Wenn über die Entwicklung von KI-Systemen gesprochen wird, liegt der Fokus häufig auf Algorithmen, Daten und technischen Möglichkeiten. In der Praxis zeigt sich jedoch immer wieder: Der Erfolg eines KI-Projekts hängt nicht allein von der Technologie ab. Entscheidend ist auch, ob die KI-Anwendung zu den tatsächlichen Arbeitsprozessen im Unternehmen passt und von den Menschen sinnvoll genutzt werden kann.
Gerade Mitarbeitende, die täglich mit einem Prozess arbeiten, verfügen über wertvolle Erfahrung und Kontextwissen. Sie wissen häufig am besten, wo Herausforderungen im Arbeitsalltag entstehen, welche Einflussfaktoren eine Rolle spielen und welche Formen der Unterstützung in der Praxis tatsächlich hilfreich sind.
Damit KI-Anwendungen erfolgreich entwickelt und eingesetzt werden können, müssen deshalb unterschiedliche Perspektiven zusammengebracht werden:
- die technische Perspektive,
- die organisatorischen Abläufe im Unternehmen,
- und die Erfahrungen sowie Anforderungen der Menschen, die mit den Systemen arbeiten.
Ein etabliertes Vorgehensmodell, das genau diese Verbindung unterstützen kann, ist CRISP-DM (Cross Industry Standard Process for Data Mining). Das Modell beschreibt die typischen Schritte eines Datenanalyse- oder KI-Projekts und hilft dabei, strukturiert vorzugehen.
Was ist CRISP-DM?
CRISP-DM ist ein Prozessmodell, das ursprünglich für Data-Mining-Projekte entwickelt wurde, heute aber auch häufig bei Machine-Learning- und KI-Projekten eingesetzt wird. „Unter Data Mining versteht man die Anwendung von Methoden und Algorithmen zur möglichst automatischen Extraktion empirischer Zusammenhänge zwischen Planungsobjekten, deren Daten in einer hierfür aufgebauten Datenbasis bereitgestellt werden.“ (Prof. Dr. Richard Lackes)
Das Modell unterteilt den Entwicklungsprozess in mehrere aufeinander aufbauende Phasen. Wichtig dabei: Der Prozess verläuft nicht streng linear, sondern häufig iterativ. Erkenntnisse aus späteren Schritten können dazu führen, dass frühere Schritte erneut angepasst werden müssen.
Die sechs Phasen sind: (1) Business Understanding, (2) Data Understanding, (3) Data Preparation, (4) Modeling, (5) Evaluation und (6) Deployment.
CRISP-DM bietet dabei nicht nur eine technische Struktur für Datenprojekte. Das Modell schafft auch einen Rahmen, um fachliches Prozesswissen, organisatorische Anforderungen und technische Entwicklung miteinander zu verbinden.
Dadurch wird deutlich: Erfolgreiche KI-Projekte entstehen nicht allein in der IT-Abteilung, sondern im Zusammenspiel verschiedener Fachbereiche und Perspektiven.
1. Business Understanding – das Problem richtig verstehen
Der erste Schritt besteht darin, das eigentliche Problem zu verstehen. Dabei geht es nicht nur um die Frage, was technisch möglich ist, sondern vor allem darum, welche Herausforderung im Unternehmen gelöst werden soll.
In dieser Phase treffen organisatorische Ziele, praktische Anforderungen aus dem Arbeitsalltag und technische Möglichkeiten erstmals aufeinander. Deshalb ist es wichtig, frühzeitig unterschiedliche Perspektiven einzubeziehen – etwa Fachabteilungen, Führungskräfte, Mitarbeitende und technische Expertinnen und Experten.
Gerade die Menschen, die täglich mit dem jeweiligen Prozess arbeiten, wissen häufig am besten:
- wo Probleme auftreten,
- welche Faktoren den Prozess beeinflussen,
- und welche Ziele im Arbeitsalltag realistisch und sinnvoll sind.
Wenn dieser Schritt übersprungen oder unzureichend durchgeführt wird, besteht die Gefahr, dass ein KI-Modell zwar technisch funktioniert, aber kein relevantes Problem löst.
2. Data Understanding – die richtigen Daten identifizieren
Im nächsten Schritt geht es darum zu verstehen, welche Daten überhaupt zur Verfügung stehen und welche Informationen sie enthalten.
Daten entstehen nicht losgelöst von Arbeitsprozessen. Sie spiegeln organisatorische Abläufe, Maschinenzustände und menschliche Entscheidungen wider. Um Daten sinnvoll interpretieren zu können, braucht es daher sowohl technisches Wissen als auch Prozessverständnis aus der Praxis.
Auch hier ist das Wissen von Mitarbeitenden oft entscheidend. Ohne dieses Hintergrundwissen ist es häufig schwierig zu erkennen:
- welche Daten relevant sind,
- welche Messwerte zuverlässig sind,
- und welche Zusammenhänge zwischen verschiedenen Daten bestehen.
Gerade in industriellen Umgebungen können Fachkräfte wichtige Hinweise darauf geben, welche Sensorwerte beispielsweise mit bestimmten Prozesszuständen zusammenhängen.
3. Data Preparation – Daten sinnvoll aufbereiten
Die Aufbereitung der Daten ist häufig einer der zeitaufwendigsten Schritte in einem KI-Projekt. Daten müssen bereinigt, zusammengeführt und in eine Form gebracht werden, mit der Modelle arbeiten können.
Auch hier spielt menschliche Expertise eine wichtige Rolle. Mitarbeitende können beispielsweise helfen zu verstehen:
- welche Messwerte Ausreißer darstellen,
- wann Sensorwerte unplausibel sind,
- oder welche Daten im Kontext des Prozesses besonders relevant sind.
Gleichzeitig zeigt sich in dieser Phase häufig, dass Daten aus unterschiedlichen Systemen oder Abteilungen zusammengeführt werden müssen. Dadurch wird deutlich, dass KI-Projekte nicht nur technische, sondern auch organisatorische Abstimmung erfordern.
4. Modeling – das Modell entwickeln
In dieser Phase werden verschiedene Machine-Learning-Modelle entwickelt und getestet. Ziel ist es, ein Modell zu finden, das die gewünschten Vorhersagen möglichst zuverlässig treffen kann.
Hier liegt der Schwerpunkt stärker auf der technischen Umsetzung. Gleichzeitig muss jedoch berücksichtigt werden, ob ein Modell später nachvollziehbar, akzeptiert und sinnvoll in bestehende Arbeitsabläufe integriert werden kann.
Denn auch technisch leistungsfähige Modelle entfalten ihren Nutzen erst dann, wenn sie im Arbeitsalltag praktikabel eingesetzt werden können.
Einen Einblick in verschiedene Maschine-Learning-Ansätze und deren jeweiligen Chancen und Risiken finden Sie in unserem Blogbeitrag „KI ist mehr als ChatGPT: Ein Überblick über Ansätze, Anwendungen und Grenzen“.
5. Evaluation – Ergebnisse kritisch prüfen
Bevor ein Modell in der Praxis eingesetzt wird, müssen die Ergebnisse sorgfältig bewertet werden. Dabei geht es nicht nur um technische Kennzahlen wie Genauigkeit oder Fehlerraten.
Mindestens genauso wichtig ist die Frage: Sind die Ergebnisse im realen Arbeitskontext sinnvoll und nachvollziehbar? Neben technischen Kennzahlen spielt deshalb auch die Perspektive der späteren Nutzer:innen eine wichtige Rolle. Mitarbeitende können häufig am besten beurteilen, ob eine Vorhersage plausibel erscheint oder ob wichtige Einflussfaktoren möglicherweise noch fehlen.
6. Deployment – Einsatz im Arbeitsalltag
Im letzten Schritt wird das Modell in den realen Arbeitsprozess integriert. Spätestens hier zeigt sich, dass erfolgreiche KI-Projekte weit über die technische Implementierung hinausgehen.
Prozesse verändern sich, Aufgaben verschieben sich und Mitarbeitende müssen neue Formen der Zusammenarbeit mit KI-Systemen entwickeln. Ein KI-System kann deshalb nur dann erfolgreich eingesetzt werden, wenn es verständlich ist, in bestehende Abläufe integriert werden kann und von den Nutzerinnen und Nutzern akzeptiert wird.
Gerade deshalb ist es wichtig, Mitarbeitende frühzeitig in die Entwicklung und Einführung von KI-Anwendungen einzubeziehen.
Weitere Details zu CRISP-DM an einem fiktiven Beispiel finden Sie auch in unserer kurzen Videoreihe.
Fazit
Die Entwicklung von KI-Systemen ist nicht nur eine technische Aufgabe. Erfolgreiche KI-Projekte entstehen vielmehr im Zusammenspiel verschiedener Perspektiven: technisches Know-how, organisatorische Rahmenbedingungen und das Erfahrungswissen der Menschen, die mit den Prozessen arbeiten.
Das CRISP-DM-Modell hilft dabei, diese Perspektiven systematisch miteinander zu verbinden. Dadurch entsteht ein strukturierter Rahmen, um KI-Anwendungen nicht nur technisch funktionsfähig, sondern auch praxisnah und arbeitsorientiert zu entwickeln.
Gerade für kleine und mittlere Unternehmen kann dies ein wichtiger Erfolgsfaktor sein. Denn KI entfaltet ihren Nutzen häufig erst dann vollständig, wenn sie sinnvoll in bestehende Arbeitsprozesse integriert wird und von den Mitarbeitenden nachvollziehbar genutzt werden kann.
Wie das Zukunftszentrum KI NRW unterstützen kann
Der strukturierte Aufbau von KI-Projekten stellt viele Unternehmen vor Herausforderungen. Häufig geht es zunächst darum, geeignete Anwendungsfelder zu identifizieren, den Umgang mit Daten besser zu verstehen oder die Potenziale und Grenzen von KI realistisch einschätzen zu können.
Das Zukunftszentrum KI NRW unterstützt kleine und mittlere Unternehmen dabei, KI-Anwendungen praxisnah und arbeitsorientiert zu entwickeln. Dabei begleiten wir Unternehmen entlang verschiedener Schritte, die sich auch im CRISP-DM-Modell wiederfinden.
Bereits in der Phase des Business Understanding unterstützen wir dabei, gemeinsam mit Mitarbeitenden und Fachbereichen konkrete Herausforderungen im Unternehmen zu identifizieren und daraus mögliche KI-Anwendungsfälle abzuleiten. Dafür bieten wir unter anderem folgende Formate an:
- KI für Strategen: Grundlagen und Ideenwerkstatt
- Ideenwerkstatt: KI-Anwendungsideen im Unternehmen kreativ entwickeln
Auch beim Umgang mit Daten und der Vorbereitung von KI-Projekten unterstützen wir Unternehmen. Denn eine wichtige Grundlage für viele KI-Anwendungen sind qualitativ geeignete und sinnvoll strukturierte Daten:
Darüber hinaus unterstützen wir Unternehmen dabei zu verstehen, was technisch im Hintergrund passiert, wenn KI-Systeme trainiert und eingesetzt werden. Einen verständlichen Einstieg bietet beispielsweise die Weiterbildung:
Neben Weiterbildungen begleiten wir Unternehmen auch im Rahmen unserer kostenlosen Beratungsangebote bei der Konkretisierung und Fokussierung erster KI-Projekte
Dabei steht nicht nur die technische Machbarkeit im Vordergrund, sondern insbesondere die Frage, wie KI sinnvoll in bestehende Arbeitsprozesse integriert und gemeinsam mit den Mitarbeitenden gestaltet werden kann.