Halconia.
Kontakt
Zurück zum Blog

Wie man das erste KI-Projekt in einem industriellen KMU auswählt

Bei der Wahl des ersten Projekts ist zu beachten, dass die Risiken, die die Organisation für ein KI-System in seinem Einsatzkontext als am höchsten einstuft…

Andrés Naves ·

Wie man das erste KI-Projekt in einem industriellen KMU auswählt

Bei der Wahl des ersten Projekts ist zu beachten, dass die Risiken, die die Organisation für ein KI-System in seinem Einsatzkontext als am höchsten einstuft, die dringendste Priorisierung erfordern. Definieren Sie vor dem Vergleich für jeden Kandidaten Zweck, Einsatzkontext und den Wert, den er bringt. Danach empfiehlt es sich, einen KI-Fall zu bevorzugen, der nur mit computergestützten Systemen interagiert und mit nicht sensiblen Daten trainiert wird, etwa mit Daten aus der physischen Umgebung; dieser kann eine geringere anfängliche Priorisierung verdienen.

Wie wähle ich das erste KI-Projekt in meinem industriellen KMU: welcher Wert, welches Risiko und welche Art von Fall passt zu mir?

Dokumentieren Sie für jeden Kandidaten die vorgesehenen Zwecke, den Einsatzkontext und den Geschäftswert gemäß MAP 1.1 und MAP 1.4. Das NIST AI RMF (MAP 1.1) verlangt, den Einsatzkontext zu verstehen und zu dokumentieren, und nennt unter seinen Überlegungen die möglichen positiven und negativen Auswirkungen des Systemeinsatzes auf Einzelpersonen, Gemeinschaften, Organisationen, die Gesellschaft und den Planeten.

Anschließend müssen die Risikotoleranzen der Organisation gemäß MAP 1.5 bestimmt und dokumentiert werden. Das Rahmenwerk schreibt die Risikotoleranz nicht vor: Wenn keine etablierten Leitlinien existieren, müssen Organisationen eine angemessene Risikotoleranz festlegen.

Auf dieser Grundlage sollten Richtlinien und Ressourcen nach dem bewerteten Risikoniveau und den potenziellen Auswirkungen jedes KI-Systems priorisiert werden. Das NIST weist darauf hin, dass ein System, das nur mit computergestützten Systemen interagiert und mit nicht sensiblen Daten trainiert wird, etwa mit Daten aus der physischen Umgebung, eine geringere anfängliche Priorität verdienen kann. Eine höhere anfängliche Priorität kann erforderlich sein, wenn das System mit großen Mengen sensibler oder geschützter Daten trainiert wird, etwa personenbezogenen Informationen, oder wenn seine Ergebnisse direkte oder indirekte Auswirkungen auf Menschen haben.

Die KI-Verordnung der EU stuft Systeme, die Aufgaben nach individuellem Verhalten zuweisen oder Beschäftigte überwachen und bewerten, als hochriskant ein. Der Erwägungsgrund der KI-Verordnung zu Beschäftigung und Arbeitnehmerverwaltung besagt, dass KI-Systeme, die Aufgaben nach individuellem Verhalten, persönlichen Merkmalen oder Eigenschaften zuweisen oder Personen in Arbeitsverhältnissen überwachen oder bewerten, ebenfalls als hochriskant eingestuft werden sollten, weil sie spürbare Auswirkungen auf berufliche Perspektiven, Lebensgrundlagen und Arbeitnehmerrechte haben können. Der Erwägungsgrund klassifiziert also etwa KI-Systeme, die Aufgaben nach individuellem Verhalten zuweisen oder Personen in Arbeitsverhältnissen überwachen oder bewerten, als hochriskant; diese Passage erwähnt Fälle, die lediglich Prozessdaten analysieren, nicht.

Welche Daten brauche ich und in welchem Zustand müssen sie sein, damit der gewählte Fall machbar ist?

Fragen Sie sich vor der Wahl eines Falls, welche Informationen das System benötigt, um sein Ziel zu erreichen. Der Datenleitfaden der AESIA, herausgegeben vom Ministerium für digitale Transformation, sieht diese Festlegung als ersten Schritt des Datenzyklus.

Anschließend besteht die Datenerhebung darin, die Daten zu beschaffen, die die für die Entwicklung des KI-Systems nötigen Informationen enthalten. Präzision und Qualität der Lösung hängen unter anderem davon ab, wie repräsentativ und ausreichend die Daten sind, die in der Regel aus verschiedenen Quellen stammen.

Derselbe Leitfaden definiert Datenqualität als den Grad, in dem Daten für den Zweck geeignet sind, für den sie erhoben wurden. Diese zu messen und Daten, die keine ausreichende Qualität erreichen, zu verbessern, ist ein unverzichtbarer Bestandteil guter Daten-Governance.

Wenn personenbezogene Daten vorliegen, ist das anwendbare Datenschutzrecht zu berücksichtigen. Ein Kandidat ist nur dann machbar, wenn Sie klar angeben können, welche Informationen er benötigt, und wenn diese Informationen für seinen Zweck angemessen sind.

Wie definiere ich im Voraus, was es bedeutet, dass das erste Projekt funktioniert hat?

Die Leistungs- oder Garantiekriterien des KI-Systems müssen qualitativ oder quantitativ gemessen und unter Bedingungen nachgewiesen werden, die dem Einsatz ähneln, gemäß MEASURE 2.3.

Sobald das System in Produktion ist, gibt MEASURE 2.4 an, dass Funktionalität und Verhalten des KI-Systems und seiner Komponenten überwacht werden müssen.

Soll die KI eine menschliche Tätigkeit verstärken oder ersetzen, braucht sie einen Vergleichswert. Das NIST erkennt an, dass diese Ausgangsbasis schwer zu systematisieren ist, weil das System und die Menschen Aufgaben nicht auf die gleiche Weise ausführen. Deshalb empfiehlt es sich, Metrik, Vergleichspunkt und Testbedingungen festzulegen, bevor man die Ergebnisse sieht.

Prüfungen zur Auswahl und Validierung des ersten Anwendungsfalls

Prüfung

Was die Quelle sagt

Wie man es überprüft

Geschäftswert und Zweck

Der Geschäftswert bzw. Nutzungskontext ist klar definiert, und Zweck, vorteilhafte Verwendungen und vorgesehener Kontext sind verstanden und dokumentiert.

Es gibt ein Dokument, das Zweck, Kontext und Geschäftswert des Falls festhält.

Risikotoleranz

Das Rahmenwerk schreibt die Risikotoleranz nicht vor; wo keine etablierten Leitlinien bestehen, muss die Organisation eine angemessene festlegen.

Die Risikotoleranz der Organisation ist vor der Auswahl bestimmt und dokumentiert.

Auswirkungen auf Personen und Datenart

Eine höhere Risikopriorität ist gerechtfertigt, wenn das System sensible oder personenbezogene Daten verwendet oder seine Ergebnisse Personen betreffen. Bei nicht sensiblen Daten aus der physischen Umgebung und ohne menschliche Interaktion kann eine geringere anfängliche Priorität genügen.

Es wird geprüft, ob der Fall personenbezogene Daten verarbeitet oder ob seine Ergebnisse Personen betreffen.

Steuerung oder Bewertung von Beschäftigten

Systeme, die Aufgaben nach individuellem Verhalten zuweisen oder Beschäftigte überwachen oder bewerten, werden als hochriskant eingestuft.

Es wird geprüft, ob der Fall Aufgaben zuweist oder Personen in ihrem Arbeitsverhältnis bewertet.

Benötigte Informationen

Es muss festgelegt werden, mit welchen Informationen das System gespeist wird, um das Ziel zu erreichen, für das es entworfen wird.

Die benötigten Informationen sind aufgelistet und mit dem Ziel des Falls verknüpft.

Datenqualität

Qualität ist der Grad, in dem Daten für ihren Zweck geeignet sind; sie zu messen und zu verbessern ist ein unverzichtbarer Teil der Daten-Governance.

Die Eignung der Daten für den Zweck des Falls wurde gemessen, und unzureichende Daten wurden korrigiert.

Messbares Erfolgskriterium

Die Leistung wird qualitativ oder quantitativ gemessen und unter dem Einsatz ähnlichen Bedingungen nachgewiesen, wobei die Messungen dokumentiert sind.

Die Kriterien und Leistungsmessungen sind dokumentiert und unter werksnahen Bedingungen getestet.

Vergleichsbasis

Wenn KI eine menschliche Tätigkeit verstärkt oder ersetzt, wird eine Referenzmetrik zum Vergleich benötigt.

Es gibt eine Metrik der aktuellen Tätigkeit, mit der sich die Ergebnisse des Systems vergleichen lassen.

Quellen