Vorteile und aktuelle Möglichkeiten von Künstlicher Intelligenz im Mittelstand
Im folgenden Artikel geben wir einige Beispiele für Künstliche Intelligenz im Mittelstand. Der Einsatz von KI als notwendiger nächster Schritt der Digitalisierung bietet in allen Bereichen der Wirtschaft ein enormes Potenzial. Von diesem Fortschritt sollen und können auch kleine und mittelständische Unternehmen profitieren. Vorteile entstehen aus Prozessautomatisierung, gezielter Kundenansprache und aus ganz neuen Fragestellungen zu Prozessen, die wiederum zur Erhöhung der Effizienz und Qualität der Prozesse im Unternehmen führen können.
In diesem Artikel beleuchten wir die gängigsten momentanen KI-Möglichkeiten im Mittelstand und geben einen Ausblick in das Potenzial von Morgen und den Unterschied von herkömmlicher KI zum Machine Learning.
Wie relevant ist Künstliche Intelligenz für den deutschen Mittelstand?
Ein Zitat von Harald Christ, ehemaliger Vorstand bei Ergo, bringt es auf den Punkt: „Wer Weltmarktführer bleiben will, braucht Künstliche Intelligenz.”
Bei einer vom Ministerium für Wirtschaft und Energie beauftragten Erhebung der Mittelstand-Digital Begleitforschung, kamen interessante Ergebnisse zutage:
Aus ihren Umfragen geht hervor, dass KI as a Service (d. h. extern eingekaufte cloudbasierte KI-Algorithmen zugeschnitten auf den Anwendungsfall) schon jetzt eine große Rolle im Mittelstand spielt.
Das resultiert aus der Größe der KMUs, da KMUs entweder selbst kaum eine ausreichende Datenbasis haben, oder es ihnen an spezialisierten Fachkräften mangelt, um eigene KI-Anwendungen zu entwickeln. Trotz dieser Hürden ist man sich im deutschen Mittelstand einig darüber, dass sich ein enormes Potenzial für die Wertschöpfungskette durch viele Bereiche und Geschäftsmodelle zieht. Der Einsatz von Künstlicher Intelligenz wird daher bereits seit geraumer Zeit als der nächste notwendige Schritt in der Digitalisierung von KMUs gesehen und unterstützt den aktuellen Trend, auch im Mittelstand mit Hilfe von Cloud Lösungen das eigene Unternehmen mit seinen Prozessen umfassend abzubilden.
Anwendungen von Künstlicher Intelligenz in der Praxis
Genutzt wird heutzutage noch die sogenannte einfache KI, die das gesamte potenzielle Spektrum der künstlichen Intelligenz zukünftig durch Machine Learning abdecken soll. Denn obwohl heute schon die Rechenleistung moderner Computer enorm gestiegen ist, existieren immer noch zahlreiche Aufgaben, bei denen der Mensch aufgrund seiner Lernfähigkeit dem Computer überlegen ist. Machine Learning soll Computer aber in die Lage versetzen, diese Anpassungs- und Lernfähigkeit des Menschen zu imitieren. Zukünftig soll KI eigenständige Entscheidungen aufgrund von Erfahrungen, entnommen aus einem Big Data Pool, treffen.
Eine weitere interessante Erkenntnis der Studie war, dass der Mittelstand die größten Chancen in der Künstlichen Intelligenz sowohl in der Optimierung der Lieferketten als auch in einer gesteigerten Prozesseffizienz sieht. Erst danach folgen zielgerichtete Marketingkampagnen, Verbesserungen im Kundenservice und Anomalieerkennung. Hieraus ist zu erkennen, dass die Wirkung von KI auf die IT-Sicherheit noch indifferent betrachtet wird und die Entwicklung bereits weiter ist als viele Management-Teams und Entscheider es vermuten. 2022 ist ein idealer Zeitpunkt, die Transformation hin zu Cloud-Lösungen und KI-Prozessen zu vollziehen. Die Technik ist gut erprobt, sicher und zugänglicher denn je.
Allerdings sehen die allerwenigsten in der KI einen Ersatz für Mitarbeiter. Man glaubt eher, dass gewisse Aufgaben von der KI übernommen werden können, sodass sich der Mensch zukünftig weitestgehend auf die Aufgaben konzentrieren kann, bei denen er der KI überlegen ist. KI Anwendungen unterstützen dann die Experten im Unternehmen, liefern wichtige Informationen und nehmen einfache, redundante Arbeitsprozesse ab. Daraus lässt sich ableiten, dass über die gesamte Wertschöpfungskette Vorteile durch den Einsatz von künstlicher Intelligenz gesehen werden.
Akzeptanz für KI “as a Service” in der Industrie
Aus Umfragen ging hervor, dass die Grundvoraussetzung für eine höhere Akzeptanz von KI as a Service Lösungen ist, Vertrauen in die Cloud-Architekturen zu schaffen. Vor allem aufgrund von Sicherheitsbedenken und Fragen zum Datenschutz sind viele KMUs heute bzgl. Cloud Lösungen noch zurückhaltend. Dass Lösungen seriöser, in Deutschland oder der EU sitzender Cloud-Anbieter mit europäischen Servern in der Regel eine bessere IT-Sicherheit gewährleisten als es meist hauseigene IT-Systeme in mittelständischen Betrieben leisten, ist weitläufig noch nicht bekannt.
Neben einer solchen “One Size Fits All” – Lösung gibt es allerdings auch weitere Optionen. So ist es möglich, einen Teil seiner Daten unabhängig von der Cloud mit Hilfe von Edge-Computing dezentral zu verarbeiten. Auf diesem Weg reduziert sich gleichzeitig das Risiko umsatzabhängiger Preise, wie es bei großen, führenden Anbietern besteht und nicht zu unterschätzen ist.
Aktueller Einsatz von KI im Mittelstand – Was Künstliche Intelligenz tatsächlich leisten kann?
Hier nur ein paar wenige Beispiele:
- Maschinelle Übersetzung von Texten in einer Qualität, die kaum noch von der menschlichen Übersetzung zu unterscheiden ist – Natural Language Processing
- Kundensegmentierung um Logistik zu optimieren oder gezielte digitale Werbung zu schalten
- Bilderkennung bei Produktionsanlagen zur Prozessfehler-Erkennung
- Chatbots im Customer Service verbessern und automatisieren den Kontakt zu Leads und Kunden
- Digitale Anomalieerkennung im Finanzwesen
- Intelligent Pricing bietet Lösungen für Individualisierung, Transparenz und gezielte Preisentwicklungen
Die Einbindung von Künstlicher Intelligenz in das eigene Unternehmen kann auf zwei unterschiedlichen Wegen erfolgen. Zum einen kann die Implementierung durch Fachleute in die eigenen Prozesse, Produkte und Services erfolgen. Alternativ gibt es von Drittanbietern die bereits erwähnten Cloud-Lösungen. Perspektivisch sind beide Wege für KMUs wichtig und interessant. Denn einerseits können Cloud Lösungen nur bis zu einem gewissen Teil in die Tiefe eines Prozesses einsteigen, da sie für die Anwendung einer breiteren Masse ausgelegt sind, andererseits benötigen sie aber weniger internes IT-Knowhow und bieten nebenbei robuste Lösungen zu Themen, wie zum Beispiel Datenschutz, IT-Sicherheit und Support-Fragen. Dieser KI-Art wird laut der Erhebung ein rasanter Bedeutungszuwachs prognostiziert, da so auch für kleinere Unternehmen ein schneller Einstieg in Künstliche Intelligenz möglich ist. Die Investitionskosten sind geringer, da man meist auf Pay-per-Use Systeme zurückgreifen kann. Somit ist es gleichzeitig möglich mehrere Systeme zu testen – optimal vor allem für kleinere Unternehmen, die somit trotz ihrer Größe von den nächsten Schritten der digitalen Transformation profitieren können.
Für speziellere Aufgaben ist es unwahrscheinlich, dass diese Systeme ohne starke Anpassung eine effiziente oder auch langfristige Lösung darstellen können. Die Hürden sind auch heute noch groß.
Mehrere Faktoren spielen hierbei eine Rolle:
- Aufwand für die Testdaten wird unterschätzt
- Bedenken der Mitarbeiter (Changemanagement)
- Mangelnde Prozessinnovation. Wenn KI nur als Erweiterung verstanden wird, drohen bestehende Prozesse übernommen zu werden.
- Rentabilität ist nicht immer direkt gegeben bzw. Resultat eines längeren Verbesserungsprozesses
Wie kommt man zum Machine Learning?
In Entwickler-Kreisen ist „TensorFlow“ am gängigsten, um im ersten Schritt eine Netzwerkarchitektur aufzubauen. Dies ist ein Framework, in der die Programmiersprache Python eingebunden werden kann. Da TensorFlow von Google stammt, kommt es aus Datenschutzgründen nur für nicht personenbezogene und nicht geschäftskritische Anwendungen in Betracht. Google ist zwar eines der größten, aber nicht dem DSGVO unterliegendes Unternehmen, und in diesen Fällen als kritisch zu betrachten.
Man wählt aus unterschiedlichen vorgefertigten Netzarten, sogenannten neuronalen Netzwerken. Danach, sobald die Architektur steht, kann das Setup eines Machine Learning Prozesses beginnen.
Innerhalb sogenannter Layer sind die darin liegenden Neuronen miteinander vernetzt. Den Inhalt dieser Layer kann man sich nicht als klassischen Programmcode, sondern eher als eine Vielzahl von „Black Boxes“ vorstellen.
Um mit dem Training zu beginnen, baut man ein Verarbeitung-Setup auf. Dabei wird aus den Echtweltdaten ein Trainingssatz herausgenommen und isoliert. Der trainierte Algorithmus kann dann auf den bisher nicht genutzten Teil der Daten angewendet werden. Aus diesen entstehen jene datenbasierten Voraussagen, von welchen Sie und Ihr Unternehmen profitieren.
Der Unterschied zu herkömmlicher KI entsteht nun an dieser Stelle, da dieses Verfahren programmiertechnisch ab hier nicht mehr nachvollziehbar ist. Die KI lernt somit eigenständig weiter.
Für einen tieferen Einblick und die Möglichkeit der Einführung von maschinellem Lernen in Ihrem Unternehmen, treten Sie gerne unverbindlich mit unseren Experten in Kontakt.
In einem persönlichen Gespräch beantworten wir Ihnen gerne Ihre Fragen zu den Einsatzmöglichkeiten von KI-Lösungen für Ihr Geschäftsmodell und welche Informationen und Erkenntnisse der aktuellen KI Forschung für Sie relevant sind.