Unternehmen jeder Größe nutzen KI als transformative Technologie, um ihre digitalen Transformationsreisen voranzutreiben. Dennoch können die Herausforderungen bei der Operationalisierung der KI in großem Maßstab immer noch unüberwindbar erscheinen große Zahl von Projekten scheitern.

Ich habe mit mehreren Organisationen in den Bereichen Big Data und KI gearbeitet und einige klare Trends gesehen, warum die KI-Bemühungen nach einem begeisterten Start ins Stocken geraten. Hierbei handelt es sich um große, etablierte Organisationen, die hervorragende Unterstützung von Vorstand, C-Suite, Geschäftsinteressenten und sogar Kunden erhalten haben, um sich auf KI-gestützte Transformationsreisen einzulassen. Sie haben höchstwahrscheinlich eine Art Kompetenzzentrum (Center of Excellence, CoE) für KI eingerichtet, das sowohl in Führungspositionen als auch in technischen Funktionen eine Schlüsselrolle spielt, und das Versprechen der KI unter Verwendung einiger maschineller Lernprojekte in begrenztem Umfang unter Beweis gestellt. Dann bewegen sie sich, um ein Projekt in die Produktion zu skalieren, und bleiben stecken.

Die Gründe, warum die Skalierung der KI so schwierig ist, scheinen unter vier Themen zu fallen: Anpassung, Daten, Talent und Vertrauen.

Anpassung. Die Lösung von Problemen mit maschinellem Lernen (ML) zur Steigerung der Geschäftsergebnisse erfordert Anpassungen. Die meisten Modelle zur Lösung von KI-Problemen - beispielsweise ML, Deep Learning (DL) und Verarbeitung natürlicher Sprache (NLP) - sind Open-Source-Modelle oder frei verfügbar. Und diese Modelle selbst sind nicht der entscheidende Faktor bei der Lösung von Problemen in Produktionsqualität. Ihr Team muss jedes Modell an Ihr spezifisches Problem, Ihre Daten und Ihre Domäne anpassen und trainieren. Anschließend müssen Sie die Modellparameter so optimieren, dass sie mit den Zielergebnissen / Key Performance Indicators (KPIs) Ihres Unternehmens übereinstimmen. Um Ihre Modelle bereitzustellen, müssen Sie sie in Ihre vorhandene IT-Architektur integrieren. Das Erstellen von KI-Systemen von Grund auf für jedes Problem und jede Domäne erfordert daher eine Menge Anpassungsarbeit. Wenn Sie sich stattdessen für den Kauf von Standardlösungen entscheiden, die nicht für Ihre spezifischen Anforderungen optimiert sind, gehen Sie Kompromisse bei Leistung und Ergebnissen ein. Beide Pfade haben ihre Vor- und Nachteile, aber es ist wichtig zu erkennen, dass KI Anpassungen für jedes Projekt und jedes Geschäftsproblem erfordert und dass ein wesentlicher Bestandteil der Operationalisierung von KI darin besteht, den Anpassungsprozess so effizient wie möglich zu gestalten.

Ihre Daten. Ich habe gesehen, dass eine Reihe von Organisationen bei AI versagt haben, weil sie den Aufwand unterschätzt haben, der erforderlich ist, um die Daten zu nutzen, vorzubereiten und darauf zuzugreifen, um diese Projekte im Produktionsmaßstab voranzutreiben, und es wird zu einem Kaninchenbau. In den meisten Fällen stellen sie fest, dass sie keine standardisierten Datendefinitionen oder keine ordnungsgemäße Datenverwaltung haben, oder sie haben Probleme mit verteilten Datenquellen. Dies startet eine mehrjährige Transformationsreise. Es gibt zwar eine Menge Big-Data-Projekte, die auf den Zugriff, die Organisation und die Kuratierung dieser unterschiedlichen Datensätze zugreifen, diese reichen jedoch nicht aus, um eine skalierbare Lösung für dieses Problem bereitzustellen. Fortgeschrittene Techniken des maschinellen Lernens für die Arbeit mit kleineren Datensätzen und lauteren Daten in der Produktion sind ebenfalls erforderlich, um diese Blockade zu beseitigen und KI-Piloten zur Produktion zu bringen. 

Talent. Die meisten Organisationen, in denen ich AI-Projekte gesehen habe, können angeheuerte ML-Ingenieure und Datenwissenschaftler nicht skalieren und haben festgestellt, dass es unmöglich ist, jemanden zu finden, der über eine Kombination aus statistischen (ML) Fähigkeiten und Fachkenntnissen (sowohl im Geschäftsbereich als auch im Prozessbereich) verfügt ) und Erfahrung in der Softwareentwicklung. Mit klassischem Organisationsdesign versuchen sie, es zu umgehen. Wenn Sie dieses begehrte Talent behalten und weiterentwickeln können, werden Sie letztendlich eine beeindruckende interne Fähigkeit entwickeln, aber die Notwendigkeit, ein Team aufzubauen, verzögert Ihre Wertrealisierung mit KI. Dies wirkt sich auf Ihre Fähigkeit aus, schnell genug zu innovieren. Ich nenne dies den „KI-Durchsatz“, die Anzahl der KI-Projekte, die in Produktion gehen können. Es dauert Jahre, bis diese Teams echte Ergebnisse erzielen. Erfolgreichere Organisationen haben einen ganzheitlichen Ökosystemansatz zur Skalierung von Talenten eingeführt, indem interne KI-Teams mit externen Partnern erweitert wurden, um einen schnelleren Weg von der Pilotproduktion zur Produktion zu entwickeln und den KI-Durchsatz zu verbessern.

Vertrauen. Menschen auf der ganzen Welt haben gemischte Gefühle gegenüber KI und befürchten, dass dies ihre Arbeit überholt oder irrelevant machen könnte. Das Entwerfen von KI-Systemen, bei denen die Zusammenarbeit zwischen Mensch und Maschine im Vordergrund steht, ist daher für die Skalierung der KI in diesen Organisationen von grundlegender Bedeutung. Obwohl die vollständige Automatisierung durch KI die Lösung für viele geschäftliche Herausforderungen sein kann, sind die effektivsten Prozesse mit hohem Alpha-Wert immer noch diejenigen, die von Menschen ausgeführt werden. Für die umfassende Einführung von KI in einem Unternehmen benötigen Sie Buy-In, Support und Integration in mehrere Geschäftsprozesse, IT-Systeme und Stakeholder-Workflows. Die Implementierung von KI in Geschäftsprozesse birgt auch eine Vielzahl von Risiken. Ein Risiko besteht in der Geschäftsleistung in Fällen, in denen die geschäftlichen Auswirkungen des KI-Systems unklar sind, was Unternehmen Zeit, Ressourcen und Opportunitätskosten kostet. Ein weiteres Risiko besteht in der Einhaltung der internen Revision und der regulatorischen Anforderungen, ein Bereich, der sich weitgehend schnell entwickelt. Eine dritte Art von Risiko ist die Reputation, mit Bedenken, dass voreingenommene Entscheidungen oder Entscheidungen, die von Black-Box-Algorithmen getroffen werden, die Erfahrungen der Stakeholder negativ beeinflussen können. Dies ist ein kritisches Hindernis, auf das selbst die fortgeschrittensten Teams stoßen werden, wenn sie versuchen, die KI in ihren Organisationen zu skalieren.

Die Bewältigung der hier beschriebenen Herausforderungen erfordert mehr als nur Technologie und Toolsets. Es beinhaltet eine Kombination von organisatorischen Prozessen, die Fähigkeit, verschiedene Teams zusammenzubringen und aktiv mit einem kuratierten Ökosystem interner und externer Partner zusammenzuarbeiten. Das 15.7 Billionen Dollar Die Chance mit KI liegt vor uns, aber es erfordert, dass wir als Branche zusammenkommen, um diese zentralen Herausforderungen zu lösen. Ich werde diese Bereiche in zukünftigen Beiträgen untersuchen, wobei der Schwerpunkt auf dem Austausch einiger bewährter Verfahren liegt.

Ganesh Padmanabhan ist VP, Global Business Development & Strategic Partnerships bei BeyondMinds. Er ist auch Mitglied der Kognitive Welt Think Tank zur Unternehmens-KI.