In vier Schritten zum KI- und Machine-Learning-Einsatz

Bild: ©monsitj/stock.adobe.com

Die Möglichkeiten, große Datenmengen zu interpretieren, werden immer umfangreicher. In den meisten Unternehmen ist die Masse an strukturierten und unstrukturierten Daten jedoch schlichtweg zu groß oder sie übersteigt die aktuelle Verarbeitungskapazität. Mithilfe von künstlicher Intelligenz (KI) oder Machine Learning (ML) ist es möglich, das Potenzial verfügbarer Ressourcen und Daten zu erschließen. Doch wie wählen Unternehmen den richtigen Ansatz für sich?

Bild: ©monsitj/stock.adobe.com

Die meisten Unternehmen ergründen Modelle

KI und Machine Learning sind aktueller denn je, denn Unternehmen kombinieren Cloud-basierte Rechen-, Speicher- und Netzwerkfunktionen mit einer fortlaufend steigenden Masse an Daten. Diese leistungsstarke Kombination hilft Unternehmen, kundenorientierte Erlebnisse zu erhalten, ihr Geschäftsumfeld zu verstehen und ein neues Maß an Effizienz zu erreichen. Doch durch KI- oder ML-gesteuerte Unternehmenserfolge zu erreichen, ist schwierig. In einer von Rackspace Technology beauftragten Studie berichten nur 16 Prozent der Befragten aus Deutschland und den Niederlanden von ausgereiften KI/ML-Funktionen. Die Mehrheit dieser Befragten (85 Prozent in Deutschland und den Niederlanden) ergründet noch KI/ML-Modelle oder arbeitet daran, diese in ihre Unternehmensabläufe zu integrieren.

Warum Ansätze scheitern

Laut der Studie haben Unternehmen aus mehreren Gründen Schwierigkeiten mit ihren KI- und ML-Bemühungen: Sie schaffen es nicht, die richtigen Daten in Echtzeit in die richtige Anwendung zu integrieren oder sie an den richtigen Analysepunkt zu bringen. Eine Weiterbildung für ML ist aber auch nur die halbe Miete: Sie kann nur so gut sein, wie die Daten, die in KI/ML-Frameworks und intelligente Anwendungen eingespeist werden. Die Daten sollten nicht veraltet oder unvollständig sein, denn die generierten Antworten und Ergebnisse können verzerrt und unter Umständen schlichtweg falsch sein.

Fehlende Zusammenarbeit

Ein weiterer Grund ist eine fehlende organisatorische Zusammenarbeit: Die Entwicklung der richtigen Trainings- und KI-Algorithmen für Machine Learning erfordert ein ganzheitliches Verständnis der Daten und Prozesse, die automatisiert werden sollen, und zwar über Unternehmensgrenzen hinweg. Dies erfordert die richtige Kommunikation und das Einverständnis innerhalb eines gesamten Unternehmens. Mangelnde Zusammenarbeit führt oft zu einer schlechten Implementierung, minderwertigen Daten und Ablehnung der Anwendungen oder der Automatisierungsprojekte.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert