Künstliche Intelligenz : Wie Sie AI erfolgreich in Ihr Unternehmen integrieren

Anwendungen von OpenAI wie ChatGPT zeigen die Versatilität dieser aufstrebenden Technologien. Auch am heimischen Markt findet Künstliche Intelligenz mehr und mehr Anklang: Fast zwei Drittel aller österreichischen Unternehmen planten Ende 2022 Investitionen in Cloud Computing, Data Analytics und AI, wie eine EY-Umfrage ergeben hat. Allerdings stehen viele Organisationen vor großen Herausforderungen bei der Produktivsetzung von AI -Modellen sowie bei der Definition einer umfassenden AI -Strategie.

Im Unternehmenskontext wird AI oft bei der Automatisierung verwendet. Beispiele hierfür sind die automatische Extraktion von Informationen aus Rechnungen und die Qualitätssicherung in der Herstellung. Der Online-Chatbot ChatGPT gehört zu einer Klasse von AI namens „Generative Artificial Intelligence“. Diese Klasse ist in der Lage anhand von Userinput Texte, Bilder und Audio zu generieren. Basis dieser Lösung ist ein sogenanntes Large Language Model. Dieses ist in der Lage den Kontext, die Intention und den Stil von Sprache zu verstehen. Dadurch können technisch komplexe und bisher zu teure Anwendungsfälle, wie das Migrieren von veraltetem Programmcode, umgesetzt werden.

Die Umsetzung und Planung von AI-Systemen werden von zwei Eigenschaften geprägt: Die „Lerneigenschaft“ ist eine der großen Stärken von Künstlicher Intelligenz. Systeme können aus Daten Muster abstrahieren. Das bedeutet allerdings auch, dass die Performance stark von den zugrunde liegenden Daten abhängt und sich dadurch mit der Zeit ändern kann. Eine Compliance-konforme Funktion über die gesamte Lebensdauer einer AI-Lösung muss daher sichergestellt werden.

Hinzu kommt der „Nicht-Determinismus“, der in der Regel durch die Komplexität und Architektur der Systeme verursacht wird. Manche Algorithmen nutzen beispielsweise Zufallsgeneratoren, um Parameter zu definieren. Dies macht es schwierig, AI-Entwicklung nachvollziehbar und reproduzierbar zu machen.

Daher gilt es, technische Tools und Prozesse zu definieren, die von einer AI-Strategie und Data Governance getragen werden.

Als erstes gilt es zu überlegen, wie Künstliche Intelligenz die allgemeinen strategischen Ziele des Unternehmens unterstützen soll. Dabei steht die Schaffung von Mehrwert im Fokus. Sei es für Kunden, für Mitarbeitende oder für das ganze Unternehmen, wie bspw. durch die Erhöhung der Produktqualität.

Danach werden Verantwortung und Arbeitsweisen festgelegt. Das dient als Basis für eine reibungslose Einführung. Oft ist eine nachträgliche Anpassung sinnvoll, um der schnellen und sehr dynamischen Entwicklung von AI-Tools gerecht zu werden. An dieser Stelle sollen Zuständigkeiten und die Art der Zusammenarbeit klar sein.

Danach sollen mögliche Risiken und Abhilfemaßnahmen diskutiert werden. EY hat dafür übrigens den Trusted AI Framework entwickelt. Darin werden die wichtigsten Kriterien für eine vertrauensvolle AI und dessen Prüfmaßnahmen aufgelistet und damit das Vertrauen von Nutzer:innen in AI -Systeme erhöht und gleichzeitig Risiken minimiert.

Die speziellen Anforderungen von AI-Lösungen benötigen ein neues Arbeitskonzept. Mit Machine Learning Operations (MLOps) steht ein Framework zu Verfügung, mit dem die Entwicklung, die Bereitstellung und die Überwachung von AI -Modellen strukturiert sichergestellt wird.

Bei AI-Systemen stellt nicht nur der Programmcode, sondern auch die Daten eine zentrale Komponente dar. Jede Modifikation führt zu einer Veränderung im Output und muss daher durch MLOps überwacht werden. Modelle werden laufend neu trainiert, aber erst eingesetzt, wenn eine Testsuite fehlerfrei durchlaufen wurde. Durch diese Schritte kann die Datenabhängigkeit kontrolliert werden. Diese Testsuite stellt außerdem sicher, dass der Output des Modells sich immer in einem bestimmten Rahmen bewegt. Dadurch wird das Risiko eines fehlerhaften Ergebnisses stark reduziert. Es gehört zu einer guten AI-Strategie diese Rahmenbedingungen unter Beachtung sicherheitsrelevanter Überlegungen abzustecken.

In der Regel werden AI-Projekte mit einem Proof of Concept gestartet, um deren Umsetzbarkeit zu demonstrieren. Danach gilt es schnell zu einem Produkt zu kommen. Durch die agilen Methoden der MLOps können hier Tasks parallel abgearbeitet werden und die Kommunikation mit Stakeholdern wird gestreamlined.

Heutige AI-Modelle können für Unternehmen einen großen Mehrwert bieten. Spätestens seit OpenAI wie ChatGPT ist klar, dass AI Einzug in viele Bereiche halten wird. Umso wichtiger ist es, von Anfang an mit der richtigen AI-Strategie und Werkzeugen wie MLOps sicherzustellen, dass das Potential von AI-Modelle ausgenutzt wird und die damit verbundenen Risiken minimiert werden. Nur so kann ein Unternehmen ein AI-Projekt sicher und erfolgreich umsetzten und nachhaltig Vorteile aus dieser Technologie ziehen.

Die Autoren

Susanne Zach ist Partnerin bei EY Österreich und leitet das Data-and-Analytics-Team mit Spezialisten im Bereich Data Analytics inklusive Künstliche Intelligenz.

Hernan Villamizar ist Manager bei EY Österreich und unterstützt seine Kunden dabei, AI und Advanced Analytics Lösungen zu entwickeln und zu implementieren.

Philipp Matzinger ist Consultant im Technology Consulting Team bei EY Österreich.

Mehr erfahren: Die EY-Studie „Digitaler Wandel in österreichischen Unternehmen 2023“ mit Insights zu AI & Co gibt es hier kostenlos zum Download.