{"id":915,"date":"2019-04-24T17:03:59","date_gmt":"2019-04-24T15:03:59","guid":{"rendered":"https:\/\/lam.unisg.ch\/blog\/?p=915"},"modified":"2019-04-25T16:53:28","modified_gmt":"2019-04-25T14:53:28","slug":"investieren-sie-bereits-in-ki-projekte-eine-motivation","status":"publish","type":"post","link":"https:\/\/lam.unisg.ch\/blog\/investieren-sie-bereits-in-ki-projekte-eine-motivation","title":{"rendered":"Investieren Sie bereits in KI-Projekte? Eine Motivation."},"content":{"rendered":"

Geh\u00f6ren Sie zu den F\u00fchrungskr\u00e4ften, die in den n\u00e4chsten ein bis drei Jahren in ein KI-Projekt investieren werden? Oder verschieben Sie diese Entscheidung um drei bis f\u00fcnf Jahre? Gem\u00e4ss einer neuen Umfrage<\/a>* bejahten 93% der F\u00fchrungskr\u00e4fte aus wachstumsstarken<\/strong> Unternehmen, in der k\u00fcrzeren Frist in KI-L\u00f6sungen zu investieren. Bei den wachstumsarmen<\/strong> Firmen verschieben 64% der ManagerInnen diese Entscheidung. Gerade in einer investitionsarmen Konkurrenzlandschaft betont man gerne, dass die Konkurrenten auch tatenlos seien und die Dringlichkeit nimmt ab. Das ist besonders beim Thema KI gef\u00e4hrlich, denn diese Technologie skaliert enorm. Hat ein Konkurrent \u2013 etwa ein neues Startup, von dem Sie noch nie geh\u00f6rt haben, oder auch Amazon \u2013 sich pl\u00f6tzlich einen erheblichen Marktanteil geschnappt, ist es schwierig bis unm\u00f6glich, diesen wieder zur\u00fcckzugewinnen. (Zugegebenermassen trifft das besonders im Dienstleistungsbereich und etwas weniger ausgepr\u00e4gt in der Industrie zu). Deswegen geraten Sie bei diesem Thema lieber nicht ins Hintertreffen; und wenn doch, muss dies eine informierte und nicht einfach eine Bequemlichkeitsentscheidung sein.<\/p>\n \n

\n
\n
Executive School Studiengang:<\/h5>\n
\n Open Programmes
<\/div>\n\n

\n KI (K\u00fcnstliche Intelligenz)- Projekte erfolgreich managen<\/a> <\/h4>\n\n
\n Vom Datenrohstoff zur wertsch\u00f6pfenden automatisierten Musterkennung\r\n
<\/picture><\/div> <\/div>\n \n <\/div>\n <\/div>\n \n

Zudem haben wir beobachtet, dass auf den F\u00fchrungsetagen beim Thema K\u00fcnstliche Intelligenz gerne mit Schlagw\u00f6rtern um sich geworfen wird. Ein etwas tiefergehendes Verst\u00e4ndnis der verschiedenen Algorithmen und erforderlichen Daten findet man ausserhalb der Spezialistenwelt eher selten. Es herrscht oft die Einstellung vor, dass das Schlagwortniveau reichen w\u00fcrde; f\u00fcr die \u00abDetails\u00bb hat man ja schliesslich die teuren Spezialisten im Haus. Wir sind jedoch \u00fcberzeugt, dass diese Vorstellung ein entscheidendes Hindernis bei der erfolgreichen Umsetzung von KI-basierten L\u00f6sungen ist. Sie als ManagerInnen m\u00fcssen selber mehr von KI verstehen. Damit ist nicht gemeint, dass Sie programmieren k\u00f6nnen m\u00fcssen, aber Sie sollten die wichtigen Konzepte in den Grundz\u00fcgen erfassen und das geht auch, ohne ein Zahlenjongleur zu sein.<\/p>\n

Was ist eine K\u00fcnstliche Intelligenz (KI) \u00fcberhaupt? Was bedeutet maschinelles Lernen (ML)?<\/strong><\/p>\n

Algorithmen des maschinellen Lernens machen Prognosen f\u00fcr eine Zielgr\u00f6sse<\/em> auf individueller Ebene, sei es f\u00fcr einen Kunden oder ein \u00abDing\u00bb wie einer Maschine. Diese Zielgr\u00f6sse ist in der Regel etwas, was f\u00fcr den gesch\u00e4ftlichen Erfolg oder f\u00fcr das effiziente Funktionieren eines Prozesses entscheidend ist. Nehmen wir als Beispiel eine Bank, die vorhersagen m\u00f6chte, ob jemand kreditw\u00fcrdig ist oder nicht. In ihren Datenbanken haben Sie Informationen \u00fcber Kunden, die Kredite problemlos beglichen, aber auch solche, deren Kredite abgeschrieben werden mussten. Alle s\u00e4umigen Kreditnehmer bekommen nun die Kennzeichnung 1 und alle anderen eine 0. Diese Variable ist nun die Zielvariable, die wir auch gerne einfach Y-Variable nennen. Daten zu anderen Gr\u00f6ssen, etwa Wohnort, Geschlecht, Alter, Ausbildung, Einkommen nennen wir ganz einfach X-Variablen. Sie interessieren uns, weil sie die Ziel- oder Y-Variable beeinflussen. Ein Algorithmus lernt<\/em> aus den Daten, welche Kombinationen von X-Auspr\u00e4gungen mit welchen R\u00fcckzahlungsergebnissen (Y) verbunden sind. Er berechnet daraus eine R\u00fcckzahlungswahrscheinlichkeit. Da der Algorithmus selbst\u00e4ndig diese Muster aus den Daten lernt, handelt es sich um sogenanntes maschinelles Lernen.<\/p>\n

\"Mustererkennung\"<\/a>
Ein Beispiel f\u00fcr Maschinelles Lernen (Klicken Sie auf das Bild)<\/figcaption><\/figure>\n

Ein anderes Anwendungsbeispiel w\u00e4re, zu prognostizieren, ob eine Maschine ausf\u00e4llt und\/oder gewartet werden muss. In diesem Fall sind die X-Variablen Temperatur, Laufzeit, Produktart etc. und der Algorithmus kann damit vorhersagen, wann die Maschine eine Reparatur braucht bevor sie wirklich stehenbleibt. Weitere Beispiele f\u00fcr X- und Y-Variablen sind:<\/p>\n