Künstliche Intelligenz: Jeder will sie, aber nicht alle sind bereit
Die Wirtschaft ist optimistisch in Bezug auf KI, aber es braucht ein gut entwickeltes Verständnis, um sichtbare Geschäftsvorteile zu erzielen.
Technologien der künstlichen Intelligenz haben ein beeindruckendes Maß an Akzeptanz erreicht und gelten als Unterscheidungsmerkmal im Wettbewerb. Aber es kommt ein Punkt, an dem die Technologie so allgegenwärtig ist, dass sie kein Wettbewerbsunterscheidungsmerkmal mehr ist - denken Sie an die Cloud. In Zukunft werden die Unternehmen, die mit KI erfolgreich sein werden, diejenigen sein, die menschliche Innovation und Geschäftssinn auf ihre KI-Grundlagen anwenden.
Dies ist die Herausforderung, die in einer von RELX veröffentlichten Studie identifiziert wurde, die feststellt, dass der Einsatz von KI-Technologien zumindest in den Vereinigten Staaten 81 % der Unternehmen erreicht hat, was einem Anstieg von 33 Prozentpunkten gegenüber 48 % seit einer früheren RELX-Umfrage im Jahr 2018 entspricht. Sie sind auch optimistisch, dass KI die Waren liefert - 93 % geben an, dass KI ihr Unternehmen wettbewerbsfähiger macht. Diese Allgegenwart könnte der Grund dafür sein, dass 95 % der Befragten auch berichten, dass es eine Herausforderung ist, die Fähigkeiten für den Aufbau ihrer KI-Systeme zu finden. Außerdem könnten diese Systeme potenziell fehlerhaft sein: 75 % befürchten, dass KI-Systeme möglicherweise das Risiko von Vorurteilen am Arbeitsplatz mit sich bringen könnten, und 65 % geben zu, dass ihre Systeme voreingenommen sind.
Es gibt also noch viel zu tun. Es kommt auf die Menschen an, die KI möglich machen können, und zwar so fair und genau wie möglich.
"Während viele KI- und Machine-Learning-Implementierungen scheitern, ist es in den meisten Fällen weniger ein Problem mit der eigentlichen Technologie als vielmehr mit der Umgebung um sie herum", sagt Harish Doddi, CEO von Datatron. Der Umstieg auf KI "erfordert die richtigen Fähigkeiten, Ressourcen und Systeme".
Es braucht ein gut entwickeltes Verständnis von KI und ML, um sichtbare Vorteile für das Unternehmen zu erzielen. KI und ML gibt es zwar schon seit vielen Jahren, aber "wir kratzen noch kaum an der Oberfläche, wenn es darum geht, ihre wahren Fähigkeiten aufzudecken", sagt Usman Shuja, General Manager of Connected Buildings bei Honeywell. "Nichtsdestotrotz gibt es viele wertvolle Lehren, die man aus den Fehltritten anderer ziehen kann. Es stimmt zwar, dass KI für praktisch jede Abteilung in jedem Unternehmen einen erheblichen Mehrwert schaffen kann, aber einer der größten Fehler, den ein Unternehmen machen kann, besteht darin, KI um der Implementierung von KI willen zu implementieren, ohne ein klares Verständnis des Geschäftswerts zu haben, den es zu erreichen hofft."
Darüber hinaus erfordere KI ein geschicktes Änderungsmanagement, so Shuja weiter. "Sie können die modernsten verfügbaren KI-Lösungen installieren, aber wenn Ihre Mitarbeiter ihr Verhalten nicht ändern können oder wollen, um sich an eine neue Art und Weise anzupassen, werden Sie keinen Wert sehen."
Eine weitere Herausforderung ist die Voreingenommenheit, wie sie von vielen Führungskräften in der RELX-Umfrage geäußert wurde. "Algorithmen können leicht verzerrt werden, basierend auf den Leuten, die sie schreiben, und den Daten, die sie liefern, und Verzerrungen können eher bei ML auftreten, da es in den Basiscode eingebaut werden kann", sagt Shuja. "Während große Datenmengen die Genauigkeit gewährleisten können, ist es praktisch unmöglich, genügend Daten zu haben, um reale Anwendungsfälle nachzuahmen."
Er veranschaulicht zum Beispiel: "Wenn ich mich mit der Rekrutierung von College-Athleten für mein professionelles Lacrosse-Team beschäftige und feststelle, dass die meisten Spieler, von denen ich höre, Texas Longhorns sind, könnte mich das zu dem Schluss bringen, dass die besten Lacrosse-Spieler die University of Texas besuchen. Dies könnte jedoch auch nur daran liegen, dass der Algorithmus zu viele Daten von einer Universität erhalten hat, wodurch eine Verzerrung entsteht."
Die Art und Weise, wie die Daten eingerichtet sind und wer sie einrichtet, "kann versehentlich Verzerrungen in die Algorithmen einschleusen", sagt Shuja. "Unternehmen, die diese Auswirkungen noch nicht durchdenken, müssen dies in den Vordergrund ihrer KI- und ML-Technologiebemühungen stellen, um Integrität in ihre Lösungen zu integrieren."
Während der Entwicklung, erklärt Doddi, "sind ML-Modelle an bestimmte Annahmen, Regeln und Erwartungen gebunden. Nach der Bereitstellung in der Produktion können sich die Ergebnisse erheblich von den Ergebnissen in Entwicklungsumgebungen unterscheiden. Hier ist die Governance entscheidend, sobald ein Modell operationalisiert ist. Es muss eine Möglichkeit geben, den Überblick über verschiedene Modelle und Versionen zu behalten."
In einigen Fällen sei bei KI "weniger mehr", sagt Shuja. "KI ist in der Regel am erfolgreichsten, wenn sie mit ausgereiften, gut formatierten Daten gepaart wird. Dies geschieht hauptsächlich im Bereich der IT-/Unternehmensdaten wie CRM, ERP und Marketing. Wenn wir jedoch in Bereiche vordringen, in denen die Daten weniger kohärent sind, wie z. B. bei Daten aus der Betriebstechnologie, wird der Erfolg der KI etwas schwieriger. Es besteht ein enormer Bedarf an skalierbarer KI im industriellen Umfeld, z. B. bei der Reduzierung des Energieverbrauchs in einem Gebäude oder einer Industrieanlage - ein Bereich mit großem Potenzial für KI. Eines Tages werden ganze Unternehmen -- von der Fabrikhalle bis zur Vorstandsetage -- miteinander verbunden sein; Ständiges Lernen und Verbessern aus den Daten, die es verarbeitet. Dies wird der nächste große Meilenstein für KI im Unternehmen sein."