Aufbau künstlicher Intelligenz: Die Personalbeschaffung ist der schwierigste Teil

Jedes Unternehmen, das seinen Wert hat, ist bestrebt, praktische und skalierbare künstliche Intelligenz und maschinelles Lernen zu erreichen. Allerdings ist das alles viel leichter gesagt als getan – das können KI-Führungskräfte in einigen der informationsintensivsten Unternehmen bestätigen. Um mehr Einblick in die Herausforderungen beim Aufbau einer KI-gesteuerten Organisation zu erhalten, haben wir uns getroffen Jing Huang, Senior Director für Technik und maschinelles Lernen bei Momentiv (ehemals SurveyMonkey), der die Lehren aus der Einführung von KI und ML teilt.

F: Initiativen zu KI und maschinellem Lernen gibt es bereits seit mehreren Jahren. Welche Lehren haben Unternehmen im Hinblick auf eine möglichst produktive Einführung und Bereitstellung gezogen?

Huang: „Projekte für maschinelles Lernen sind viel komplizierter und umfangreicher als ML-Modellalgorithmen. Seien Sie also bereit, ein starkes Team aufzubauen, das sich um maschinelle Lernvorgänge kümmert.“ Es ist äußerst schwierig, ein erstklassiges Team für maschinelles Lernen zu besetzen. Die ML-Talente mit Erfahrung sind sehr gefragt. Eine Möglichkeit besteht darin, Schulungen anzubieten und eine Kultur aufzubauen, die interne Transfers fördert; Manchmal kann die interne Erweiterung des Teams der Schlüssel zum Aufbau eines effektiven ML-Teams sein.“

„Bevor Sie etwas Wesentliches aufbauen, prüfen Sie unbedingt, wo die Engpässe in der Produktionspipeline für maschinelles Lernen liegen. Wenn Sie sich für „Build“ oder „Buy“ entscheiden und nach einer Lösung zur Beschleunigung Ihrer KI/ML-Fähigkeiten suchen, sollten Sie darauf achten Stellen Sie sicher, dass die von Ihnen gewählte Lösung angepasst, skaliert und problemlos in Ihr Produkt integriert werden kann Anwendungen.“

F: Welche Technologien oder Technologieansätze machen den größten Unterschied?

Huang: „Aus einer breiteren Branchenperspektive haben sich die maschinelle Übersetzung und der Informationsabruf im Allgemeinen nach der Einführung von Deep Learning dramatisch verbessert.“ Bei Momentive sehen wir beispielsweise einen großen Unterschied bei ML-Lösungen, die Kunden dabei helfen, mithilfe riesiger Mengen an Antwortdaten mühelos relevante und umsetzbare Informationen zu finden.“

F: Werden die meisten KI-Initiativen intern durchgeführt oder von externen Diensten/Parteien (z. B. Cloud-Anbietern oder MSPs) unterstützt?

Huang: „Je nach Anwendungsfall und Organisation sind die Anforderungen an KI-Initiativen recht unterschiedlich.“ Bei einigen von ihnen ist es sinnvoller, externe Dienste zu nutzen, bei anderen ist eine interne Ausführung erforderlich. Im Allgemeinen sehen wir eine stärkere Nutzung von Drittanbieterdiensten für Anwendungsfälle, die unabhängig sind und keine enge Integration in Produktionssysteme erfordern. Wir sehen dagegen erfolgreichere selbstentwickelte Lösungen für Anwendungsfälle, die eng in Produktionssysteme integriert werden müssen.“

F: Wie weit sind die Bemühungen der Unternehmen, Fairness zu erreichen und Verzerrungen bei den KI-Ergebnissen zu beseitigen?

Huang: „Das Feld als Ganzes lernt immer noch, niemand hat alle Antworten.“ Dennoch ist das Bewusstsein für die Auswirkungen von Voreingenommenheit in der KI in den letzten Jahren gestiegen und es werden Fortschritte erzielt. Es gibt zunehmend Bemühungen, Lösungen zu finden, um das Risiko von Voreingenommenheit in der KI zu mindern, und Diskussionen über Voreingenommenheit und Fairness in ML sind sowohl in der Forschung als auch in der Industrie zu einer neuen Norm geworden.“

F: Tun Unternehmen genug, um ihre KI-Ergebnisse regelmäßig zu überprüfen? Wie geht das am besten?

Huang: „Es wird immer menschliche Vorurteile geben – daran führt kein Weg vorbei – aber wir haben dafür gesorgt.“ dass die Menschen, die daran arbeiten, unterschiedliche Hintergründe haben, um eine breite Repräsentation und auch ein breites Gefühl zu vermitteln inbegriffen. Das bedeutet Inklusion, nicht nur Diversität, um all die unterschiedlichen Anliegen hervorzuheben, die im Spiel sein könnten.“

F: Sollten IT-Leiter und -Mitarbeiter mehr Schulungen und Sensibilisierung erhalten, um KI-Voreingenommenheit zu mildern?

Huang: „Die Erforschung der Voreingenommenheit in der KI und deren Abschwächung ist im Vergleich zur Geschichte der Informatik, ganz zu schweigen von der Geschichte der Menschheit, relativ neu.“ Universitäten wie Stanford und MIT haben damit begonnen, Themen der ethischen KI in ihre KI-Kurse einzubeziehen. Die allgemeine Annahme ist, dass je älter die IT-Führungskräfte sind, desto mehr können sie von einer Schulung profitieren, die die neuesten Entwicklungen in diesem Bereich abdeckt. Wir haben KI-Experten und Praktiker aus Wissenschaft und Industrie eingeladen, ihre Erfahrungen und ihr Wissen vierteljährlich mit unserem Führungsteam und allen Mitarbeitern zu teilen.“

F: Welche Bereiche des Unternehmens verzeichnen den größten Erfolg mit KI?

Huang: „Das kommt darauf an. Normalerweise sind es die Bereiche, in denen historische Daten gespeichert werden und leicht zugänglich sind. Die Dinge begannen sich zu ändern, nachdem die Deep-Learning-Technologie weiter verbreitet wurde, wobei synthetische Daten und gegnerisches Training eine immer wichtigere Rolle spielten.“

„Es gibt viele verschiedene Teile einer Organisation, die KI erfolgreich implementieren können. Beispielsweise kann die IT-Organisation innerhalb des Unternehmens ML/KI-Technologie nutzen, um die Effizienz von Geschäftsprozessen zu verbessern, und die Finanzorganisation könnte davon profitieren ML/KI, um genauere Prognosen zu ermöglichen, könnte das Unternehmen ML/KI-Lösungen in sein Produktangebot integrieren, um das Kundenerlebnis zu verbessern, und so weiter An."