Das Jahr 2020 wird eine neue Ära in der Nutzung künstlicher Intelligenz (KI) einläuten, denn die Unternehmen werden versuchen, die Pilotprojekte, mit denen sie sich in der Vergangenheit beschäftigt haben, auszuweiten und ihre Unternehmen intelligenter zu gestalten. DXC Technology spricht hier von der Industrialisierung der KI: „Es ist ein bisschen wie bei der Einführung von Elektrizität; KI ist der neue Treibstoff für alles“, sagt Jerry Overton, DXC Fellow und Leiter des Bereichs KI bei DXC. Anders als Pilotprojekte zu Wirksamkeitsnachweisen, wie sie Unternehmen bisher durchgeführt haben, erfordert die industrialisierte KI ein neues Maß an Investitionen, Expertise und Wissen.

 

Machen Sie sich auf eine gewaltige disruptive Kraft gefasst

Banken setzen industrialisierte KI in einem radikalen Schritt zur Preisbildung ein: Zukünftig kann jeder sehen, was ein Transaktionsservice kostet, stellte der Financial Innovation Lead des Weltwirtschaftsforums (WEF), Jesse McWaters, in einem Interview mit der Deutschen Bank fest. „Schnelle Sofort- und Echtzeitservices werden die Norm sein und da der digitale Vertrieb zunehmend an Beliebtheit gewinnt, dürften umfassende Zweigstellen- und Maklernetzwerke digitalen Verbindungen (z. B. über Apps) weichen.“

Angesichts dieser bevorstehenden Disruption im Bankenbereich müssen sich Entscheidungsträger in allen Sektoren darüber klar werden, was KI und maschinelles Lernen (ML) leisten können. Zweifellos wird künstliche Intelligenz in unserer Zukunft eine maßgebliche Rolle spielen, doch sind viele Schlagzeilen irreführend, denn sie beschreiben entweder eine dystopische, von Bots kontrollierte Welt oder sie verbreiten utopische Visionen. Die Wirklichkeit liege irgendwo dazwischen, sagt Overton, und dass Unternehmen, die KI industrialisieren möchten, einen gesunden Realitätssinn benötigten.

 

Machen Sie sich mit den vier Grundpfeilern der Industrialisierung vertraut

Overton legt die vier Grundpfeiler der Industrialisierung in einer praktischen KI-Gebrauchsanweisung dar:

  1. Operationalisierung: Dieser Bereich ist ganz neu und die von Ihnen erstellten Services müssen mit den anderen Systemen und Anwendungen kooperieren.
  2. Integration: Plötzlich wollen alle Leute die ML-Fähigkeit auch in ihre Anwendungen integrieren.
  3. Umgang mit KI-Abweichungen: ML kann durch neue Entwicklungen und Kundentrends schnell veralten. Deshalb müssen Sie ML und Algorithmen regelmäßig neu trainieren und Prozesse einrichten, die eine regelmäßige Aktualisierung gewährleisten. KI, die nicht ordnungsgemäß verwaltet wird, kann auch zu einem Sicherheits- oder ethischen Risiko werden.
  4. Monetarisierung: Unternehmen können gewaltige Geldsummen für die KI-Skalierung aufwenden. Sie brauchen eine Investitionsrendite, über die sie im Vorfeld nachdenken müssen.

„Angesichts der Tatsache, dass die Industrialisierung kein sequenzieller Prozess ist, braucht es einen Dirigenten, der dafür sorgt, dass die verschiedenen KI-Stränge als Ganzes zusammenspielen“, so Overton. „Das ist die Stärke von DXC.“

 

Nutzen Sie das Potenzial der Daten – vermeiden Sie KI-Silos

Das Organisieren der nächsten Phase der KI im Sinne dieser vier Grundsätze ist eine vernünftige Basisarbeit, aber es warten noch weitere Probleme, warnt Overton. Ein Problem, auf das er häufig stößt, sind Daten, die in unterschiedlichen Systemen und einer Vielzahl von Formaten gefangen sind. Wird dieses Problem nicht direkt zu Anfang geklärt, besteht die Gefahr, dass KI-Lösungen aus unterschiedlichen Datensätzen entwickelt und in Silos betrieben werden, was die Industrialisierung zum Scheitern bringen würde.

Die Aufklärung des Vorstands und anderer hochrangiger Entscheidungsträger – sowie der Arbeitnehmer, von denen erwartet wird, dass sie an der Seite von Cobots arbeiten – ist eine weitere grundlegende Aufgabe in der industriellen KI. „Jeder sollte an Schulungen zum maschinellen Lernen teilnehmen, um sich über die Auswirkungen und die Ethik der Nutzung von Daten zu informieren und um sicherzustellen, dass diese nicht ,vermenschlicht‘ werden. Das sollte man nicht einfach den Data Scientists überlassen“, rät Overton.