Geschäftsnutzen von KI: Verstehen Sie das Geschäftsproblem
Nachdem wir im letzten Artikel den Rahmen abgesteckt haben, beginnen wir nun mit unserer Artikelserie, in der wir die Schritte untersuchen, mit denen wir sicherstellen können, dass unsere KI-Projekte einen besseren geschäftlichen Nutzen erzielen, wobei sich der erste Artikel auf das Verständnis des Geschäftsproblems konzentriert. Im ersten Artikel geht es um das Verständnis des Geschäftsproblems. Sobald dieses vorhanden ist, befassen wir uns mit dem Gespräch mit den Stakeholdern, dem Mapping der Lösung auf die Geschäftslogik und der Durchführung von KI-Projekten.
Der Bezug einer KI-Lösung zu einem geschäftlichen Bedarf ist häufig der Punkt, an dem KI versagt und ihr Ziel, einen Mehrwert für das Unternehmen zu schaffen, nicht erreicht. Nehmen wir das Beispiel des maschinellen Lernens: Abstrakt betrachtet kann es möglich sein, sehr gute Modelle zu erstellen, die die Wahrscheinlichkeit vorhersagen können, dass Kunden abwandern (einen Dienst oder ein Abonnement verlassen). Das Problem kann jedoch sein, dass das Unternehmen keine Möglichkeit hat, diese Vorhersagen zu nutzen, oder dass der Wert, den sie bieten, einfacher, billiger oder effektiver aus einer anderen Quelle verfügbar ist. ML-Modelle (das Gleiche gilt für andere Arten von KI, einschließlich Gen-KI) werden wahrscheinlich nicht von selbst einen Mehrwert schaffen, nur weil sie existieren. Vielmehr müssen sie in der Lage sein, ein tatsächliches Geschäftsproblem zu lösen.
Um dies zu erreichen, müssen die frühen Phasen eines Projekts wie Detektivarbeit angegangen werden: Es gibt eine Reihe von Beweisen aus Unterlagen und Daten sowie Interviews mit verschiedenen Personen, die zusammen auf das Problem hinweisen. Es kann durchaus sein, dass es verschiedene Standpunkte zu dem wahrgenommenen Problem gibt, wobei sich diese unterschiedlichen Ansichten auch in den Ideen für die Lösung widerspiegeln. An dieser Stelle sollten wir als Experten dem Projekt helfen, sich in dieser Situation zurechtzufinden und eine angemessene Lösung zu finden.
Aber bevor wir das tun können, müssen wir unsere Detektivhüte aufsetzen und unsere Lupen bereithalten, um das Geschäftsproblem zu verstehen. Wie sieht dieser Prozess aus? Er ist nie genau gleich, aber Abbildung 1 zeigt, wie er typischerweise aussehen könnte.
Verstehen des Geschäftsproblems
In der obigen Abbildung werden die ersten beiden Schritte damit verbracht, den Problemraum zu erforschen, nämlich das "Verstehen des Geschäftsproblems" und das "Verstehen des Kontexts".
In Bezug auf das "Verstehen des Geschäftsproblems": Hier geht es darum, das Problem so weit wie möglich zu verstehen und so lange weiterzumachen, bis man das Gefühl hat, es in- und auswendig zu kennen.
Es ist wahrscheinlich, dass dies auf einer ziemlich hohen Ebene mit den wichtigsten Interessenvertretern des Unternehmens beginnt (d. h. höchstwahrscheinlich mit denen, die das Budget kontrollieren und das Projekt vorschlagen). Anschließend sollten Sie sich zu einem detaillierteren Verständnis des Problems durch Gespräche mit den späteren Nutzern des Projekts sowie mit allen relevanten Fachleuten durchringen. Dieser Prozess sollte Ihnen helfen, die Schmerzpunkte der verschiedenen Personen im Unternehmen zu erkennen.
Diese Sichtweise wird dann mit einem breiteren Spektrum von Interessenvertretern validiert, und es werden Ideen für einen imaginären "Soll-Zustand" gesammelt. Eine interessante Frage, die man den Beteiligten stellen kann, lautet: "Wie würden sie sich die Lösung wünschen, wenn sie einen Zauberstab schwingen könnten".
Ein wichtiger Aspekt dabei ist, dass Sie immer überprüfen, was Ihnen gesagt wird. Eine gute Möglichkeit zur Überprüfung ist es, von ethnografischen Forschern zu lernen und zu beobachten, was in diesen Unternehmenskontexten tatsächlich passiert. Nachdem man die verschiedenen Perspektiven aufgenommen hat, hilft dies, mögliche Voreingenommenheiten zu überwinden, die es geben könnte.
Das Verständnis des Geschäftsproblems aus einer Reihe von Geschäftsperspektiven ist nur ein Aspekt. Auch die praktischen Daten und technischen Einschränkungen müssen verstanden werden, was parallel dazu geschehen kann. Auf der einfachsten Ebene geht es darum, festzustellen, welche Daten verfügbar sind, und das bestehende System bzw. die bestehenden Systeme zu verstehen, in das bzw. die sich die erwartete Lösung einfügen muss.
Während man diese Informationen sammelt und verarbeitet, sollte man auch damit beginnen, diese Erkenntnisse in einen Lösungsprototyp zu übertragen. Einige der Fragen, die in dieser Phase sinnvoll sind, könnten sein:
- Wie können Elemente mit bestehenden oder allgemein bekannten (generativen) KI-Modellen oder -Ansätzen aufgebaut werden?
- Welche Verarbeitung oder Logik müsste auf diese Algorithmusergebnisse angewandt werden, um sie nutzbar zu machen?
- Wie können verschiedene Datenquellen oder Modellausgaben kombiniert werden, um die Lösung zu verbessern?
An diesem Punkt, mit einem besseren Verständnis des Kontextes, kann es auch nützlich sein, sich mit praktischen Fragen über die Art und Weise, wie sie ihre Aufgaben erfüllen, an einige der Geschäftsinteressenten zu wenden, was bei der Lösung helfen würde, wie z. B.:
- Welche Annahmen treffen Fachleute in ihrer Rolle bei der Ausführung solcher Aufgaben?
- Gibt es Faustregeln, die erfahrene Fachleute bei der Erfüllung ihrer Aufgaben anwenden?
Die Entwicklung der Lösung wird zweifelsohne ein iterativer Prozess sein, bei dem Aktualisierungen hinzugefügt werden, sobald neue Informationen verfügbar werden. Es ist jedoch eine gute Idee, den wichtigsten Interessenvertretern das Projekt so früh wie möglich vorzustellen, um Missverständnisse zu erkennen und um sicherzustellen, dass ein - konstruktives oder anderes - Feedback eingeholt wird. Erst wenn ein konkreter Entwurf vorliegt, der mit den Beteiligten geteilt werden kann, lassen sich einige der tatsächlichen und praktischen Rückmeldungen (und offensichtlichen "Fehler") aufdecken.
Bei weiteren Iterationen und sobald eine ausgereiftere Version der Lösung erstellt wurde, gibt es einen formalen Kontrollschritt, um Feedback zu der aktuell vorgeschlagenen Lösung zu erhalten ("Validierung des Wertes der Lösung"), wobei ein Schlüsselelement darin besteht, den Wert zu validieren, den diese Lösung bietet.
Wert messen
Wie der Wert gemessen wird, hängt vom jeweiligen Anwendungsfall ab, aber im Wesentlichen geht es um Folgendes:
- wird das betreffende Geschäftsproblem erfolgreich gelöst?
- Ist die Leistung akzeptabel?
- wie hoch sind die Kosten im Vergleich zum bestehenden Ansatz?
- Kann die Aufgabe mit anderen Methoden einfacher, kostengünstiger oder effektiver gelöst werden?
Auf der Grundlage dieser Bewertung können wir eine Entscheidung über den geschäftlichen Nutzen einer weiteren Iteration der vorgeschlagenen Lösung treffen ("Lösungsfindung und -entwicklung") oder darüber, ob eine weitere Iteration erforderlich ist, um die Systeme und Daten oder das Geschäftsproblem zu verstehen ("Verstehen des Geschäftsproblems" und "Verstehen des Kontexts"). Die in diesem Abschnitt erwähnten Schritte implizieren die Notwendigkeit einer engen Zusammenarbeit mit den Beteiligten, da es ohne sie praktisch unmöglich gewesen wäre, so weit zu kommen. Auf diesen Punkt werden wir im nächsten Artikel näher eingehen.
Zusammenfassend
Um einen geschäftlichen Nutzen aus der KI ziehen zu können, müssen wir zunächst verstehen, was genau das geschäftliche Problem ist, das wir angehen wollen, und auf dieser Grundlage und anhand von Informationen über den geschäftlichen Kontext können wir dann mögliche Lösungen entwerfen. In diesem Artikel haben wir Beispiele für die erforderlichen Schritte sowie nützliche Fragen zusammengestellt, die uns auf diesem Weg weiterhelfen werden.
In diesem Artikel haben wir Beispiele für die erforderlichen Schritte sowie nützliche Fragen zusammengestellt, die uns auf diesem Weg weiterhelfen werden.
