Getty Images

Wie die Zukunft des maschinellen Lernens aussieht

Maschinelles Lernen verändert die Art, wie wir Code schreiben, Krankheiten diagnostizieren und Inhalte erstellen. Die Implementierung erfordert jedoch sorgfältige Überlegungen.

Machine-Learning-Algorithmen erstellen Vorhersagen, Empfehlungen und neue Inhalte, indem sie Muster in ihren Trainingsdaten analysieren und erkennen. Diese Fähigkeiten bilden die Grundlage für weit verbreitete Technologien wie digitale Assistenten und Empfehlungsalgorithmen sowie für beliebte generative KI-Tools wie ChatGPT und Midjourney.

Obwohl diese prominenten Beispiele generativer KI in letzter Zeit die Aufmerksamkeit der Öffentlichkeit auf sich gezogen haben, bietet maschinelles Lernen vielversprechende Anwendungen in Bereichen, die von der Big-Data-Analyse bis hin zu selbstfahrenden Autos reichen. Und die Akzeptanz ist bereits groß: In einer kürzlich durchgeführten Umfrage des Beratungsunternehmens McKinsey & Company gaben 55 Prozent der Befragten an, dass ihr Unternehmen in irgendeiner Form künstliche Intelligenz (KI) einsetzt.

Viele der Konzepte, die den heutigen Anwendungen des maschinellen Lernens zugrunde liegen, reichen bis in die 1950er Jahre zurück (siehe Abbildung 2), aber in den 2010er Jahren gab es mehrere Fortschritte, die diesen weit verbreiteten Einsatz in Unternehmen ermöglichten:

  • Zugang zu Daten. Die zunehmende Digitalisierung von Dokumenten und die Verbreitung des Internets führten zur Big-Data-Revolution. Zusammen mit Verbesserungen bei den Technologien zum Speichern, Verwalten und Analysieren von Daten erleichterten diese Faktoren die Erstellung von Modellen für maschinelles Lernen, für die umfangreiche Trainingsdaten erforderlich sind.
  • Leistungsfähigere und flexiblere Rechenleistung. Dank effizienterer, leistungsfähigerer Grafikprozessoren konnten KI-Entwickler Modelle schneller auf größeren Datensätzen trainieren. Und der Aufstieg des Cloud Computing ermöglichte es Unternehmen, maschinelles Lernen ohne große Vorabinvestitionen zu erforschen, da sie bei Bedarf auf eine spezialisierte KI-Infrastruktur zugreifen konnten.
  • Algorithmische und technische Entwicklungen. Eine Reihe von Durchbrüchen in allen Teilbereichen des maschinellen Lernens, insbesondere im Bereich des Deep Learning, hat das Interesse an KI gesteigert und neue Anwendungsmöglichkeiten eröffnet. Insbesondere das Aufkommen der Transformer-Modellarchitektur ebnete den Weg für die heute beliebten generativen KI-Tools.

Diese Entwicklungen haben dazu geführt, dass KI und maschinelles Lernen in den Mainstream der Wirtschaft Einzug gehalten haben. Beliebte KI-Anwendungsfälle am Arbeitsplatz sind unter anderem prädiktive Analysen, Chatbots für den Kundenservice und KI-gestützte Qualitätskontrolle.

Künstliche Intelligenz versus maschinelles Lernen

Obwohl die beiden Begriffe in der Praxis manchmal synonym verwendet werden, ist maschinelles Lernen eine Untergruppe des umfassenderen Bereichs der KI. Während KI ein weit gefasstes Konzept ist – im Wesentlichen die Fähigkeit einer Maschine, Aufgaben auszuführen, die typischerweise mit menschlicher Intelligenz in Verbindung gebracht werden – ist maschinelles Lernen eine spezifische Form der KI, bei der Algorithmen trainiert werden, um Muster und Beziehungen in Daten zu erkennen und ihre Aktionen entsprechend anzupassen.

Trends, die die Zukunft des maschinellen Lernens prägen

In den nächsten fünf bis zehn Jahren sind Entwicklungen im Bereich des maschinellen Lernens in einer Reihe von Bereichen zu erwarten. Im Folgenden finden Sie einige Beispiele:

  • Kundenerfahrung. Algorithmen des maschinellen Lernens können adaptive, persönlich zugeschnittene Kundenerlebnisse schaffen, wie zum Beispiel individualisierte Werbeaktionen. Virtuelle Assistenten und Chatbots können auch sich wiederholende Aufgaben im Kundenservice automatisieren, zum Beispiel die Beantwortung von Kunden-E-Mails und Chats.
  • Supply Chain Management. Prädiktive Algorithmen können historische Daten analysieren, um die zukünftige Nachfrage zu prognostizieren, die Lagerverwaltung zu optimieren und Verschwendung zu minimieren. Algorithmen des maschinellen Lernens können auch automatisch Einkäufe, Sendungen und Ähnliches verfolgen und Unternehmen auf mögliche Probleme aufmerksam machen.
  • Finanzdienstleistungen. Im Finanzwesen erleichtert das maschinelle Lernen Aufgaben wie Risikomodellierung, Portfoliomanagement und Marktprognosen. Und die Anwendung von Algorithmen des maschinellen Lernens auf die Transaktionsdaten von Kunden unterstützt Banken, potenzielle betrügerische Aktivitäten automatisch zu erkennen und personalisierte Finanzprodukte vorzuschlagen.
  • Cybersecurity. Um die immer ausgefeilteren Hacking-Techniken zu bekämpfen, wird maschinelles Lernen zu einem integralen Bestandteil der Cybersicherheit. Algorithmen des maschinellen Lernens können Schwachstellen in der Sicherheitslage eines Unternehmens aufdecken und den Datenverkehr auf Anomalien analysieren, die auf einen Cyberangriff hindeuten könnten.

Unter den vielen möglichen Anwendungsfällen für maschinelles Lernen werden sich voraussichtlich mehrere Bereiche durchsetzen, darunter die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), das maschinelle Sehen (Machine Vision), maschinelles Lernen im Gesundheitswesen und die KI-gestützte Softwareentwicklung.

Natural Language Processing (NLP)

Angesichts der zunehmenden Popularität von ChatGPT und anderen großen Sprachmodellen (Large Language Model, LLM) ist es keine Überraschung, dass NLP derzeit ein wichtiger Schwerpunkt im Bereich des maschinellen Lernens ist. Zu den potenziellen NLP-Entwicklungen der nächsten Jahre gehören eine flüssigere konversationelle KI, vielseitigere Modelle und eine Präferenz der Unternehmen für engere, fein abgestimmte Sprachmodelle.

„Noch 2018 lag der Schwerpunkt im Bereich des maschinellen Lernens eher auf Computer Vision als auf NLP“, sagt Ivan Lee, Gründer und CEO von Datasaur, einem Unternehmen, das Software zum Daten-Labeling für NLP-Kontexte entwickelt. Aber im letzten Jahr hat er eine deutliche Verschiebung des Schwerpunkts in der Branche festgestellt.

„Wir beobachten, dass viele Unternehmen, die in den letzten zehn Jahren nicht in KI investiert haben, sich nun damit befassen“, erklärt er. „Branchen wie die Immobilienbranche, die Landwirtschaft, die Versicherungsbranche – Leute, die vielleicht nicht so viel Zeit mit NLP verbracht haben – versuchen jetzt, es zu erforschen.“

Machine-Learning-Prozess
Abbildung 1: Wie der Machine-Learning-Prozess abläuft.

Wie auch in anderen Bereichen des maschinellen Lernens werden Verbesserungen im NLP durch Fortschritte bei Algorithmen, Infrastruktur und Tools vorangetrieben. Aber auch die NLP-Evaluierungsmethoden rücken immer mehr in den Mittelpunkt.

„Wir beginnen zu sehen, wie sich die Methoden zur Feinabstimmung und Verbesserung von [LLMs] entwickeln“, sagt Lee. Zum Beispiel können LLMs selbst Daten für das Training von NLP-Modellen markieren. Obwohl das Labeling von Daten laut Lee noch nicht vollständig automatisiert werden kann – und wahrscheinlich auch nicht sollte –, kann eine teilweise Automatisierung mit LLMs die Modellschulung und Feinabstimmung beschleunigen.

Da Sprache für so viele Aufgaben unerlässlich ist, findet NLP in fast allen Bereichen Anwendung. Zum Beispiel sind LLM-gestützte Chatbots wie ChatGPT, Google Bard und Claude von Anthropic als vielseitige Assistenten für unterschiedliche Aufgaben konzipiert, von der Erstellung von Marketingmaterial bis zur Zusammenfassung langer PDFs.

Spezielle Sprachmodelle, die auf Unternehmensdaten abgestimmt sind, können jedoch personalisierte und kontextbezogene Antworten auf Benutzeranfragen liefern. Ein Chatbot für die Personalabteilung eines Unternehmens, der auf die interne Dokumentation abgestimmt ist, kann beispielsweise bei der Beantwortung von Benutzerfragen in natürlicher Sprache die spezifischen Unternehmensrichtlinien berücksichtigen.

„Das Schöne an [ChatGPT] ist, dass Sie eine Million verschiedener Abfragen ausprobieren können“, sagt Lee. „Aber im geschäftlichen Umfeld wollen Sie diesen Bereich wirklich eingrenzen. ... Es ist in Ordnung, wenn [ein Rezeptgenerator] mir nicht die besten Reisepläne für San Antonio verrät, aber er sollte besser vollständig getestet und wirklich gut bei Rezepten sein.“

Computer Vision

„Abgesehen von den LLMs gehören Computer und Machine Vision zu den Top-Bereichen des maschinellen Lernens, für die sich Unternehmen zunehmend interessieren“, sagt Ben Lynton, Gründer und CEO des KI-Beratungsunternehmens 10ahead AI.

Wie NLP hat auch das maschinelle Sehen Anwendungen in vielen Branchen. Verbesserungen bei Algorithmen wie Bildklassifizierern und Objekterkennern sowie ein verbesserter Zugang zu Sensordaten und individuellere Modelle werden die Akzeptanz wahrscheinlich fördern. Zu den möglichen Trends im Bereich der Computer Vision gehören:

  • Gesichtserkennung für Sicherheitsanwendungen wie Zugangskontrolle und Identitätsüberprüfung.
  • Objekterkennung für die Bestandsverwaltung und Qualitätskontrolle in der Fertigung und im Einzelhandel.
  • Fortgeschrittene Fahrerassistenzsysteme, die maschinelles Lernen nutzen, um Aufgaben wie die automatische Anpassung der Fahrzeuggeschwindigkeit, die Überwachung der Aufmerksamkeit des Fahrers und die Warnung vor möglichen Kollisionen oder Spurabweichungen zu erfüllen.

Im Bereich der generativen KI werden Bildgeneratoren wie Dall-E und Midjourney bereits von Verbrauchern sowie im Marketing und Grafikdesign eingesetzt. In Zukunft könnten Fortschritte bei der Videogenerierung kreative Arbeitsabläufe weiter verändern.

Lee ist besonders an multimodaler KI interessiert, zum Beispiel an der Kombination fortschrittlichen Computer-Vision-Fähigkeiten mit NLP und Audio-Algorithmen. „Bild, Video, Audio, Text – mit Hilfe der Transformer können Sie im Grunde alles auf diese Kernsprache reduzieren und dann ausgeben, was Sie wollen“, erklärt er. So kann ein Modell zum Beispiel auf der Grundlage einer Texteingabe Audio oder auf der Grundlage eines Bildes ein Video erzeugen.

Gesundheitswesen und Medizin

Maschinelles Lernen im Gesundheitswesen kann die medizinische Forschung beschleunigen und die Behandlungsergebnisse verbessern. Zu den vielversprechenden Bereichen gehören die Früherkennung von Krankheiten, personalisierte Medizin und wissenschaftliche Durchbrüche dank leistungsstarker Modelle wie dem Proteinstrukturvorhersagemodell AlphaFold.

Krankenhäuser haben damit begonnen, klinische Entscheidungsunterstützungssysteme einzuführen, die auf maschinellem Lernen basieren und bei der Diagnose, der Behandlungsplanung und der Analyse medizinischer Bildgebung unterstützen. Die KI-gestützte Analyse komplexer medizinischer Scans kann dazu beitragen, die Diagnose zu beschleunigen, indem Anomalien identifiziert werden – zum Beispiel durch die Korrektur fehlerhafter MRT-Daten oder die Erkennung von Herzfehlern in Elektrokardiogrammen.

„Ein wichtiger Schwerpunkt ist die Entwicklung und Automatisierung von Maßnahmen zur Einbeziehung von Patienten mit maschinellem Lernen“, erläutert Hal McCard, Anwalt bei der Anwaltskanzlei Spencer Fane, die sich auf den Gesundheitssektor konzentriert. Modelle des maschinellen Lernens können riesige Gesundheitsdatensätze analysieren, um die Ergebnisse für die Patienten besser vorherzusagen, so dass Gesundheitsdienstleister personalisiertere und schnellere Maßnahmen entwickeln können, die die Einhaltung von Behandlungsschemata verbessern.

Die größte Veränderung ist hier nicht die zugrunde liegende Technologie, sondern vielmehr der Umfang. „Maschinelles Lernen für datengestützte Lösungen und die Gesundheit der Bevölkerung ist kein neues Konzept“, sagt McCard. Was sich ändert, ist vielmehr die Art und Weise, wie es angewendet wird, und die Effektivität, mit der Sie diese Ergebnisse nutzen können, um bessere Ergebnisse in der Patientenversorgung und der klinischen Versorgung zu erzielen.

NLP hat sich auch als vielversprechend für die klinische Entscheidungsfindung und die Zusammenfassung von Arztberichten erwiesen. Aber auf absehbare Zeit erfordert die Implementierung immer noch eine enge menschliche Kontrolle. In einer kürzlich erhobenen Studie gab ChatGPT in einem Drittel der Fälle unangemessene Empfehlungen zur Krebsbehandlung und verursachte in rund 13 Prozent der Fälle Halluzinationen.

„Wenn es um klinische Entscheidungen geht, gibt es so viele Feinheiten für die einzigartige Situation eines jeden Patienten“, sagt Dr. Danielle Bitterman, die korrespondierende Autorin der Studie und Assistenzprofessorin für Radioonkologie an der Harvard Medical School, in einer Mitteilung über die Ergebnisse. „Eine richtige Antwort kann sehr nuanciert sein und ist nicht unbedingt etwas, was ChatGPT oder ein anderes großes Sprachmodell liefern kann.“

Softwareentwicklung und IT

Das maschinelle Lernen verändert auch die Rolle der Entwickler, indem es sich wiederholende Codierungsaufgaben automatisiert und potenzielle Fehler und Sicherheitslücken aufspürt.

Aufstrebende generative Tools wie ChatGPT, GitHub Copilot und Tabnine können Code und technische Dokumentationen auf der Grundlage natürlichsprachlicher Aufforderungen erstellen. Auch wenn die menschliche Überprüfung weiterhin unerlässlich ist, kann die Auslagerung der anfänglichen Erstellung von Standardcode an KI den Entwicklungsprozess erheblich beschleunigen.

In Kombination mit NLP-Fortschritten kann dies zu mehr interaktiven, chatbasierten Funktionen in zukünftigen integrierten Entwicklungsumgebungen führen. „Ich denke, dass Coding-Editoren in Zukunft eine eher chatbasierte Schnittstelle haben werden“, sagt Jonathan Siddharth, Mitbegründer und CEO von Turing, einem Unternehmen, das Entwickler mit Arbeitgebern zusammenbringt, die technische Talente suchen. „Jeder Softwareentwickler wird einen KI-Assistenten an seiner Seite haben, mit dem er beim Programmieren sprechen kann.“

Beim Testen und Überwachen von Software kann der Einsatz von Machine-Learning-Techniken wie der Erkennung von Anomalien und prädiktiven Analysen zur Analyse von Protokolldaten IT-Teams dabei unterstützen, Systemausfälle vorherzusagen oder Engpässe zu erkennen. In ähnlicher Weise könnten AIOps-Tools maschinelles Lernen nutzen, um die Ressourcenzuweisung auf der Grundlage von Nutzungsmustern automatisch zu skalieren und effizientere Infrastruktur-Setups vorzuschlagen.

Obwohl Prompt Engineering – die Praxis der Erstellung von Abfragen für generative KI-Modelle, die den bestmöglichen Output liefern – in letzter Zeit ein heißes Thema in der Tech-Community war, ist es unwahrscheinlich, dass der Prompt Engineer weiterhin eine eigenständige Rolle spielen wird, da generative Modelle immer geschickter werden. „Ich glaube nicht, dass man für die Position des Prompt Engineers eingestellt wird“, ist sich Lee sicher.

Marktbeobacher gehen jedoch davon aus, dass der Umgang mit generativen KI-Tools zu einer immer wichtigeren Fähigkeit für technische Fachkräfte wird. „Ich denke, dass es im Bereich der Softwareentwicklung immer mehr Ingenieure geben wird, die wissen, wie man LLMs ansteuert“, sagt Siddharth. „Ich denke, das wird eine breit anwendbare Fähigkeit sein.“

Zukünftige Herausforderungen

Enthusiasmus und Optimismus sind weit verbreitet, aber die Umsetzung von Initiativen zum maschinellen Lernen erfordert die Bewältigung praktischer Herausforderungen und Sicherheitsrisiken sowie potenzieller sozialer und ökologischer Schäden.

Die Einführung des maschinellen Lernens wirft dringende ethische Bedenken auf, wie zum Beispiel algorithmische Verzerrungen und Datenschutz. Auf der technischen Seite kann die Integration des maschinellen Lernens in Legacy-Systeme und bestehende IT-Arbeitsabläufe schwierig sein und erfordert spezielle Fähigkeiten im Bereich des maschinellen Lernens (MLOps) und entsprechender Technik. Und ob die aufkommenden generativen KI-Tools dem Hype in der realen Arbeitswelt gerecht werden, bleibt unklar.

Im Bereich des maschinellen Lernens zum Beispiel ist man von menschlicher Sprachgewandtheit noch weit entfernt, und es ist unklar, ob KI jemals wirklich die menschliche Leistung oder das menschliche Denken in offenen Szenarien nachahmen wird.

LLMs können zwar überzeugende Texte erstellen, aber es fehlt ihnen an gesundem Menschenverstand oder logischem Denken. Ähnliche Einschränkungen gibt es auch in anderen Bereichen, wie zum Beispiel Computer Vision, wo die Modelle immer noch mit unbekannten Daten zu kämpfen haben und ihnen das kontextuelle Verständnis fehlt, das für den Menschen selbstverständlich ist. Angesichts dieser Einschränkungen ist es wichtig, den besten Ansatz für maschinelles Lernen für einen bestimmten Anwendungsfall sorgfältig auszuwählen – wenn maschinelles Lernen überhaupt notwendig ist.

„Es gibt eine Klasse von Problemen, die mit generativer KI gelöst werden können“, sagt Siddharth. „Es gibt eine noch größere Klasse von Problemen, die mit reiner KI gelöst werden können. Es gibt eine noch größere Klasse von Problemen, die mit guter Datenwissenschaft und Datenanalyse gelöst werden können. Sie müssen herausfinden, was die richtige Lösung für die jeweilige Aufgabe ist.“

Darüber hinaus ist generative KI oft risikoreicher in der Umsetzung als andere Arten von Modellen, insbesondere in Sektoren wie dem Gesundheitswesen, die mit hochsensiblen persönlichen Daten arbeiten. „Die generativen Lösungen, die darauf abzielen, originäre Inhalte und ähnliche Dinge zu produzieren, bergen meiner Meinung nach das größte Risiko“, sagt McCard.

Bei der Bewertung potenzieller Datenschutzrisiken für externe Produkte betont McCard, wie wichtig es ist, die Datenquellen eines Modells zu verstehen. „Es ist ein wenig unrealistisch zu glauben, dass man Einblick in den Algorithmus erhält“, gibt er zu bedenken. „Wenn man also davon ausgeht, dass es nicht möglich ist, den Algorithmus zu verstehen, dann stellt sich die Frage nach den Datenquellen und den Nutzungsrechten an den Datenquellen.“

Die riesigen Mengen an Trainingsdaten, die für Modelle des maschinellen Lernens benötigt werden, machen ihre Erstellung kostspielig und schwierig. Die zunehmende Nutzung von Rechenressourcen nach dem Boom der generativen KI hat Cloud-Dienste und Hardware-Anbieter belastet, einschließlich eines anhaltenden Mangels an GPUs. Die zusätzliche Nachfrage nach spezialisierter Hardware für maschinelles Lernen kann diese Probleme in der Lieferkette weiter verschärfen.

„Dies hängt mit einer weiteren grundlegenden Herausforderung zusammen“, sagt Lynton, „nämlich dem Zustand der IT-Infrastruktur eines Unternehmens“. Er nennt das Beispiel eines Beratungsauftrags für einen branchenführenden Kunden, dessen Buchhaltungs-, Beschaffungs- und Kundendatensysteme alle auf verschiedenen Legacy-Systemen basierten, die nicht miteinander kommunizieren konnten – darunter zwei, die nicht mehr weiterentwickelt wurden.

„Es ist ein wenig erschreckend, aber das ist eine häufige Situation für viele große Unternehmen“, erklärt Lynton. „Der Grund, warum dies ein Problem für die Einführung von KI ist, liegt darin, dass die meisten Führungsteams ihre IT-Landschaft nicht kennen und daher vielleicht X Millionen [Euro] für KI budgetieren, dann aber wenig bis gar keinen ROI erzielen, weil ein großer Teil davon für den Versuch verschwendet wird, ihre Systeme zusammenzuflicken.“

McCard äußert eine ähnliche Sorge über die Bereitschaft zur Implementierung im Gesundheitswesen. „Ich habe ernsthafte Zweifel an der Fähigkeit einiger dieser Tools, insbesondere der generativen Tools, mit den elektronischen Krankenakten und anderen Systemen, die in diesen Gesundheitssystemen derzeit eingesetzt werden, zu interagieren“, sagt er.

Die für Initiativen zum maschinellen Lernen erforderliche Hardware und Berechnungen haben auch Auswirkungen auf die Umwelt, insbesondere mit dem Aufstieg der generativen KI. Das Training von Modellen des maschinellen Lernens ist mit hohen Kohlenstoffemissionen verbunden, insbesondere bei großen Modellen mit Milliarden von Parametern.

„Das Hauptrisiko besteht darin, dass die Menschen durch das Training von KI-Modellen mehr Kohlendioxid erzeugen, als ihre Anwendungsfälle im Bereich der Nachhaltigkeit jemals einsparen können“, so Lynton. „Das war bei den etablierteren Bereichen kein großes Problem ... aber jetzt, mit [generativer KI], ist es eine echte Bedrohung.“

Um die Auswirkungen auf das Klima abzuschwächen, empfiehlt Lynton, sich auf die Auswahl rechenintensiver Modelle zu konzentrieren und die Umweltauswirkungen eines KI-Projekts von Anfang bis Ende zu messen. Effizientere Modellarchitekturen bedeuten kürzere Trainingszeiten und damit auch einen geringeren ökologischen Fußabdruck.

Einführung von maschinellem Lernen in Zukunft

Das Interesse von Unternehmen am maschinellen Lernen nimmt zu. Allein die Investitionen in generative KI werden in den nächsten zwei bis drei Jahren voraussichtlich um das Vierfache steigen.

„Die KI-Transformation ist die neue digitale Transformation", ist sich Siddharth sicher. „Jedes große Unternehmen, das ich treffe, denkt über seine KI-Strategie nach“. Insbesondere seien die Unternehmen daran interessiert zu erforschen, wie KI und maschinelles Lernen ihnen dabei helfen können, ihre Nutzer besser zu bedienen oder ihre betriebliche Effizienz zu verbessern.

Zeitleiste zu Machine Learning
Abbildung 2: Die zeitliche Entwicklung des maschinellen Lernens.

Aber in der Praxis sind nicht alle Unternehmen für den Übergang bereit. Für viele Unternehmen sind KI und maschinelles Lernen „immer noch überraschenderweise eher ein Kästchen zum Ankreuzen oder eine riskante Investition als eine akzeptierte Notwendigkeit“, sagt Lynton. „In vielen Fällen läuft ein Auftrag darauf hinaus, KI in das Unternehmen einzubauen, ohne nähere Angaben darüber, was das eigentlich bedeutet.“

Um den Erfolg von Initiativen zum maschinellen Lernen in Unternehmen zu gewährleisten, müssen diese langsamer vorgehen, anstatt dem KI-Hype hinterher zu rennen. Beginnen Sie mit einem kleinen Pilotprojekt, holen Sie sich den Input einer Vielzahl von Teams, stellen Sie sicher, dass die Daten- und Technologie-Stacks des Unternehmens modernisiert sind, und implementieren Sie strenge Data-Governance- und Ethikpraktiken.

Lynton empfiehlt eine Strategie, bei der die Automatisierung im Vordergrund steht. Anstatt eine komplexe KI-Initiative mit Volldampf zu starten, sollten Sie zunächst fünf manuelle, sich wiederholende und regelbasierte Prozesse automatisieren, zum Beispiel eine tägliche Dateneingabe, bei der ein Bericht aus einem Beschaffungssystem in ein separates Buchhaltungssystem eingegeben wird.

Diese Automatisierungsanwendungen sind in der Regel kostengünstiger und amortisieren sich schneller als komplexe Anwendungen für maschinelles Lernen. Daher kann eine Strategie, die auf Automatisierung setzt, Führungskräften schnell ein Bild von der Bereitschaft ihres Unternehmens für eine KI-Initiative vermitteln – was wiederum dazu beitragen kann, kostspielige Fehltritte zu vermeiden.

„In vielen Fällen stellt sich heraus, dass sie nicht [bereit] sind und es wichtiger ist, zunächst einige Legacy-Systeme zu aktualisieren [oder] zu kombinieren“, sagt Lynton.

Erfahren Sie mehr über Künstliche Intelligenz (KI) und Machine Learning (ML)

ComputerWeekly.de
Close