Unternehmen sind sich bewusst, dass maschinelles Lernen und künstliche Intelligenz die Art und Weise, wie sie mit Daten umgehen, verändern werden. Vertrauen Sie jedoch nicht auf den Hype, denn in den Chefetagen sind die Fakten verwirrend. Das ist der jüngste Aufruf zum Handeln von Experten, die genau beobachten, wie Unternehmen künstliche Intelligenz (KI) und maschinelles Lernen (ML) in ihre Datenmanagement-Strategien und -Programme integrieren, was für einige überraschend sein mag.
Insbesondere Stakeholder und Führungskräfte scheinen unsicher zu sein, was die richtige Vorgehensweise ist, nachdem sie jahrelang fantastische Geschichten über die unendlichen Möglichkeiten intelligenter Roboter gelesen haben. Fehler in der Wirtschaft haben dazu geführt, dass bestimmte Produkte völlig gescheitert sind. Nach Ansicht von Experten muss das nicht so sein.
Laut Elliott Young, CTO bei Dell Technologies UK, „sind KI und ML für praktisch alle Unternehmen in allen Bereichen unerlässlich und notwendig geworden.“ „Unternehmen werden KI und ML benötigen, um wettbewerbsfähig zu bleiben, genauso wie Unternehmen einen digitalen Wandel vollziehen und digital-first werden mussten. Diejenigen, die sich in diese Richtung bewegen, erleben bereits die Vorteile von Entscheidungen, die auf prädiktiven Analysen basieren.
Die meisten Führungskräfte und Manager sind sich jedoch nicht über alle möglichen Anwendungen von KI und ML im Klaren. Young zufolge „wissen die Beteiligten häufig nicht, was sie verlangen müssen, um den richtigen Nutzen aus der Technologie zu ziehen.“ Dies bedeutet, dass sie sich der potenziellen Vorteile für ihr Unternehmen nicht bewusst sind.
„Führungskräfte können auch der Meinung sein, dass KI und ML innerhalb einer technologischen Funktion isoliert sind und dass Abteilungen mit Fachwissen in IT und Technik ihnen voll entwickelte KI-, ML- und Datenstrategien präsentieren werden. Das ist unwahrscheinlich.
Auch Gartner hat dieses Gefühl der Ratlosigkeit in Unternehmen festgestellt und behauptet, dass unangemessen hohe Erwartungen zu einer schlechten Entscheidungsfindung, Unzufriedenheit bei den Stakeholdern oder zum völligen Scheitern von Geschäftslösungen im Zusammenhang mit künstlicher Intelligenz geführt haben.
Laut Anthony J. Bradley, Group Vice President, Emerging Technologies and Trends Research bei Gartner, „macht übertriebene KI den Menschen Angst und verbirgt den wahren Nutzen, den KI für die Menschheit haben kann“. „Dies kann zu einer verzögerten Akzeptanz sowie zu gesellschaftspolitischen Ängsten und restriktiven staatlichen Maßnahmen führen, die den Fortschritt behindern. KI ersetzt nicht die Notwendigkeit von Menschen, auch wenn es berechtigte Bedenken hinsichtlich des akzeptablen und moralischen Einsatzes von KI/ML gibt.
Bradley vertritt außerdem die Ansicht, dass ein übertriebener Hype um KI die Unterscheidung zwischen menschlicher und maschineller Intelligenz verwischt, was zu falschen Versuchen führen kann, menschliche Arbeit zu automatisieren. „Anstatt die enormen Vorteile einer Vermischung der beiden zu sehen, werden Ängste geschürt, dass Maschinen den Menschen ersetzen könnten. In Wahrheit arbeiten künstliche Intelligenz und menschliche Intelligenz recht gut zusammen.
KI-Datentechniken, die funktionieren, müssen auf soliden Prinzipien beruhen
Laut Prateek Peres-da-Silva, Data Networks and Marketplace Lead bei Accenture, stellen die Tiefe und Vielfalt der Daten auf zahlreichen Plattformen und Systemen die größte Herausforderung für Unternehmen dar. Eine erfolgreiche KI-Datenstrategie ist schwieriger umzusetzen, als man vielleicht denkt, so Peres-da-Silva und sein Kollege Tyler Buffie, der bei Accenture im Bereich Applied Intelligence arbeitet. Viele Unternehmen tun sich noch immer schwer, ihre aktuellen Daten effektiv zu nutzen, ganz zu schweigen von der Datenflut, die dank der KI/ML-Technologie bald zur Verfügung stehen wird.
Was müssen Unternehmen also in der Gegenwart tun, um die Kontrolle über ihre Daten, KI und ML wiederzuerlangen?
Sowohl Peres-da-Silva als auch Buffie sind sich einig, dass es für die Beteiligten entscheidend ist, die richtigen Grundlagen zu schaffen. Um zu gewährleisten, dass das gesamte Ökosystem die Anforderungen an Datenmanagement und Governance erfüllt, kann dies bedeuten, dass einer Cloud-basierten KI-Datenplattform und den damit verbundenen Kontrollen Priorität eingeräumt wird.
Laut Peres-da-Silva und Buffie sollten menschliche Arbeitskräfte nicht unterbewertet werden und sind für die Schaffung einer erfolgreichen KI-Datenstrategie wirklich unerlässlich. „Die Verbesserung der Nutzererfahrung ist entscheidend für die Akzeptanz Ihres Daten- und KI-Plans. Dieselben Daten können von verschiedenen Teilen der Organisation unterschiedlich betrachtet und analysiert werden.
Um die KI/ML-Lücke zu schließen, werden Spezialisten und Fürsprecher benötigt
Laut Dell Young müssen die Geschäftsbereiche mit Spezialisten zusammenarbeiten, um den Bedarf zu ermitteln und Lösungen zu entwickeln. Jede Geschäftseinheit braucht außerdem einen designierten KI/ML-Champion, der dabei helfen kann, die Wissenslücke zwischen den Fachleuten und den Datenwissenschaftlern, die KI-Modelle entwickeln, zu schließen.
Alle Abteilungen und Geschäftsbereiche müssen ihre eigene Verantwortung für die Unterstützung der Datensicherheit in dieser Zeit erkennen. Die IT- und Sicherheitsabteilungen müssen weiterhin daran arbeiten, Daten zu verwalten und Risiken zu minimieren. Laut Young sind spezialisierte Rollen notwendig, um sicherzustellen, dass Datenmanagement und -governance die Aufmerksamkeit erhalten, die sie verdienen, da die Abteilungen Data Governance als Teil ihrer eigenen Verantwortung übernehmen.
Mitarbeiterentwicklungsprogramme und interne KI/ML-Schulungen zur Sensibilisierung für Data Governance können erforderlich sein, damit die Mitarbeiter ihre Rollen und Verantwortlichkeiten kennenlernen. Einige Unternehmen haben diese Programme selbst entwickelt, andere haben sich mit bekannten Unternehmen zusammengetan, um mehr Bekanntheit zu erlangen. „Fast jede Abteilung in jedem Unternehmen wird etwas über Data Governance und den erfolgreichen Einsatz von ML lernen müssen.
Maschinelle Verzerrungen könnten durch versteckte Signale ohne menschliche Aufsicht entstehen
Es wird notwendig sein, sich mit den neuen ethischen Fragen zu befassen, die ML und KI-Modelle aufwerfen. Beim Import von Daten, die von einem ML-Algorithmus verarbeitet werden sollen, entfernen einige Organisationen so genannte „geschützte Faktoren“, die oft mit Geschlecht, Hautfarbe, ethnischer Zugehörigkeit oder Alter zusammenhängen, so Young.
Ohne dieses Wissen kann der Computer, so Young, „unbewusste Verzerrungen bei Vorhersagen auf der Grundlage von Mustern aufweisen, die dann zu nachteiligen Ergebnissen führen und damit die geschützten Merkmale untergraben, die sie eigentlich schützen wollten.“ Daten enthalten versteckte Signale, daher müssen die endgültigen Ergebnisse sorgfältig von einem Menschen untersucht und überprüft werden. Jedes KI/ML-Modell, das ein Unternehmen zur Datenverarbeitung einsetzt, sollte regelmäßig überprüft werden.
Laut Young wird eine der neuen Aufgaben des Menschen die Inspektion und Qualitätskontrolle von Maschinen sein, insbesondere wenn es um Verzerrungen geht. Darüber hinaus werden Menschen benötigt, um sicherzustellen, dass ML-Modelle angemessen genutzt werden und nicht fälschlicherweise in einer Weise eingesetzt werden, die sich negativ auf andere Elemente des Unternehmens auswirken könnte.
Ohne sie sei es schwierig festzustellen, ob ein Modell versehentlich Verzerrungen einführt oder abdriftet. Auch wenn dies der naheliegendste Ansatz zu sein scheint, muss man sich darüber im Klaren sein, dass das einfache Löschen kritischer Daten keine Lösung darstellt. Um handeln zu können, muss der Mensch beteiligt sein.