Dr. Dietrich Wettschereck (PhD) ist seit über 30 Jahren als Forscher, Unternehmer, Programmierer und Berater in den Bereichen KI und Machine Learning tätig. Seit 2018 ist er Head of AI bei uns in der tarent. Heute spricht er über Unternehmen und deren Herausforderungen im Bereich KI. Dabei richtet er sich maßgeblich an den Mittelstand und im Bereich der Datenquellen bezieht er sich vermehrt auf Kunden- und weniger auf Maschinendaten.

 

Dietrich, warum haben Unternehmen im Mittelstand häufig Probleme, ihre Ziele zu definieren, die sie mit Künstlicher Intelligenz erreichen wollen?

Dietrich Wettschereck: Viele mittelständische Unternehmen haben lediglich grobe Vorstellungen, was sie mit KI erreichen möchten. Meist fehlt eine richtige Strategie. Da der Produktverkauf bzw. die Dienstleistung immer das Wichtigste ist, hat die Nutzung von Künstlicher Intelligenz auch meist gar keine Priorität. Vereinzelt haben Unternehmen in dieser Größe einzelne Use Cases, die sie mit KI lösen könnten, oder sie glauben aufgrund von äußeren Entwicklungen oder Meldungen, dass sie in dem Bereich etwas tun müssen. Oft ist in solchen Fällen die Vorstellung sehr ungenau und die Bereitschaft zu investieren gering.

Und wenn sie Vorstellungen haben, was sie mit KI erreichen möchten, weichen diese oft von dem ab, was in der Realität möglich ist. Warum?

D.W.: Unternehmen sowohl im Mittelstand als auch in größeren Firmen glauben häufig, dass sie sich im Bereich von KI mit Global Playern messen können. Dieser Vergleich hinkt allerdings zumeist, denn Facebook, Amazon und Co. sind Quasi-Monopolisten mit gigantischer Reichweite. Nur dadurch erreichen sie innerhalb von Minuten Nutzerzahlen, auf die ein Mittelständler Monate warten muss. Eine Werbekampagne, die nur zwei Wochen läuft, ist somit für diese Digitalkonzerne leicht zu optimieren. Der Mittelständler dagegen kommt in der Laufzeit gar nicht auf die notwendige Größenordnung und ist so auch nicht in der Lage, z. B. einen A/B Test mit verschiedenen Kundenansprachen durchzuführen.

Liegt die Ursache für die Schwierigkeiten von KI-Projekten im Mittelstand also vor allem an der zu hohen Erwartungshaltung?

D.W.: Das ist auf jeden Fall ein maßgeblicher Grund. Viele haben keine oder eine falsche Vorstellung davon, was sie mit einem KI System heutzutage erreichen können. Im Zuge von Film, Literatur oder den ganz großen Digitalunternehmen wie Google, Amazon oder Facebook gehen immer wieder Jubel- oder auch Angstmeldungen durch die Presse, die den Menschen suggerieren, dass das alles relativ automatisch abläuft und in 10 oder 20 Jahren viele menschliche Aufgaben von einer KI übernommen werden. Das, was die großen Firmen, die man übrigens an einer Hand abzählen kann, heutzutage mit KI erreichen, schaffen sie maßgeblich aufgrund gigantischer Datenmengen, die zu generieren sehr viel Geld und Zeit kostet. Hinzu kommt ein hoher Einsatz an Hardware und Personal. Dessen sollte man sich bewusst sein. Nur wenige große deutsche Konzerne haben im Kundenbereich solche Datenmengen, aber kein Mittelständler. Im Bereich von Maschinendaten relativiert sich das Missverhältnis etwas.

Hast Du ein Beispiel für ein erfolgreiches KI-Projekt eines Global Players?

D.W.: Sehr anschaulich werden die Zusammenhänge am Beispiel AlphaGo der Google-Tochterfirma DeepMind. Ein auf Machine Learning basierendes System hat Lee Se-dol, den weltbesten Spieler in dem Strategiespiel Go, geschlagen. Das ging vor Jahren groß durch die Presse und vor kurzem hat Se-dol als ehemaliger Go-Weltmeister seinen Rücktritt angekündigt, weil er der Meinung ist, dass die KI nicht mehr besiegt werden könne. Neben all den Schlagzeilen dazu geht oft die äußerst relevante Information verloren, dass DeepMind mindestens 10 Mio. Dollar in die Entwicklung dieser KI gesteckt hat. Welches deutsche Unternehmen würde eine solche Summe in die Entwicklung eines noch so guten Machine Learning Systems investieren? Diesen Hebel haben die allermeisten Unternehmen gar nicht. Hier werden unvorstellbar große Summen nicht nur in die Technik, sondern auch in entsprechendes Personal investiert. Facebook beispielsweise beschäftigt alleine für das Thema Spracherkennung eine riesige Forschungsgruppe, die sich ausschließlich damit beschäftigt.

Mittelständische Unternehmen sollten sich von Vergleichen mit solchen Konzernen verabschieden und sich auf ihren individuellen Use Case konzentrieren und passgenaue Daten für genau diesen Fall akkumulieren.

Was genau meinst Du mit Daten, die für einen bestimmten KI Use Case sinnvoll sind?

D.W.: In erster Linie sind die Daten, die Unternehmen sammeln, oft nicht analysierbar, da sie weder für den Zweck, den sie jetzt erfüllen sollen, noch unter den Bedingungen, unter denen dies notwendig gewesen wäre, erhoben wurden. Hinzu kommt, dass häufig die Quantität und auch die Qualität der Daten nicht ausreichen. Wenn Sie z. B. individualisierte Newsletter versenden möchten, aber nur 1000 Kunden haben, dann lohnt sich eine Datenanalyse nicht. Damit solche scheinbar individualisierten Ansprachen Sinn ergeben, braucht es eher mehrere zehntausend Kunden, was ja im B2B je nach Branche schon schwierig werden kann. Und selbst wenn es in Summe die Anzahl an Kunden gibt, sind ja darunter meist auch viele, die mehrere Jahre gar nichts oder nur sehr selten gekauft haben und somit kaum Daten liefern. Mit jedem zusätzlichen Kriterium (wie z. B. Umsatz, Geschlecht, Wohnort, Produktgruppe etc.), das in die automatisierte Datenanalyse einfließt, brauche ich einfach eine größere Menge an Kunden, um eine statistische Signifikanz zu erzielen.

Wozu ist denn eine solche statistische Signifikanz am Beispiel der Kundenansprache so wichtig?

D.W.: Ziel der Datenauswertung ist ja, dass ich meine Kunden – sei es durch Werbung oder andere Wege – individuell ansprechen möchte. Je individueller diese Ansprache auf Basis der Datenauswertung ausfallen soll, desto granularer müssen meine Daten sein. Über die Datenerhebung muss ich daher ausreichend viele Individuen finden, die sich gemessen an bestimmten Faktoren identisch verhalten, sodass diese Gruppe groß genug ist, um statistisch signifikant zu sein. Im Umkehrschluss bedeutet das für jeden Einzelnen natürlich auch: Wenn ich mich ganz anders zu den Anderen und auch selbst immer anders verhalte, kann mich kein Machine Learning System dieser Welt richtig einschätzen.

Künstliche Intelligenz ist also doch nur so intelligent wie die zugrundeliegenden Daten und Annahmen?

D.W.: Wir müssen im Zuge jeder KI immer bedenken: Was für den Menschen verständlich ist, weil er logisch denken kann und andere Faktoren automatisch berücksichtigt, ist für die Maschine noch lange nicht verständlich. Betrachten wir das Beispiel Formulierungen für Datenbanken, die zwingend nach dem gleichen Schema funktionieren müssen, damit die eingegebenen Daten auch für ein Analyseverfahren zu gebrauchen sind.

Hast Du ein Beispiel für solche Formulierungen?

D.W.: Im Handel findet man z. B. häufig unterschiedliche Beschreibungen in Artikellisten. Nummern werden mal als “Artikelnr.”, mal als “Art.-nr.”, mal als “Artikel-Nr.” ausgeschrieben. Für den Menschen ist das alles kein Problem und absolut verständlich, weil er alle Abkürzungen kennt und versteht. Für ein Machine Learning System dagegen können solche Abweichungen problematisch sein, auch wenn es hierfür durchaus KI-Lösungen gibt. Gerade bei relativ kleinen Datenbeständen ist es dennoch ratsam, die Daten nachzubessern, zusätzliche zu erheben oder gar vollkommen neue Daten zu gewinnen.

Was rätst Du Unternehmen konkret, wenn sie über ein KI Projekt nachdenken?

D.W.: Das Wichtigste ist, den Business Case klar herauszuarbeiten, d.h. mir selbst die Frage zu beantworten: Was will ich genau erreichen? Wie kann ich den Erfolg messen? Diese Messbarkeit ist deutlich schwieriger als viele denken. Ich kenne wirklich gute Datenanalysten, die immer wieder vor der Herausforderung stehen, messbar zu machen, welchen Wert ihre Arbeit hat. Am Ende ist das Ziel häufig sowas wie “Die User sollen länger auf der Seite bleiben, damit wir mehr Werbung schalten und mehr verkaufen können.”. Hier entsteht schon das Problem, dass man nicht jede Änderung direkt nachweisen und auf die Verweildauer zurückführen kann.

Der zweite Schritt ist, zu prüfen, ob man überhaupt die Voraussetzungen hinsichtlich der Datenmenge und -qualität hat, um das KI Projekt sinnvoll durchzuführen. Als Drittes steht dann die Entscheidung an, ob ich die Datenanalyse selbst durchführe und dafür ggf. ein Team aufbaue oder ob ich mit einem Dienstleister zusammenarbeite, der das für mich übernimmt.

Es ist wichtig, dass Firmen sich an diesem frühen Punkt beraten lassen. Dann, wenn sie nach einem ersten Use Case suchen oder glauben, einen Use Case zu haben, auf den sie KI oder Machine Learning anwenden können, also auch bevor sie Geld in das Sammeln von Daten investieren.

Nicht zuletzt rate ich auch immer, sich zu informieren, was Unternehmen aus der gleichen Branche machen: Welche KI-Projekte laufen dort? Wie werden diese durchgeführt? Welche Dienstleister sind im Gespräch? Sich einen Überblick über den Markt zu verschaffen, hilft auf jeden Fall, um sich dem Thema zu nähern.

Wenn ein Unternehmen mit einem Dienstleister zusammenarbeiten will, worauf sollte bei der Wahl geachtet werden?

D.W.: Wenn ich einen KI-Experten beauftrage, sollte ich bewusst entscheiden, ob ich mit einer Firma zusammen arbeite, die in einer Art Black Box agiert. Das ist möglich, aber ich sollte mir bewusst sein, dass ich nicht in der Lage bin, die Analyse irgendwann selbst zu übernehmen. Oder ich wähle einen Dienstleister, der mir beim Anstarten des Projektes hilft und mir später bei schwierigen Schritten zur Seite steht. In dem Fall nimmt er mich als Kunden so mit und schult mich ggf. so, dass ich das Projekt irgendwann alleine oder zumindest in Bezug auf die “einfachen” Schritte eigenständig weiterführen kann.

So oder so sollte ich in der Zusammenarbeit mit einem Dienstleister in Sachen Transparenz der Daten eine Entscheidung treffen und diese auch vertraglich festhalten. Habe ich als Kunde immer Anspruch auf volle Einsicht in die Datenanalyse und Zugriff auf die Daten und Algorithmen selbst oder eben nicht?

Das heißt, die Arbeitsweise des Dienstleisters ist wichtig. Woran erkenne ich gute Experten, die mein KI Projekt wirklich voranbringen?

D.W.: Gut ist natürlich, wenn der Dienstleister Erfahrungen mit dem Thema Datenanalyse hat. Mindestens genauso wichtig ist es, dass er bereit ist, sich auch wirklich auf die Rahmenbedingungen des Auftrags einzulassen. Es gibt einige Anbieter am Markt, die mit einem angeblich genialen und nicht selten von Professor xy hochwertig entwickelten Algorithmus auftrumpfen, mit dem sie angeblich jedes KI Projekt abbilden können. Hier ist definitiv Vorsicht geboten, denn solche allgemeingültigen Algorithmen gibt es gar nicht. Es ist wichtig, in engem Dialog mit dem Dienstleister zu stehen – sowohl vor als auch während der Beauftragung. Dienstleister sollten flexibel bei der Wahl der Toolchain sein, die eingesetzt wird und auch die Arbeitsweise sollte agil und dynamisch sein, damit die Ziele auch realistisch gefasst, ggf. angepasst und schließlich erreicht werden. Für so eine engmaschige, iterative Zusammenarbeit hilft es natürlich, wenn der Dienstleister lokal in der Nähe ist, aber auf jeden Fall sollte er responsiv sein und einen ausgeprägten Servicegedanken verfolgen.

Häufig sind es ja die Besten der Besten, die mir eine Dienstleistung verkaufen? Wie verhindere ich, dass ich in eine solche “Vertriebsfalle” tappe?

D.W.: Als Kunde sollten Sie unbedingt darauf achten, dass die besten Experten nicht nur das Verkaufsgespräch mit Ihnen führen, sondern auch später selbst im Projekt mitarbeiten. Wie Sie sagen: Leider ist das Gegenteil oft der Fall. Gerade in der Beratungsbranche beeindrucken die besten Senior-Experten im Vertriebsgespräch mit hoher Consultant-Kompetenz und im Projekt sitzt dann später ein Team aus junioren Mitarbeitern ohne praktische Erfahrung in dem Bereich. Kunden merken dies oft nicht, weil sie es einfach nicht besser wissen, aber um die höchste Qualität zu sichern bzw. zu garantieren, sollten Sie rechtzeitig danach fragen und das Personal im Zweifel verhandeln und vertraglich festhalten. Auf der anderen Seite sollten Dienstleister so fair sein und mit offenen Karten spielen, was ihre Personalplanung betrifft.

Möchten Sie mehr News über Künstliche Intelligenz erhalten? Dann abonnieren Sie unseren tarent Newsletter.

Kennen Sie schon unseren KI Deep Dive? Sie erhalten eine KI-Readiness-Analyse, Machbarkeitsprüfung und Datenstrategie in nur 2 Wochen. Hier geht’s zum KI-Angebot.