IBM gibt an, dass sich fast die Hälfte der Herausforderungen im Zusammenhang mit der KI-Einführung auf die Datenkomplexität (24 %) und Schwierigkeiten bei der Integration und Skalierung von Projekten (24 %) konzentrieren. Während es für Vermarkter sinnvoll sein kann, „ein GPT-Suffix darauf zu setzen und es KI zu nennen“, streben Unternehmen danach, es wirklich zu tun implementieren Und Übernehmen KI und ML stehen vor einer zweigleisigen Herausforderung: Erstens ist es schwierig und teuer, und zweitens ist es schwierig, an die „Sandkästen“ zu kommen, die notwendig sind, um Experimente zu ermöglichen und „grüne Triebe“ von Wert zu beweisen, weil es schwierig und teuer ist würde weitere Investitionen rechtfertigen. Kurz gesagt, KI und ML sind unzugänglich.
Daten, Daten, überall
Die Geschichte zeigt, dass die meisten geschäftlichen Veränderungen zunächst schwierig und teuer erscheinen. Der Zeit- und Ressourcenaufwand für diese Bemühungen hat sich jedoch für die Innovatoren ausgezahlt. Unternehmen identifizieren neue Vermögenswerte und nutzen neue Prozesse, um neue Ziele zu erreichen – manchmal hochtrabende, unerwartete. Der Vermögenswert, der im Mittelpunkt der KI-Begeisterung steht, sind Daten.
Die Welt explodiert vor Daten. Laut einem Bericht von Seagate und IDC aus dem Jahr 2020 werden die Unternehmensdaten in den nächsten zwei Jahren voraussichtlich mit einer jährlichen Wachstumsrate von 42,2 % zunehmen. Und doch werden derzeit nur 32 % dieser Daten genutzt.
Eine effektive Datenverwaltung – Speicherung, Kennzeichnung, Katalogisierung, Sicherung, Verknüpfung und Abfragebarkeit – birgt zahlreiche Herausforderungen. Sobald diese Herausforderungen gemeistert sind, müssen Unternehmen Benutzer identifizieren, die nicht nur technisch kompetent genug sind, um auf diese Daten zuzugreifen und sie zu nutzen, sondern auch in der Lage sind, dies umfassend zu tun.
Heutzutage müssen Unternehmen Gartensorten-Analysten mit gezielter, hypothesengestützter Arbeit beauftragen. Die Abkürzung ist in einem allgemeinen Refrain zusammengefasst: „Normalerweise lasse ich Analysten eine Teilmenge der Daten abrufen und Pivot-Tabellen darauf ausführen.“
Um einen Tunnelblick zu vermeiden und Daten umfassender zu nutzen, wird diese hypothesenbasierte Analyse durch Business Intelligence (BI) ergänzt, bei der maßstabsgetreue Daten in Berichte, Dashboards und Visualisierungen verfeinert werden. Aber selbst dann erfordert die schwindelerregende Größe von Diagrammen und Grafiken von der Person, die sie durchsieht, ein ausgeprägtes Gespür dafür, worauf es ankommt und worauf man achten muss – wiederum hypothesengetrieben –, um die Welt zu verstehen. Anders kann der Mensch mit der kognitiven Überlastung einfach nicht umgehen.
Der richtige Zeitpunkt für KI und ML ist gekommen. Im Idealfall würde das bedeuten, dass es zahlreiche Teams aus Datenwissenschaftlern, Dateningenieuren und ML-Ingenieuren gibt, die solche Lösungen zu einem Preis liefern können, der sich problemlos in das IT-Budget einfügt. Idealerweise sind Unternehmen auch mit der richtigen Menge an Technologie ausgestattet; GPUs, Rechen- und Orchestrierungsinfrastruktur zum Erstellen und Bereitstellen von KI- und ML-Lösungen im großen Maßstab. Aber ähnlich wie bei den Geschäftsrevolutionen vergangener Tage ist dies nicht der Fall.
Unzugängliche Lösungen
Der Markt bietet eine Vielzahl von Lösungen, die auf zwei Ansätzen basieren: Hinzufügen von noch mehr Intelligenz und Erkenntnissen zu bestehenden BI-Tools; und die Entwicklung und Bereitstellung von ML-Lösungen im wachsenden Bereich der ML-Operationen (MLOps) wird immer einfacher.