Künstliche Intelligenz (KI) wirkt sich bereits auf viele Aspekte des Lebens aus und ihr Einfluss wird auch in den nächsten Jahren weiter exponentiell zunehmen. [...]
Laut einer Prognose von Gartner aus dem vergangenen Jahr wird AI Augmentation – also das Zusammenspiel von menschlicher und künstlicher Intelligenz – 2021 einen zusätzlichen Geschäftswert von 2,9 Billionen US-Dollar generieren und die Produktivität in Unternehmen um 6,2 Milliarden Arbeitsstunden steigern. Vor dem Hintergrund, dass sich 2020 bedingt durch den Ausbruch der Corona-Pandemie völlig anders entwickelt hat, als angenommen und viele Unternehmen gezwungen waren, ihre Strategie zu überarbeiten oder komplett neu auszurichten, stellt sich die Frage, was diese Tatsache 2021 für den Einsatz von künstlicher Intelligenz bedeutet und welche Trends sich daraus ableiten lassen.
IDC geht davon aus, dass die Ausgaben für KI im neuen Jahr trotzdem weiter steigen könnten, allein durch die Notwendigkeit angetrieben, Mitarbeiter besser in ihrer Arbeit zu unterstützen, Innovationen zu beschleunigen oder auch die Customer Experience für Endkunden zu steigern. Für Unternehmen heißt das einen klaren Fokus auf Effizienz, Rentabilität und Wettbewerbsfähigkeit – an dieser Stelle wird sich KI ganz besonders auszahlen.
Trend 1: Vom Hype zur tatsächlichen Umsetzung
In den letzten Jahren wurde KI sehr pauschal bewertet – sei es als Heilsbringer für die verschiedensten Branchen oder als stark risikobehaftete Technologie, die den Menschen über kurz oder lang ersetzen wird. Diese Zeiten sind vorbei. Stattdessen entwickelt sich KI von einer kaum greifbaren Zukunftstechnologie hin zur technischen Realität. Dementsprechend findet die Diskussion rund um dieses Thema nun zunehmend in einem anwendungsbezogenen Rahmen statt.
Unternehmen müssen sich also nicht nur Gedanken um spezifische Use Cases machen, sondern auch verstehen, welche verschiedenen Use-Case-Typen es konkret gibt, und sich demzufolge ernsthafter, konzentrierter und fokussierter als bisher mit KI auseinandersetzen. Das bedeutet den Weg von der Frage „Wie können wir diese coole, neue Technologie generell für uns nutzen?“ hin zu „Mit welcher Technologie können wir unser konkretes Problem lösen?“. Ist der passende Use Case gefunden, benötigen Unternehmen die geeigneten Werkzeuge, um das Projekt zielgerichtet umzusetzen und auch die Projektkomplexität im Use Case zu reduzieren. An dieser Stelle kommt Explainable AI ins Spiel.
Trend 2: Explainable AI
Unternehmen, die KI-Projekte einsetzen möchten, kommen an Explainable AI nicht vorbei. Darunter versteht man das Prinzip, die Funktions- und Arbeitsweise einer künstlichen Intelligenz sowie ihre erzielten Resultate für alle Anwender so verständlich wie möglich zu gestalten. Denn für sie ist es häufig schwierig, nachzuvollziehen, wie Algorithmen zu ihren Entscheidungen und Resultaten gelangen. Dieses Verständnis und die damit einhergehende Transparenz ist allerdings von enormer Bedeutung für die Akzeptanz von künstlicher Intelligenz.
So ist es beispielsweise schwierig, die Entscheidungen und Ergebnisse von Black-Box-Modellen nachzuvollziehen oder zu interpretieren. Die Folge: Kann ein Data Scientist weder das Modell noch die produzierten Ergebnisse verstehen, wird das Modell schlichtweg nicht verwendet. Hier gilt es künftig, Black Boxes transparent zu gestalten und durch den Einsatz passender Algorithmik und Software-Lösungen in übersichtliche White-Boxes zu verwandeln, um stets den Überblick über alle Inputs und Outputs sowie über jede Zwischenstufe und jeden Teilprozess im Modell zu behalten und die Komplexität des Use Cases zu reduzieren.
Trend 3: AI Engineering
Um den größtmöglichen Nutzen aus den Investitionen in KI zu ziehen, ist eine robuste AI-Engineering-Strategie erforderlich, die die Performance, Skalierbarkeit, Interpretierbarkeit und Verlässlichkeit von KI-Modellen verbessert. Ist diese nicht vorhanden, scheitern KI-Projekte heute oftmals an der Wartbarkeit, Verwaltung und Skalierbarkeit. Gleichzeitig müssen Unternehmen jetzt in die Umsetzung kommen und Piloten bauen. Tendenziell wird hier beim Prototyping wenig Rücksicht auf die Skalierbarkeit genommen. Die Folge: Spaghetti Code – also verschachtelter, unübersichtlicher und strukturloser Code – oder die Anwendung von Black-Box-Modellen. In der Konsequenz werden KI-Projekte so nie über die Machbarkeitsstudie hinauskommen und realisiert werden.
Mit Scalable Prototyping wird dieser negative Kreislauf durchbrochen. Das bedeutet konkret: Unternehmen handeln schnell und bauen Piloten, kommen dabei dennoch direkt allen Ansprüchen in Sachen Robustheit, Verlässlichkeit und Interpretierbarkeit nach – und dazu zählt auch, zu berücksichtigen, dass das Modell später skalierbar ist.
Wer diese Trends im kommenden Jahr berücksichtigt, ist damit in der Lage, unternehmenseigene Herausforderungen in spezifische Use Cases umzuwandeln und mit der Hilfe von KI schnell und effizient anzugehen.
*Der Autor Theo Steininger ist CEO von ERIUM.
Be the first to comment