Auf dem MO1N Startup Camp in Bremen treffen Gründer nicht nur auf 2.000 andere Gründer, 100 VCs, 50 Speaker und einen Pitch-Wettbewerb, sondern auch auf jede Menge geballte Expertise im Bereich KI! Die smarten technologischen Lösungen kommen vor allem auch der Produktentwicklung zugute.
Startups kennen das Problem: Die Ressourcen sind zu Anfang sehr begrenzt. Das Budget ist klein, das Team unerfahren und Zeit gibt es auch nie genug. Welchen Beitrag können neue Technologien in dieser Angelegenheit leisten? Da wäre zum Beispiel Künstliche Intelligenz. KI wird heutzutage gerne zur Kostenreduzierung implementiert. Aber: Gerade für Startups können Lösungen aus dem Bereich noch viel, viel mehr vollführen. So lohnt es sich zum Beispiel, KI zur Verbesserung der Produktentwicklung zu nutzen.
Wie das genau geht, zeigen die folgenden vier Schritte!
1. Das richtige Team: Data Scientist ist nicht gleich Data Scientist
Um KI-Modelle zur Unterstützung der Produktentwicklung zu kreieren, sollte sich ein Unternehmen Datenspezialisten an Bord holen. Data-Science-Teams bestehen in großen Unternehmen aus vielen, vielen Kollegen. Bei Startups sind es in der Regel ein bis vier Mitarbeiter. Gründer sollten bei der Wahl eines Data Scientists besonders vorsichtig sein, denn unter dem Begriff verbergen sich häufig vier verschiedene Typen:
- Machine Learning Engineer
- Database Engineer
- Data Analyst
- Reseacher
Eine der wichtigsten Rollen hat hier der Machine Learning Engineer inne, da er letztendlich das KI-Modell entwickelt. Darauf folgt der Database Engineer, der für das Managen der Daten-Pipeline zuständig ist. Allerdings ist diese Position nicht zwingend notwendig, da sie oft durch Outsourcing ersetzt wird. Idealerweise überlappt diese Rolle mit dem Backend Developer, der den gesamten Datenfluss vom Ursprung bis zum Ziel handhabt. Der Data Analyst sollte eingestellt werden, wenn man Dashboards erstellen möchte – fällt das nicht an, kann man sich die Kosten des Data Analysts vorerst sparen. Auch ein Researcher wird vorerst nicht benötigt (dieser entwickelt in der Regel Algorithmen weiter), gebraucht werden aber Leute, die bereits bestehende Algorithmen auf das entsprechende Spezialgebiet anwenden. Das sind dann wieder die Machine Learning Engineers.
Zudem sind Startups auf einen Product Owner angewiesen. Schließlich soll ja nichts produziert werden, was für den Kunden nicht von Wert ist. Der Product Owner achtet darauf, dass die Produkte einen maximalen Wert für den Endkonsumenten haben. Zusammen mit dem Data Scientist und dem Database Engineer entwickelt der Product Owner verschiedene Solutions, um den Kunden ein optimales Produkt anzubieten.
2. Frühe Marktvalidierung: Liefert das Produkt einen messbaren Mehrwert?
Eines der größten Probleme ist, wenn Unternehmen etwas implementieren, was keinen Mehrwert bietet. Der Glaube, was ein Kunde braucht, kann stark davon abweichen, was der Kunde tatsächlich braucht. Teilweise weiß der Kunde selbst nicht genau, was er braucht – deswegen muss ein Projekt immer durch eine gewisse Nachfrage validiert werden. Hier kommt wieder der Product Owner ins Spiel: Er hat eine Idee darüber, wie das Projekt am Ende auszusehen hat. Wenn ein KI-Projekt implementiert werden soll, muss das Bedürfnis dafür vorab klar definiert werden.
Hierbei handelt es sich nicht um eine Projektdefinition, sondern vielmehr darum, zu beschreiben, welches Problem das KI-Projekt für den Kunden löst. Transparenz ist hierbei das A und O. Bevor ein Startup KI implementieren will, ist es wichtig, dass es testet, ob es sich tatsächlich lohnt. Das gelingt zum Beispiel durch einen sogenannten Smoke Test: Der Begriff kommt aus dem Bereich des Lean Entrepreneurships und bedeutet, dass man verschiedene Tests durchführt, um zu verstehen, ob das Interesse und der Bedarf an KI wirklich vorhanden sind. Das Besondere ist, dass man nicht schon das Produkt entwickelt, sondern es nur aussehen lässt. Dadurch kann man sich unnötige Kosten und viel Zeit ersparen.
Im Prinzip erstellen Unternehmen hier eine einfache Webseite, die das Produkt beschreibt und am Ende den Besucher fragt, sich für das Produkt zu registrieren, bevor es tatsächlich verfügbar ist. Der potentielle Besucher der Webseite weiß allerdings nicht, dass das Produkt verfügbar ist. Registriert er sich, zeigt er seine Zahlungsbereitschaft. Gibt es genug Leute, die es tun, hat eine Geschäftsidee gute Aussichten. Natürlich wird der Besucher dann informiert, dass das Produkt noch nicht verfügbar ist, und er kann sich dann beispielsweise für den Newsletter anmelden.
Ein KI-Projekt ist letztendlich nur dann erfolgreich, wenn tatsächlich ein Mehrwert für den Kunden generiert wird und nicht nur, wenn das KI-Modell diverse technische KPIs erfüllt hat. AIles, was keinen positiven Effekt auf das Kerngeschäft hat, sind verschwendete Ressourcen. Erfolgreich kann es nur werden, wenn der Kunde bereit ist, mehr für ein Produkt zu zahlen oder wenn weitere Kunden hinzukommen.
3. Die Infrastruktur: Wo kommen die Daten her?
Es gibt mehrere Möglichkeiten, um eine gute IT-Infrastruktur für ein KI-Projekt bereitzustellen. Dazu sind immer eine richtige Datenbank und eine gute IT-Struktur notwendig. Bevor Gründer mit der Entwicklung von KI-Lösungen loslegen, lohnt es sich, dass sie sich erst einmal die Pipeline vorbereiten. Als Pipeline bezeichnet man den gesamten Fluss der Daten: vom Ursprung über die Datenbank, über die Datenvorbereitung und dem KI-Modell, bis hin zum Ziel. Der Trick ist, dass man für die Datenvorbereitung und das KI-Modell zunächst nur als Platzhalter verwendet. Das ist anfangs aufwendig, spart aber später bei der Inbetriebnahme viel Zeit und Aufwand.
Bei der Entwicklung eines Modells werden Rechenleistungen benötigt. Diese Infrastruktur kurzfristig bereitzustellen, ist meistens sehr anspruchsvoll für ein Startup. Oft sind die Ressourcen knapp, sodass es schwerfällt, sich selbst eine Infrastruktur auszubauen und diese beizubehalten. Dazu kommt, dass die richtigen Leute mit dem gewissen Know-how fehlen. Es gibt allerdings eine Lösung. Dienstleistungen wie AWS Lambda oder die GCP Cloud können bei solchen Problemen helfen. Diese stellen die gesamte Infrastruktur über einen Web-Service zur Verfügung und es wird bedarfsgerecht abgerechnet. Unternehmer können sich einfach online in der Infrastruktur einloggen und diese flexibel für die entsprechenden Projekte nutzen. Das schont das Gründer-Budget, da sie keine größeren Investitionen tätigen müssen. Zudem wird kein Risiko eingegangen, denn die Verträge für die Web-Services können flexibel gekündigt werden.
4. Der richtige Development-Prozess: Auf die „Low-Hanging Fruits“ zielen
Letztendlich ist folgendes wichtig: Gründer müssen das Rad nicht neu erfinden. Sie sollten schauen, ob es bereits ähnliche Lösungen oder Forschungsdokumente zu dem Problem gibt. KPIs sollten dennoch definiert werden. Wie soll gemessen werden, ob das Modell das erzielt, was damit beabsichtigt wurde? Welche Genauigkeit sollte das Modell haben? Muss es wirklich gleich das komplizierteste neuronale Netzwerk sein oder reichen einfache Regressionen beziehungsweise Regel-basierte Lösungen? Sind diese Fragen geklärt, kann es Schritt für Schritt komplexer werden. In der Regel sollten Startups mit einem einfachen Modell starten und sich dann über „Lernkurven“ komplexeren Modellen nähern. Wichtig ist, dass Gründer auf die „Low Hanging Fruits“ schießen. Das bedeutet, dass sie nicht versuchen sollten, das beste Modell zu entwickeln, sondern, dass das erste Modell die Kriterien erfüllt. Dabei sollten sie nicht nur in Vorstellungen schwelgen, sondern realistisch auf erste Resultate schauen.
Mehr zu Künstlicher Intelligenz auf dem MO1N Startup Camp
Auf dem MO1N Startup Camp am 7. und 8. März 2019 in der Energieleitzentrale Bremen stehen zahlreiche KI-Experten Gründern mit Rat und Tat zur Seite. Neben Künstlicher Intelligenz haben die Organisatoren allerdings noch viele weitere spannende Themen im Gepäck.
Zudem besteht die Möglichkeit, die Startup-Idee beim MO1N Startup Camp zu pitchen.
Deine Ansprechpartner von KPMG AG Wirtschaftsprüfungsgesellschaft:
Björgvin Magnusson
Partner, Lighthouse Germany
BjoergvinMagnusson@kpmg.com
Andrej Pivčević
Associate, Lighthouse Germany
apivcevic@kpmg.com
Svenja Schönbrunn
Business Development, Smart Start
sschoenbrunn@kpmg.com