AI Projekte: Think big, start small

Artificial Intelligence Projekte scheitern sehr oft. Entsprechende Aussagen findet man vielerorts, so zum Beispiel bei der «Transform 2019»¹ oder von Gartner². Gemäss diesen Quellen scheitern zwischen 80% und 87% aller AI-Projekte. Die Gründe hierfür sind vielfältig. Der mit Abstand häufigste Grund sei das fehlende Vertrauen des Managements in AI - es sah in den Projekten keinen wirklichen Mehrwert. Daraus lassen sich dann viele Gründe ableiten:

  • Irgendein Nerd hat ohne aufzeigbarem und nachhaltigem Nutzen ein AI-Projekt verkaufen können
  • Das Business verstand bei all den Fachwörtern des Verkäufers gar nicht, was sie da kaufen
  • Die umsetzenden Mitarbeiter waren mehr Akademiker denn Praktiker
  • usw...

Aber was kann man tun, damit solche Probleme erst gar nicht auftreten? Indem man das erste AI-Projekt eher klein hält. Und das aus mehreren Gründen.

think big...

Es macht schon Sinn, sich Gedanken über das grosse Ganze zu machen. So lassen sich die darauffolgenden erste Schritte besser planen, da die dann schon in eine bestimmte Richtung gehen. Ein Highlevel-Konzept in der Schublade zu haben, hilft bei den späteren Schritten die richtigen Empfehlungen geben zu können. Dieses Big-Picture aber mit dem Start zum ersten Vorhaben dem Business zu verkaufen ist anspruchsvoll.

 

Mit den Themen AI und Machine Learning stossen wir in Bereiche vor, in denen man bisher wenig bis keine Erfahrungen sammeln konnte. Und das 'Think-Big'-Projekt wird auch nicht nur 30 Tage Aufwand kosten, sondern um Faktoren mehr. Insofern darf ein Projektabbruch denn auch wenig überraschen.

..start small!

Das erste Projekt rund um Artifical Intelligence oder Machine Learning sollte eher einfach und klein daherkommen. Die Fragestellung muss sein: "Was ist die kleinst-mögliche Umsetzung, welche einen wirklichen Business-Benefit generieren kann?". Das kann ein isoliertes Thema sein, das sich einfach umsetzen lässt (z.B. ein einfacher Document Classifier, der Mitarbeiter von monotoner Dokumenten-Sortierung entlastet), oder aber einen komplexeren Sachverhalt adressieren, diesen aber noch relativ einfach angehen.

 

Mit der Einführung des ersten AI-Projekts zählt nicht nur der reine Business-Nutzen. Es müssen auch in der IT Prozesse etabliert werden, wie mit ML-Modellen umzugehen ist. Eine ML-Komponente hat keine 100%-Trefferquote: sie muss lernen können. Dies geschieht über Zeit. Falsche Ergebnisse müssen ins nächste Training einfliessen, so dass das nächste Modell dann exakter arbeitet.

 

Aber auch die Business-Mitarbeiter müssen erst mal Vertrauen in dieses neue Verfahren bilden und erkennen, dass mit der Einführung ihr Arbeitsplatz nicht gleich gefährdet ist. Wenn eine Veränderung zu schnell, zu revolutionär und dazu noch als eine Umsetzung daherkommt, welche den eigenen Arbeitsplatz gefährden könnte, wird es schwierig dafür Begeisterung aufzubringen. Die Werbung suggeriert uns ein Bild von künstlicher Intelligenz, das mit Sciencefiction-Filmen vergleichbar ist. Die Wahrheit aber ist viel nüchterner. Erst wenn die Mitarbeiter selbst erkennen, dass ein AI-Projekt ihnen hilft lästige Arbeiten abnehmen kann, können weitere Projekte starten.

 

Es bietet sich an, zuerst mit einem Proof of Concept zu starten. So lässt sich gegenüber dem Business im klarem Budgetrahmen ein Thema umsetzen. Ob ein AI-Ansatz für eine Problemstellung wirklich geeignet ist, lässt sich so verhältnismässig schnell nachweisen.

 

Sehen auch Sie Chancen von künstlicher Intelligenz in Ihrem Unternehmen? Sind Sie sich aber noch unsicher, wie so etwas angegangen werden kann? Unsere langjährige Erfahrung mit IT-Projekten bringen wir gerne ein.

 

Quellen:

¹ https://venturebeat.com/2019/07/19/why-do-87-of-data-science-projects-never-make-it-into-production

² https://blogs.gartner.com/andrew_white/2019/01/03/our-top-data-and-analytics-predicts-for-2019