Smart Productivity & AI

 

Die Lösung:

 AI-Systeme entstehen nicht auf magische Art und Weise aus dem Nichts. Sie sind das Ergebnis von sorgsam geplanten und umgesetzten Projekten und benötigen im Vergleich zu klassischen IT-Lösungen sowohl eine andere Projektstruktur als auch ein anderes Fachwissen der Beteiligten. Zudem gibt es, in einem generellen Sinne gesprochen, nicht „die“ AI – genauso wenig, wie es nicht „die“ Anforderungen an eine AI-Lösung gibt. Banken und ihre Kunden haben andere Ziele als Handelsunternehmen. Versicherungen haben andere Rahmenbedingungen als Automobilhersteller. AI gilt es immer aus einer branchenspezifischen Perspektive zu bewerten. Während große Unternehmen bereits auf AI setzen, sind viele kleine und mittelständische Unternehmen noch nicht ausreichend vorbereitet und drohen ihre Kunden aus dem Blick zu verlieren – denn die wollen auf AI-Services nicht länger verzichten.

Smart Productivity & AI

Viele der Hindernisse, auf die die deutsche Wirtschaft bei der Digitalisierung trifft, können durch AI abgemildert oder sogar behoben werden. Es gibt handfeste Gründe, warum aktuell gerade ein regelrechter AI-Hype ausbricht: mehr Rechenleistung, mehr Daten, bessere Algorithmen und eine breite Investition. Die Definition künstlicher Intelligenz hingegen fällt noch immer eher vage aus – vor allem, weil „Intelligenz“ allein schwer zu bestimmen ist.

Im Allgemeinen ist AI ein Oberbegriff für eine Reihe von Computeralgorithmen und -ansätzen, die es Maschinen ermöglichen, so zu fühlen, zu denken, zu handeln und sich anzupassen, wie es Menschen tun (z. B. in Form von Apps, die der Gesichts- oder Spracherkennung dienen) oder sogar Aufgaben wahrzunehmen, die für uns Menschen schwierig oder unmöglich sind (z. B. die Vorhersage von Geräteausfällen vor ihrem Auftreten). Beim maschinellen Lernen werden Computer nicht mit Schritt-für-Schritt-Anweisungen beauftragt. Stattdessen werden sie mit Daten gefüttert, aus denen sie Muster, Trends und Anomalien erkennen und somit „lernen“ können.

Ausgangspunkt eines jeden AI-Projektes ist die Analyse und Bewertung des vorhandenen Datenbestands. Je besser (und umfangreicher) das „Datenfutter“, desto höher ist das Lern- und Vorhersagepotenzial. Aufbauend auf den gewonnenen Erkenntnissen folgt die Phase der Aufbereitung und Anreicherung der Daten, die auch die Auswahl geeigneter Speicherungsorte und -techniken umfasst und als zwingende Voraussetzung für die Definition der Use Cases und der Identifikation der zu verwendenden technischen Lösungsansätze zu sehen ist. Die Planung und Umsetzung der Use Cases erfolgt in der Regel über dedizierte Umsetzungsprojekte.