Künstliche Intelligenz: Business Value oder Buzzword?

Aus dem Unterricht des CAS Digital Finance mit Dozentin Afke Schouten berichtet Michael Häusler:

Unter dem Motto “today is a journey” nahm uns Akfe Schouten mit auf eine spannende Reise durch ausgewählte Themengebiete der künstlichen Intelligenz. Mit Spannung haben wir zudem den Auftritt von Contovista durch CEO Dominik Wurzer und Head of Analytics & AI Kevin Smith verfolgt. Ein tolles Unternehmen welches uns einen interessanten Einblick in die Praxis vermittelt konnte. Das Thema künstliche Intelligenz ist im Trend und somit in aller Munde. Aber was ist es im Grunde genommen überhaupt? Was sind die Erfolgsfaktoren und wie können wir daraus einen Business Value generieren?

Was ist künstliche Intelligenz?

1 – Einleitung

Mit einer Mentimeter Umfrage wurden wir an das Thema herangeführt. Sogleich bei der ersten Frage wurde ein häufiges Problem aufgezeigt.

Menti Overview künstliche Intelligenz

Viele Leute diskutieren intensiv über die künstliche Intelligenz. Branchen übergreifend ist das Thema in vielen Unternehmen präsent. Sie haben bestehende Daten und erhoffen sich einen möglichst großen Nutzen daraus ziehen zu können. Das Thema ist neu und komplex, dementsprechend viele Interpretationen und Meinungen gibt es zu der KI. Aus diesem Grund sensibilisiert uns Afke bereits zu Beginn:

“Wenn Sie mit jemandem über das Thema KI diskutieren, klären Sie vorher ab, was sie jeweils unter KI verstehen”

2 – Drei Arten der künstlichen Intelligenz

Types of AI, künstliche Intelligenz

Systeme welche heute in der Wirtschaft unter dem Begriff KI verstanden und eingesetzt werden, sind der schwachen künstliche Intelligenz (ANI) zuzuordnen. Darunter versteht man die Ausführung oder Automatisierung einer einzelnen Aufgabe wie zum Beispiel die Gesichts- oder Spracherkennung. Es handelt sich hierbei um eine spezifische Aufgabe zu welcher das System programmiert wurde. Durch das Verstehen von Sprache und Text ist die KI so programmiert, dass sie auf natürliche und personalisierte Weise mit Menschen interagiert. Auch wenn diese Systeme intelligent wirken, operieren sie auf der Basis von eng abgesteckten Parametern.

Unter der allgemeine künstliche Intelligenz (AGI) versteht man ein System welches eine menschliche Intelligenz oder das menschliche Verhalten nachahmt. KI-Forscher und Wissenschaftler haben Stand heute noch keine “AGI” erreicht. Maschinen müssten das lernen aus Erfahrungen auf die nächste Stufe heben. Sie sollten nicht nur die Effizienz von einzelnen Aufgaben verbessern, sondern die Fähigkeit erlangen, Erfahrungswissen auf verschiedene Probleme anwenden zu können.

Zu guter Letzt die künstliche Superintelligenz (ASI). Die “ASI” ist sich ihrer selbst bewusst und übertrifft die Kapazität der menschlichen Intelligenz und Fähigkeiten. Bisher kennen wir dies jedoch nur aus Filmen, bei welchen Roboter die Weltherrschaft übernehmen 🙂

3 – Machine Learning

Wenn wir heute von der künstlichen Intelligenz sprechen meinen wir im Grunde genommen Machine Learnig und Deep Learning. Doch wie lernt eine Maschine überhaupt?

Als Abschluss der Versuch die künstliche Intelligenz in einem Satz zu beschreiben:

Using data to automate tasks previously performed by humans in an automated matter…

KI Projekte

1 – Herausforderungen

Künstliche Intelligenz wird zukünftig immer mehr Einzug erhalten in unseren Arbeitsalltag. Sie kann uns im Management von Risiken unterstützen, bei der Entscheidungsfindung helfen, oder durch Automatisierung lästige Routinearbeiten abnehmen. Mit anderen Worten, sie kann uns das Leben erleichtern. Klingt fabelhaft, aber warum wurde dies nicht bereits umgesetzt?

Bei der Umsetzung von KI-Projekten werden bestehende Unternehmen mit einigen Herausforderungen konfrontiert. Als Resultat davon schlagen 8 von 10 KI Projekte fehl. Zum Beispiel ist die Qualität und Verfügbarkeit von Daten nicht immer gegeben oder das fehlende Wissen und Verständnis der Technologie führt zum Misserfolg. Schließlich sind es meist mehrere Gründen welche zum Scheitern führen.

Lack of, künstliche Intelligenz

2 – AI Canvas

Damit wir es zukünftig besser machen und bei KI-Projekten erfolgreich sind, lernten wir den AI Canvas kennen. Anhand eines Fallbeispieles einer Kreditabteilung unter Kostendruck lernten wir mit dem AI Canvas zu arbeiten. Der AI Canvas unterstützt einerseits bei der strukturierten Erarbeitung von KI-Anwendungsfällen, schafft andererseits eine Übersicht und dient als Diskussionsgrundlage für die verschiedenen Stakeholder. Gerade die Abstimmung zwischen dem Business und der Data Science ist zentral um erfolgreich zu sein.

AI Canvas, künstliche Intelligenz

Contovista

1 – Vorstellung

Am Nachmittag folgte die sympathische Vorstellung der Firma Contovista durch CEO Dominik Wurzer. 2013 als Fintech-Pionier gestartet, ist Contovista heute Schweizer Marktführer für daten-basiertes Banking und arbeitet mit diversen renommierten Banken zusammen.

Contovista

2 – Aus der Praxis

Anhand eines Use Cases “Steigerung des Kreditkartenvertriebes” führte uns Head of Analytics & AI Kevin Smith in die praktische Welt der KI ein. Wir erhielten einen spannenden Einblick wie man an solche Projekte herangeht und was die Chancen und Herausforderungen sind. Den folgenden Use Case haben sie bereits mit mehreren Instituten erfolgreich umgesetzt:

Kampagne:

Die Bank möchte eine Kampagne zum Absatz von Kreditkarten durchführen. Aus 300’000 Kunden werden 3’000 selektiert, danach werden diese durch die Kundenberater kontaktiert.

Voraussetzungen der Banken:

Fakt ist, Banken haben im Vergleich zu anderen Branchen viele und vor allem hochqualitative Kundendaten. Dies sind zum Beispiel Kontostände, Transaktionsdaten, CRM Einträge sowie wertvolle Resultate aus früheren Kampagnen. Weitere positive Aspekte für die Umsetzung sind die lange Historie der Daten sowie das “stabile” Produktsortiment. Daten welche zwei bis drei Jahre alt sind, können somit gut verwendet und verglichen werden. Dementsprechend besteht eine super Ausgangslage für die Durchführung von KI-Vorhaben.

Vorgehen:

Contovista Predicting

Training:

  1. In einem ersten Schritt lernt man aus den Daten der Vergangenheit. Man geht ein Jahr zurück und prüft den Kundenstamm auf “Features” wie zum Beispiel das Alter, Einkommen, Onlinekaufverhalten, Reisetätigkeit und viele weitere Variablen, welche für den jeweiligen Geschäftsfall relevant sein könnten.
  2. Im nächsten Schritt wird überprüft, welche Kunden sich in einem bestimmten Zeitraum (Target Period) eine Kreditkarte geholt haben. Aus der Kombination der Features und den effektiven Kreditkartenabschlüssen können allfällige Muster erkannt und dadurch Schlüsse für die Zukunft gezogen werden.

In the wild:

  1. Anschließend wird der Kundenstamm “heute” auf die selben “Features” wie die Daten vor einem Jahr geprüft.
  2. Mithilfe der Erkenntnisse aus dem “Training” werden Kunden mit einer hohen Abschlusswahrscheinlichkeit selektiert und den Kundenberater für die Kampagne zur Verfügung gestellt.

Abschließend natürlich noch die mit Spannung erwartete Antwort auf die Frage aller Fragen. Um wie viel konnte die Abschlussrate gesteigert werden?

Contovista Result

KI Organisation

Ein Projekt ist ein guter Anfang. Eine effektive KI-Organisation geht aber weit über ein Projekt hinaus. Um langfristig erfolgreich zu sein, ist der Schlüssel die Skalierbarkeit und die Transformation des Unternehmen. Denn es benötigt schon einer Reihe organisatorischer Veränderungen, um künstliche Intelligenz innerhalb eines Unternehmens zu verankern. Eine Herausforderung der Institutionalisierung der künstlichen Intelligenz im Unternehmen ist die bereichsübergreifende Zusammenarbeit. Infolge ein kleiner Auszug an Fragestellungen welche es zu beantworten gilt:

  • Welche Art von KI-Unternehmen wollen wir sein?
  • Wie verwalten wir Daten?
  • Welche Fähigkeiten benötigen die Mitarbeiter?
  • Wie stelle ich die ethisch korrekte Anwendung sicher?
  • Wie kreieren wir einen Data Mindset?

KI Organisation, künstliche Intelligenz

 

Mein persönliches Fazit

Künstliche Intelligenz bietet Unternehmen die Chance Prozesse, Produkte, und Dienstleistungen zu optimieren und möglicherweise sogar neue Geschäftsmodelle zu entwickeln. Leider sind viele Unternehmen nicht ansatzweise auf KI-Anwendungen vorbereitet. Einerseits fehlt das Wissen und das Verständnis für die Technik, andererseits gestaltet sich die Institutionalisierung aufgrund bestehender Unternehmensstrukturen als schwierig. Wie so oft, ist ein (abgewandeltes) Sprichwort hierfür leider auch treffend: “culture eats digital transformation for breakfast”.

Nichtsdestotrotz beweist das Beispiel von Contovista, dass man KI-Vorhaben erfolgreich umsetzten kann und darüber hinaus einen echten Mehrwert für das Unternehmen und die Kunden bieten. Die folgenden Erfolgsfaktoren für die Umsetzung von Vorhaben konnte ich mitnehmen:

  1. Do it
  2. Starte mit einem kleinen Projekt bei welchem Fehler erlaubt
  3. Involviere wenige Stakeholder für kurze Entscheidungswege
  4. Arbeite mit der bestehende IT-Infrastruktur
  5. Definiere unbedingt ein messbares Ziel um den Mehrwert von KI aufzuzeigen

Weitere Beiträge zum Thema künstliche Intelligenz

Artificial Intelligence – Chance oder Gefahr?

Artificial Intelligence: Was ist Science Fiction und was Realität?

Manuel P. Nappo
arrow