Tuning und Wartung von Algorithmen: Die Achillesferse von KI
Content-Management-Systeme (CMS) bieten mittlerweile KI, aber es ist kein Plug and Play. KI erfordert menschliche Intelligenz, um Algorithmen abzustimmen.
Viele Menschen sprechen gerne über das Potenzial von Tools mit künstlicher Intelligenz (KI), um die Arbeit mit Content-Management-Systemen (CMS) und Customer Relationship Management (CRM) einfacher, besser und effizienter zu machen.
Was nicht vom Marketing hervorgehoben wird, ist die Tatsache, dass die Technologie eine Automatisierung bewirkt, die niedrig qualifizierte Arbeitsplätze eliminiert und Kosteneffizienz steigert. Ein Traum für CFOs. Aber KI kann diese Vorteile nicht alleine erreichen.
KI-Projekte erfordern eine kontinuierliche menschliche Überwachung, oder ihre Ergebnisse werden zu etwas, das für das Unternehmen bestenfalls irrelevant und schlimmstenfalls schädlich für die Unternehmensziele und für die Kunden ist.
Experten, die an der Anwenderkonferenz Enterprise World 2017 von OpenText teilnahmen, warnten, dass Unternehmen, die KI-Projekte in Betracht ziehen, auch die Kosten für die Beschäftigung von Menschen – insbesondere von Data Scientists – berücksichtigen müssen, um KI-Projekte erfolgreich umzusetzen und weiterzuentwickeln. Und sie werden es brauchen.
Sie benötigen Mitarbeiter, die die KI-Algorithmen kontinuierlich anpassen, um sie in Einklang mit den Datenspeicher eines Unternehmens zu bringen, damit verwertbare, glaubwürdige Erkenntnisse erzielt werden, die die Unternehmensziele vorantreiben.
In einigen Fällen können diese besser für CRM-Einsätze oder zur Identifizierung von Verkaufschancen geeignet sein. In Servicebereichen kann KI verwendet werden, um Ausfälle von Kundengeräten zu erkennen, bevor sie zum Stillstand einer Fertigungslinie führen.
In Content-Management-Systemen (CMS) kann KI die Netzwerkaktivitäten sowohl in Vertriebs- als auch in Servicedatenspeichern auf potenziellen Betrug überwachen und verdächtige Kundenaktivitäten an Experten melden, die einen genaueren Blick darauf werfen.
Größe ist wichtig, wenn es um Datenspeicher geht
KI ist kein Plug and Play. „Die Feinabstimmung der Algorithmen, so dass sie umsetzbare Erkenntnisse schaffen, die Mitarbeitern und Kunden tatsächlich helfen, geht über die bloße Beobachtung der Ausgabe eines KI-Systems durch einen Data Scientist hinaus“, sagt Alan Lepofsky, Vice President und Principal Analyst bei Constellation Research.
Der Algorithmus benötigt eine kritische Masse an Daten, um überhaupt zu funktionieren; und einige Unternehmen haben vielleicht nicht die Menge an Daten, um einen widerspenstigen Algorithmus zu zähmen, der ungenaue Ergebnisse liefert. Deshalb bieten Anbieter riesige Data Warehouses mit anonymen Daten an, die der Kunde für diesen Zweck einsetzen kann.
„Damit die KI genau wird, braucht sie eine große Menge an Trainingsdaten“, sagt Lepofsky. „Für Dinge wie Katzenbilder ist das einfach.“ Für geschäftliche Entscheidungen dagegen schwieriger.
„Die Analyse von 100 E-Mails bringt nicht viele Einblicke, aber was ist mit 10.000 oder einer Million, alle anonymisiert, aber zu einem einzigen Datensatz zusammengefasst? Gleiches gilt für Geschäftsentscheidungen rund um Supply Chain, HR, Marketing“, fügt Lepofsky hinzu. „KI kann nicht genug von einem Einzelnen lernen; sie braucht Daten vom Team, von der Abteilung, vom Unternehmen oder sogar von der Industrie.“
Damit KI einen Wert hat, müssen die Daten zumindest etwas standardisiert sein. Wenn Daten in unterschiedlichen Formaten über Silos hinweg gespeichert werden, sind die KI-Ergebnisse nicht verwertbar.
Die Freiheit der KI ist nicht frei
Manager, die von neuen KI-Paketen wie SAP Leonardo, IBM Watson, Salesforce Einstein, Magellan von OpenText und anderen Lösungen auf dem Markt beeindruckt sind, müssen die versteckten Kosten von KI-Projekten, die nicht in Verkaufsbroschüren erscheinen, im Auge behalten.
Es gibt noch eine weitere Hausaufgabe in einer KI-Implementierung, die menschliche Intelligenz erfordert: die Entwicklung eines genauen Modells des Unternehmens, bevor man überhaupt mit Algorithmen experimentiert.
„Das ist der schwierige Teil“, sagt Thomas Dong, Vice President of Product Marketing bei OpenText, und räumt ein, dass Produktvermarkter manchmal die Anforderungen von KI-Projekten vereinfachen, da die Prozesse rund um Advanced Analytics nicht immer einfach zu erklären sind.
Es sei sehr einfach für ein Unternehmen, die Idee zu verkaufen: Wir kennen die Dateneingabestruktur, wir haben diesen Algorithmus, lassen Sie es uns einfügen und erhalten Sie einige Ergebnisse. „Aber darin liegt eine große Gefahr“, sagt Dong. „Jeder Data Scientist weiß, dass es eine Kunst des Modellierens gibt.“
Das liegt daran, dass KI-Algorithmen, so intelligent sie in einer Konferenzdemo auch erscheinen mögen, selbst für subtile Unterschiede in der Datenpräsentation blind sind und diese Erkenntnisse nicht alleine finden können. KI benötigt einen Helfer, der frei im Netzwerk agiert, um Daten mit Geschwindigkeiten zu analysieren, die Menschen nicht erreichen.
„Vielleicht unterscheidet sich die Art und Weise, wie Sie eine Bestellung definieren, von dem, was Sie von dieser Ausgabe erwarten. Vielleicht prognostiziere ich meine Nachfrage nicht so, wie es der Algorithmus erwartet“, sagt Dong. „Man braucht einen Data Scientist, um genau zu verstehen, was dieser Algorithmus mit den eingegebenen Daten macht.“
KI-Projekte dauern länger als man denkt
Dirk Seckler, globaler Vertriebsleiter bei Knorr-Bremse, sagt, dass es bis zu einem Jahr – und manchmal auch länger – dauert, bis der Mensch einen Algorithmus abgestimmt hat. Sein Unternehmen, das unter anderem Bremsen für Züge vertreibt, nutzt KI für „Condition Based Maintenance“, um vorauszusagen, wann Teile ausgetauscht werden müssen, bevor die Bremsen ausfallen.
„Um zuverlässige Algorithmen aufzubauen, sprechen wir nicht von zwei oder drei Monaten, sondern von zwei bis drei Jahren“, betont Seckler. „Sie haben diesen Algorithmus gestartet, aber es ist keine statische Sache. Vieles ändert sich. In unserem Fall haben Sie das Wetter, die Strecke und verschiedene andere Einflüsse.“
Auch wenn die Beachtung der Algorithmen, die Analytics und KI-Technologie antreiben, ein langwieriger und mühsamer Prozess sind, so verspricht KI laut Seckler auf lange Sicht Erfolg. Er ermutigt Unternehmen, in KI zu investieren, obwohl es schwieriger ist, als es die Anbieter vermuten lassen. Warum? „Weil andere Unternehmen es zu ihrem Vorteil nutzen werden. Unternehmen, die KI vermeiden, weil sie zu kompliziert oder zu langwierig ist, werden im Nachteil sein“, sagt er. „Man kann im Spiel sein oder draußen.“
Folgen Sie SearchEnterpriseSoftware.de auch auf Twitter, Google+, Xing und Facebook!
