Artificial Intelligence (AI) oder Machine Learning (ML) sind die Schlagworte der Stunde. Im täglichen Leben ist AI bereits ein fester Bestandteil - sei es wenn wir eine Google-Suche absetzen, über Deepl ein Wort übersetzen oder abends auf Netflix einen passenden Film aussuchen. Im Kerngeschäft vieler KMU spielt AI jedoch noch eine untergeordnete Rolle. Doch wieso eigentlich?
Viele Unternehmen sind in Sachen AI noch als Neulinge unterwegs oder haben erste eher experimentelle Erfahrungen gesammelt. Die Gründe können von fehlendem Budget, über fehlendes Know-how bis hin zu fehlenden Anwendungszwecken vielfältig sein. In meinem Umfeld stelle ich jedoch vielfach fest, dass sich die Unternehmen schlicht noch gar nicht an einem Punkt befinden, wo AI zum Thema wird. Vielmehr stehen Unternehmen vor Herausforderungen wie:
- Ablösung von Alt-Systemen
- Integration von unterschiedlichen Systemen
- Automatisierung und Digitalisierung von Prozessen
- Verbesserung User Experience
- Cloud-Move
Diese Projekte scheinen oft eine höhere Dringlichkeit und Wichtigkeit zu haben als futuristisch anmutende AI-Projekte. Dies muss jedoch nicht negativ sein, sondern kann eine Chance darstellen. Schliesslich wird mit Prozessautomatisierungsprojekten, Ablösung von Alt-Systemen oder Systemintegrationen die Basis für künftige AI-Vorhaben geschaffen. Zum Beispiel ermöglicht ein Cloud-Move auf M365 die spätere Nutzung der Microsoft Power Platform mit integrierten AI-Komponenten sowie die Nutzung von zahlreichen AI-Services. Und vor dem Hintergrund, dass ein Grossteil der AI-Vorhaben scheitert, kann es auch aus betriebswirtschaftlicher Sicht durchaus Sinn machen, ein reines Prozessautomatisierungsprojekt mit einem sicheren Return on Investment einem AI-Projekt mit unsicherem Ausgang vorzuziehen.
«Begin with the end in mind»
Die klassischen IT-Projekte stellen somit häufig eine Vorstufe für spätere AI-Projekte dar. Gerade deshalb sollte man auch bei einem klassischen Softwareprojekt ein bis zwei Schritte weiterdenken und mögliche AI-Anwendungsfälle berücksichtigen. Konkret heisst dies, dass bei einem Softwareprojekt in der Konzeptionsphase insbesondere folgende Fragen berücksichtigt werden:
1. Wo liessen sich zu einem späteren Zeitpunkt AI-Komponenten implementieren?
Ganz nach dem Motto «Begin with the end in mind» sollte diese Frage im Rahmen der Use Case-Erarbeitung beantwortet werden. Gibt es Prozessschritte, welche sich zu einem späteren Zeitpunkt automatisieren liessen? Gibt es AI gestützte Services (beispielsweise NLP), welche sich zu einem späteren Zeitpunkt einbinden liessen? Können Daten für die Nutzung von AI-Applikationen (beispielsweise AI gestützte Vorhersage) gewonnen werden?
Die Fragen können einen Einfluss auf die Wahl der Plattform oder des Frameworks haben. Idealerweise können durch die Beantwortung dieser Fragen zudem mögliche Schnittstellen bereits in der Architektur berücksichtigt werden.
2. Welche Daten erheben wir?
Hier gilt es zu definieren, welche Daten insbesondere auch im Hinblick auf eine spätere Nutzung von AI überhaupt erhoben werden. Besonders spannend sein können dabei auch Metadaten (beispielsweise der Zeitpunkt oder das Benutzer-Gerät einer Online-Bestellung). Auch bei der Ablösung von Alt-Systemen sollte überlegt werden, ob es Daten-Historien gibt, welche weitergeführt werden sollten. Gleichzeitig sollten jedoch nicht wahllos alle Daten zu einem Daten-See gesammelt werden. Stellen Sie sich die Frage, welche Daten Sie für konkrete zukünftige AI-Vorhaben (gemäss Frage 1) benötigen würden.
3. Wie erheben wir unsere Daten, damit sie in Zukunft nutzbar bleiben?
Für AI-Projekte gilt «Garbage in – Garbage out»: Die Resultate sind immer nur so gut wie die Input-Daten, welche bereitgestellt werden. Schlechte Datenqualität führt zu hohen Kosten für die Identifikation und Behebung. Da die Datenmenge mit der Nutzung stetig steigt, ist es wichtig, die Datenqualität so früh wie möglich – idealerweise bereits beim Entwicklungsprozess – sicherzustellen. Die Regeln zur Datenhaltung und Datenerfassung setzt üblicherweise die Data Governance. Ziel der Governance ist es Unvollständigkeiten, Eingabefehler, Redundanzen oder Ungültigkeiten zu vermeiden und gleichzeitig einheitliche Datenformate festzulegen. Idealerweise wird dies unternehmensweit gleich gehandhabt und bereits im Eingabesystem richtig definiert.
«Before anything else, preparation is the key to success»
Diese drei Fragen helfen Ihnen, auch klassische Software-Projekte so zu gestalten, dass Sie gegenüber zukünftigen Erweiterungen offener sind, insbesondere aus dem Bereich AI.
Dies ist jedoch nur einer der Vorteile, die sich Ihnen damit bieten. Mit den Fragen wird das Bewusstsein für den Wert der Daten und deren Haltung im Unternehmen geschärft. Ein solches Vorgehen führt auch dazu, dass Projekte kreativer angegangen werden und aus einem anderen, offeneren Blickwinkel angesehen werden.
Deshalb mein Appell: Behalten Sie AI unbedingt im Hinterkopf, wenn das nächste Software-Projekt ansteht!
