Um aus Künstlicher Intelligenz (KI) Kapital schlagen zu können, brauchen Sie das richtige IT-Fundament. Schließlich kann KI nur auf der Grundlage von Machine Learning funktionieren, was wiederum nicht ohne Analytics umsetzbar ist - und Analysen laufen ohne die richtige Erschließung von Daten und eine geeignete Informationsarchitektur (IA) ins Leere. Kurz gesagt: Ohne IA keine KI.
Foto: ktsdesign - shutterstock.com
Stellt sich die Frage, wie eine solche Informationsarchitektur beschaffen sein muss, um den Einsatz von KI-Lösungen bestmöglich zu unterstützen und welche Punkte Sie als CIO oder IT-Entscheider dabei beachten sollten.
Die Erfolgsstufen der Künstlichen Intelligenz
Künstliche Intelligenz soll das Arbeitsleben erleichtern und mehr Effizienz in sämtliche Prozesse bringen. Das ist allein mit einer KI-Lösung nicht zu erreichen. Auch die Technologielandschaft und die Unternehmenskultur müssen sich verändern - Stichwort "data driven company".
Bei IBM spricht man von der "AI Ladder", die man erklimmen muss. Dieses Konzept basiert auf fünf Phasen:
Modernize: Daten werden für die Nutzung mit State-of-the-Art-Technologien aufbereitet;
Collect: Daten jeder Art werden einfach zugänglich gemacht, unabhängig davon, wo sie vorgehalten werden;
Organize: Eine vertrauenswürdige Analytics-Grundlage entsteht;
Analyze: Insights in allen Bereichen werden mit Hilfe von KI im gesamten Unternehmen verfügbar gemacht;
Infuse: Künstliche Intelligenz wird vertrauenswürdig und transparent über die gesamte Organisation hinweg ausgerollt;
Das Modell verdeutlicht die Bedeutung der Daten beim Einsatz von Künstlicher Intelligenz: Daten verändern die Kultur von Unternehmen. Laut einer aktuellen MIT-Sloan-Studie sehen 85 Prozent der befragten IT-Spezialisten in KI ein strategisches Werkzeug, um mehr Wert aus ihren Daten zu schöpfen. Auf der anderen Seite wissen 81 Prozent der Befragten nicht, wie die Daten für den Einsatz von Künstlicher Intelligenz aussehen müssen.
"KI-ready" in 5 Schritten
Um Daten gemäß dem "AI Ladder"-Ansatz zu verarbeiten, schlägt IBM fünf konkrete Schritte vor.
Schritt 1 - Modernize: Aufgrund der dynamischen Natur von KI-Lösungen sind Datenarchive am besten in einer flexiblen Multi-Cloud-Infrastruktur aufgehoben. Das stellt sicher, dass alle Funktionen in einer vollständig gemanagten Plattform zusammenlaufen.
Einige Unternehmen planen, ihre KI-Lebenszyklen über eine ganze Reihe von Stakeholdern hinweg durch kollaborative Workflows zu automatisieren. Ist von der "Modernisierung" von Daten die Rede, muss eine Informationsarchitektur geschaffen werden, die flexible Wahlmöglichkeiten über die gesamte Unternehmensstruktur hinweg bietet. Sind Ihre Datenbestände fit für die KI- und Multicloud-Welt, werden Sie feststellen, dass weit weniger "Improvisationstalent" notwendig ist, um KI-Lösungen auf das gesamte Unternehmen zu skalieren.
Schritt 2 - Collect: Unternehmen brauchen eine starke und einfach zugängliche Datenbasis - unabhängig davon, wo die Daten vorgehalten werden. Weil die Daten, die für Künstliche Intelligenz genutzt werden häufig sehr dynamisch sind und vielen verschiedenen Quellen entstammen, ist die Virtualisierung der Datenerfassung von hoher Bedeutung.
Schritt 3 - Organize: Nun geht es darum, die Daten "fit" für KI-getriebene Use Cases zu machen, also eine geeignete Analysegrundlage zu schaffen. Ansonsten können unzureichend aufbereitete Daten die KI-Lösung stark beeinträchtigen - deswegen sollten Sie den gesamten Lebenszyklus Ihrer KI-Daten integrieren, bereinigen, katalogisieren und steuern.
Schritt 4 - Analyze: Sind Daten auf diese Weise vorbereitet, ist der Einsatz auch komplexerer Analytics- und KI-Modelle kein Problem mehr. Diese bieten die analytischen Fähigkeiten, die den Schlüssel zum KI-Erfolg bilden und sorgen dafür, dass KI-Modelle innerhalb eines integrierten Technologie-Portfolios erstellt, ausgerollt und gemanagt werden können.
Schritt 5 - Infuse: Etliche Unternehmen haben bereits sehr nützliche KI-Modelle entwickelt, stehen aber vor Problemen, damit einen Mehrwert für das Business zu erzeugen. Mit diesem Schritt sorgt Künstliche Intelligenz für vertrauenswürdige und transparente Entscheidungsfindung. Im Fall von gängigen Anwendungsfällen mit vorgefertigten Applikations-Services verkürzt sich die Time-to-Value wesentlich.
Wie das in der Praxis aussehen kann, erläutert das kurze Case-Video bei der Deutschen Bahn, einem der größten IBM Planning Analytics-Anwender mit mehr als 6.000 Nutzern weltweit.