diese vereinfachte Pipeline identifiziert Defekte anhand von Fotos und unterstützt so das Qualitätssicherungsteam.
Abbildung 2: Eine vereinfachte ML-Pipeline eines Handyherstellers
Das Beispiel zeigt: Das Design einer ML-Pipeline hängt stark von Daten, Algorithmus und Business-Use-Case ab. Eine One-Size-Fits-All-Pipeline gibt es kaum.
Eine vollständige Pipeline umfasst außerdem Datenerfassung, Feature-Extraktion, Datenvalidierung, Ergebnisüberwachung und mehr – sie ist also umfangreich und hoch komplex, wie Googles einflussreiches Paper zeigt. Deshalb kümmert sich in der Regel ein Machine-Learning-Engineering-Team um Aufbau und Betrieb der Pipeline.
Von Anfang an robuste ML-Systeme bauen, um teure Änderungen zu vermeiden
Der Rollout von ML-Systemen verläuft nicht immer wie geplant – sei es wegen veränderter Daten, Schwächen im Modell oder Fehlern in der Pipeline. Wer das System dann verbessern will, schlägt oft tiefgreifende Änderungen vor und stellt ernüchtert fest: ML-Pipelines werden nach der Implementierung schnell schwer veränderbar.
Veljko Krunic nennt das die „Verkalkung von ML-Pipelines“. Die Trägheit entsteht durch die Herausforderung, Code in technisch komplexen Projekten zu ändern. Auch Business-Teams können Änderungen ablehnen, wenn sie Folgewirkungen auf den Betrieb befürchten. Im Beispiel aus Abbildung 2 könnte eine stark sinkende Trefferquote bei der automatischen Erkennung defekter Geräte bedeuten, dass zusätzliches Personal für manuelle Prüfungen Wochen braucht, um einsatzbereit zu sein.
Tiefgreifende Änderungen an „verkalkten“ KI-Projekten sind teuer. Ein kompletter Umbau kann nötig werden, wenn eine nicht skalierbare Proof-of-Concept-Pipeline in die Produktion gehievt wurde. Ganz vermeiden lässt sich die Verkalkung oft nicht.
Daher sollten Unternehmen gleich zu Beginn auf die richtige Pipeline setzen. Machine Learning Model Operationalization Management (MLOps) ist ein wachsendes Feld, das dabei hilft. MLOps-Tools und -Praktiken schaffen einen durchgängigen ML-Entwicklungsprozess, um reproduzierbare, testbare und iterative, ML-gestützte Software zu entwerfen, zu bauen und zu betreiben. So können Datenteams Continuous Integration und Continuous Delivery für ihre ML-Pipelines umsetzen, Datendrift überwachen und die Erklärbarkeit ihrer Pipelines erhalten.
Baue die Fähigkeiten deines Teams aus, um KI-Projekte wirksam zu managen
Das Management eines KI-Projekts ist anspruchsvoll. Ein Unternehmen braucht mehr als nur technisches Talent. Es benötigt eine gelebte Datenkultur und starke Datenkompetenz, um KI breit zu verankern. So wie KI-Projekte Zeit brauchen, sind Programme zum Aufbau von Datenkompetenz langfristig angelegt.
Hier kommt DataCamp for Business ins Spiel: eine interaktive Lernplattform für Unternehmen, die ihre Mitarbeitenden in Datenkompetenzen weiterbilden und umschulen wollen. Von Data Engineering bis Machine Learning – über 1.600 Unternehmen vertrauen auf DataCamp for Business, um ihre Talente weiterzubilden.
Nicht sicher, wie fit dein Team in Datenfragen ist? Mach unseren Data-Maturity-Check.