Künstliche Intelligenz (KI) nachhaltig und resilient zu gestalten, ist das Ziel zahlreicher Unternehmen. Die Experten von Dataiku, dem global agierenden Anbieter einer kollaborativen Data Science-Plattform, haben drei kritische Herausforderungen auf dem Weg zu mehr Nachhaltigkeit identifiziert: Abhängigkeiten von Technologien minimieren, jederzeit die Kontrolle über die Daten behalten und die erarbeiteten Modelle kontinuierlich prüfen und verifizieren. Wer diese Herausforderungen frühzeitig erkennt und in Projekten berücksichtigt, profitiert langfristig von resilienten Lösungen.
Enterprise AI oder auch unternehmensweite KI zu etablieren, kann als Reise hin zu einem datengetriebenen Unternehmen betrachtet werden. Den größten Anteil hat die Einführungs- und Experimentierphase, die meist 75% der gesamten Reise ausmacht. Anschließend müssen die erarbeiteten Prozesse etabliert und erweitert werden. Die letzten 5% bestehen darin, alle Abläufe, Muster und Strukturen fest im Unternehmen zu verwurzeln. Allerdings starten zahlreiche Unternehmen ihre Reise ohne Route und Plan. Sie ermitteln Anwendungen, die mit KI optimiert werden könnten, priorisieren diese nach dem zu erwartenden Mehrwert, und starten die ersten Projekte. Häufig stellen sich schnell spürbare Erfolge ein. Doch im Laufe der Zeit fallen Erfolge geringer aus und verdeckte Kosten, beispielsweise durch die Pflege existierender Modelle oder stetige Bereinigung der Daten, reduzieren die erzielten Gewinne oder Einsparungen. Beeinträchtigungen im Sinne der Nachhaltigkeit werden häufig erst zu diesem Zeitpunkt deutlich:
- Technologie-Falle: Möglicherweise wurden ersten Entwicklungen mit Technologien durchgeführt, die nicht mehr dem neuesten Stand entsprechen oder gar vom Markt verschwunden sind. Die Modelle sind veraltet und müssen neu entwickelt werden.
- Kontrollverlust: Die Daten wurden beim Aufsetzen der ersten Projekte sorgfältig bereinigt. Mit der wachsenden Anzahl an Projekten wird die Data Governance immer aufwendiger.
- Modelle auf Abwegen: Ohne permanente Kontrolle arbeiten die Modelle unter Umständen nicht mehr wie ursprünglich geplant. Sie lernen blind hinzu, ohne die Ergebnisse zu hinterfragen.
BI Scout Marktübersicht
News
Weitere News-
Bitkom zur Fortschreibung der KI-Strategie des Bundes
-
Testdaten via Produktions-Metadaten für DevOps, DB, DV und ETL-Prototypen
-
Drei Herausforderungen auf der Reise zu nachhaltiger KI
-
Informatec gründet Spin-Off Consilix für Planung und Simulation
-
Bitkom: Verkehrsdaten sollen allen zur Verfügung stehen
-
Kommentar: „Was Big Data erst zum Riesen macht“
BI & Big Data Events
Aktuelle Beiträge
-
Die Trends für Data, BI & Analytics 2021
-
Die Bedeutung von Metadaten einfach erklärt
-
Die schnellsten Data- & Analytics-Projekte liefern den größten Geschäftsnutzen
-
Optimizing Performance, Throughput and Source Overhead when using Change Data Capture (CDC)
-
Change Data Capture (CDC) für Streaming Ingestion
-
Machine-Learning-Modelle zur Verwaltung und Skalierung von IoT-Daten