Künstliche Intelligenz: Jeder will es, aber nicht jeder ist bereit

Technologien der künstlichen Intelligenz haben ein beeindruckendes Ausmaß an Akzeptanz erreicht und gelten als Wettbewerbsvorteil. Aber irgendwann wird Technologie so allgegenwärtig, dass sie kein Unterscheidungsmerkmal mehr im Wettbewerb darstellt – denken Sie an die Cloud. Künftig werden die Organisationen, die mit KI erfolgreich sind, diejenigen sein, die menschliche Innovation und Geschäftssinn auf ihre KI-Grundlagen anwenden.

Dies ist die in a. identifizierte Herausforderung Studie Laut einer von RELX veröffentlichten Studie hat der Einsatz von KI-Technologien zumindest in den USA 81 % der Unternehmen erreicht, was einem Anstieg von 33 Prozentpunkten gegenüber 48 % seit einer früheren RELX-Umfrage im Jahr 2018 entspricht. Sie sind auch optimistisch, dass KI die Dinge liefert – 93 % geben an, dass KI ihr Unternehmen wettbewerbsfähiger macht. Diese Allgegenwärtigkeit könnte der Grund dafür sein, dass 95 % auch sagen, dass es eine Herausforderung sei, die Fähigkeiten für den Aufbau ihrer KI-Systeme zu finden. Darüber hinaus könnten diese Systeme potenziell fehlerhaft sein: 75 % befürchten, dass KI-Systeme möglicherweise das Risiko von Voreingenommenheit 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 ermöglichen und sie so fair und genau wie möglich gestalten können.

„Während viele Implementierungen von KI und maschinellem Lernen scheitern, liegt das Problem in den meisten Fällen weniger an der eigentlichen Technologie als vielmehr an der Umgebung“, sagt Harish Doddi, CEO von Datatron. Der Übergang zu KI „erfordert die richtigen Fähigkeiten, Ressourcen und Systeme“.

Um dem Unternehmen sichtbare Vorteile zu bieten, ist ein ausgeprägtes Verständnis von KI und ML erforderlich. Obwohl es KI und ML schon seit vielen Jahren gibt, „kratzen wir immer noch kaum an der Oberfläche.“ „Entdecken Sie ihre wahren Fähigkeiten“, sagt Usman Shuja, General Manager für vernetzte Gebäude bei Honeywell. „Trotzdem lassen sich aus den Fehltritten anderer viele wertvolle Lehren ziehen. Obwohl es wohl wahr ist, dass KI praktisch jeder Abteilung in jedem Unternehmen einen erheblichen Mehrwert bieten kann, ist einer der größten Fehler a Das, was Unternehmen tun können, besteht darin, KI um der Implementierung willen zu implementieren, ohne ein klares Verständnis des Geschäftswerts zu haben, den sie sich erhoffen erreichen."

Darüber hinaus erfordere KI ein geschicktes Change Management, 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 Arbeitsweise anzupassen, werden Sie keinen Nutzen sehen.“

Eine weitere Herausforderung ist die Voreingenommenheit, wie sie von vielen Führungskräften in der RELX-Umfrage zum Ausdruck gebracht wurde. „Algorithmen können aufgrund der Personen, die sie schreiben, und der von ihnen bereitgestellten Daten leicht verzerrt werden, und Verzerrungen können bei ML häufiger auftreten, da sie in den Basiscode eingebaut werden können“, sagt Shuja. „Während große Datenmengen Genauigkeit gewährleisten können, ist es praktisch unmöglich, über genügend Daten zu verfügen, um reale Anwendungsfälle nachzuahmen.“

Er veranschaulicht zum Beispiel: „Wenn ich nach der Rekrutierung von Hochschulsportlern für mein professionelles Lacrosse-Team suchte, dann habe ich das am meisten entdeckt.“ Da es sich bei den Spielern, von denen ich höre, um die Texas Longhorns handelt, könnte ich zu dem Schluss kommen, dass die besten Lacrosse-Spieler die University of besuchen Texas. Dies könnte jedoch einfach daran liegen, dass der Algorithmus zu viele Daten von einer Universität erhalten hat und somit eine Verzerrung entsteht.“

Die Art und Weise, wie die Daten eingerichtet werden und wer sie erstellt, „kann unbeabsichtigt eine Verzerrung in die Algorithmen einschleichen“, sagt Shuja. „Unternehmen, die diese Auswirkungen noch nicht durchdacht haben, müssen dies in den Vordergrund ihrer KI- und ML-Technologiebemühungen stellen, um Integrität in ihre Lösungen zu integrieren.“

Ein weiteres Problem besteht darin, dass KI- und ML-Modelle einfach zu schnell veraltet sind, wie viele Unternehmen aufgrund von Covid- und Lieferkettenproblemen festgestellt haben und weiterhin feststellen müssen. „Eine gute Dokumentation, die den Modelllebenszyklus zeigt, hilft, reicht aber immer noch nicht aus, wenn Modelle unzuverlässig werden“, sagt Doddi, „KI-Modell-Governance trägt dazu bei, Verantwortlichkeit zu schaffen.“ und Rückverfolgbarkeit auf Modelle des maschinellen Lernens, indem Praktiker Fragen stellen wie „Wie sahen die Vorgängerversionen aus?“ und „Welche Eingabevariablen kommen in das Modell?“

Governance ist der Schlüssel. Während der Entwicklung, erklärt Doddi, „sind ML-Modelle an bestimmte Annahmen, Regeln und Erwartungen gebunden.“ Nach der Bereitstellung in der Produktion können die Ergebnisse erheblich von den Ergebnissen in Entwicklungsumgebungen abweichen. Hier kommt der Governance eine entscheidende Bedeutung zu, sobald ein Modell in die Praxis umgesetzt ist. Es muss eine Möglichkeit geben, den Überblick über verschiedene Modelle und Versionen zu behalten.“

In manchen Fällen gilt bei KI: „Weniger ist mehr“, sagt Shuja. „KI ist in der Regel dann am erfolgreichsten, wenn sie mit ausgereiften, gut formatierten Daten kombiniert wird. Dies liegt hauptsächlich im Bereich der IT-/Unternehmensdaten wie CRM, ERP und Marketing. Wenn wir jedoch in Bereiche vordringen, in denen die Daten weniger zusammenhängend sind, wie etwa bei Betriebstechnologiedaten, wird es etwas schwieriger, KI-Erfolge zu erzielen. Es besteht ein enormer Bedarf an skalierbarer KI in einer industriellen Umgebung, beispielsweise durch den Einsatz von KI zur Reduzierung des Energieverbrauchs in einem Gebäude oder einer Industrieanlage – ein Bereich mit großem Potenzial für KI. Eines Tages werden ganze Unternehmen – von der Fabrik bis zur Vorstandsetage – vernetzt sein; Es lernt ständig aus den verarbeiteten Daten und verbessert sich. Dies wird der nächste große Meilenstein für KI im Unternehmen sein.“