Ohne Daten geht nichts

Von Anfang an sollten sich IT-Verantwortliche bewusst sein, dass KI keine Stand-alone-Technologie ist. Sie benötigt eine Menge Daten, um belastbare Modelle entwickeln zu können. „Oft ist der erste Schritt, die Datenerhebung, schon nicht trivial, da beispielsweise Produktionsanlagen erst einmal dazu befähigt werden müssen, Daten zu senden. Gerade viele ältere Anlagen sind dafür nicht entwickelt worden“, betont Björn Böttcher, AI & Data Practice Lead bei Crisp Research (siehe auch Interview). Erst wenn genügend Daten in ausreichender Güte vorlägen, könnten KI-Modelle trainiert werden, auf deren Basis dann
Bewertungen und Empfehlungen abgegeben werden.

Wenn ein Unternehmen bereits über die für KI-Anwendungen notwendigen Daten verfügt, dann heißt das nicht, dass das Datenproblem gelöst ist. Oft sind die Daten ungeordnet und liegen verteilt in unterschiedlichen Silos vor. Um die Entwicklung von KI-Projekten zu ermöglichen, muss die Datengrundlage zunächst geordnet werden.

„In KI-Projekten nimmt 50 Prozent der Zeit allein die Vorverarbeitung der Daten ein“, weiß Gunar Ernis, Data Scientist beim Fraunhofer-Institut IKIS. „Damit die Daten des KI-Modells genutzt werden können, muss erst einmal geklärt werden, welche Datenquellen zur Verfügung stehen, wie die Datenquelle angezapft werden kann, wie sich unterschiedliche Daten zusammenführen lassen und wie sich die Daten bereinigen lassen.“ Im Vorteil sind hier Unternehmen, die im großen Stil in Big-Data-In­frastrukturen und eigene Data Lakes investiert haben, um ihre Daten zusammenzuführen und zentralisiert nutz- und auswertbar zu machen.

Geht es an die konkrete Umsetzung, müssen sich Unternehmen entscheiden, ob sie eine eigene KI-Infrastruktur aufbauen oder die Dienste von Cloud-Providern in Anspruch nehmen. Crisp empfiehlt: „Start small and scale“. Das heißt: Zu Beginn der eigenen KI-Erfahrung sollten IT-Verantwortliche auf die Machine-Learning-as-a-Service-Angebote der großen Cloud-Provider wie Amazon, Google, IBM oder Microsoft setzen. Mit steigenden Ansprüchen und größeren Erfahrungen können in der Folge unternehmenseigene Systeme aufgebaut werden. Diese lassen sich dann On-Premise oder in einem hybriden Ansatz betreiben.

Cloud-Services punkten vor allem bei einfachen Standard-Problemstellungen wie der Klassifikation von Produkten. Damit kann man schnell zu guten Ergebnissen kommen. „Wenn Sie beispielsweise auf Ihrer Website bestimmte Produkte verkaufen und Produktbilder klassifizieren möchten, können Sie auf Public-Cloud-Anbieter zurückgreifen“, rät KI-Experte Böttcher.

Amazon Machine Learning, Microsoft Azure Machine Learning, IBM Bluemix und Google Machine Learning sind hier momentan mit ihren KI-Cloud-Plattformen die Platzhirsche. Unternehmen mit wenig Erfahrung in Entwicklung, KI und maschinellem Lernen werden mit den Angeboten von Microsoft und Amazon zurechtkommen. Amazon schottet den Anwender fast ganz von KI-spezifischen Problemen ab.

IBM und Google ermöglichen hingegen die Erstellung sehr anspruchsvoller KI-Modelle. Das setzt etwas mehr Verständnis der Materie voraus. Salesforce Einstein mit seinen fertig integrierten KI-Systemen bietet KI aus der Box, allerdings sind die Services auf die Dienste des Anbieters beschränkt.