Mit dem Bekanntwerden der Möglichkeiten von GenAI wird nun der Appetit in Unternehmen grösser, KI-basierte Geschäftsideen schnell im Unternehmen umzusetzen. Die vorhandenen Kompetenzen und Ressourcen sind meistens knapp (insbesondere bei den Data Scientists). Wie also möglichst effektiv die einzelnen KI-Vorhaben umsetzen und in den jeweiligen Bereichen des Unternehmens die daraus resultierenden Wetttbewerbsvorteile erzielen?
Gerade für grössere Unternehmen bietet sich als Denkansatz die Analogie zur effektiven Fertigung im Maschinenbau an. In kontinuierlich zu verbessernden Produktionsprozessen werden KI-Vorhaben des Unternehmens geplant, umgesetzt, in Betrieb und in die Linienverantwortung übergeben.
Im Gegensatz zu einer echten Fertigung ist hierfür für solche virtuellen Güter kein eigenes Gebäude und auch nicht unbedingt ein eigenes Team notwendig. Vielmehr kann auch organisatorischen Aufwand auch ein virtuelles Center of Competence gebildet werden.
Auch in solch einem virtuellen Team ist die Priorisierung von Vorhaben sinnvoll: Häufig gibt es mehr Projektanfragen als personelle und finanzielle Ressourcen. Die folgenden Priorisierungskriterien haben sich in meinen Projekten bewährt.
Auch in solch einem virtuellen Team ist die Priorisierung von Vorhaben sinnvoll: Häufig gibt es mehr Projektanfragen als personelle und finanzielle Ressourcen. Die folgenden Priorisierungskriterien haben sich in meinen Projekten bewährt.
Häufig gibt es in KI-Vorhaben ähnliche klare Module, die sich von Projekt zu Projekt unterschieden, aber jeweils ähnliche Vorgehensweisen erfordern. Daher lohnt es sich, diese Module innerhalb des virtuellen Kompetenzcenters für KI zu bündeln und zu organisieren. So beschleunigst Du die Umsetzung von KI-Vorhaben. In einem meiner KI-Projekte in der chemischen Industrie haben sich die folgenden 6 Module als notwendig erwiesen.
- Entwicklung von Geschäfts- und Operating-Modellen: Der KI-Algorithmus allein verschafft Deinem Unternehmen noch nicht die erhofften Wettbewerbsvorteile. Diese erreichst Du mit einem konsistenten, skalierbaren Geschäfts- und Operating-Modell, das passend zu diesem Algorithmus entwickelt wurde.
- Sicherstellung der Datenverfügbarkeit: Die ausreichende Qualität und Quantität von Daten stellt häufig ein Problem für KI- und Digitalisierungsprojekte dar. Die Methoden zur Ergänzung, Qualitätsverbesserung und Erzeugung neuer Daten ähneln sich zwischen den verschiedenen Projekten.
- Expertise in chemischen Rezepturen: Hier ist die eigentliche chemische Expertise, die die Grundlage für die künstliche Intelligenz bildet. Welche Inhaltsstoffe haben welche Wirkung? Welche Kombinationen und in welcher Konzentrationsind besonders wirksam? Welche Inhaltsstoffe sind für primäre bzw. sekundäre Eigenschaften der Rezepturen zuständig? Mit diesem Wissen kann das chemische Modell trainiert werden.
- Sensorik und Robotik: Manche KI-Anwendungen profitieren von zusätzlichem Wissen von Robotik und Sensorik (z. B. für die Automatisierung von Vorgängen in einem Chemie-Labor, um Produkte oder Muster herzustellen oder auch für die Erzeugung von neuen Daten).
- Informationstechnologie: 2 Kompetenzen sind besonders wichtig: die Integration des KI-Algorithmus in die übrige Systemlandschaft, so dass durchgängige Geschäftsprozesse umgesetzt werden können. Und dazu die Erfahrung in der Methodik, Steuerung und Umsetzung von agilen Projekten.
- KI-Engine: Hier ist das eigentliche Know-how für die Entwicklung der künstlichen Intelligenz. Mit dem Know-how von Data Scientist wird werden die Datenmodelle entwickelt und trainiert.
Eine weitere Möglichkeit, die Umsetzung von KI-Vorhaben zu beschleunigen, ist das Design und die Umsetzung einer übergreifenden IT-Architektur. Manche Komponenten sind sehr spezifisch für ein einzelnes KI-Vorhaben: natürlicherweise die Daten, die KI-Engine aber auch der Auftritt gegenüber Kunden in Apps. Eine übergreifende Standardisierung dieser Komponenten würde einen Erfolg im Markt eher behindern.
Andere technische Komponenten sind jedoch über verschiedene KI-Vorhaben identisch oder eine Individualität bringt keine Wettbewerbsvorteile. Hier macht eine übergreifende Entwicklung und Umsetzung Sinn, so dass einzelne KI-Projekte sich dieser "zentralen" Komponenten bedienen können. Das erspart wertvolle Entwicklungszeit in KI-Projekten und reduziert gleichzeitig die Betriebs- und Wartungskosten dieser technischen Komponenten.