Urban Talks 2021: Künstliche Intelligenz

Die Herausforderungen bei der Skalierung der AI („Artificial Intelligence“, also künstliche Intelligenz) der EnBW waren größtenteils nicht-technischer Natur. Eine neue Technologie sorgt anfänglich für Euphorie. Für eine systematische Skalierung der AI-Aktivitäten, signifikante Wertbeiträge und eine selbstverständliche Verankerung im Denken der Kollegen reicht Technologie alleine nicht aus.

Identifizierung der richtigen Use Cases

Um die wirklich relevanten Use Cases (Anwendungsfälle) zu identifizieren, unterscheiden wir in erster Linie zwischen den verschiedenen Bedürfnissen der Fachbereiche: Hat ein Fachbereich bereits einen konkreten Anwendungsfall für AI, hat er lediglich Daten ohne Anwendungsfall oder benötigt er eine grundlegende Orientierung in Sachen Data, Analytics und AI? Diesen verschiedenen Bedürfnissen pauschal mit Data-Science-Fähigkeiten begegnen zu wollen ist wenig erfolgsversprechend. Die Konsequenz ist häufig, dass von AI gestützte Use Cases entstehen und bearbeitet werden, die aber trotzdem nicht wertvoll für den Fachbereich sind. Daher muss der Fokus der sogenannten Use Case Ideation, also der Identifizierung und Qualifizierung von erfolgsversprechenden Anwendungsfällen, im ersten Schritt darauf liegen, genau die Produkte und Prozesse im Fachbereich zu finden, die werthaltig sind. Erst im zweiten Schritt wird geprüft, ob AI für den konkreten Anwendungsfall sinnvoll angewendet werden kann.

Ein besonderer Erfolgsfaktor bei der Identifizierung von Use Cases ist das richtige Zusammenspiel von zentralen AI-Experten und dezentralen Fachverantwortlichen. Wir haben bei der EnBW gute Erfahrung mit der Etablierung von Multiplikatoren gemacht, die in ihrem Fachbereich als Botschafter für AI agieren. Sie identifizieren Use Cases und sind sowohl mit der zentralen AI-Einheit als auch mit anderen Multiplikatoren im Unternehmen vernetzt.

Aufbau einer Technologie- und Datenmentalität

Die Haltung rund um neue Technologien und Daten ist ein signifikanter Faktor für die Verbreitung von AI im Unternehmen. Wird AI nicht systematisch im Unternehmen mitgedacht, besteht die Gefahr, dass nur vereinzelt und isolierte Anwendungen entwickelt werden. Fehlt das richtige Bewusstsein, werden häufig Grundlagen ignoriert, die für AI essenziell sind, wie z.B. eine unternehmensweite Datenbasis.

Zum Aufbau einer unterstützenden Mentalität haben sich bei der EnBW verschiedene Maßnahmen als hilfreich erwiesen: Die Erarbeitung einer Position und Grundüberzeugung zu AI, in der z.B. der Einsatz von AI zur Unterstützung statt Automatisierung beschrieben ist. Damit schaffen wir Transparenz und eine Diskussionsgrundlage. Des Weiteren ist es wichtig, über AI-Initiativen zu berichten. So lässt sich das Interesse der Kolleginnen und Kollegen steigern und im besten Fall sogar Begeisterung wecken. Um die Experten im Unternehmen zu vernetzen, ist ein Community Management unentbehrlich. Dieser Austausch wird bei EnBW gut angenommen.

Ein weiterer Haupttreiber der Mentalität ist das sprachliche Verständnis (Data Literacy), das insbesondere durch Mitarbeit in AI-Projekten erlangt wird. Dabei ist es besonders wichtig, die Experten aus den Fachbereichen stark ins Projekt zu integrieren.

Entwicklung von Fähigkeiten

Die notwendigen Fähigkeiten für eine erfolgreiche Anwendung von AI beschränken sich bei weitem nicht auf Data Science. Vielmehr braucht es in AI-Grundlagen geschulte Fachbereiche, Produkt- und Prozessverantwortliche mit vertieften Kenntnissen, AI Übersetzer an der Schnittstelle und sogenannte Citizen Data Scientists.

Die Ausbildung von Produkt-und Prozessverantwortlichen sowie Führungskräften führen wir
bei EnBW größtenteils in internen Trainings durch. Ziel ist, dass Kollegen aus Fachbereichen die Grundprinzipien und das Potenzial von AI konzeptionell verstehen, ohne aber selbst Data Scientist sein zu müssen. Des Weiteren muss heute nicht jeder, der AI-Lösungen entwickelt, zwangsläufig intensiv programmieren. Viele AI-Services oder Werkzeuge auf Cloud-Plattformen erlauben es heute schon, einfache Lösungen zu entwickeln ohne umfangreiche Programmcodes erstellen zu müssen. Durch die Ausbildung von Citizen Data Scientists im Umgang mit diesen Werkzeugen kann AI zusätzlich skalieren.

Ausblick

Gute Antworten auf die Herausforderungen der obigen Kernbereiche machen die Transformation zu einem AI nutzenden Unternehmen signifikant einfacher. Die dargestellten Antworten funktionieren bisher für die EnBW – vermutlich muss aber jedes Unternehmen seine eigenen, zu ihm passenden Antworten finden.

Mit diesen Maßnahmen ist man jedoch bei weitem noch nicht am Ende der Reise. Im Gegenteil, sie hat wahrscheinlich gerade erst begonnen. AI wird die EnBW und viele weitere Unternehmen dauerhaft beschäftigen, denn diese Technologie ist gekommen, um zu bleiben, und spannende Zeiten liegen vor uns.

Hier geht es zum ausführlichen Gastbeitrag von AI-Experte Dr. Rainer Hoffmann: „AI bei EnBW: Erfahrungen aus der systematischen Skalierung“.

Die diesjährigen Urban Talks haben wir aufgrund der Corona-bedingten Einschränkungen und Sicherheitsvorkehrungen verschoben und avisieren das Frühjahr 2021 an: Da die erfolgreiche Veranstaltungsreihe sehr vom persönlichen Austausch vor Ort inklusive Getränke und Snacks und lebendiger Atmosphäre lebt, haben wir auf eine Online-Umsetzung verzichtet und dafür aber bereits Dr. Rainer Hoffmann für die Urban Talks in 2021 gewonnen. Bis dahin gibt es sicherlich auch spannendes Neues in Sachen Künstlicher Intelligenz zu berichten.

Für alle Alumni der bisherigen Urban Talks bieten wir Vernetzung und Austausch in unserer LinkedIn-Gruppe der Jungen Stiftung: Hier treffen sich Absolventen unserer Programme Energie-Campus, Energie-Reporter und Teilnehmende der Urban Talks-Reihe, um den digitalen Austausch zu pflegen. Hier geht es zur Gruppe mit Stiftungs-Werkstudentin Karolina Kleiner als Gruppen-Moderatorin.