KI im Mittelstand

Inhaltsverzeichnis

Vorteile und aktuelle Möglichkeiten von künstlicher Intelligenz im Mittelstand 

Im folgenden Artikel geben wir einige Beispiele für KI im Mittelstand. Die Nutzung von KI bietet in allen Bereichen der Wirtschaft ein enormes Potenzial. Von diesem Fortschritt sollen und können auch kleine und mittelständische Unternehmen profitieren. Vorteile entstehen aus Prozessautomatisierung, gezielter Kundenansprache und  aus ganz neuen Fragestellungen zu Prozessen, die wiederum zur Erhöhung der Effizienz und Qualität der Prozesse führen können. 

In diesem Artikel beleuchten wir die gängigsten momentanen KI-Möglichkeiten im Mittelstand und geben einen Ausblick in das Potential von Morgen und den Unterschied von herkömmlicher KI zum Machine Learning. 

Wie relevant ist KI für den deutschen Mittelstand? 

Ein Zitat von Harald Christ, ehemaliger Vorstand bei Ergo, bringt es auf den Punkt: „Wer Weltmarktführer bleiben will, braucht Künstliche Intelligenz.”

Bei einer vom Ministerium für Wirtschaft und Energie beauftragten Erhebung der Mittelstand-Digital Begleitforschung, kamen interessante Ergebnisse zutage: 

Aus ihren Umfragen geht daraus hervor, dass KI as a Service  (d.h. extern eingekaufte Cloudbasierte KI-Algorithmen zugeschnitten auf den Anwendungsfall) schon jetzt eine grosse Rolle im Mittelstand spielt.

Dieses resultiert aufgrund der Größe der KMUs, da KMUs entweder selbst kaum eine ausreichende Datenbasis haben, oder es an ihnen spezialisierten Fachkräften mangelt, um eigene KI-Anwendungen zu entwickeln. Trotz dieser Hürden ist man sich im Mittelstand einig darüber, dass sich ein enormes Potenzial für die Wertschöpfungskette durch viele Bereiche zieht. 

 

KI in der Praxis

Genutzt wird heutzutage noch die sogenannte einfache KI, die das gesamte potentielle Spektrum der künstlichen Intelligenz zukünftig durch Machine Learning abdecken soll. Denn obwohl heute schon die Rechenleistung moderner Computer enorm gestiegen ist, existieren immer noch zahlreiche Aufgaben, bei denen der Mensch aufgrund seiner Lernfähigkeit dem Computer überlegen ist. Machine Learning soll Computer aber in die Lage versetzen, diese Anpassungs- und Lernfähigkeit des Menschen zu imitieren.  Zukünftig aber soll KI eigenständige Entscheidungen aufgrund von Erfahrungen, entnommen aus einem Big Data Pool, treffen. 

Eine weitere interessante Erkenntnis der Studie war, dass der Mittelstand die größten Chancen in der Künstlichen Intelligenz sowohl in der Optimierung der Lieferketten als auch in einer gesteigerten Prozesseffizienz sieht. Erst danach folgen zielgerichtete Marketingkampagnen, Verbesserungen im Kundenservice und Anomalieerkennung. Schon hieraus ist zu erkennen, dass die Wirkung von KI auf die IT-Sicherheit noch indifferent betrachtet wird.

Allerdings sehen die allerwenigsten in der KI einen Ersatz für Mitarbeiter. Man glaubt eher, dass gewisse Aufgaben von der KI übernommen werden können, so dass sich der Mensch zukünftig weitestgehend auf die Aufgaben konzentrieren kann, bei denen er der KI überlegen ist. Daraus lässt sich ableiten, dass man über die gesamte Wertschöpfungskette Vorteile im Einsatz von künstlicher Intelligenz gesehen werden. 

 

Akzeptanz für KI as a Service?

Aus Umfragen ging hervor, dass die Grundvoraussetzung für eine höhere Akzeptanz von KI as a Service Lösungen ist, Vertrauen in die Cloud-Architekturen zu schaffen. Vor allem aufgrund von Sicherheitsbedenken sind viele KMUs heute noch zurückhaltend bzgl. Cloud Lösungen. Dass Lösungen seriöser, in Deutschland oder der EU sitzender Cloud-Anbieter in der Regel eine bessere IT-Sicherheit gewährleisten, als es meist hauseigene IT-Systeme in mittelständischen Betrieben es leisten, ist noch nicht weitläufig bekannt.

Neben einer solchen one size fits all Lösung gibt es allerdings auch weitere Optionen. So ist es möglich einen Teil seiner Daten unabhängig von der Cloud mit Hilfe von Edge-Computing dezentral zu verarbeiten. Auf diesem Weg reduziert sich gleichzeitig das Risiko umsatzabhängiger Preise, wie es bei großen, führenden Anbietern besteht und nicht zu unterschätzen ist.

mehr zu KI as a Service hier klicken

Aktueller Einsatz von KI im Mittelstand

Was KI tatsächlich leisten kann wollen wir uns kurz genauer ansehen. 

Hier nur ein paar wenige Beispiele:
  • Maschinelle Übersetzung von Texten in einer Qualität, die kaum noch von der menschlicher Übersetzer zu unterscheiden ist – Natural Language Processing
  • Kundensegmentierung um Logistik zu optimieren, oder gezielte Werbung zu schalten
  • Bilderkennung bei Produktionsanlagen zur Prozessfehler Erkennung
  • Chatbots im Customer Service
  • Anomalieerkennung im Finanzwesen
  • Intelligent Pricing bietet Lösungen Individualisierung und Transparenz für gezielte Preisentwicklungen

Die Einbindung von KI in das eigene Unternehmen kann auf zwei unterschiedlichen Wegen erfolgen. Zum einen kann die Implementierung durch Fachleute in die eigenen Prozesse, Produkte und Services erfolgen. Alternativ gibt es von Drittanbietern eben die vorher erwähnten Cloud-Lösungen. Perspektivisch sind beide Wege für KMUs wichtig und interessant. Denn einerseits können Cloud Lösungen nur bis zu einem gewissen Teil in die Tiefe eines Prozesses einsteigen, da sie für die Anwendung einer breiteren Masse ausgelegt sind, andererseits benötigen sie aber weniger internes IT-Knowhow. Dieser KI Art wird laut der Erhebung ein rasanter Bedeutungszuwachs prognostiziert, da so ein schneller Einstieg in künstliche Intelligenz möglich ist. Die Investitionskosten sind geringer, da man meist auf Pay-per-Use Systeme zurückgreifen kann. Somit ist gleichzeitig möglich mehrere Systeme zu testen – optimal vor allem für kleinere Unternehmen. 

 

Für speziellere Aufgaben ist es unwahrscheinlich, dass diese Systeme ohne starke Anpassung eine effiziente oder auch langfristige Lösung darstellen können. Die Hürden sind auch heute noch groß. Mehrere Faktoren spielen hierbei eine Rolle: 

  • Aufwand für die Testdaten wird unterschätzt
  • Bedenken der Mitarbeiter
  • Mangelnde Prozessinnovation. Wenn KI nur als Erweiterung verstanden wird, drohen überkommene Prozesse übernommen zu werden.
  • Rentabilität ist nicht immer direkt gegeben, bzw. Resultat eines längeren Verbesserungsprozesses

Wie kommt man zum Machine Learning? 

In Entwickler Kreisen  ist „TensorFlow“ am gängigsten um im ersten Schritt eine Netzwerkarchitektur aufzubauen.  Dies ist ein Framework, in der die Programmiersprache Python eingebunden werden kann. Da Tensorflow von Google  stammt, kommt es aus Datenschutzgründen nur für nicht personenbezogene und nicht geschäftskritische Anwendungen in Betracht. Google ist zwar eines der größten, aber nicht dem DSGVO unterliegendes Unternehmen, und in diesen Fällen als kritisch zu betrachten. 

Man wählt aus unterschiedlichen vorgefertigten Netzarten, sogenannten Neuronalen Netzwerken. Danach kann das Setup eines Machine Learning Prozesses beginnen sobald die Architektur steht. 

Innerhalb sogenannter Layer sind die darin liegenden Neuronen miteinander vernetzt. Den Inhalt dieser Layer kann man sich nicht als klassischen Programmcode vor sondern eher als eine Vielzahl von „Black Boxes“ vorstellen. 

Um mit dem Training zu beginnen, baut man ein Verarbeituns-Setup auf.  Dabei wird aus den Echtweltdaten wird ein Trainingssatz herausgenommen und isoliert. Der trainierte Algorithmus kann dann auf den bisher nicht genutzten Teil der Daten angewendet werden, aus  denen entstehen jene datenbasierten Voraussagen, die Sie und Ihr Unternehmen profitieren lassen.

Der Unterschied zu herkömmlicher KI entsteht nun an dieser Stelle, dass dieses Verfahren programmiertechnisch ab hier nicht mehr nachvollziehbar ist.  Die KI lernt somit eigenständig weiter. 

Für einen tieferen Einblick und die Möglichkeit der Einführung von maschinellem Lernen in Ihrem Unternehmen kontaktieren Sie uns gerne. In einem persönlichen Gespräch lassen sich viele Fragen am leichtesten beantworten. 

 

Mehr zur Erhebung der Mittelstand-Digital Begleitforschung hier klicken

Share on facebook
Share on linkedin
Mehr Entdecken
0 0 vote
Article Rating
Abonnieren
Benachrichtige mich bei
guest
0 Comments
Inline Feedbacks
View all comments