Webcast

So gehen CIOs Künstliche Intelligenz strategisch an

12.06.2020
Anzeige  Wer mit KI Wertschöpfung erzielen will, braucht eine tragfähige Strategie. Wie diese aussieht, schildert ein Webcast der Computerwoche.
Künstliche Intelligenz erfordert die richtige Strategie.
Foto: Phonlamai Photo - shutterstock.com

Gerade angesichts der aktuellen wirtschaftlichen Herausforderungen kann Künstliche Intelligenz (KI) Wertschöpfung generieren - wenn CIOs das Thema richtig managen. Wie das gelingt, zeigt ein Webcast der Computerwoche.

Stephan Gillich, Director AI GTM bei Intel, zeigt, warum ein erfolgreiches KI-Konzept auf passenden Lösungen und der richtigen Hardware aufsetzt. Fachjournalist Sven Hansel von der Computerwoche moderiert den Webcast. Er steigt mit einer starken Aussage ein: "Laut einer Studie des Marktforschers IDC kommen viele KI-Projekte nicht über die Testphase hinaus."

Für Gillich beginnt jedes Projekt mit den richtigen Fragen. "Wie kommen wir von Daten zu Einsichten? Was sind die Requirements von Seiten des Business?" sind Beispiele dafür. Denn KI ist heute "einfach überall", so der Experte. Spitzenreiter sind Smart Factory-Anwendungen für die Industrie sowie Aufgaben im Gesundheitswesen, konkret in Pharma-Unternehmen. Außerdem kommt KI in der Forschung zum Einsatz - etwa für Simulationen und Machine Learning - oder in Form von Chatbots im Retail.

Organisatorische Probleme bei KI-Projekten

Wie sehen nun die Erfahrungen der Webcast-Teilnehmer aus, wo nutzen sie bereits KI? Der Moderator startet eine Umfrage mit folgendem Ergebnis: jeweils knapp jeder Fünfte (18 Prozent) optimiert mit KI Service beziehungsweise Kundenprozesse und das Back Office. Knapp jeder Zehnte (neun Prozent) nennt die Produktion. Eine Mehrheit von 41 Prozent aber steckt noch in der Planung.

Die größten Probleme bei KI-Projekten liegen in organisatorischen Fragen, erklären 58 Prozent der Teilnehmer weiter. Mit Daten oder der Implementierung haben 37 Prozent Schwierigkeiten. "Woran liegt das?", will Hansel wissen. Gillich nennt Datensilos als ein typisches Problem, ebenso Daten, die mit verschiedenen Lösungen generiert worden sind. So etwas sehe er öfter, sagt der Experte. Intel bezeichnet den Einsatz von KI als "Distributed AI Compute", weil er sich über Things und Edge in die Network Infrastructure bis zum Datacenter beziehungsweise die Cloud erstreckt.

Intel hat mit dem Autobauer Audi einen Proof of Concept (PoC) im Factory Set up durchgeführt. Konkretes Ziel war es, die Analyse von Schweißnähten in der Karosserie zu automatisieren statt manuell kontrollieren zu lassen. Grundlage dessen sind Daten aus dem gesamten Schweißprozess sowie dem verwendeten Metall. Daraus hat das Team einen trainierten Maschinen-Algorithmus geschaffen. "Anhand dieses Beispiels haben wir einiges gelernt", sagt Gillich. Audi nutzt die gesammelten Erfahrungen nun für weitere Projekte.

Die "Journey to Analytics & AI" erfordert vier Schritte und beginnt mit "Discovery". Hier ist zu klären, was das Unternehmen erreichen will und welche Daten vorhanden sind. Der zweite Schritt ist "Data". Dazu Gillich: "Die Datenqualität ist wichtig für den zu entwickelnden Robot". Es folgen drittens Development und viertens Deployment.

"Der Bedarf an Data-Scientisten ist sehr hoch"

An dieser Stelle unterbricht sich der Experte selbst und kommt kurz auf den Fachkräftemangel zu sprechen. "Der Bedarf an Data Scientisten ist sehr hoch", weiß er, "und ebenso an Experten, die die Algorithmen wirklich entwickeln und trainieren können." Intel bietet daher Developer-Workshops an, in denen das Vorgehen anhand eines Praxis-Beispiels durchgenommen wird. "Die Teilnehmer haben das dann exemplarisch mal gemacht", so Gillich.

Eben dieses Vorgehen startet immer mit einer grundsätzlichen Daten-Strategie. Was die Hardware angeht, so kann generische Hardware aus dem Datacenter grundsätzlich verwendet werden. "Aber man muss natürlich klären, wie die Infrastruktur auszusehen hat. Eventuell braucht man Acceleratoren", sagt der Experte. Es kann auch punktuell implementiert werden, so dass die Kosten im Rahmen bleiben.

Für Gillich basieren KI-Projekt auf drei Säulen: Hardware, Software und Ecosystem. In puncto Hardware bezieht er sich auf Speicherung, Verschiebung und Prozessieren der Daten. Darauf setzt der Software-Stack auf (Data Analytics, Machine Learning, Deep Learning). Mit dem Schlagwort vom Ecosystem umreißt Gillich den Ort, wo man das Ganze implementiert, also beispielsweise in welcher Cloud. er betont: "Intel arbeitet mit sehr vielen Firmen zusammen!"

Hier den Webcast ansehen