Auch wenn man die wesentlichen Grundlagen von Deep Learning und der künstlichen neuronalen Netze verstanden hat, bleibt oft eine wichtige Frage offen. Diese lautet: Wie identifiziert man konkrete Business Cases für Künstliche Intelligenz?
Aus diesem Grund möchte ich Ihnen in diesem Artikel zeigen, wie Sie potenzielle Anwendungsfälle für KI und insbesondere Deep Learning identifizieren können.
Zu Beginn der Definition von einem Business Case für Deep Learning oder gar einer langfristigen KI Strategie für ein Unternehmen oder eine Abteilung, steht Deep Learning zunächst an allerletzter Stelle.
Ich rate Ihnen erst mal nicht zu überlegen, welches künstliche neuronale Netz am Ende des Tages das Modell repräsentiert, das die Vorhersagen machen soll.
Vielmehr gilt es als allererstes die folgende zwei Fragen zu beantworten:
- Wie sollen die Ausgangsdaten bzw. die Vorhersagen des Modells aufsehen?
- Was sind die entsprechenden Eingangsdaten für das KI-Modell?
Ausgangsdaten eines KI-Modells
Was soll von dem KI-Modell eigentlich berechnet werden?
In anderen Worten formuliert: Was möchten Sie überhaupt erreichen? Was soll das Ziel des Projekts sein?
Denken Sie erst mal gar nicht an Deep Learning oder Machine Learning. Diese Technologien sind kein Zauberstab, den man einmal schwingen soll und alle Probleme wären damit gelöst.
Nein, wenn Sie ein Deep Learning Projekt realisieren möchten, gilt es als allererstes die Frage zu klären, wie die Ausgangsdaten aussehen sollten, die das KI-System berechnet.
In den allermeisten Fällen werden die Ausgangsdaten eines KI-Systems skalare Größen sein. Die könnten entweder kontinuierliche Zahlen oder Wahrscheinlichkeitswerte im Intervall [0,1] sein.
Die Art der Ausgangsdaten und was diese Daten genau repräsentieren hängt davon ab was mit dem KI Modell erreicht werden soll.
- Möchten Sie ein Dokument oder Kunden in Klassen kategorisieren?
- Möchten Sie die zukünftige Nachfrage nach einem Produkt in einem bestimmten Marktsegment vorhersagen?
- Oder die Wahrscheinlichkeit von einem Event bestimmt werden?
- Möchten Sie wissen was auf einem Bild zu sehen ist?
- Soll eine personalisierte Produktempfehlung für einen Kunden gemacht werden?
- Sollen wichtigsten Informationen in einem Dokument zusammenfassen werden?
- Identifikation der gesprochenen Sprache in einem Video oder einer Audio Datei?
Also unabhängig davon wie ihre KI-Strategie konkret aussehen soll, als aller Erstes, sollte klar sein, wie die Ausgangsdaten von dem Deep Learning Model aussehen sollen.
Eingangsdaten eines KI-Modells
Wenn die Frage der Ausgangsdaten geklärt ist, sollte die nächste Frage gestellt werden, die lautet: Wie sollten ihre Eingangsdaten aussehen? Also die Daten, die das KI-Modell verwendet, um die Ausgangsdaten zu produzieren.
Besitzen Sie Eingangsdaten, die eine Vorhersagekraft besitzen, um die benötigten Ausgangsdaten zu erzeugen? Oftmals ist das die härteste Frage.
Für Klassifizierung von Bildern in eine Kategorie wären die Eingangsdaten die Pixelwerte der digitalen Bilder. Für die Zusammenfassung oder Klassifikation von Dokumenten wären die Eingangsdaten die Texte dieser Dokumente.
Für die zukünftige Nachfrage eines Produktes müssten als Eingangsdaten historischen Aufzeichnungen der Verkäufe dieses oder eines ähnlichen Produktes miteinbezogen werden.
Die Möglichkeiten hier sind unzählig. Im Grunde können Sie alle möglichen Daten für die Berechnung einer Ausgabe nutzen, solange Sie diesen eine gewisse Vorhersagekraft nachsagen können. Das bedeutet, Sie müssen sich firmenintern mit den unterschiedlichen Abteilungen zusammen tun und alle Daten zusammentragen, die in irgendeiner Art und Weise relevant sein könnten.
Das klingt für sie womöglich nach viel Arbeit. Und tatsächlich. Das Sammeln der Daten ist in der Regel der Arbeitsschritt in einem Deep Learning Projekt, der am meisten Zeit und Aufwand erfordert.
Das bedeutet, bevor ein Unternehmen überhaupt an implementieren von einemDeep Learning Model denken kann, sollte im Klaren sein woher und ob überhaupt die relevanten Daten zusammengetragen werden können.
Willst Du einen Job in Data Science und AI?
Gerade als Quereinsteiger oder kompletter Berufseinsteiger ist es mittlerweile nahezu unmöglich, einen Job im Bereich AI/Data Science zu ergattern.
Mittlerweile gibt es durchschnittlich einhundert Bewerber auf jede Stelle und es kommt mir so vor, als hätte jeder, der sich bewirbt, bereits mehrere Online-Kurse zum Thema Data Science absolviert und ein halbes Dutzend Zertifikate vorzuweisen.
Ohne aus dieser großen Masse an Kandidaten herauszustechen, landet die Bewerbung schnell im virtuellen Mülleimer.
Als Teamleiter im Bereich KI/Data Science habe ich im Laufe der Jahre Bewerbungen von Hunderten von Kandidaten gesehen. Ich weiß, worauf es ankommt.
Ein Quereinsteiger oder Berufseinsteiger ohne nennenswerte Erfahrung hat nur eine Chance, den Job zu bekommen: mit einem umfangreichen Data-Science-Portfolio, das perfekt auf die ausgeschriebene Stelle zugeschnitten ist. Damit überzeugst du die HR und die Entscheidungsträger warum gerade Du der richte Kandidat für die Stelle bist.
Ich unterstütze dich persönlich dabei, ein maßgeschneidertes Data-Science-Projektportfolio zu entwickeln und umzusetzen, das genau auf deine Wunschstelle zugeschnitten ist.
Interesse? Dann, trage unten deinen Namen und Email ein und ich melde mich bei dir mit weiteren Informationen.
Welche Art der KI soll überhaupt verwendet werden?
Wenn die Ausgangs- sowie die Eingangsdaten identifiziert worden sind, können Sie sich mit der dritten und letzten Frage beschäftigen: Welches KI-Model soll für das Projekt verwendet werden?
Wie Sie sehen, ist die Definition eines Business Cases für Deep Learning eigentlich recht simpel. Es muss geklärt werden, wie die Eingangsdaten aussehen sollen, welches neuronales Netz gewählt werden muss und was dieses vorhersagen soll. Simpel, aber alles andere als einfach.
Denn wie kann man, wenn man keine praktische Erfahrung mit KI hat, überhaupt wissen, welche Art von neuronalen Netzen für welche Aufgaben eingesetzt werden können? Mittlerweile gibt es einen ganzen „Zoo“ neuronaler Netze. Jedes dieser Netze produziert dabei eine andere Ausgabe und wird auf eine andere Art und Weise trainiert.
Wie Sie sehen, gibt es viele offene Fragen, die noch geklärt werden müssen, bevor eine KI-Strategie überhaupt in Erwägung gezogen werden kann.
Natürlich werde ich Sie an dieser Stelle nicht alleine lassen.
In den folgenden Abschnitten möchte ich Ihnen ein paar Tools in die Hände drücken, mit denen Sie die obigen Fragen problemlos beantworten und sogar eine passende KI-Strategie entwickeln können.
Identifikation von Anwendungsmöglichkeiten für Deep Learning
Das ist die eine Million-Euro Frage: Was genau können Sie mit Deep Learning machen? Welche Projekte können damit realisiert und welche Probleme gelöst werden?
Jeder neuer Durchbruch im Bereich KI schafft Tausende von Möglichkeiten für neue Produkte und Dienstleistungen. Leider ist der Zusammenhang zwischen Durchbrüchen in KI und spezifischen Lösungen, die mit KI erzielt werden können, nicht immer offensichtlich.
Betrachten Sie beispielsweise einige grundlegende Durchbrüche des Internets im Jahr 1996. Diese waren HTML, die Standardprogrammiersprache einer Webseite und der Webbrowser.
Wenn sie diese Durchbrüche miteinander kombinieren, was bekommen Sie dann? 1996 war diese Frage schwer zu beantworten. Heute wissen wir, dass dies die Bausteine für Internetdienste wie E-Commerce, Content-Marketing und Online-Publishing waren.
Aber wie sind wir von HTML zu einer Anwendung wie E-Commerce gekommen? Die Technologien entstanden, weil Unternehmen, eine Möglichkeit benötigten, interaktiv und effizient mit Kunden in Echtzeit zu kommunizieren. Diesem Bedürfnis wurde durch das vereinheitlichende Konzept entsprochen, das als Website bezeichnet wurde. Websites, E-Mails und Instant Messaging sind Beispiele für Produkt Modelle des Internets.
Produkt Modelle sind praktische Anwendungen von Technologien, die wiederkehrende Probleme lösen.
Mit einem Produkt Modell können Unternehmen funktionsfähige Lösungen identifizieren, die auf neuen Technologien basieren.
In frühen Internet-Zeitalter wäre ein Produkt Modell z.B. eine Website sein können. Das hätte vieles vereinfacht. Statt der Frage: Was kann ich mit HTML tun? Hätte die Unternehmen stattdessen die Frage stellen können: Was ich mit einer Website tun?
Das allgemeine Verständnis von einer Webseite und ihre Funktionsweise könnte damit auf anderen Probleme übertragen werden, wo die Website eine Lösung bieten könnte.
In anderen Worten: Die Website wird als Modell benutzt, andere Produkte daraus zu abstrahieren. Daher der Begriff: Produkt Modell.
KI Produkt Modelle
Wir benötigen ähnliche Tools, um grundlegende Verbindungen zwischen KI und praktischen Lösungen herzustellen. Ich nenne diese Tools einfach: Produkt Modelle für KI.
Produkt Modelle für KI sind praktische Anwendungen einer bestimmten KI-Technologie, die wiederkehrende Geschäftsprobleme lösen.
Meiner Meinung sind gibt es gegenwärtig vier fundamentale Produkt Modelle für KI, die von Unternehmen berücksichtigt werden müssen. Da die Forscher in diesem Bereich jedoch weiterhin Durchbrüche erzielen, erwarte ich, dieser Liste weitere Modelle im Lauf der nächsten Jahre hinzuzufügen.
Derzeit umfassen die vier Produkt Modelle für KI:
- Computer Vision
- Natural language Processing (Verarbeitung natürlicher Sprache)
- Vorhersagen des nächsten Elements
- Kollaboratives Filtering
Diese Modelle behandeln Probleme, die in einer Vielzahl von Geschäftsprozesses auftreten. Diese KI Produkt Modelle verallgemeinert die Frage, was eine bestimmte Deep Learning Technologie für ein Unternehmen tun kann.
Die „KI Produkt Modelle“ zeigen, wie unterschiedliche Deep Learning Technologien auf allgemeine Business Probleme angewandt werden können.
Ich kann Ihnen natürlich auch erklären, was genau ein Convolutional Neural Network oder ein Recurrent Neural Network sind, wie diese neuronalen Netze funktionieren, welche Parameter und Eigenschaften diese haben, aber das hilft Ihnen womöglich nicht besonders weiter (vgl. „Neuronale Netze und ihre Anwendungen„).
Stattdessen möchte ich Ihnen vier allgemeine KI Produkt Modelle vorstellen, mit denen Chancen und Gelegenheiten für die Anwendung von KI erkannt werden können.
Denn wenn sie erstmals ein Modell verstanden haben können Sie es als ein Baustein benutzen, um daraus Produkt und Anwendungsideen für Deep Learning abzuleiten.
Es würde den Rahmen dieses Artikels sprengen, an dieser Stelle die vier KI-Produkt-Modelle im Detail vorzustellen. Aus diesem Grund habe ich jedem der vier Modelle einen eigenen Artikel gewidmet:
- KI Use Case: Computer Vision
- KI Use Case: Natural Language Processing
- KI Use Case: Vorhersage des nächsten Elements
KI Strategie
Wenn Sie die oben verlinkten Artikel gelesen haben, hoffe ich, dass Sie eine Vorstellung davon haben, wofür und wie eine bestimmte KI-Technologie eingesetzt werden kann.
Mit ein wenig Mühe werden Sie schnell mehr potenzielle KI-Anwendungen entdecken, als Sie zu verfolgen haben.
Aber welche KI-Ideen sollten Sie zuerst verfolgen? Welche haben die größten potenziellen Auswirkungen? Das größte Risiko?
Leider gibt es bei KI-Produkten keine einfachen Antworten auf diese Fragen. Ein klarer Vorteil der traditionellen Softwareentwicklung gegenüber dem maschinellen Lernen ist die Vorhersehbarkeit. Bei KI ist das Ausmaß des Erfolgs bedauerlicherweise oft nicht vorhersehbar.
Sie müssen keine grundlegenden Durchbrüche im traditionellen Software-Engineering erzielen, um ein großes, komplexes System aufzubauen. Der Weg nach vorne ist frei. Bei der herkömmlichen Softwareentwicklung basiert fast jedes Geschäftsrisiko auf den Personalkosten und der Marktnachfrage nach Ihrer Lösung.
Bei der KI-Softwareentwicklung besteht das Risiko, dass Sie erst dann wissen, wie gut Ihre KI-Modelle funktionieren, wenn Sie diese einsetzen.
Bei der KI-Softwareentwicklung besteht das Risiko, dass Sie erst dann wissen, wie gut Ihre KI-Modelle funktionieren, wenn Sie diese einsetzen. Sie müssen zunächst eine Reihe von Trainingsdaten erstellen und Ihre Datenwissenschaftler mit dem Testen der Modelle beauftragen, bevor Sie die Antworten auf Fragen wie diese kennen:
- Wie effektiv kategorisiert das Modell unstrukturierte Nachrichten?
- Wie viel Prozent der Objekte kann das Modell in einem Bild korrekt identifizieren?
- Wie genau kann das Modell die Preise prognostizieren?
Sie benötigen Tools zum Filtern von Optionen, zum Setzen der Prioritäten und zum Herstellen eines angemessenen Konsenses. Und da einige Ihrer Wetten nicht funktionieren, benötigen Sie die obere Abdeckung, um die Richtung zu ändern, ohne die Schuld zu befürchten. In dieser Lektion erfahren Sie, wie Sie mit diesen Herausforderungen umgehen können.
Um diesen Herausforderungen begegnen zu können, empfehle ich den sogenannten AI Canvas als Planungswerkzeug bei der Ideengenerierung für KI-Projekte zu nutzen.
Mit dem Canvas können Unternehmen die zahlreichen KI-Ideen filtern und die besten Geschäftsmöglichkeiten ermitteln. Das KI Canvas basiert auf dem erfolgreichen Lean Canvas von Ash Maurya und dem machine Learning Canvas von Louis Dorard.
Dieses Canvas kann als Ihr strategisches Planungsinstrument dienen, mit dem Sie ihre potenziellen KI-Produkte bewerten, analysieren und in der Praxis umsetzen.
Ein Canvas bieten gegenüber regulären Business Plänen mehrere Vorteile:
- Sie können bei Planänderungen einfach aktualisiert werden
- Sie ermöglichen eine effiziente Teamplanung
- Sie kommunizieren sofort die wichtigsten Risiken und Chancen für jedes Publikum
Dank dieser Eigenschaften eignet sich ein KI-Canvas ideal zum Analysieren und Planen Ihrer KI-Strategie.
Für einen KI-Canvas benötigen Sie viel weniger Zeit als für ein umfangreiches Businessplan- oder Strategie-Whitepaper (das niemand jemals lesen wird). Ein Canvas vereinfacht jedoch nur den Prozess der Dokumentation und Kommunikation einer Strategie.
Sie müssen sich immer noch der größeren Herausforderung stellen, die Informationen zu sammeln, die für eine gründliche Prüfung Ihrer Optionen erforderlich sind. Der Canvas hilft uns dabei, die richtigen Fragen zu stellen, geben aber keine Antworten.
Willst Du einen Job in Data Science und AI?
Gerade als Quereinsteiger oder kompletter Berufseinsteiger ist es mittlerweile nahezu unmöglich, einen Job im Bereich AI/Data Science zu ergattern.
Mittlerweile gibt es durchschnittlich einhundert Bewerber auf jede Stelle und es kommt mir so vor, als hätte jeder, der sich bewirbt, bereits mehrere Online-Kurse zum Thema Data Science absolviert und ein halbes Dutzend Zertifikate vorzuweisen.
Ohne aus dieser großen Masse an Kandidaten herauszustechen, landet die Bewerbung schnell im virtuellen Mülleimer.
Als Teamleiter im Bereich KI/Data Science habe ich im Laufe der Jahre Bewerbungen von Hunderten von Kandidaten gesehen. Ich weiß, worauf es ankommt.
Ein Quereinsteiger oder Berufseinsteiger ohne nennenswerte Erfahrung hat nur eine Chance, den Job zu bekommen: mit einem umfangreichen Data-Science-Portfolio, das perfekt auf die ausgeschriebene Stelle zugeschnitten ist. Damit überzeugst du die HR und die Entscheidungsträger warum gerade Du der richte Kandidat für die Stelle bist.
Ich unterstütze dich persönlich dabei, ein maßgeschneidertes Data-Science-Projektportfolio zu entwickeln und umzusetzen, das genau auf deine Wunschstelle zugeschnitten ist.
Interesse? Dann, trage unten deinen Namen und Email ein und ich melde mich bei dir mit weiteren Informationen.
