Wie Machine Learning-Projekte nicht mehr scheitern

Laut einer aktuellen Studie von IDG verwenden im Schnitt bereits zwei Drittel der deutschen Unternehmen Machine Learning (ML) oder planen dessen Einführung – bei den großen Firmen sind es sogar 73 Prozent. Die Notwendigkeit zeigt sich laut Studie vor allem im IT-Bereich, wo sich immer komplexere Infrastrukturen und zunehmende Cyber-Angriffe ohne automatisierte, selbstlernende Systeme kaum noch effizient managen lassen. Auch in Produktionsumgebungen kommt ML immer häufiger zum Einsatz, z. B. in der Prozessautomatisierung, bei Predictive Maintenance oder der Optimierung von Lieferketten, sowie bei der Automatisierung von B2C-Prozessen wie Inputmanagement oder in der Kundenkommunikation mit Chatbots.

Wenn inzwischen so viele Unternehmen auf ML setzen, klingt das zunächst vielversprechend. Doch was ist mit Vorhersagen von Analysten wie Gartner, dass über 80 % aller ML- und KI-Projekte scheitern? Ein Blick in die Praxis zeigt leider, dass dies allzu oft immer noch der Fall ist. Nur weil viele Firmen Machine Learning einsetzen, heißt das noch nicht, dass sie damit auch erfolgreich sind. Gründe dafür liegen z. T. in der Qualität der Input-Daten. Wenn sie nicht hoch genug ist, entsteht kein Nutzen. Zudem fehlt vielen Mitarbeiter:innen und Endkund:innen das Vertrauen in KI-gestützte Anwendungen und Services. Sind die Lösungen an ihren Anforderungen vorbei entwickelt und bringen keinen spürbaren Mehrwert, verstärken sich solche Vorbehalte. Eine weitere Herausforderung besteht heute außerdem in der Heterogenität der Entwickler-Tools. Die Technologie ist noch immer so neu, dass bisher Standards fehlen – und jeden Tag kommen weitere Anwendungen auf den Markt. Die große Frage ist nun: Wie gehen Unternehmen, die Machine Learning erfolgreich einsetzen wollen, damit um? Die folgenden Aspekte können ihnen auf dem Weg dorthin helfen:

1. Für Datenqualität & -quantität sorgen

Machine Learning funktioniert meistens nur mit einer ausreichend großen Datenmenge, mit der die Algorithmen trainiert werden können. Gerade mittelständische Unternehmen verfügen im Vergleich zu Konzernen nicht immer über ein solches Datenmeer. Sie müssen aufstocken. Eine Möglichkeit dafür ist z. B. die Zusammenarbeit mit Partnern aus der eigenen Branche mittels Federated Learning. Hier werden ML-Modelle jeweils im eigenen Unternehmen trainiert und dann mit denen anderer Unternehmen ausgetauscht, ohne dass die ursprünglichen Daten die Organisation verlassen müssen. Wer seine eigenen Daten für Machine Learning nutzen möchte, ist zudem mit einem BI-Tool gut beraten, das beim Identifizieren und Klassifizieren der relevanten Daten hilft.

2. Use Case Roadmap festlegen

Momentan erhält man schnell den Eindruck, dass nahezu jedes Unternehmen Machine Learning und Künstliche Intelligenz umsetzen möchte und auch schon erste Schritte in diese Richtung geht. Den Proof of Concept haben tatsächlich bereits viele Projekte bestanden – aber selten dessen Umsetzung ins operative Geschäft. Dafür empfiehlt es sich, frühzeitig die Use Cases zu identifizieren, die durch ML unterstützt werden sollen, und sie nach dem zu erwartenden Erfolg zu staffeln. Quick Wins kommen auf der Roadmap als Erstes, komplexere Use Cases später. Die schnell sichtbaren Erfolge motivieren und zeigen, welches Potenzial noch realisierbar ist. Gleichzeitig darf hier auch ausprobiert werden. Kleine Fehlschläge lassen sich zu Beginn noch schnell beheben. Aus ihnen kann man dann für weitere Use Cases lernen, ohne dass ein zu großes Investment-Risiko entsteht. Welche Use Cases sich besonders gut eignen und welche ML-Tools für deren Umsetzung geeignet sind, lässt sich leider nicht pauschal sagen. Hier zählt Erfahrungswissen, welches z. B. externe Consultants aus ihren Projekten mitbringen. Diese erkennen mit ihrem neutralen Blick von außen zudem unternehmensweite Synergien, die in Einzelprojekten leicht übersehen werden können.

3. Agil und step-by-step vorgehen

Die Vision des komplett digitalisierten, KI- und datengetriebenen Unternehmens ist großartig. Sie weist die Richtung, wenn es darum geht, das nächste Level im Data Driven Business zu erreichen. Doch wer möchte ein Big Picture umsetzen, das erst in zehn Jahren Wirkung entfaltet? Unternehmen brauchen jetzt Lösungen, die einen Unterschied machen. Ein agiles Vorgehen macht genau das möglich. Dafür lohnt es sich, auf kleine Teams zu setzen. Wichtig ist, dass in ihnen drei verschiedene Kompetenzen vertreten sind: Data Science-, Fach- und IT-Infrastruktur-Kompetenz. ML-Lösungen werden nach den Prinzipien und Methoden von MLOps entwickelt. So wird sichergestellt, dass Fach- und IT-Anforderungen sowie die Voraussetzungen für einen funktionierenden Betrieb zusammen gedacht und eng verzahnt umgesetzt werden. Immer ausgerichtet an der Unternehmensstrategie und fähig, auf veränderte Bedingungen sofort zu reagieren. Ein solches Vorgehen ermöglicht Quick Wins und vermeidet langwierige Projekte, die ins Leere führen.

Machine Learning braucht Mindset

Cloud-Infrastruktur, Monitoring, Wartung … Es gibt noch viele weitere Aspekte, die für erfolgreiche ML-Projekte wichtig sind. Über all dem sollten Unternehmen aber auch nicht den Cultural Change vergessen. Machine Learning bedarf nicht nur neuer Tools und Fachkräfte, es verändert auch das Mindset in Produktentwicklung, in Teams, im ganzen Unternehmen. Silo- und Abteilungsdenken steht dem oft noch entgegen. Was es dagegen braucht, ist eine Kultur, in der Experimentieren, ständiges Dazulernen sowie ganzheitliches, vernetztes Denken und Handeln zur Normalität werden.

Das Thema Machine Learning und deren Einführung im Unternehmenskontext interessiert Sie? Dr. Lars Flöer und seine Kolleg:innen tauschen sich dazu gerne mit Ihnen aus: Hier können Sie Kontakt aufnehmen.