Der Satz: “Daten sind das neue Öl”, ist gerade ein Gassenhauer in der Industrie. Obwohl die Aussage nicht gänzlich falsch ist, handelt es sich doch um eine gefährliche Vereinfachung, denn Daten haben keinen inhärenten Wert. Bleiben wir bei dem Vergleich mit dem “schwarzen Gold”: Aus Erdöl wird erst nach vielen Arbeitsschritten Benzin oder Kunststoff. Ähnlich verhält es sich auch bei Daten.
Daten allein haben kaum Wert
Natürlich gibt es Anwendungen, die datengetrieben entwickelt wurden, einen klaren Use Case bedienen und Mehrwert liefern. Bilddaten in medizinischen Anwendungen zum Beispiel: Mögliche Vorteile in der Diagnostik liegen auf der Hand. Bei industriellen Anwendungsfällen (Use Cases) gestaltet sich der sinnvolle Einsatz von Daten oft schwieriger. Das ist etwa der Fall, wenn einfach Daten aus einem laufenden Prozess gespeichert werden. In diesen Fällen ist unklar, inwieweit die Daten für einen bestimmten Anwendungsfall geeignet sind. Häufig hängt die Qualität eines KI-Systems jedoch entscheidend davon ab, dass Daten unter optimalen, vergleichbaren Rahmenbedingungen gesammelt werden. Dies ist insbesondere bei begrenzten Datenmengen der Fall. Für diesen Ansatz wird häufig der Begriff data-centric AI verwendet. Die Qualität der Daten macht einen entscheidenden Unterschied.
In diesem Zusammenhang kann Manager:innen und ihren Teams ein fataler Fehler unterlaufen: Anstatt von einem Geschäftsmodell auszugehen und darauf basierend zu prüfen, ob die Daten in der notwendigen hohen Qualität gesammelt werden können, beginnen sie mit vorhandenen Daten minderer qualität und versuchen händeringend, einen Anwendungsfall zu finden. Dieser Ansatz ist zeitaufwändig und teuer. Stellen Sie sich ein Team vor, das nicht weiß, was es erreichen will. Wie sollten die Teammitglieder jemals wissen, ob die Daten die Notwendigen Anforderungen erfüllen?
Nicht würfeln, sondern planvoll vorgehen
Die Frage, was man mit vorhanden Daten anstellen kann, ist nicht der richtige Einstieg in das Thema Künstliche Intelligenz (KI). Stattdessen brauchen Sie eine strukturierte Vorgehensweise, ausgehend von konkreten Use Cases.
Beginnen Sie mit Anwendungsfällen aus Ihrer Domäne. Hier sind Sie die Expert:innen und verfügen über das notwendige Fachwissen. Workshops bieten sich an, um wichtige Fragen zu diskutieren:
Was sind wirklich schmerzhafte Schritte in Ihren Prozess?
Welche Schritte – falls automatisiert – könnten dazu beitragen, die Kosten zu minimieren?
Was sind häufige Qualitätsprobleme, welche die Kosten in die Höhe treiben?
Welche Produktanforderungen tragen Ihre Kund:innen an Sie heran?
Von diesen konkreten Fragestellungen können Sie erste Anwendungsfälle ableiten. Im nächsten Schritt betrachten Sie die Daten. Liegen bereits Daten vor, die hilfreich sein könnten? Welche Daten sind mit überschaubarem Aufwand erhebbar? Sie werden feststellen: Kleine Anpassungen reichen oft aus, um Ihre Daten so anzureichern, dass der Umsetzung erster Use Cases nichts mehr im Wege steht.