Fünf Schritte zur Implementierung von KI

KI-Trainer Uwe Hadler gibt Webinare zur Implementierung von KI in Unternehmen – und nennt fünf Schritte, die quasi jedes KI-Projekt durchläuft.
1. Daten sammeln
Gehen wir davon aus, dass es in einem Unternehmen eine Idee zu einem Projekt gibt, bei dem KI angewendet werden könnte, um eine Aufgabe zu übernehmen oder zu unterstützen. Im ersten Schritt werden einzelne Beobachtungen oder Datenpunkte gesammelt. Das können Fotos, Audiodateien oder anderes sein. Um zum Beispiel eine KI-basierte Sprachassistenz wie Siri zu bauen, müssen zunächst sehr viele Audiodateien gesammelt werden, damit die KI am Ende überhaupt einen gesprochenen Text verstehen kann. Schritt eins der Datensammlung sind also die Eingabewerte. Darunter fällt alles, was die KI füttert. Ein anderes Beispiel: Wenn ein Unternehmen überlegt, KI in der Qualitätskontrolle einzusetzen, könnte eine fest installierte Kamera über dem Förderband zunächst viele Fotos von den über das Band laufenden Produkten machen.
2. Daten beschriften
Im nächsten Schritt werden alle Daten zusammengeführt. Die Fotos vom Laufband werden einzeln überprüft und genau beschriftet. Welche Fehler sind an den Produkten zu erkennen? Welche Produkte sind einwandfrei? Die KI soll lernen, wie das Produkt am Ende nicht aussehen soll, weil es fehlerhaft ist und aussortiert werden muss. Im Beispiel des KI-Sprachassistenten werden die zuvor gesammelten Audiodateien in diesem Schritt mit dem Text versehen, der in der jeweiligen Audiodatei gesprochen wird.
3. Daten vor verarbeiten
Im nächsten Schritt geht es darum, die Daten maschinenlesbar zu machen. Für die Verarbeitung muss alles, was wir Menschen abstrakt verstehen, auf Zahlen heruntergebrochen werden. Der zweite Teil der Datenverarbeitung ist die Datenqualität: Es müssen nicht nur möglichst viele Daten gesammelt werden, denn die bloße Menge macht‘s nicht. Da gibt es ein schönes Sprichwort: „Müll rein, Müll raus.“ Das bedeutet, wenn schlechte Datenqualität in den Prozess hineingegeben wird, dann wird das Ergebnis ebenfalls schlecht werden. Deswegen muss die Datenqualität erhöht werden. Bei dem Beispiel mit dem KI-Sprachassistenten können wir Menschen Sprache abstrahieren, unwichtige Geräusche ausblenden. In einer Audiodatei müssen erst bestimmte Frequenzbänder extrahiert werden, denn die KI kann zunächst nicht unterscheiden. Die Details dieses Schrittes sind für Laien schwer zu verstehen – nur so viel: Es gibt mathematische Tricks, um sogenannte konsistente Wertebereiche herzustellen – diese benötigt die KI.
4. KI-Modell trainieren und evaluieren
Nun gibt es einen Datensatz, der maschinenlesbar und auch für Computer verwertbar ist. Er kann nun mithilfe von KI-Methoden aus diesen Daten lernen. Einzelne Parameter können im KI-Modell ebenso optimiert werden. Das ist vergleichbar mit einer Maschine, an der während des Probebetriebs einzelne Stellschrauben verstellt werden, um die Ergebnisse besser zu machen. Die KI wird also in der Simulation trainiert und qualifiziert. Wie das passiert, kommt sehr auf den Anwendungsfall an. Irgendwann muss entschieden werden, dass das Modell gut genug arbeitet. Dann ist es Zeit für den letzten Schritt: die Implementierung der KI in den Betrieb.
5. Integration in den Betriebsalltag
In der Praxis würde man nicht alle Förderbänder gleichzeitig mit KI ausstatten und sie die Qualitätskontrolle komplett übernehmen lassen. Ist das anfänglich definierte Problem zufriedenstellend gelöst, muss nicht mehr weiterentwickelt werden. Aber genauso wie bei jeder Software kann natürlich auch bei der Anwendung von KI mal etwas schiefgehen. Ich kenne da ein Praxisbeispiel, in dem solche Bilder während der Testphase ausschließlich im Sommer aufgenommen wurden. Im Winter war es in der Betriebshalle dann aber viel dunkler und plötzlich funktionierte die KI nicht mehr zufriedenstellend. Daher wird die KI in vielen Fällen fortlaufend weiter optimiert werden. In diesem Schritt ist es wichtig, alle Mitarbeitenden mitzunehmen, beispielsweise mit Schulungen.
Anne Klesse