Revolutionäre Wege zur Effizienz

Anfangs ging es noch darum, durch Mustererkennung regelbasiert singuläre, konkrete Probleme zu lösen, zum Beispiel das Wetter vorherzusagen oder wann eine Maschine gewartet werden muss, weil sie zu hohen Ausschuss produziert (Predictive Maintenance). Machine Learning heißt dieser Teilbereich der künstlichen Intelligenz, bei dem Algorithmen für die Mustererkennung eingesetzt werden. Von dort ging es weiter zu Deep Learning und schließlich den Large Language Modellen, die so intensiv lernen, dass sie Sprache verstehen und auch selber erzeugen können. Damit ist man angelangt im Bereich der Generative AI. Sie analysiert Daten nicht nur, sondern erzeugt aus Analysen und erkannten Mustern wiederum eigenen Inhalt.

KI ist in allen Lebens- und Geschäftsbereichen

Inzwischen wird KI immer umfassender und Teil des Tagesgeschäfts zahlloser einzelner (Business-) Anwendungen. Sie lässt sich in fast jedem Bereich einsetzen, um Prozesse zu optimieren und die Unternehmen besser auf bevorstehende Herausforderungen vorzubereiten. Beispielsweise im Supply Chain Management, um Bedarfe besser prognostizieren und auch verwalten zu können.

Dadurch sind Unternehmen rund um die Uhr in der Lage, Kundenanfragen zu bearbeiten, was wiederum die Kundenzufriedenheit erhöht. KI steigert nicht nur die Effizienz, sondern sie bereitet auch besser zukünftige Veränderungen vor. Viele haben diesen Schritt bereits vollzogen. Im Bereich von Business Analytics spiegelt sich dies in einer Entwicklung vom klassischen Reporting und Dashboarding hin zu flexiblen Systemen, die eigenständig Fragen durch die Analyse der vorhandenen Daten beantworten. Analytics-Ergebnisse werden damit einer größeren Anzahl an Mitarbeitenden zugänglich macht, die mit Dashboards oder Tabellen nicht so gut umgehen könnten. Sie können jetzt ganz einfach zum Beispiel einem SAP-Tool gezielte Fragen stellen.

SAP gezielt Fragen stellen

An dieser Stelle geht es nun darum, die einzelnen Teilbereiche mehr und mehr zu integrieren und neben den einzelnen Prozess- und Unternehmensdaten auch externe Datenquellen anzubinden. Entsprechende Tools zur Datenintegration stehen mit der SAP Datasphere, SAP Analytics Cloud und der SAP HANA Cloud zur Verfügung.

Sofern die Daten aus der SAP-Welt stammen, sollte ein Mindestmaß an Konsistenz und Widerspruchsfreiheit bereits vorhanden sein. Für das Gros an weiteren Datenquellen lassen sich über die Datasphere-Tools entsprechende Abgleiche erzeugen, um die Datenqualität sicherzustellen. Hierfür gibt es gute Beispiele, wie etwa das Szenario beim Getränkehersteller Gerolsteiner zeigt, das im Expert Talk ausführlich beschrieben wird. NTT DATA Business Solutions hat dort gemeinsam mit Device Insight eine Data Intelligence Plattform aufgebaut und dafür Microsoft Azure, SAP, Databricks und das IoT-Framework CENTERSIGHT scale von Device Insight im Sinne einer „Best-of-Breed“-Architektur kombiniert.

Digitale Reife als Voraussetzung

Datengestützte Unternehmen, die mittels Data Fabric die KI vollständig integriert haben, sind allerdings noch selten, wie die Experten beobachten. Grundsätzlich müsse eine gewisse digitale Reife gegeben sein, bevor Künstliche Intelligenz überhaupt sinnvoll eingeführt werden könne. Dazu gehört Datenqualität. Neben den technischen Voraussetzungen ist es auch wichtig, die Mitarbeitenden entsprechend mitzunehmen. Das wiederum wirkt sich positiv auf die Kultur und Attraktivität eines Unternehmens aus. KI ist also kein rein technisches Topos, sondern hat immer auch mit Kultur und Veränderungen bzw. Umbau im Unternehmen zu tun.

Jetzt Case Study herunterladen!