Gartner:Zukunft der KI und die Herausforderungen

Maschinelles Lernen und künstliche Intelligenz nähern sich in einem Hype-Zyklus dem Höhepunkt der überhöhten Erwartungen.

In einem Webinar skizzierte Peter Krensky, Director Analyst bei Gartner, den aktuellen Stand des maschinellen Lernens und der künstlichen Intelligenz, die nächsten fünf Jahre und einige der Herausforderungen, die sich voraussichtlich auf die Einführung, Entwicklung und Bereitstellung auswirken werden.

Laut Krensky nähern sich ML und KI in einem Hype-Zyklus dem Höhepunkt der überhöhten Erwartungen. Augmented und Virtual Reality haben bereits das „Tal der Ernüchterung“ erreicht, das auf den Höhepunkt folgt, und autonome Fahrzeuge und Drohnen haben den Höhepunkt überschritten, müssen aber noch den Tiefpunkt des Zyklus erreichen.

Allerdings gibt es noch viele unerschlossene Branchen für KI und ML. „Nur 40 Prozent der Top-Performer betrachten künstliche Intelligenz als Gamechanger“, sagte Krensky. „Es gibt also viel Grünfläche in vielen verschiedenen Arten von Organisationen, sogar in ganzen Branchen, die gerade ihre Zehen in die Möglichkeiten des maschinellen Lernens stecken.“

Einer der Faktoren, die für die Weiterentwicklung von KI und ML sprechen, ist die Abstimmung zwischen akademischen, wissenschaftlichen und unternehmerischen Kernkonzepten. Über 90 Prozent der Industrie schreiben KI- und ML-Algorithmen und -Plattformen in Python, viele verwenden dieselben Open-Source-Bibliotheken (Apache, TensorFlow) und dieselbe Cloud-Infrastruktur (AWS, Azure).

Diese Ausrichtung führt zu größeren Synergien in der gesamten Branche, was sich bei der Rekrutierung von Talenten in der Zukunft als wertvoll erweisen könnte.

In der gesamten Branche gibt es eine stetige Migration in die Cloud, während etwa 30 bis 45 Prozent weiterhin KI oder ML lokal ausführen. Krensky ist der Ansicht, dass Unternehmen in vielen Fällen zu viel Geld für den Aufbau des KI- oder ML-Programms ausgeben und billigere Alternativen wie vortrainierte Modelle und Cloud-Infrastruktur vermeiden, wenn die Ergebnisse ähnlich wären.

„Wir müssen uns daran gewöhnen, dass die Infrastruktur für maschinelles Lernen in der Cloud und eine sich ständig weiterentwickelnde Reihe von proprietären und Open-Source-Komponenten die neue Normalität sind“, sagte Krensky. „Jedes Jahr gibt es ein neues Open-Source-Framework, über das wir nicht gesprochen haben Vor etwa zwei Jahren, und jetzt reden wir die ganze Zeit darüber.“

Betrachtet man, wie KI implementiert wird, hat Gartner vier Modelle:

• Staffel übergeben – Die KI übernimmt den mühsamen Teil der Aufgabe, und der menschliche Bediener erledigt den Rest.
• Symbiose – Die KI ist in der Lage, die Schwächen eines Menschen zu überdecken, indem sie beispielsweise riesige Datenmengen in Sekundenschnelle verarbeitet.
• Augmented Analytics – Die KI wird als Trainer oder Leitfaden für den menschlichen Bediener verwendet und liefert Analysen oder Erkenntnisse aus den Daten. Ein Beispiel dafür könnte ein aktuelles KI-Projekt sein, das fehlende Wörter oder Sätze in antiken griechischen Stichen vorschlug.
• Zuverlässigkeitsprüfung – Die KI führt die meisten Funktionen aus, hat aber einen menschlichen Bediener in Bereitschaft, der auf Fehler achtet. Zum Beispiel ein Kundensupport-Bot, der schwierige Fälle an einen Menschen weiterleitet.

In einer Umfrage von Gartner gaben die meisten Führungskräfte an, dass die Fähigkeiten der Mitarbeiter mit 56 Prozent die größte Herausforderung für die Einführung von KI und ML seien. Krensky erwähnte im Webinar, dass die meisten ML-Entwickler jung sind, weniger als fünf Jahre Erfahrung haben und weniger als zwei Jahre in ihrem Job sind.

Darüber hinaus sieht Gartner den Erfolg eines Projekts darin, mehrere Mitarbeiter mit unterschiedlichen Fachkenntnissen zu haben. Datenwissenschaftler, Dateningenieure, ML-Spezialisten und Domänenexperten spielen alle eine besondere Rolle bei der Entwicklung eines KI- oder ML-Projekts, aber häufig verlassen sich Unternehmen auf Dateningenieure mit breitem Wissen.

Die zweitgrößte Herausforderung bestand darin, die Vorteile und Verwendungsmöglichkeiten von KI zu verstehen. In dem Webinar empfahl Krensky, dass Unternehmen das KI-Projekt korrekt verwalten und nicht in alle Bereiche investieren müssen, sondern sich auf einige Schlüsselbereiche konzentrieren müssen, die finanziell sinnvoll sind.

Umfang und Qualität der Daten sind die drittgrößte Herausforderung und eine, von der Krensky glaubt, dass sie ganz oben auf der Liste stehen sollte. Ohne angemessenes Datenmanagement, Qualitätsprüfungen und Data Governance ist die Wahrscheinlichkeit, dass ein KI- oder ML-Projekt scheitert, viel höher.