Die AI Maturity Journey für Sie nutzbar machen

Die AI Maturity Journey wurde von Xebia-Berater Steven Nooijen entwickelt. In diesem Interview erklärt er, wie die AI Maturity Journey zustande kam und wie Unternehmen sie nutzen können.

Die Einstellung von Dateningenieuren und Datenwissenschaftlern und die Erwartung, dass sich der Erfolg einstellt, ist so, als würden Sie einen Ferrari-Motor in einen Minivan einbauen und glauben, dass Sie die F1-Weltmeisterschaft gewinnen werden. Die Realität ist ganz anders. GoDataDriven-Berater Steven Nooijen hat die Erfahrung gemacht, dass "Unternehmen, die vollständig KI-gesteuert sind, rar sind - ich persönlich habe in den Niederlanden noch kein einziges gefunden."

KI-Maturitätsverbesserung

Nooijen nahm 2018 an einem Kurs für Chief Data Officer teil, der seinen Blickwinkel auf künstliche Intelligenz und den erfolgreichen (und nicht erfolgreichen) Einsatz dieser Technologie bei seinen Kunden erweiterte. Nooijen erkannte bestimmte Muster und beschloss, seinen GoDataDriven-Beraterkollegen eine Idee vorzuschlagen - die AI Maturity Journey. "Ich habe sie gefragt, ob sie die Muster erkennen, und die meisten von ihnen haben sie erkannt", erklärt er.

https://pages.xebia.com/data-and-ai/ai-maturity-journey-white-paper "Wir haben also einige unserer GoDataDriven-Kunden in einer frühen Version geplottet, was erstaunlich gut lief. Es bestätigte unsere Annahme, dass die meisten Unternehmen bei der Entwicklung ihrer KI-Praxis einen ähnlichen Weg einschlagen", sagte er. In Gesprächen mit Kunden bestätigte Nooijen seine Erkenntnisse und machte sich dann an die Entwicklung seines Konzepts.

Analytische und geschäftliche Fähigkeiten

Die AI Maturity Journey umfasst zwei Achsen: analytische Fähigkeiten und geschäftliche Akzeptanz. Die erste Achse konzentriert sich auf die eher "traditionellen" Elemente, die mit dem Erfolg von Daten und KI zusammenhängen - Menschen und Fähigkeiten, Tools und Technologie sowie Daten.

"Als ich vor etwa fünf Jahren als Berater für Data Science anfing, konzentrierten sich alle darauf, so viele Daten wie möglich zu erfassen - verschiedene Formen von Data Lakes zu schaffen und Data Scientists einzustellen", erklärt Nooijen. "Natürlich braucht man diese Elemente, aber im Laufe der Zeit hat sich gezeigt, dass dies nicht ausreicht, um wertvolle KI-Produkte zu entwickeln.

Damit KI-Lösungen erfolgreich sind, muss sich das Unternehmen ändern. Das ist nichts, was ein Wissenschaftler oder ein Ingenieur tun kann. Ohne die Zustimmung des Managements zur Verbesserung der KI-Reife können sich die geschäftlichen Fähigkeiten nicht ausreichend weiterentwickeln", erklärt er.

Häufige Fehler auf beiden Seiten

Nooijen und seine Kollegen entdecken regelmäßig die Fallstricke für Unternehmen, wenn sie vor Ort mit ihnen arbeiten.

"Auf der analytischen Seite sind Datenqualität und Governance immer noch ein Thema. Wenn Sie Daten von schlechter Qualität als Input haben, kann der Output niemals gut sein. Und wenn niemandem die Verantwortung für die Daten einer schlechten Quelle übertragen wird, besteht keine Chance, dass sich die Qualität jemals verbessert", erklärt er.

"Ein weiteres Problem ist die Einstellung von Mitarbeitern. Oft gibt es keine leitenden oder erfahrenen Ingenieure oder Wissenschaftler, die die Qualität von Neueinstellungen wirklich beurteilen können. Wenn Sie einen Bewerber haben, der sich zwar gut verkaufen kann, aber schlechten Code schreibt, wird das von den Interviewern oft nicht erkannt. Das führt dazu, dass Berater, die den Reifegrad der KI verbessern sollen, dem Kunden sagen müssen, dass ihre 'erfahrenen' Datenwissenschaftler in Wirklichkeit höchstens Junior- oder Mid-Level-Mitarbeiter sind."

Nooijen hat Situationen erlebt, in denen 70 % der Datenwissenschaftler extern waren, was es unmöglich macht, gute Arbeitsweisen zu etablieren oder Konsistenz zu erreichen.

"Datenwissenschaftler müssen aus ihrer Programmierblase herauskommen und Anwendungen entwickeln, die das Unternehmen braucht", fuhr er fort. "Da Geschäftsanwendern oft das Wissen fehlt, was mit Daten und KI möglich ist, wird der Wert nicht realisiert. Die Lösungen werden nicht (richtig) produktiv gemacht, es gibt keine Prüfungen, um die Wertschöpfung zu validieren, und eine Überwachung der Wertschöpfung ist nicht vorhanden", erklärte er.

Reifung Ihrer KI-Fähigkeiten

Die Weiterentwicklung der KI-Fähigkeiten Ihres Unternehmens erfordert Arbeit von zwei Seiten. Die analytischen Fähigkeiten lassen sich am besten von unten nach oben verbessern, während der Aspekt der Übernahme durch das Unternehmen von oben nach unten verbessert werden muss. Nooijen empfiehlt die Einrichtung von Kapiteln für Dateningenieure und Wissenschaftler. Ein Kapitel hilft dabei, eine einheitliche Arbeitsweise zu schaffen und den Wissensaustausch zu verbessern, was die Qualität der KI-Lösungen insgesamt steigert.

Er erklärte, dass die Einführung von KI in Unternehmen einen Top-Down-Ansatz erfordert: "Das Management muss Daten und KI als zentralen Bestandteil der Unternehmensstrategie begreifen. Wenn sowohl die analytischen als auch die geschäftlichen Fähigkeiten gleichzeitig reifen, wird dies ein Unternehmen zu besseren Ergebnissen führen. Allerdings gibt es noch eine Hürde zu überwinden. Sie müssen die analytische und die geschäftliche Seite zusammenbringen. Wenn eine KI-Lösung von den Geschäftsanwendern nicht angenommen wird oder keinen Wert schafft, ist sie reine Geldverschwendung."

Laut Nooijen liegt das Heilmittel für dieses Problem in der Ausbildung und der Benennung von Personen, die diese Kluft überbrücken: "Sie müssen die Geschäftsanwender über die Möglichkeiten von KI-Lösungen aufklären und gleichzeitig müssen die Daten- und KI-Teams lernen, wie sie mit dem Unternehmen sprechen können. Die Überbrückung dieser Kluft ist die ideale Aufgabe für Analytik-Übersetzer, auch bekannt als Data Science Product Owner oder Business Translators. Er fuhr fort: "Es kommt vor allem darauf an, ein Rahmenwerk zu nutzen und sich daran zu halten. Sie sollten Stage Gates einrichten, die sicherstellen, dass die Ideen einen Wert haben, bevor sie in die nächste Phase gehen. Wenn Sie Datenwissenschaftler dazu bringen wollen, mit dem Unternehmen zu sprechen, müssen Sie sie physisch zusammenbringen und sie nebeneinander arbeiten lassen. Tägliche Standups und zweiwöchentliche Demos sind ebenfalls großartige Werkzeuge, um erfolgreiche Produkte zu gewährleisten. Genau dafür wurde Agile entwickelt."

Einblicke mit dem AI Maturity Scan

Auf der Grundlage der AI Maturity Journey haben Nooijen und seine Kollegen von GoDataDriven den AI Maturity Scan entwickelt. Dieser Scan stellt die analytischen und geschäftlichen Fähigkeiten eines Unternehmens dar und zeigt, wo Verbesserungen möglich sind.

Nooijen erklärt, wie es funktioniert:

Wir haben den Scan entwickelt, weil wir gesehen haben, dass Kunden in verschiedenen Phasen der AI Maturity Journey damit zu kämpfen haben, wie sie ihre KI-Fähigkeiten weiter entwickeln können

Da der Weg zur KI-Reife für die meisten Unternehmen relativ ähnlich ist, ist der Scan eine großartige Möglichkeit, schnell zuverlässige Erkenntnisse zu gewinnen. Er eignet sich für Unternehmen in allen Phasen der KI-Reife, unabhängig davon, ob Sie ein Team von acht bis zehn Mitarbeitern haben, die sich mit Data Science beschäftigen und das Unternehmen mit einbeziehen wollen, oder ob Sie bereits darüber hinaus sind und vollständig KI-gesteuert werden wollen.

Wir haben den Scan bei mehreren Unternehmen durchgeführt und festgestellt, dass es in der Regel eine Vermutung über das Ergebnis gibt. Eine große Überraschung ist jedoch oft der Wissensstand der Datenteams, in denen die Mitarbeiter zwar eine mittlere oder höhere Position innehaben, aber nicht auf diesem Niveau programmieren.