Entwicklung
Künstliche Intelligenz (KI) ist längst mehr als ein Schlagwort aus der Forschung. Ob bei der Optimierung von Produktionsprozessen, der vorausschauenden Wartung von Maschinen oder der intelligenten Steuerung von Fertigungsstraßen – KI bietet enorme Potenziale, um Wettbewerbsfähigkeit zu steigern und zukunftsfähige Geschäftsmodelle zu schaffen.
Doch wie geht man eigentlich vor, wenn man im Unternehmen ein KI-Projekt starten möchte? Das CRISP-DM-Modell (Cross-Industry Standard Process for Data Mining) liefert hierfür einen bewährten Fahrplan in sechs Phasen, den wir hier Schritt für Schritt erläutern. Ergänzend zu CRISP-DM können weitere Ansätze wie agile Methoden für iteratives Projektmanagement in Betracht gezogen werden, um Flexibilität im Projektverlauf zu gewährleisten und eine kontinuierliche Anpassung an neue Erkenntnisse und Anforderungen zu ermöglichen.
Das CRISP-DM Modell besteht aus sechs Phasen: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation und Deployment. Diese Phasen bieten einen umfassenden Rahmen für die Planung und Durchführung von Datenanalyseprojekten.
Business Understanding zielt darauf ab, die Geschäftsziele zu definieren und die Projektanforderungen aus einer Geschäftsperspektive zu klären.
Data Understanding umfasst die Erfassung und Untersuchung der relevanten Daten.
In der Phase Data Preparation werden die Daten für die Modellierung aufbereitet.
Die Modeling-Phase beinhaltet die Auswahl und Anwendung geeigneter Modellierungstechniken aus dem Bereich der Datenwissenschaft.
Die Evaluation bewertet die Modell-leistung und überprüft, ob die Geschäftsziele erreicht wurden.
Schließlich umfasst die Deployment-Phase die Implementierung des Modells in der Praxis und die daran anschließende produktive Nutzung.
Diese Blog-Serie gibt einen groben Überblick, über die Abläufe in einem KI Projekt.
In 6 Teilen werden wir jede einzelne Phase beleuchten und aufzeigen, wie ein erfolgreiches KI Projekt durchgeführt werden kann.
Zusammen mit der Deutschen Energie-Agentur GmbH (dena) haben wir für Energieversorgungsunternehmen einen Leitfaden entwickelt, der insbesondere die Herausforderungen im Energiebereich bei KI Projekten adressiert. Er ist allerdings auch dazu geeignet Projekte in anderen Einsatzgebieten zu begleiten. Der Leitfaden kann hier heruntergeladen werden:
Business Understanding
Ein erfolgreicher Einsatz von KI beginnt mit einer klaren Zielsetzung. Es geht nicht darum, einfach eine KI-Lösung zu implementieren, sondern vielmehr darum, konkrete geschäftliche Herausforderungen oder Chancen zu identifizieren, die durch KI optimiert werden können.
Fragen zur Orientierung
Welche Prozesse sollen durch KI unterstützt oder automatisiert werden?
Welche Kosten, Ressourcen oder Zeitaufwände könnten durch KI reduziert werden?
Welche messbaren Erfolge werden angestrebt (z. B. geringere Ausfallzeiten, erhöhte Produktionsqualität, schnellere Durchlaufzeiten)
Den Mehrwert quantifizieren
Um den Erfolg eines KI-Projekts messen zu können, sollten konkrete Leistungskennzahlen (KPIs) definiert werden. Diese könnten beispielsweise folgende sein:
Schnellere Bearbeitung von Supporttickets (z. B. durch automatisierte Kategorisierung und Weiterleitung)
Steigerung der Kundenzufriedenheit (z. B. durch reduzierte Wartezeiten oder verbesserte Servicequalität)
Optimierung der Ressourcennutzung (z. B. durch genauere Bedarfsprognosen zur Personalplanung)
Eine klare Definition dieser Metriken erleichtert die spätere Bewertung des Projekterfolgs und ermöglicht es, Optimierungspotenziale frühzeitig zu identifizieren.
Ein bewährter Ansatz ist die Durchführung von interaktiven Workshops, in denen verschiedene Anwendungsszenarien durchgespielt und deren Auswirkungen diskutiert werden. Methoden wie Design-Thinking eignen sich hervorragend, um innovative KI-Lösungen zu identifizieren und frühzeitig das Potenzial für konkrete Verbesserungen zu erkennen.
Fazit und Ausblick
Zusammenfassend ist das Business Understanding der Grundstein jedes erfolgreichen KI-Projekts. In dieser Phase werden die geschäftlichen Anforderungen definiert, die relevanten Stakeholder eingebunden und die Erfolgskennzahlen festgelegt. Unternehmen, die diesen Schritt sorgfältig durchführen, schaffen eine solide Basis für die weiteren Projektphasen.
In der nächsten Phase, Data Understanding, geht es darum, die Datenquellen zu identifizieren, ihre Qualität zu prüfen und erste explorative Analysen durchzuführen. Dies wird im nächsten Artikel dieser Blogserie detailliert erläutert.
