5 Fragen, bevor Sie mit der Implementierung von maschinellem Lernen beginnen

5 Fragen, bevor Sie mit der Implementierung von maschinellem Lernen beginnen

Sie beginnen Ihren Arbeitstag wie gewohnt – Kaffee oder Tee, E-Mails öffnen, im Kalender nachschauen und zum ersten Treffen laufen. Diesmal möchte sich Ihr Vorgesetzter mit Ihnen treffen, um die Strategie zur Einführung des maschinellen Lernens im Unternehmen zu besprechen. Wahrscheinlich hat er auf der letzten Konferenz über Innovationen in der Industrie von dessen Vorteilen gehört. Bis jetzt wurde fortschrittliche Analytik in Ihrem Unternehmen nicht angewendet, denn niemand wusste, wo und wie man sie einsetzen sollte. Es gibt allerdings immer mehr Stimmen in der IT-Branche, die sagen, dass es sich lohnt, in diese Technologien zu investieren. Also wollen auch Sie ihre Vorteile nutzen. Aber wie soll man das alles organisieren, wenn man sich noch nie damit beschäftigt hat?

Immer mehr Unternehmen stehen vor einem solchen Dilemma. Man hört überall, dass KI und ML Organisationen verändern und Gewinne oder Einsparungen bringen. Deswegen möchte man auch in diese Art von Lösungen investieren. Und so wird man zu einem data-driven Unternehmen. Die Anfänge können schwierig sein, oft scheitern die ersten Projekte, was den falschen Eindruck erweckt, ML funktioniere nicht. Wie lässt sich das vermeiden? Zu Beginn der Reise sollten Sie 5 wichtige Fragen beantworten!

Why?

Warum wollen Sie eigentlich maschinelles Lernen in Ihrer Organisation einführen? Wenn die einzige Motivation ist, sagen zu können: „Wir verwenden künstliche Intelligenz“, ist dies in der Regel ein sicherer Weg zum Scheitern. Fortschrittliche Analytik soll die Lösung von Problemen des Unternehmens unterstützen und nicht implementiert werden, nur damit man damit angeben kann.

Warum wurden diese Technologien nicht früher eingesetzt? Und warum sollte man zu ihnen greifen statt zu einfacheren Algorithmen? Anhand der Antworten auf diese Fragen können Sie herausfinden, warum heute der richtige Zeitpunkt für die Einführung von ML in Ihrem Unternehmen ist.

Die Frage, warum genau in einem bestimmten Geschäftsprozess ML eingesetzt werden soll, ermöglicht es Analysten und Datenwissenschaftlern, das Problem besser zu verstehen und so ein optimales Modell zu erstellen.

What?

Wenn Sie schon wissen, was Sie dazu bewegt, fortschrittliche Analytik zu implementieren, müssen Sie weitere Informationen sammeln. Sie sollten überlegen, wo Sie anfangen wollen und was derzeit das größte Geschäftsproblem ist. Welche Teile des Entscheidungsprozesses können automatisiert oder verbessert werden? Was kann das Leben Ihrer Kunden oder Mitarbeiter erleichtern? Bei der Beantwortung dieser Fragen werden wir bereits eine Menge Potenzial für den Einsatz von KI finden. Wo wird sie anfangs am besten eingesetzt? Meistens dort, wo ein Entscheidungspunkt entsteht und wir eine Wahl treffen müssen. Dort, wo es ein Mensch ist, der eine Vielzahl von Daten analysieren und eine Entscheidung treffen muss, wofür er oft nicht genug Zeit hat. Man soll den Punkt im Geschäftsprozess wählen, an dem man am meisten gewinnen oder einsparen kann, wenn man die Qualität der Entscheidung erhöht oder sie beschleunigt, um die Mitarbeiter oder Kunden zu entlasten. So entlasten zum Beispiel Chatbots Callcenter-Mitarbeiter bei den einfachsten Fragen oder Bevorratungsalgorithmen bereiten die optimale Bestellung von Waren vor und sorgen so für ein Geschäft oder Lager.

Who?

Eine weitere Gruppe von wichtigen Fragen dient dazu, herauszufinden, wer die Ergebnisse der Algorithmen tagtäglich nutzen und die Modelle bewerten wird. Es sollte in der Organisation Personen geben, die für die Qualität der Modelle, die Überwachung der Architektur des gesamten Analyse-Ökosystems und die Auswahl der richtigen Lösungen verantwortlich sind.

Auf der Geschäftsseite sollte es wiederum Personen geben, die für die Festlegung der Anforderungen und Erwartungen an die Algorithmen verantwortlich sind. Das heißt, Personen, die in der Lage sind, klar und deutlich zu sagen, welche Prognosen z. B. für den Verkauf, erforderlich sind. Darunter sollten sich auch Personen befinden, die angeben werden, anhand welcher geschäftlicher KPIs sie die Effekte messen wollen, wie z. B. die Zeitersparnis der Berater an der Hotline nach der Einführung des Chatbots.

Auf der technischen Seite werden Personen mit Kenntnissen in der Anwendung verschiedener Algorithmen und datenwissenschaftlicher Methoden benötigt. Darüber hinaus sollten sie wissen, wie man Modelle in der Produktion implementiert, und dabei auf gute MLOps-Praktiken achten. Oft müssen Sie von externen Fachleuten unterstützt werden, da es schwierig ist, diese im Rahmen des Unternehmens zu beschäftigen.

Where?

Wir wissen bereits, warum sich ein Unternehmen für den Einsatz von Algorithmen interessiert, wer sie bewerten wird und mit welchen Problemen man beginnen sollte. Nun ist es an der Zeit, zu überlegen, wo die Ergebnisse der Modelle gespeichert werden und in welchen Systemen sie verwendet werden sollen. Sollten einige zusätzliche Komponenten in den Systemen vorbereitet werden? Dabei wird festgestellt, ob unsere technische Infrastruktur bereit ist oder zusätzliche Technologien erforderlich sind. Es ist auch ein Signal an die IT-Abteilung, dass sie möglicherweise bald an Änderungen oder der Entwicklung von Systemen und Anwendungen arbeiten werden muss.

When?

Es ist die letzte Frage, die Auskunft darüber gibt, wann wir ML implementieren wollen und wann die Algorithmen Ergebnisse liefern sollen. Jedes Unternehmen, das seine Strategie aufbaut, legt einen Rahmenzeitplan fest, der notwendig ist, um den Fortschritt der Arbeit zu verfolgen. Ganz gleich, ob es darum geht, Systeme oder Prozesse zu modifizieren, neue Produkte einzuführen oder neue Technologien zu nutzen. Meilensteine werden benötigt, die die wichtigsten Aktivitäten und Ergebnisse definieren, und dann die Personen, die für ihre Erreichung verantwortlich sind, was auch eine weitere Antwort auf die Frage „Who?“ darstellt.

Fazit

Heutzutage sind viele Unternehmen davon überzeugt, dass es für die Implementierung des maschinellen Lernens in einer Organisation lediglich notwendig ist, Daten zu sammeln und vorzubereiten und dann einen Datenwissenschaftler einzustellen, der geeignete Modelle erstellt. Zugegeben, es ist erforderlich, aber wir sollten viele Aspekte beachten, die zunächst intern diskutiert und analysiert werden sollten. Auf diese Weise können wir vermeiden, dass ML-Projekte „spontan“ vorbereitet werden, was oft zum Scheitern führt.

Diese Website verwendet Cookies für statistische, werbliche und funktionale Zwecke. Durch die weitere Nutzung dieser Website stimmen Sie deren Nutzung zu.
Ich stimme zu