Im Folgenden sind die wichtigsten Ergebnisse des Berichts aufgeführt:
Unternehmen kaufen KI/ML ein, haben aber Schwierigkeiten, unternehmensweit zu skalieren. Die überwiegende Mehrheit (93 %) der Befragten verfügt über mehrere experimentelle oder im Einsatz befindliche KI/ML-Projekte, wobei größere Unternehmen wahrscheinlich einen größeren Einsatz haben. Eine Mehrheit (82 %) sagt, dass die ML-Investitionen in den nächsten 18 Monaten steigen werden, und verknüpft KI und ML eng mit den Umsatzzielen. Doch die Skalierung stellt eine große Herausforderung dar, ebenso wie die Einstellung qualifizierter Arbeitskräfte, die Suche nach geeigneten Anwendungsfällen und die Wertdarstellung.
Für den Erfolg einer Bereitstellung ist eine Talent- und Kompetenzstrategie erforderlich. Die Herausforderung geht über die Gewinnung wichtiger Datenwissenschaftler hinaus. Unternehmen benötigen Hybrid- und Übersetzertalente, um das KI/ML-Design, das Testen und die Governance zu leiten, sowie eine Personalstrategie, um sicherzustellen, dass alle Benutzer eine Rolle in der Technologieentwicklung spielen. Wettbewerbsfähige Unternehmen sollten den Arbeitnehmern klare Chancen, Fortschritte und Auswirkungen bieten, die sie von anderen abheben. Für die breitere Belegschaft sind Weiterbildung und Engagement der Schlüssel zur Unterstützung von KI/ML-Innovationen.
Kompetenzzentren (Centers of Excellence, CoE) bieten eine Grundlage für den breiten Einsatz und gleichen den Technologieaustausch mit maßgeschneiderten Lösungen aus. Unternehmen mit ausgereiften Fähigkeiten, in der Regel größere Unternehmen, neigen dazu, Systeme im eigenen Haus zu entwickeln. Ein CoE bietet ein Hub-and-Spoke-Modell mit abteilungsübergreifender zentraler ML-Beratung, um neben maßgeschneiderten Tools weithin einsetzbare Lösungen zu entwickeln. ML-Teams sollten einen Anreiz erhalten, über die sich schnell entwickelnden Entwicklungen in der KI/ML-Datenwissenschaft auf dem Laufenden zu bleiben.
Die KI/ML-Governance erfordert robuste Modelloperationen, einschließlich Datentransparenz und -herkunft, regulatorischer Weitsicht und verantwortungsvoller KI. Die Schnittstelle mehrerer automatisierter Systeme kann für fortschrittliche Data-Science-Tools ein erhöhtes Risiko mit sich bringen, beispielsweise Cybersicherheitsprobleme, rechtswidrige Diskriminierung und Makrovolatilität. Regulierungsbehörden und zivilgesellschaftliche Gruppen prüfen KI, die Auswirkungen auf Bürger und Regierungen hat, mit besonderem Augenmerk auf systemrelevante Sektoren. Unternehmen benötigen eine verantwortungsvolle KI-Strategie, die auf vollständiger Datenherkunft, Risikobewertung sowie Kontrollen und Kontrollen basiert. Dies erfordert technische Eingriffe, wie etwa die automatisierte Kennzeichnung von KI-/ML-Modellfehlern oder -Risiken, sowie soziale, kulturelle und andere geschäftliche Reformen.
Laden Sie den Bericht herunter
Dieser Inhalt wurde von Insights erstellt, dem Bereich für benutzerdefinierte Inhalte von MIT Technology Review. Es wurde nicht von der Redaktion des MIT Technology Review verfasst.