Motivation
Um die Wettbewerbsfähigkeit kleiner und mittelständischer Unternehmen (KMU) zu sichern und auszubauen, wird ein Lösungskonzept benötigt, um Künstliche Intelligenz (KI) branchenübergreifend nutzen zu können. Mit KI als skalierbare, nutzerorientierte Dienstleistung („KI-as-a-Service“) können KMU auch ohne vertiefte KI-Kompetenz und mit begrenzten Ressourcen eigenständig Wertschöpfung durch KI generieren. Jedoch wird „KI-as-a-Service“ aufgrund mangelnder Nachvollziehbarkeit bisher kaum genutzt. Nachvollziehbarkeit kann durch das aufstrebende Forschungsfeld Erklärbare KI (XAI, engl.: Explainable Artificial Intelligence) ermöglicht werden. Mithilfe automatisiert generierter Erklärungen zu KI-Prognosen können Nutzer die durch KI vorgeschlagenen Entscheidungen besser nachvollziehen und gleichzeitig einen reflektierten Umgang mit KI erlernen (Stichwort: AI Literacy).
Ziele und Vorgehen
Ziel des Projekts ist es, zu erforschen, wie mithilfe neuer XAI-Ansätze im Sinne von „XAI-as-a-Service“ KI adoptiert und die KI-Kompetenzlücke in KMU geschlossen werden kann. Dazu wird eine einheitliche Klassifizierung (Taxonomie) für die Überprüfbarkeit von Künstlicher Intelligenz entwickelt, die speziell für KMU als Softwarelösung ohne Programmierkenntnisse geeignet ist. Auf dieser Basis werden in KMU realisierte „XAI-as-a-Service“-Ansätze für repräsentative und übertragbare Anwendungsfälle entwickelt. Abschließend wird evaluiert, wie sich die Ansätze auf die Akzeptanz und den Einfluss von Künstlicher Intelligenz sowie auf die Fähigkeiten im Umgang mit KI in KMU auswirken. Als assoziierter Anwendungspartner wird die Postbaugenossenschaft Augsburg eG eingebunden, damit die Ergebnisse von XAIaaS zeitnah nach Projektabschluss genutzt werden können.
Innovationen und Perspektiven
Durch die Projektergebnisse wird ein hoher wissenschaftlicher und wirtschaftlicher Nutzen für deutsche KMU erwartet. Die für KMU verschiedener Branchen erarbeitete Taxonomie in Kombination mit realisierten Prototypen als Demonstratoren in zwei transferfähigen Anwendungsfällen ermöglicht einen branchenübergreifenden Ergebnistransfer für Unternehmen, die Forschung und Studierende.