Immer mehr Unternehmen beschäftigen sich mit dem Thema Artificial Intelligence (AI) und Machine Learning (ML). Auch wir beschäftigen uns seit einigen Jahren mit dem Thema und beraten Kunden hinsichtlich geeigneter Plattform-Konzepte. Dabei stellt sich oftmals für die Kunden die Frage, was sie damit eigentlich machen können.
Was ist ein Use Case ?
Der „Use Case“ beschreibt einen konkreten Einsatz mit den Mitteln und Methoden von AI und/oder ML. Auf Basis eines vorbereitenden Datenbestands für eine definierte Fragestellung soll so eine Prognosemöglichkeit und damit eine Automation geschaffen werden, um einen Wettbewerbsvorteil für Produkte, Service, Anlagen oder das gesamte Unternehmen bzw. die Organisation zu erzielen. Wesentliches Element dabei ist die Verzahnung der Komponenten. Es muss klar sein, was man überhaupt erreichen möchte. Welche Vorhersagen sollen herauskommen? Welchen Wettbewerbsvorteil möchte man damit adressieren? Die Daten müssen von den Merkmalen her vollständig sein, um den Gegenstand der Fragestellung zu erfassen.
Die Identifikation von geeigneten Use Cases ist eine der schwierigsten Aufgabenfelder im Bereich AI/ML. Am besten man lässt sich hier von Experten beraten, die Expertise in diesem Bereich mitbringen.
Der Ausgangspunkt für Use Cases
Am Anfang der Use Case Definition steht immer das eigene Business und die Überlegung, welche Business-Metriken verbessert werden sollen. Möchte ich z.B. durch besseres Ressourcenmanagement, bessere Forecasts, besseres Lagerhaltungsmanagement oder Kapazitätsplanung produktiver werden? Möchte ich meinen Kunden eine bessere Erfahrung bieten, indem ich zum Beispiel schneller antworte und das Problem des Kunden besser löse und dadurch eine bessere Kundenbindung erlange? Oder liegt es mir eher daran, mein Produkt aufzuwerten, indem ich es mit ML-Methoden intelligenter mache und mich in die Lage versetzt, höhere Preise zu erzielen?
Man kann sich das auch so vorstellen, in dem man in einen virtuellen Fachexperten investieren würde, der immer und unbegrenzt und beliebiger Geschwindigkeit die Akten Ordner und Datenbanken analysieren würde, um bei solchen Fragestellungen im Geschäft zu unterstützen.
Ein ML-Prozess ist analog dazu der auf eine ganz spezifisch trainierte Fragestellung trainierte Fachexperte, der genau weiß, wo er in den Datenbanken und Aktenordnern nachschauen muss, um Werte zu erfassen und zu kombinieren.
Bedeutung der Daten
Wenn man bisher keine hinreichenden Daten hat oder glaubt keine Daten zu haben, sollte man es als ein Geschäftsziel ansehen, erstmal in seine eigenen Daten zu investieren (Datenstrategie). Zum Beispiel, indem man seine Daten durchforstet und mit Big Data Methoden aufwertet. Oder in dem man z.B. in eine neue Webseite investiert und mit Kunden korrespondiert, um dort Daten zu sammeln.
Aber was ist nun ein effektiver Use Case? Kann ich mit dem Use Case, den ich identifiziert habe, einen nachhaltigen Wettbewerbsvorteil erzielen?
Ist ein Geschäftsvorteil erzielbar, wenn ich keine eigenen Daten nutze?
Im Folgenden möchte ich mit ein paar Beispielen verdeutlichen, was in dem Sinne sinnvoll oder auch weniger sinnvoll erscheint.
Man kann natürlich z.B. bestehende Cloud AI-ML Angebote nutzen, um Bilder zu erkennen und klassifizieren zu lassen. Bestehende und bereits trainierte Systeme in der Cloud per API nutzen und in eigene Anwendungen einarbeiten. Damit kann man dann grundsätzlich ML-Aufgaben erledigen lassen. Nur ein wirklich einzigartiger und nachhaltiger Wettbewerbsvorteil wird da nicht entstehen, da das andere Wettberber grundsätzlich auch können.
Einen Wettbewerbsvorteil erziele ich nur dann, wenn ich einen Vorteil bei meinem Angebot erzielen kann, der nicht so schnell kopiert werden kann. Dabei spielen die Daten eine wesentliche Rolle. Je einzigartiger die sind, um so nachhaltiger mein möglicher Nutzen / Wettbewerbsvorteil.
Ein anderer Fall: Ein Unternehmen möchte für seine Kunden eine App entwickeln, um Mehrwerte zu bieten. Das Unternehmen kauft sich dafür Daten ein und beauftragt ein Start Up eine entsprechende App zu entwickeln. Die ist dann irgendwann fertig, wird aber kaum runtergeladen und genutzt. Eine der führenden Smart Phone Anbieter stellt etwas ähnliches in dem nächsten Software Release zur Verfügung. Die Datenbasis war nichts Besonderes. Die App brachte keinen Mehrwert und Entwicklungen wurden eingestellt. Es fehlt die Einzigartigkeit bei dieser Initiative. Ein anderer war mit seinem Angebot schneller.
Effektiver wäre z.B. ein Ansatz eines Unternehmens, das viel mit Abrechnungsprüfungen zu tun hat, was mit viel Aufwand verbunden ist. Hier könnte man mit ML-Intelligenz die auffälligen Forderungen detektieren, und damit Kosten für Prüfungen zu sparen und die eigenen Leute zu entlasten. Die Datenbasis wären dafür die eigenen Daten (Abrechnungen aus der Vergangenheit). Der Wettbewerbsvorteil wäre dann eine Beschleunigung respektive Kostensenkung der Geschäftsprozesse.
Im Folgenden möchte ich mit ein paar Beispielen verdeutlichen, was in dem Sinne sinnvoll oder auch weniger sinnvoll erscheint.
Man kann natürlich z.B. bestehende Cloud AI-ML Angebote nutzen, um Bilder zu erkennen und klassifizieren zu lassen. Bestehende und bereits trainierte Systeme in der Cloud per API nutzen und in eigene Anwendungen einarbeiten. Damit kann man dann grundsätzlich ML-Aufgaben erledigen lassen. Nur ein wirklich einzigartiger und nachhaltiger Wettbewerbsvorteil wird da nicht entstehen, da das andere Wettberber grundsätzlich auch können.
Einen Wettbewerbsvorteil erziele ich nur dann, wenn ich einen Vorteil bei meinem Angebot erzielen kann, der nicht so schnell kopiert werden kann. Dabei spielen die Daten eine wesentliche Rolle. Je einzigartiger die sind, um so nachhaltiger mein möglicher Nutzen / Wettbewerbsvorteil.
Ein anderer Fall: Ein Unternehmen möchte für seine Kunden eine App entwickeln, um Mehrwerte zu bieten. Das Unternehmen kauft sich dafür Daten ein und beauftragt ein Start Up eine entsprechende App zu entwickeln. Die ist dann irgendwann fertig, wird aber kaum runtergeladen und genutzt. Eine der führenden Smart Phone Anbieter stellt etwas ähnliches in dem nächsten Software Release zur Verfügung. Die Datenbasis war nichts Besonderes. Die App brachte keinen Mehrwert und Entwicklungen wurden eingestellt. Es fehlt die Einzigartigkeit bei dieser Initiative. Ein anderer war mit seinem Angebot schneller.
Effektiver wäre z.B. ein Ansatz eines Unternehmens, das viel mit Abrechnungsprüfungen zu tun hat, was mit viel Aufwand verbunden ist. Hier könnte man mit ML-Intelligenz die auffälligen Forderungen detektieren, und damit Kosten für Prüfungen zu sparen und die eigenen Leute zu entlasten. Die Datenbasis wären dafür die eigenen Daten (Abrechnungen aus der Vergangenheit). Der Wettbewerbsvorteil wäre dann eine Beschleunigung respektive Kostensenkung der Geschäftsprozesse.
Ist die Fragestellung spezifisch genug ?
Ein anderes Thema bei der Use Case Identifikation ist, welche Fragestellung durch den Algorithmus genau adressiert werden soll. Sind die Fragestellungen eindeutig formuliert? Geht es um Prognose von kontinuierlichen Werten oder um Klassifikationen? Was ist damit gemeint?
Eine Frage muss operational auf die Möglichkeiten der AI-ML Algorithmen passen. Zum Beispiel ist die Fragestellung „Wie werde ich gesund?“ zu ungenau. Hier wären mehrere Arbeitsvorgänge notwendig, z.B. um «welche Krankheit handelt es sich?». Das wird ein einzelner ML-Prozess nicht leisten können, ohne die Vorqualifizierung eines Arztes. Ein Arzt kann dann natürlich mit Unterstützung von AI-ML Techniken z.B. in bildgebenden Verfahren eine Diagnoseverdacht bestätigen, um dann im zweiten Schritt mit Maschinen-Unterstützung Therapieempfehlungen zu geben.
Da bei AI-ML Methoden mathematische Methoden im Hintergrund verwendet werden, müssen die Fragestellungen sehr präzise auf die Möglichkeiten der Algorithmen abzielen. Eine geeignete Fragestellung wäre z.B. im Medizin-Bereich. Ich möchte ein Röntgenbild klassifizieren in «gebrochen» oder «nicht gebrochen». Ich möchte bei einem CT Bild bestimmte Organe farblich segmentiert haben. Oder ich möchte bei einer definierten und bestätigten Diagnose einer Erkrankung eine Therapieempfehlung.
So etwas müßte dann in eine Use Case Definition einfließen.
Was bietet Cisco in dem Umfeld an?
AI und ML ist für Cisco wichtig und bereits Bestandteil vieler Lösungen, die wir aktuell anbieten.
Wir können für Sie eine Umgebung bestehend aus verschiedenen Technologien konzipieren, die Ihre IT in die Lage versetzt, eine Data Science Umgebung als Service aus Ihrem Rechenzentrum heraus anbieten zu können, die Sie gut, einfach, sicher und regelungskonform betreiben können. Die wertvollen Daten bleiben immer in Ihrem Rechenzentrum.
Ihre Data Science Anwender können die Tools anwenden, die sie nutzen wollen und mit denen sie sich auskennen. Sie bekommen eine performante Umgebung und brauchen sich nicht um Infrastruktur zu kümmern.
Die Plattform ist Ressourcen effizient, da sie Multi User fähig und parallel genutzt werden kann. Ein dezentraler Ansatz mit leistungsfähigen Workstations wäre das nicht.
Für die Identifikation von Use Cases arbeiten wir mit externen Spezialisten zusammen, die sehr viel Erfahrung in dem Umfeld mitbringen. Wenn Sie Bedarf oder Interesse an dem Thema haben, dann können Sie uns dazu ansprechen. Unsere Partner bieten Schulungen oder Use Case Workshops, als möglicher Einstiegspunkt in AI eine Initiative.
Authors
