Lesson
    1
    Lesson
    2
    Lesson
    3

    0%
    • 2.2 Die Chancen und Grenzen von KI-Lösungen für KMU

    • Frage, die in dieser Lektion behandelt wird.

      • Das KMU 2020 und KI-Lösungen. Wo liegt der Fokus?

      Bitte beachten

      Bevor wir diese Lektion beginnen, möchte ich kurz zwei Dinge vorausschicken:

      Zum einen gehe ich hier davon aus, dass Ihr KMU noch keine KI-Lösungen  im Einsatz hat und sich aktuell zum ersten Mal mit diesem Thema beschäftigt. Grob definiert, verstehen wir als KI-Lösung in diesem Modul einfache Machine Learning Algorithmen, die speziell für eine einzelne, einfache, nicht interdependente Tätigkeit programmiert und trainiert werden.   

      Zum anderen ist das Themenfeld rund um KI sehr dynamisch. Spezifische Informationsstände veralten schnell, neue Möglichkeiten entwickeln sich rasant. Dies gilt auch für die in diesem Kapitel beschriebenen Zustände. Nutzen Sie dieses Kapitel als Fundament und Ausgangspunkt.

      In der Betrachtung von KI-Lösungen unterscheiden wir in diesem Kapitel drei Ebenen, die dabei gleichzeitig in Abhängigkeit zueinander stehen.


      Ziel

      Effizienzgewinn durch die Automatisierung von Geschäftsprozessen, also Kosteneinsparungen

      Der Einsatz von KI-Lösungen auf der Prozessebene kann dabei helfen, die Gesamtproduktivität eines Unternehmens zu erhöhen, Produktionsprozesse zu optimieren und die Kundenbindung zu verbessern. Die Prozessebene beschreibt dabei interne Geschäftsprozesse, wie z.B. Verwaltungsabläufe, externe Prozesse, die z.B. in Zusammenhang mit Partnern und Lieferanten entstehen und Kundenprozesse, die sich auf sämtliche Interaktionen zwischen Kunden und Unternehmen beziehen.

      Das Ziel dieser Ebene ist die Erhöhung der eigenen Effizienz und Senkung der damit verbundenen Kosten. Zum Unternehmenswachstum oder zu langfristiger Wettbewerbsfähigkeit leistet diese Ebene zwar keinen Beitrag; sie dient aber allgemein als guter Startpunkt für KMU zum Einstieg in das Thema KI-Lösungen. Warum? Im Vergleich zur noch folgenden Produkt- und Geschäftsmodellebene sind die Investitionskosten bedeutend niedriger und die Knowhow-Einstiegshürden für Mitarbeiter geringer.

      Auf der Prozessebene sprechen wir über Automatisierungslösungen, deren Algorithmen speziell für eine einzige Aufgabe programmiert und trainiert werden: wie z.B. eine Waschmaschine nur Wäsche und ein Geschirrspüler nur Geschirr spülen kann. Automatisierung entsteht mit einer sehr spezifischen Aufgabe. Einmal implementiert und betriebsbereit bietet diese Automatisierungslösung einen riesigen Multiplikatoreffekt. Eine Aufgabe, für die sonst X-Menschen und in manchen Fällen Y-Zeit benötigt würde, wird von einer KI-Lösung bzw. Automatisierungslösung zu einem Bruchteil der Kosten wesentlich schneller bearbeitet.

      Ein inspirierendes Beispiel hierfür ist Makoto Koike. Er war Autoingenieur in Japan, bevor er sich entschied, in sein Familienunternehmen zurückzukehren. Seine Familie betreibt eine Farm zur Gurkenzucht. Nach der Ernte wurden die Gurken üblicherweise von Menschen per Hand nach den Kriterien Größe, Farbe, Beschaffenheit, Unversehrtheit und Form in 9 verschiedene Klassen unterteilt. Jede dieser Klassen erzielt einen anderen Marktpreis. (In Japan spielt das Aussehen von Früchten und Gemüse eine wesentlich größere Rolle als bei uns in Deutschland.) Auf den ersten Blick könnte man denken, dass Makoto nicht weiter vom Thema KI entfernt sein konnte als auf der Gurkenfarm seiner Familie. Aber weit gefehlt!

      Mit einer Menge Enthusiasmus und lediglich 2000 $ Investitionskosten entwickelte er im Jahr 2015 eine Automatisierungslösung zur Sortierung der Gurken nach den 9 festgelegten Klassen.

      Genutzt hat er hierfür Googles Open Source Machine Learning und Deep Learning-Plattform TensorFlow, die Google Cloud und den Minicomputer Rasperry PI 3.

      TensorFlow

      TensorFlow ist eine End-to-End-Open-Source-Plattform für maschinelles Lernen und verfügt hierzu über ein umfassendes, flexibles Ökosystem aus Tools, Bibliotheken und Community-Ressourcen. Es ist ein toller Startpunkt, um erste eigene Gehversuche im Bereich KI zu unternehmen.

      Er benötigte 7000 Gurkenbilder und ca. 3 Monate, um seine Automatisierungslösung entsprechend zu trainieren. Im Test erzielte die KI-Lösung eine Genauigkeit von 95%. In der richtigen Sortierung allerdings ging die Genauigkeit auf 70% zurück. Warum? Es fehlte schlicht und ergreifend an mehr qualitativ hochwertigen, auf diese eine Aufgabe zugeschnittene, Trainingsdaten (Bilder der Gurken).

      Was wir daraus ableiten können

      • Automatisierung muss nicht kompliziert und teuer sein. Experimentieren Sie!
      • Je besser die Trainingsdaten und je größer die Menge an qualitativ, hochwertigen, brauchbaren Daten, die zur Verfügung steht, desto besser das Ergebnis.

      Den größten Impakt haben KI-Lösungen für KMU in der näheren relevanten Zukunft somit auf der Prozessebene. Der Mensch wird beispielsweise von „lästigen“ Verwaltungs-, Dokumentations- oder Kontrollaufgaben befreit.

      Selbstreflexionsaufgabe

      Haben Sie vielleicht auch schon eine Idee, welche vielleicht unliebsamen Aufgaben in Ihrer alltäglichen Arbeit automatisiert werden könnten?

      In der folgenden Lektion gehen wir auf einige dieser Möglichkeiten näher ein und stellen konkrete Use-Cases für KMU mit Praxisbeispielen vor.


      Ziel

      Zukünftiges Unternehmenswachstum durch die Einführung neuer Produkte und Services, sowie die Verbesserung bestehender Produkte und Services mit KI

      Die Produktebene beschreibt die durch KI-Lösungen möglich gewordene Erweiterung und/oder Verbesserung der eigenen Produkte und Dienstleistungen. Für die Produktebene schauen wir uns zwei Beispiele an, die Gemeinsamkeiten und deutliche Leistungsunterschiede haben:

      Zum einen dient uns hier der Echo-Dot von Amazon mit seiner „KI“ Alexa als Beispiel. Zum Verständnis: Auf der Prozessebene ist Alexa mitnichten intelligent. Sie ist auf Keywords trainiert. In der Frage: „Alexa, wie wird das Wetter morgen?“ erkennt sie bspw. die Wörter „Wetter und morgen“. Zusätzlich gleicht sie das Datum und ihren Standort in der Alexa-App ab und antwortet auf die Frage mit dem Wetterbericht von morgen für Ihren Standort. Dies alles sind isolierte, standardisierte, repetitive Prozesse, die auf qualitativ hochwertigen, systemisch zugänglichen Daten basieren. Sie sprechen A rein und es kommt B raus. Wird Alexa nun mit der Frage konfrontiert, ob wir basierend auf dem Wetter am morgigen Tag lieber T-Shirt oder Pullover tragen sollten, antwortet sie: „Ich bin mir leider nicht sicher.“ Diese für einen Menschen simple Frage birgt zu viele Interdependenzen und Komplexität.

      Die Alexa-Technologie verbessert und ergänzt nach und nach immer mehr Amazon-eigene Produkte. Grundlage hierfür sind Algorithmen und Daten. Der Datenfluss zwischen Alexa in ihren Millionen von Geräten und Amazon ermöglicht die stetige Weiterentwicklung der sogenannten Alexa-Skills. Zusätzlich ist es ein offenes System. Jedem mit ausreichenden Programmierfähigkeiten ist es möglich, Alexa-Skills zu programmieren. In manchen Fällen sind nicht einmal Programmierfähigkeiten vonnöten.

      Hier einige Beispiele verschiedener Alexa-Skills. Jeder für sich ein einzelner, isolierter Prozess:

      Zum anderen betrachten wir Google Duplex. Google Duplex ist der virtuelle Assistent von Google. Auch Google Duplex wirkt intelligent und beeindruckend, ist allerdings in dem nun folgenden Video nicht viel mehr als 1 und 0. Sie sprechen A rein und es kommt B raus. Trotzdem kommt eine verblüffend menschliche Interaktion zu Stande:

      Das war 2018. Was damals schockiert hat, war die Menschlichkeit von Google Duplex. Die Person am anderen Ende der Leitung war sich der Tatsache, dass sie mit einer KI-Lösung, einem virtuellen Assistenten, spricht nicht bewusst. Wer mehr über diese Version von Google Duplex erfahren möchte, findet über diesen Link noch mehr Informationen.

      2019 ging Google einen Schritt weiter und startete „Duplex on the Web“:

      So beeindruckend diese Applikationen bereits sind, sie stehen noch ganz am Anfang. Was hier aktuell auf der Produktebene geschieht und in die Geschäftsmodellebene übergeht, ist die Bedienung von realen Kundenbedürfnissen und das Lösen von echten Kundenproblemen über eine Spielerei hinaus.


      Ziel

      Steigerung des unternehmensweiten Umsatzes und Gewinns über neue Geschäftsmodelle, möglich geworden durch den Einsatz von KI auf der Produktebene


      Die Geschäftsmodellebene zeigt durch KI-Lösungen möglich gewordene und möglich werdende neue Alternativen der Monetisierung und Wege der Wert-/Nutzenerzeugung auf.

      Die Produkt- und Geschäftsmodellebenen tragen dabei, im Gegensatz zur Prozessebene, direkt zum Unternehmenswachstum und der langfristigen Wettbewerbsfähigkeit eines Unternehmens bei, benötigen jedoch höhere Investitionen, sowie ein Vielfaches an knappen Ressourcen, wie das Know-how der Mitarbeiter, in diesem Bereich.

      Abgeleitet von den zuvor genannten Beispielen Amazon Alexa und Google Duplex entstehen für Amazon und Google vielfältige neue Möglichkeiten der Wertschöpfung, abhängig von der Resonanzfähigkeit der potenziellen Kunden. D.h. Amazon und Google sind, trotz aller Limitierung heutiger KI-Lösungen, in der Lage, Produkte zu bauen und Services anzubieten, die z.B. ein KMU aufgrund der eigenen Defizite im Bereich Prozesse und Daten, ganz zu schweigen von IT-Kapazitäten und Schnittstellenproblemen noch nicht integrieren kann. Was in den nächsten Jahren immer stärker werden wird, ist die Verlagerung von Keywordsuchen in den Voice-Bereich. D.h., dass ein Unternehmen einen Teil des Marketingsbudgets nicht mehr nur in Web-Ads, wie Google AdWords investiert, sondern ebenso für die Position 1 in Sprachsuchen der potenziellen Kunden Geld in die Hand nehmen muss. Bosch hat angekündigt, bis 2025 alle Produkte mit KI-Lösungen auszustatten oder zu produzieren. Dieser Schritt eröffnet vielfältige neue Möglichkeiten für Geschäftsmodelle in den Bereichen Softwarelizenzen, Supportverträge, Subscriptions, Datenanalyse etc.

      Tesla sitzt schon heute auf einem riesigen Schatz aus Telemetrie- und Nutzerdaten, welcher wiederum von den traditionellen Autobauern dringend benötigt wird, um z.B. selbstfahrende Autos zukünftig anbieten zu können. Diese Daten sind für Tesla Vorsprung, Alleinstellungsmerkmal und Teil des Geschäftsmodells zugleich.