Gartner prognostiziert KIs nächstes Kapitel: Chancen, Risiken und Adoptionshürden

Machine Learning und künstliche Intelligenz nähern sich dem Stadium der „Peak Inflated Expectations“ in einem Hype-Zyklus.

In einem Webinar skizzierte Gartner-Direktoranalyst Peter Krensky den aktuellen Stand von Machine Learning und künstlicher Intelligenz, die nächsten fünf Jahre und einige der Herausforderungen, die Adoption, Entwicklung und Deployment wahrscheinlich beeinflussen werden.

Laut Krensky nähern sich ML und KI dem Stadium der „Peak Inflated Expectations“ in einem Hype-Zyklus. Augmented und Virtual Reality haben bereits das „Trough of Disillusionment“ erreicht, das dem Peak folgt, und autonome Fahrzeuge und Drohnen waren bereits am Peak vorbei, haben aber noch nicht den Boden des Zyklus erreicht.

Dennoch gibt es noch eine große Menge unerschlossener Branchen für KI und ML. „Nur 40 Prozent der Top-Performer betrachten künstliche Intelligenz als Gamechanger“, sagte Krensky. „Also gibt es viel Freiraum in vielen verschiedenen Organisationstypen, sogar ganzen Branchen, die gerade erst ihre Zehen in das tunken, was mit Machine Learning möglich ist.“

Ein Faktor, der KI und MLs weiterer Entwicklung zugutekommt, ist die Ausrichtung zwischen akademischen, wissenschaftlichen und unternehmerischen Kernkonzepten. Über 90 Prozent der Branche schreiben KI- und ML-Algorithmen und -Plattformen in Python, viele nutzen dieselben Open-Source-Bibliotheken (Apache, TensorFlow) und dieselbe Cloud-Infrastruktur (AWS, Azure).

Diese Ausrichtung führt zu größerer Synergie in der Branche, was wertvoll sein könnte, wenn es zukünftig um die Rekrutierung von Talenten geht.

Branchenweit gibt es eine stetige Migration in die Cloud, während etwa 30 bis 45 Prozent KI oder ML weiterhin on-premises betreiben. In vielen Fällen glaubt Krensky, dass Organisationen zu viel für den Aufbau des KI- oder ML-Programms ausgeben und günstigere Alternativen wie vortrainierte Modelle und Cloud-Infrastruktur vermeiden, obwohl die Ergebnisse ähnlich wären.

„Wir müssen uns daran gewöhnen, dass Machine-Learning-Infrastruktur in der Cloud ist und ein sich ständig weiterentwickelnder Satz proprietärer und Open-Source-Komponenten die neue Normalität ist“, sagte Krensky. „Jedes Jahr gibt es ein neues Open-Source-Framework, über das wir vor zwei Jahren nicht gesprochen haben und jetzt ständig reden.“

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

• Pass the baton – Die KI erledigt den mühsamen Teil der Aufgabe, der menschliche Operator vervollständigt den Rest.
• Symbiose – Die KI deckt menschliche Schwächen ab, z. B. durch Verarbeitung riesiger Datenmengen in Sekunden.
• Augmented Analytics – Die KI dient als Trainer oder Guide für den menschlichen Operator und liefert Analysen oder Insights aus den Daten. Ein Beispiel könnte ein aktuelles KI-Projekt sein, das fehlende Wörter oder Sätze in antiken griechischen Inschriften vorschlug.
• Sanity Check – Die KI führt die meisten Funktionen aus, hat aber einen menschlichen Operator auf Standby, der auf Fehler achtet. Zum Beispiel ein Kundensupport-Bot, der schwierige Fälle an einen Menschen weiterleitet.

In einer Gartner-Umfrage nannten die meisten Geschäftsführer die Fähigkeiten der Mitarbeiter als größte Herausforderung für KI- und ML-Adoption, bei 56 Prozent. Krensky erwähnte im Webinar, dass die meisten ML-Entwickler jung sind, weniger als fünf Jahre Erfahrung haben und seit weniger als zwei Jahren in ihrem Job sind.

Hinzu kommt, dass Gartner den Erfolg eines Projekts als das Vorhandensein mehrerer Mitarbeiter mit unterschiedlichen Fachkenntnissen sieht. Data Scientists, Data Engineers, ML-Spezialisten und Domänenexperten haben alle eine distincte Rolle in der Entwicklung eines KI- oder ML-Projekts, aber häufig verlassen sich Organisationen auf Data Engineers mit breitem Wissen.

Die zweitgrößte Herausforderung war das Verständnis der Vorteile und Anwendungen von KI. Im Webinar empfahl Krensky, dass Organisationen das KI-Projekt korrekt managen und nicht in alle Bereiche investieren, sondern sich auf einige wenige Schlüsselbereiche konzentrieren, die finanziell Sinn ergeben.

Datengültigkeit und -qualität ist die drittgrößte Herausforderung und eine, die Krensky glaubt, ganz oben auf der Liste stehen sollte. Ohne ordnungsgemäßes Datenmanagement, Qualitätsprüfungen und Data Governance ist ein KI- oder ML-Projekt viel wahrscheinlicher zum Scheitern verurteilt.