Anzeige
Anzeige
Beitrag drucken

Mit AIaaS Einstiegshürden senken

KI als Service nutzen

KI-Projekte sind häufig kostenintensiv und verlangen umfangreiche Planung. Das macht sie oft nur für größere Unternehmen attraktiv. Mit cloudbasierter AI as a Service (AIaaS) können auch Mittelständler von künstlicher Intelligenz (KI) profitieren – sofern die Voraussetzungen passen.

 (Bild: ©metamorworks/stock.adobe.com)

(Bild: ©metamorworks/stock.adobe.com)

Bis vor wenigen Jahren war die KI-Entwicklung am ehesten mit einer Individualprogrammierung zu vergleichen, für die Unternehmen oft erst KI-Experten finden oder ausbilden mussten. Projekte wurden langwierig und teuer. AI as a Service (AIaaS) kann diese Einstiegshürden senken, da Teilprobleme bereits Anbieter-seitig gelöst wurden.

Ohne Knowhow geht es nicht

Zwar wird auch bei einer AIaaS-Lösung internes KI-Knowhow benötigt. Allerdings ist es durch den Einsatz von Low Code Tools nicht notwendig, selbst zu programmieren. Ebenso ist die Implementierung über Programmschnittstellen bereits vorhanden. Die KI muss weder trainiert noch programmiert werden. Der größte Teil der KI liegt standardisiert vor. Der Zeitaufwand besteht darin, die KI an die Anforderungen und Ziele des Anwender-Unternehmens anzupassen. Support, Wartung und Instandhaltung sind durch Service Level Agreements abgedeckt. Die Abrechnung erfolgt nach der Nutzungsintensität.

Die Grenzen kennen

Bei unrealistischen Erwartungen an KI-Systeme können Projekte früh erlahmen und so vermeidbare Kosten entstehen. Deren Grenzen zu kennen, kann insbesondere bei Projekten zentral sein, in denen Interessenvertreter mit unterschiedlichen Erwartungen involviert sind. Ebenso wichtig ist es, den Mehrwert für das Unternehmen herauszufinden, der durch den KI-Einsatz generiert werden soll. Hier werden sowohl betriebswirtschaftliche als auch strategische Ansätze evaluiert. Die verschiedenen Möglichkeiten sollten Unternehmen dann priorisieren und ’step by step‘ angehen.

Viele Stellschrauben

Ein Unternehmen bietet viele Stellschrauben und Schnittstellen, an denen KI unterstützen kann. Hier sind eine Datenprüfung sowie eine Bedarfsanalyse gefragt, aber auch ein Blick über den Tellerrand. AIaaS kann zum einen monotone Aufgaben übernehmen, etwa Fotos verschlagworten, Kundenbefragungen auswerten oder Dokumente inhaltlich kategorisieren. Andererseits gibt es auch weniger bekannte Aufgaben. Während der Pandemie hat sich künstliche Intelligenz etwa bei der automatisierten Personenzählung bewährt. Darüber hinaus spielen KI-Lösungen auch in der Qualitätskontrolle ihre Stärken aus. Beim Einsatz von AIaaS ist also durchaus Kreativität gefragt. Um individuelle Einsatzmöglichkeiten zu ermitteln, ist ein analytischer und innovativer Ansatz notwendig, um das Potential auszuschöpfen.

Daten müssen passen

Qualitativ hochwertige und gut strukturierte Daten sind das A und O für jedes KI-Projekt. Hinzu kommen Faktoren wie die Algorithmenauswahl und Datenstrategie. Dafür ist eine Datenverwaltung und -analyse notwendig sowie eine Unternehmenskultur, die eine Ermittlung von Anwendungsfällen begünstigt. Auch Datenarchitektur, organisatorische Aufstellung und Daten-Governance sind bedeutsam. Wichtig ist auch die Auswahl der Eingabedaten und eine Analyse der Ergebnisse. Damit KI die Arbeitsabläufe in einem Unternehmen unterstützen kann, sollten Unternehmen vor der AIaaS-Nutzung immer die relevanten Daten prüfen. Ausgangspunkt ist dabei die spezifische Situation des Unternehmens sowie der Business Case. So entstehen maßgeschneiderte Lösungen, die KI an geeigneten Stellen mit guten Ergebnissen einsetzen. Die verantwortlichen Teams in den Unternehmen sollten hier rechtzeitig Knowhow und vor allem Erfahrung beim Gestalten von KI-Projekten aufbauen oder extern hinzuziehen.


Das könnte Sie auch interessieren:

Wer Produktion und Logistik in einer Echtzeit-Visualisierung abbildet, kann niedrigschwellig in die digitale Transformation einsteigen und viel Papier aus dem Shopfloor bannen. Ergänzt um zentrale MES-Funktionen lassen sich solche Visualisierungssysteme zur Operational Excellence-Plattform ausprägen, die bei fortlaufenden Prozessoptimierungen unterstützt.‣ weiterlesen

Industrielle Trends wie IIoT und Digitalisierung setzen immense Datenströme voraus. Doch im Gegensatz zur IT-Security für Büros müssen Fabrikbetreiber auf wesentlich mehr Stolpersteine achten, damit ihre Anlagen nicht schon einfachen Angriffen zum Opfer fallen.‣ weiterlesen

Ab und zu fehlte ein Schlüssel im Kloster der Franziskanerinnen der ewigen Anbetung von Schwäbisch Gmünd. Beim letzten Mal gab das den Impuls, anstatt neue mechanische Zylinder in die rund 220 Türen des Komplexes einzubauen, die alte Technik durch das Bluesmart-System von Winkhaus zu ersetzen.‣ weiterlesen

Mit 100,5 Punkten hält sich das IAB-Arbeitsmarktbarometer im November stabil und liegt weiter im leicht über der neutralen Marke. Auf europäischer Ebene sank der Frühindikator allerdings erneut.‣ weiterlesen

In einer neuen Expertise des Forschungsbeirats Industrie 4.0 untersuchen das FIR an der RWTH Aachen und das Industrie 4.0 Maturity Center den Status-quo und die aktuellen Herausforderungen der deutschen Industrie bei der Nutzung und wirtschaftlichen Verwertung von industriellen Daten und geben Handlungsempfehlungen für Unternehmen, Verbände, Politik und Wissenschaft.‣ weiterlesen

Im Forschungsprojekt FabOS soll eine KI-Bin-Picking-Anwendung entstehen, die ein verbessertes Erkennen, Greifen und definiertes Ablegen von Blechteilen in der Produktion ermöglicht.‣ weiterlesen

Die Digitalisierung des Qualitätsmanagements stellt Unternehmen vor Herausforderungen. Daher haben das Fraunhofer IPT und die FH Südwestfalen im Forschungsvorhaben 'Qbility - Quality 4.0 Capability Determination Model' ein datengetriebenes Reifegradmodell entwickelt, das die Anforderungen eines digitalisierten Qualitätsmanagements bei KMU adressiert.‣ weiterlesen