Die Integration von KI in Ihr Unternehmen beginnt damit, zu ermitteln, wie KI-Plattformen, Foundation Models, generative KI und maschinelles Lernen (ML) mit den wichtigsten Zielen in Einklang gebracht werden können. Unternehmen neigen dazu, die Auswirkungen von KI-Fähigkeiten zu überschätzen und die Komplexität zu unterschätzen. Aus diesem Grund müssen die Verantwortlichen für Daten und Analysen die Erwartungen steuern, sonst riskieren sie kostspielige Misserfolge bei Projekten.²

„Als Datenverantwortlicher sollten Sie darüber nachdenken, welche Fragen Ihren Teams am häufigsten gestellt werden und wie KI diesen Geschäftsbereichen das Leben erleichtern könnte“, sagt Ann Leach, Director, Portfolio Product Management, IBM. „Wo können sie KI einsetzen, um Entscheidungen zu treffen, bessere Workflows und Prozesse zu schaffen oder dem Unternehmen Informationen zur Verfügung zu stellen, die das zukunftsorientierte Denken unterstützen?“

Beachten Sie diese Richtlinien, um das Optimum aus Ihren KI-Anwendungen herauszuholen:

Verknüpfung mit Geschäftsergebnissen

Arbeiten Sie mit der Führungsebene zusammen, um die allgemeinen Geschäftsziele Ihres Unternehmens zu erreichen. Tim Humphrey, Chief Analytics Officer bei IBM, schlägt vor, dass Sie – unabhängig davon, ob Sie einen KI-Anwendungsfall mit einer Führungskraft aus dem Marketing, der Personalabteilung, der Lieferkette, dem Vertrieb oder dem Asset-Management in Betracht ziehen – fragen sollten, in welche Richtung die Führungskraft diese Rolle oder Organisation lenken möchte. Sie müssen sowohl den derzeitigen Stand als auch die angestrebten Ziele verstehen. Humphrey fügt hinzu: „Wenn Sie KI nicht im Rahmen der bestehenden und zukünftigen Möglichkeiten anwenden können, sollten Sie nicht damit anfangen.“

Zuerst sollten Tests durchgeführt werden


Testen Sie mit KI Machbarkeitsnachweise, bis Sie die richtige Lösung gefunden haben. Dann optimieren Sie sie. „Anstatt viel Zeit darauf zu verwenden, alles perfekt zu machen, bin ich ein großer Fan davon, viele Machbarkeitsnachweise durchzuführen, bis Sie die eine Lösung finden, die tatsächlich funktioniert“, sagt Caroline Carruthers, CEO von Carruthers and Jackson und Autorin von The Chief Data Officer's Playbook.

Festlegen und Verfolgen von Zielen

Definieren Sie KPIs, die den Erfolg für jeden Anwendungsfall messen. Nehmen wir an, das Projekt befasst sich mit der Erkennung von Kreditkartenbetrug und Sie möchten, dass die KI 95 % der betrügerischen Fälle aufdeckt. Wenn Sie Ihren Fortschritt anhand von Kennzahlen verfolgen, können Sie die KI-Leistung darstellen und überwachen und den Stakeholdern den Wert der KI demonstrieren.

Eine der schwierigsten Aufgaben eines Datenverantwortlichen ist es, schnelle und zuverlässige Methoden zu entwickeln, um aus Daten Erkenntnisse abzuleiten. Sie brauchen die richtigen Daten, um Ihr Modell auszuführen, aber nicht alle Daten sind für KI geeignet.


„Alles beginnt mit dem passenden Datensatz für einen bestimmten Anwendungsfall, und ohne diesen gibt es keine KI, Punkt“, sagt Remus Lazar, Vice President of Software Development, Data Fabric, IBM. Er verweist auf das Beispiel einer Fluggesellschaft, die mit Hilfe von prädiktiver KI vorhersagen möchte, ob Passagiere ihre Anschlussflüge erreichen werden. „Wenn man nur Daten über Passagiere gesammelt hat, die ihren Anschlussflug verpasst haben, nicht aber über diejenigen, die ihren Flug noch erreicht haben, dann sind das nicht die richtigen Daten. Ohne die passenden Datensätze wird man den Anwendungsfall nie lösen können.“

Überprüfung Ihrer Datenarchitektur

Mehr als die Hälfte der Unternehmen geben an, dass Daten der Grund dafür sind, dass KI-Projekte ins Stocken geraten. Eine moderne Datenarchitektur wie eine Data Fabric bietet integrierte Funktionen für Datenqualität und Data Governance. Damit können Ihre Data Scientists Daten unabhängig von ihrem Speicherort selbst verwalten, wobei alle Anforderungen hinsichtlich Governance und Datenschutz automatisch erfüllt werden. Dieser Ansatz bietet den Benutzern zuverlässige Daten und den Zugriff auf unterschiedliche Quellen in Echtzeit mit einer umfassenden Governance, die den Weg für Agilität und Geschwindigkeit ebnet.

Vertrauenswürde Daten als Grundlage für Ihre Modelle

In einer Zeit sich ändernder und komplexer Vorschriften und ethischer Grundsätze im Zusammenhang mit KI sollten Sie sich immer fragen: Wie ist der Umgang mit diesen Daten geregelt und können sie für diesen Zweck verwendet werden? Datenqualität und Data Governance sind entscheidend für die erfolgreiche Skalierung von KI-Lösungen. Bevor sich Ihr Unternehmen auf die Entscheidungen eines Algorithmus verlassen kann, sollten Sie die folgenden Fragen beantworten.


• Benötigen Sie beispielsweise externe Daten oder interne Daten?
• Verwenden Sie historische Daten?
• Wenn ja, ist das nach heutigen Maßstäben ethisch vertretbar?

Als Datenverantwortlicher müssen Sie festlegen, wer die Daten kontrolliert, wer Zugang zu KI-Software und -Apps hat und wer Zugang benötigt, um sicherzustellen, dass KI-Initiativen nützlich sind.

Verpflichtung für ethische KI

Zu den Richtlinien für verantwortungsvolle KI gehören Überlegungen zu Sicherheit, Erklärbarkeit und Bias. Wenn Sie historische Daten als Grundlage für ein Modell verwenden, sollten Sie sicherstellen, dass diese mit aktuellen ethischen Grundsätzen und gesellschaftlichen Ansichten vereinbar sind. Zum Beispiel sind die Einstellungen zu Geschlecht, Hautfarbe, sexueller Orientierung, sozialer Stellung und Alter heute anders als in den 1970er Jahren. Die Verwendung eines veralteten Datensatzes könnte dazu führen, dass die KI voreingenommen ist und die Ergebnisse von vornherein verzerrt werden. Unternehmen können sich dadurch abheben, dass sie ethische Fragen strategisch, zielgerichtet und durchdacht angehen.

KI für Unternehmen braucht die gleiche Kommunikation, Struktur und Strenge, wie sie in etablierteren Bereichen eines Unternehmens üblich sind. Aber die Modellentwicklung findet zu oft auf dem Laptop eines Data Scientists statt, und die Orchestrierung erfolgt manuell oder ad hoc mit benutzerdefiniertem Code und Skripten. Deshalb brauchen Sie Machine Learning Operations (MLOps), d. h. die Anwendung von KI-Funktionen, wie z. B. die Verarbeitung natürlicher Sprache (NLP) und ML-Modelle, um betriebliche Abläufe zu automatisieren und zu rationalisieren. Sie sollten auch die Effizienzgewinne nicht außer Acht lassen, die sich durch flexible und wiederverwendbare KI-Modelle wie Foundation Models ergeben.

Effiziente Beschleunigung von Workflows

Es ist nützlich, über eine Reihe von Best Practices für KI-Plattformen in Unternehmen zu verfügen, die die Zusammenarbeit zwischen Ihren Data-Science-Teams und der IT-Abteilung beschleunigen und synchronisieren.

„Sie sollten in der Lage sein, sichere Modelle automatisch auf den Edge, auf Web-Services, auf Mainframes und auf die richtige Art von Hardware zu übertragen und dies auch zu rechtfertigen“, sagt Steven Eliuk, Vice President, AI & Governance, IBM Global Chief Data Office. „Bei IBM suchen wir immer nach Möglichkeiten, wie Gruppen ihre Modelle schneller in die Produktion bringen können, aber auf eine sichere, kontrollierte Weise“, fügt Eliuk hinzu.

Vermeidung von menschlichen Fehlern

Mit MLOps lassen sich manuelle Prozesse automatisieren und kostspielige menschliche Fehler vermeiden, was das Risiko senkt und das Unternehmen wesentlich flexibler macht. Mit MLOps können Sie nicht nur die Produktion effizienter gestalten, sondern auch dafür sorgen, dass die Modelle so funktionieren, wie sie sollen, sodass über den gesamten KI-Lebenszyklus hinweg Vertrauen geschaffen wird. Es hilft Ihnen, kritische Fragen zu beantworten wie: Sind diese Daten von vornherein verzerrt? Verfügt der Datensatz über genügend repräsentative Stichproben? Wenn Sie mit der Entwicklung beginnen, verwenden Sie dann die richtigen Algorithmen oder werden diese Algorithmen Bias, die bereits in den Daten vorhanden sind, noch verstärken?

Ein führendes Datenunternehmen nutzt MLOps folgendermaßen in der Praxis: „Unsere MLOps überprüfen ständig die Qualität, testen die Qualität unserer Vorhersagen und die Qualität unserer ML“, erklärt Peter Jackson, Chief Data and Operations Officer bei Outra. „Wir haben eine ganze Reihe von Dashboards, die dem Senior Management einen Überblick über die Qualität und die Vorhersagekraft der Modelle geben. Und wenn wir im Laufe eines Monats einen Leistungsabfall feststellen, dann holen wir unsere maschinellen Lernprogramme hervor und untersuchen die Datenquellen, um herauszufinden, warum sie nicht funktionieren.“

Unternehmen riskieren den Ruf ihrer Marke, wenn ihre KI-Modelle verzerrt oder nicht erklärbar sind. Außerdem drohen Prüfungen durch Behörden und Geldstrafen in Millionenhöhe, wenn sie die komplexen und sich ändernden gesetzlichen Anforderungen nicht erfüllen. All diese Probleme können verheerende Auswirkungen auf die Beziehungen zu Aktionären und Kunden haben.

Ihr KI-Modell kennen und ihm vertrauen

Blackbox-Modelle, denen es an Transparenz mangelt, bereiten den KI-Stakeholdern zunehmend Sorgen. Diese Modelle werden erstellt und implementiert, aber es fehlt ihnen an Transparenz. Es ist – selbst für den Data Scientist – nicht immer einfach, nachzuvollziehen, wie und warum das Modell eine Entscheidung getroffen hat. Und mit dem Aufkommen von Vorschriften wie dem Gesetz von New York City, das den Einsatz von KI im Einstellungsprozess regelt, und dem von der Europäischen Union vorgeschlagenen KI-Gesetz müssen die Unternehmen schnell lernen, damit umzugehen.


KI-Governance ist der Gesamtprozess der Steuerung, Verwaltung und Überwachung der KI-Aktivitäten in allen geschäftlichen Abläufen. Datenverantwortliche sollten von Beginn eines KI-Projekts an mit Chief Risk Officers, Chief Compliance Officers und anderen wichtigen Stakeholdern zusammenarbeiten, um ein Governance-Framework für KI zu entwickeln. Dieses Framework sollte die Best Practices des Unternehmens für die Entwicklung, die Bereitstellung und die Verwaltung von KI-Modellen und letztlich die Beseitigung der Blackbox darlegen.

Lückenlose Nachverfolgung von Modellen

KI-Governance legt die Rahmenbedingungen für jede Phase des KI- und ML-Lebenszyklus fest, einschließlich Datenerfassung, Modellerstellung, Bereitstellung, Verwaltung und Überwachung. Diese Vorgaben ermöglichen transparentere Prozesse und sorgen dafür, dass die Ergebnisse für wichtige Stakeholder und Kunden erklärbar sind. Die lückenlose Implementierung von KI-Governance hilft Ihnen dabei, Ihre Risiken und Ihre Reputation besser zu managen, ethische Grundsätze einzuhalten und gesetzliche Vorschriften zu erfüllen und entsprechend zu skalieren.

Ein großer US-amerikanischer Einzelhändler wandte sich an IBM, um Hilfe bei der Lösung von Problemen mit der Fairness in Tools und Einstellungssystemen zur Überprüfung von Bewerbern zu erhalten. Für diesen Arbeitgeber war es von entscheidender Bedeutung, Fairness und Vertrauen zu schaffen. Dazu gehörte auch die Fähigkeit, Bias zu erkennen und Entscheidungen in seinen KI- und ML-Modellen für die Einstellung von Mitarbeitern erklären zu können. Das Unternehmen nutzte IBM® Cloud Pak for Data, um KI-gestützte Modelle konsequent im Hinblick auf Genauigkeit und Fairness zu verwalten. Jetzt kann das Unternehmen proaktiv auf Bias in seinen Einstellungsprozessen achten und diese reduzieren.

Präsentation Ihrer Arbeit

IBM wendet diesen Ansatz auch intern an. „Wenn eine bestimmte Vorschrift Transparenz oder Erklärbarkeit erfordert, stellen wir sicher, dass der Algorithmus oder die Folgenabschätzung diese Details aufzeigt, damit wir uns schnell auf die kontinuierliche Einhaltung neuer Vorschriften einstellen können, anstatt das Geschäft zu beeinträchtigen“, sagt Eliuk.

Da sich KI von der Experimentierphase zu einem geschäftskritischen Thema entwickelt, erkennen Unternehmen, wie wichtig es ist, KI-Governance proaktiv zu implementieren, um KI transparent und erklärbar zu machen. Das Fehlen von Richtlinien für KI kann KI-Projekte zum Scheitern bringen und Innovationen ausbremsen.