Über die Hype hinausgehen: Operationalisierung von KI und ML für Geschäftsergebnisse

Von: Krishnan Venkata, Chief Client Officer bei der digitalen Analysefirma LatentView Analytics.

Für mehr als ein Jahrzehnt haben Unternehmen, von kleinen Start-ups bis hin zu großen Konzernen, über das Versprechen von künstlicher Intelligenz (KI) und Machine Learning (ML) gesprochen. Laut diesen Prophezeiungen würden KI und ML die moderne Arbeit verändern, alltägliche Prozesse automatisieren und es menschlichen Mitarbeitern ermöglichen, sich auf höherwertige Aufgaben zu konzentrieren.

Zehn Jahre später ist das Versprechen von KI für viele Unternehmen lediglich ein Versprechen geblieben und nichts mehr. Während viele dieser Organisationen Schritte unternommen haben, um ihre digitalen Transformationsbemühungen zu beschleunigen, verhindern einige häufige Fallstricke oft die Verwirklichung des KI/ML-Traums.

Was waren einige der größten Faktoren, die das transformative Potenzial von KI und ML behindert haben?

• Mangel an Organisation: Der erste Schritt zu einer erfolgreichen KI-Strategie ist die Datensammlung. Aber ebenso wichtig ist die Planung für die Organisation dieser Daten; Unternehmen, die einen Schatz an Daten ansammeln, ohne einen Plan dafür, wie sie diese Daten organisieren, analysieren und nutzen können, bleiben mit einer unverfeinerten, praktisch unbrauchbaren Ressource zurück. Was ist der Wert darin, Öl zu entdecken, wenn man keine Möglichkeit hat, es aus dem Boden zu holen oder zu verfeinern?
• Stückweise Einführung: Während digitale Transformationen langfristige Kosteneinsparungen versprechen, kann der anfängliche Preis für die Einführung neuer Technologien hoch sein. Dieser Schock führt dazu, dass einige Unternehmen einen stückweisen Ansatz bei der Integration von KI-Tools verfolgen, ohne zu berücksichtigen, wie diese einzelne Lösung in einen größeren Roadmap passt.
• Fehlende Prozesse/Disziplin: KI- und ML-Lösungen werden naturgemäß von bestimmten Führungskräften innerhalb des Unternehmens gefördert und eingeführt, aber ihr Erfolg hängt von der institutionellen Zustimmung von oben bis unten ab. Frühe Anwender müssen die Startbahn für eine breitere Einführung vorbereiten und die Disziplin und Routinen schaffen, die notwendig sind, um die Integration neuer Tools so reibungslos wie möglich zu machen.

Das vergangene Jahr hat gezeigt, dass es keine Zeit zu verlieren ist, wenn es um die digitale Transformation und die Automatisierung von Routinen durch KI und ML geht. Laut Fortune Business Insights wird der globale Markt für künstliche Intelligenz voraussichtlich bis 2027 267 Milliarden US-Dollar erreichen, was einem fast zehnfachen Wachstum gegenüber einem Wert von 27 Milliarden US-Dollar im Jahr 2019 entspricht. Ein langfristiger Wechsel zur Remote-Arbeit, der durch die COVID-19-Pandemie ausgelöst wurde, hat Unternehmen dazu gebracht, neue Lösungen zu übernehmen; Twilios COVID-19-Digital-Engagement-Bericht ergab, dass 97 % der Führungskräfte angaben, dass die Pandemie ihre digitalen Transformationsbemühungen beschleunigt hat.

Was wird es also brauchen, um die Hype um KI und ML zu überwinden und diese Tools tatsächlich zu operationalisieren? Einige Technologien und Strategien können den Unterschied zwischen einem Triumph oder einem Flop ausmachen:

1. AIOps, MLOps, DataOps

Das Hinzufügen von -Ops zu einer Technologie oder Anwendung ist ein sicherer Rezept für ein neues Schlagwort, aber nicht alle diese aufkommenden Lösungen sind Vaporware. Tatsächlich können Strategien wie AIOps, MLOps und DataOps die Lösung für die Herausforderung der Organisation all dieser Daten liefern, die innerhalb eines Unternehmens gesammelt werden. Diese Tools wenden die Prinzipien des Agile-Managements auf KI, Machine Learning und Datenmanagement an, was den Wissens- und Arbeitsaufwand, der erforderlich ist, um einen Wert aus neuen Lösungen zu erzielen, dramatisch vereinfacht. Für Unternehmen, die ihre ersten Schritte in KI/ML unternehmen und versuchen, auf dem Laufenden zu bleiben, sind diese Strategien ein Muss.

2. Low Code/No Code

Die komplexesten und nuanciertesten ML-Modelle werden immer dedizierte Entwickler und Data Scientists erfordern, um ihren Erfolg zu gewährleisten. Allerdings sind die Herausforderungen, mit denen viele Unternehmen konfrontiert sind, nicht annähernd so kompliziert und können mit einfacheren, einheitlichen KI-Lösungen gelöst werden. Low-Code- und No-Code-Plattformen senken die Einstiegshürde für Mitarbeiter mit wenig oder keiner Erfahrung in der Softwareentwicklung. No-Code-Tools ermöglichen es jedem Mitarbeiter, Lösungen wie Empfehlungs-Engines über intuitive, drag-and-drop-Plattformen zu erstellen, während Low-Code-Plattformen komplexe Aufgaben mit nur wenigen Codezeilen ausführen können.

3. AutoAI und AutoML

Wenn künstliche Intelligenz und Machine Learning Geschäftsprozesse automatisieren, warum sollten sie selbst dann automatisiert werden? Ein entscheidender Aspekt des Erfolgs von KI und ML ist die Idee der Verfeinerung: Wenn diese Tools auf der Arbeit lernen und mehr Daten integrieren, können sie stetig ihre Leistung verfeinern und verbesserte Ergebnisse liefern. AutoAI und AutoML führen diesen Verfeinerungsprozess ohne menschliche Eingabe aus und schaffen einen unendlichen virtuosen Kreislauf. Menschen können die Leistung des Modells überprüfen, um Vorurteile zu vermeiden und zu bestätigen, dass das Tool den Bedürfnissen des Unternehmens dient, aber AutoML ermöglicht es Mitarbeitern, sich auf andere Herausforderungen im Tagesgeschäft zu konzentrieren.

Da Chip-Hersteller und Software-Unternehmen neue Meilensteine im Bereich der natürlichen Sprachverarbeitung erreichen, erreicht das Feld von KI und ML einen Wendepunkt, der zu einer Explosion neuer Anwendungsfälle führen wird. Unternehmen müssen darauf vorbereitet sein, auf diese aufkommenden Technologien zu reagieren; diejenigen, die ihr Haus nicht in Ordnung haben, werden von Wettbewerbern, die dies tun, überholt.