Aufräumen unseres chaotischen Datenbestands: Wie KI das Spiel verändert

Wir ertrinken in Daten. Jede Plattform, jedes Smartwatch und jedes Smartphone fragmentiert unser Leben in quantifizierbare Brosamen, doch die meisten davon bleiben unzusammenhängend und unbrauchbar. 

Unternehmen wissen dies, weswegen der Technologie-Riese Meta 14 Milliarden USD investierte, um im letzten Sommer eine 49-prozentige Beteiligung am Daten-Kennzeichnungs-Startup Scale AI zu erwerben, und damit eine berechnete und strategische Entscheidung traf, um hochwertige Trainingsdaten für seine KI-Modelle zu sichern.

Die Zuverlässigkeit großer Sprachmodelle hängt vollständig von der Qualität der Daten ab, die sie erhalten – kurz gesagt, „Müll rein, Müll raus“. Heute jedoch ist die eigentliche Herausforderung, die Unternehmen gegenüberstehen, die Umwandlung eines Datenfluts in handhabbare Daten. 

Die Lösung könnte direkt vor uns liegen: KI selbst kann helfen, indem sie Strategien generiert, um die mühsame Aufgabe des Kennzeichnens von großen Datenmengen oder des Durchforstens endloser Tabellen zu umgehen und Chaos in nutzbare, menschliche Intelligenz umzuwandeln. 

Wenn Daten chaotisch werden: Die versteckten Kosten für Unternehmen

Laut Gartner-Forschung aus dem Jahr 2020 kosten schlechte Datenqualität Organisationen mindestens 12,9 Millionen USD pro Jahr, was die Produktivität beeinträchtigt und zu schlecht informierten Entscheidungen und ungenauen Berichten führt. 

Die Folgen chaotischer Daten sind in Branchen wie der Gesundheitsversorgung besonders offensichtlich. Unvollständige Gesundheitsakten, Abrechnungsdetails und nicht übereinstimmende Daten in verschiedenen Systemen können zu Fehldiagnosen, Behandlungsfehlern und ineffizienter Ressourcenverteilung führen. Langfristig treibt dies die Kosten in die Höhe und untergräbt das Vertrauen in diese Systeme.

In der Logistik kann die nicht übereinstimmende Daten zwischen Lieferanten und Distributoren zu Verzögerungen oder Lagerengpässen führen. Eine falsche Lieferadresse oder ein veralteter Lagerbestand kann eine Kettenreaktion in der gesamten Lieferkette auslösen und zu verpassten Fristen und unzufriedenen Kunden führen. 

“Indem wir vorhersagen oder verstehen können, was entlang der Route passieren könnte – basierend auf kombinierten, vergangenen Daten – können wir diese Ineffizienzen wirklich reduzieren“, Asparuh Koev, CEO des Logistik-KI-Unternehmens Transmetrics, bemerkte während eines Gesprächs mit Unite AI.

In praktischer Hinsicht sind chaotische Daten teuer. Die 1-10-100-Regel veranschaulicht dies: Es kostet 1 USD, die Daten zu überprüfen, während sie eingegeben werden, 10 USD, sie danach zu bereinigen, und 100 USD, wenn nichts unternommen wird.

Was KI-gesteuerte Plattformen zu bieten haben

Da Unternehmen mit zunehmenden Mengen an schmutzigen Daten zu kämpfen haben, wenden sie sich an KI nach Lösungen. Neu entstehende KI-gesteuerte Plattformen automatisieren nun den Datenbereinigungsprozess, was kosteneffizient und genau ist.

Robert Giardina, Gründer der Claritype-Plattform, einer solchen Plattform, erklärte den KI-Prozess: 

“Sie konvergieren Daten in ein gemeinsames Format: Teil des Prozesses ist es, jedes Datum in ein kanonisches Format umzuwandeln, das dem Unternehmen entspricht.” 

Die KI von Claritype geht jedoch über die einfache Standardisierung hinaus. Die überwachte Reparatur der Plattform ermöglicht es Organisationen, Systemgrenzen zu überschreiten, um Antworten auf ihre dringendsten Fragen zu finden, und Silos zu durchbrechen. 

“Systeme, die zuvor getrennt waren, enthalten jeweils ein Stück der Antwort auf Fragen, die das gesamte Unternehmen umfassen“, sagte Giardina gegenüber Unite AI. 

Wenn beispielsweise ein wichtiger Lieferant von einer Versandverzögerung betroffen ist, kann ein Unternehmen nur dann feststellen, welche seiner wichtigsten Kunden zuerst über die Verzögerung informiert werden sollten, indem es Lieferanten mit Bestellungen und Kundenhistorie verbindet.

“Unser ultimatives Ziel ist es, dieses vernetzte Denken auf alle Datenfragmente im Unternehmen auszuweiten, sodass wir jede Frage leicht und sofort beantworten können“, sagte Giardina. 

Diese Art des vernetzten Denkens ist repräsentativ für die umfassendere Veränderung der Denkweise, die derzeit in Unternehmen stattfindet, da sie von ad hoc-Datenbereinigung zu systematischer Datenverwaltung übergehen. Anstatt die Datenqualität als einmalige Lösung zu betrachten, entwickeln Organisationen strukturierte Prozesse, um Konsistenz und Zuverlässigkeit in allen ihren Systemen zu gewährleisten.

Datenverwaltung wird nun als wertvoller Geschäftsprozess und nicht nur als IT-Aufgabe betrachtet. Durch die Integration von Datenmanagement in ihre Gesamtsstrategien können Unternehmen bessere Entscheidungen treffen und mehr bedeutsame Erkenntnisse aus ihren Daten gewinnen.

Wie KI Daten bereinigt und die Herausforderungen, denen sie gegenübersteht

Eine zu starke Abhängigkeit von KI kann gefährlich sein. Für Giardina sind „die besorgniserregenden automatischen Datenkonvertierungen diejenigen, die über die Standardisierung hinausgehen und zu Vermutungen führen“. 

Beispielsweise könnte Abkürzungen leicht missverstanden werden. “International Business Machines, Inc.” oder “I.B.M.” würden normalerweise in “IBM” umgewandelt, aber wenn die Umwandlung automatisiert wäre und “I.B.” fälschlicherweise in “IBM” umgewandelt würde, könnte dies erhebliche Probleme für beide Unternehmen verursachen.

Fehlende und ungenaue Daten sind zwei der häufigsten Probleme, und die alleinige Abhängigkeit von KI, um Lücken gemäß dem Kontext zu füllen, kann leicht kontraproduktiv sein. Wie Giardina betont, „wenn die Auswirkungen in irgendeiner Weise signifikant sind, benötigen wir eine menschliche Genehmigung für jede Vermutung“. 

Automatisierung mit menschlicher Einsicht ausbalancieren

Chaotische Daten heben tiefere Mängel in der Art und Weise hervor, wie Organisationen Informationen handhaben. Um voranzukommen und die Entscheidungsfindung zu verbessern, müssen Unternehmen aufhören, Daten als rein technisches Problem zu betrachten, und zu Governance-Modellen übergehen, die menschliche Expertise, ethisches Bewusstsein und eine langfristige strategische Vision kombinieren. 

Sauberere Daten erzeugen effektivere KI, die wiederum dazu beiträgt, die Datenqualität zu verbessern; dieser sich gegenseitig verstärkende Kreislauf ist vielversprechend, aber erinnert uns daran, dass die Automatisierung allein unser chaotisches Datenproblem nicht lösen wird. Dieses Potenzial kann nur durch die Kombination algorithmischer Präzision mit menschlicher Urteilsfähigkeit und Bewusstsein für die Vorurteile, die es einführen kann, realisiert werden, was Transparenz und mehr Vertrauen in die Systeme, die wir aufbauen, gewährleistet.

Alex Sandoval, CEO des Manufacturing-Intelligence-KI-Unternehmens Allie AI, betonte auch, wie generative KI-Kopiloten nicht allein auf Algorithmen basieren, sondern auf menschlicher Kompetenz in der Logik der Fabrik. 

“Die erfolgreichsten Deployments von heute sind nicht nur daran interessiert, Modelle mit umfangreichen programmierbaren Logik-Controllern (PLC)-Daten, Bedienernotizen und Compliance-Protokollen zu füttern. Sie hängen von einer neuen Art von Frontline-Mitarbeiter ab: einem, der zwischen Maschinenverhalten und digitaler Intuition übersetzen kann“, schloss er.