Von AI Trends Staff
Unternehmen, die sich zur Entwicklung von KI-Projekten verpflichtet haben und als nächstes einige Erfolge erzielt haben, stehen vor den Herausforderungen, das Projekt für das Unternehmen erfolgreich zu skalieren.
Um alle Vorteile nutzen zu können, muss das Unternehmen die KI an der Geschäftsstrategie ausrichten, eine funktionsübergreifende Zusammenarbeit sicherstellen, in die richtigen Talente und Schulungen investieren und strenge Datenpraktiken anwenden Tech-Draht.
Dies sind keine kleinen Aufgaben. Eine kürzlich durchgeführte globale Umfrage zu KI von McKinsey stellten fest, dass die meisten Befragten, die sich der KI verschrieben haben, an Wert gewinnen, aber einige erreichen große Größenordnung, Umsatzsteigerungen und Kosteneinsparungen als die anderen.
Eine separate Umfrage von Accenture fanden heraus, dass Unternehmen, die KI strategisch skalieren, die fünffache Kapitalrendite erzielen, verglichen mit Unternehmen, die nicht skalieren können. 86% der Führungskräfte gaben an, dass sie nicht damit rechnen, ihre Wachstumsziele zu erreichen, wenn sie ihre KI nicht skalieren können. Darüber hinaus glauben drei Viertel der befragten Führungskräfte auf C-Ebene, dass ihre Unternehmen wahrscheinlich ihre Geschäftstätigkeit einstellen werden, wenn sie KI nicht aggressiv in ihrem gesamten Unternehmen einsetzen.
Für einige Zusammenhänge schätzt McKinsey, dass AI in den nächsten zehn Jahren der Weltwirtschaft 13 Billionen US-Dollar hinzufügen wird. Der volle Wert von KI kann nur dann erreicht werden, wenn Unternehmen ihre Vorabkosten für Entwicklungs-KI ausgeglichen haben und durch den weit verbreiteten Einsatz erhebliche Geschäftsgewinne erzielen. "Die meisten Unternehmen haben jedoch Probleme, die KI zu skalieren", heißt es in dem Konto.
Die Hauptgründe, warum die Skalierung von KI so herausfordernd ist, fallen unter vier Themen: Anpassung, Daten, Talent und Vertrauen, schlägt der Verfasser eines kürzlich veröffentlichten Kontos vor VentureBeat.
Anpassung: Die meisten Modelle zur Lösung von KI-Problemen-ML, Deep Learning und Verarbeitung natürlicher Sprache zum Beispiel-sind Open Source, frei verfügbar für jedermann. Unternehmensteams müssen jedes Modell anpassen und trainieren, um es an das spezifische Problem, die Daten und die Domäne anzupassen. Die Modellparameter müssen optimiert werden, um sie an den wichtigsten Leistungsindikatoren des Unternehmens auszurichten. Für die Bereitstellung müssen die Modelle in die vorhandene IT-Architektur integriert werden.
"Das Erstellen von KI-Systemen von Grund auf für jedes Problem und jede Domäne erfordert daher eine Menge Anpassungsarbeit", erklärte der Autor. Ganesh Padmanabhan ist VP, Global Business Development & Strategic Partnerships bei BeyondMinds. Das in Tel Aviv ansässige Unternehmen liefert eine modulare KI-Engine zur Lösung realer Geschäftsprobleme. "Ein wesentlicher Teil der Operationalisierung der KI besteht darin, den Anpassungsprozess so effizient wie möglich zu gestalten", erklärte er.
Datum: Der Aufwand für die Nutzung, Vorbereitung und den Zugriff auf die Daten zur Steuerung von KI-Projekten wird häufig unterschätzt und ist der Grund, warum viele KI-Projekte fehlschlagen. In vielen Fällen stellt die Organisation fest, dass ihnen standardisierte Datendefinitionen oder ordnungsgemäße Datendefinitionen fehlen, und sie haben Probleme mit verteilten Datenquellen. "Damit beginnt eine mehrjährige Transformationsreise", erklärte Padmanabhan. Fortgeschrittene Techniken des maschinellen Lernens für die Arbeit mit kleineren Datensätzen und lauteren Daten in der Produktion sind erforderlich, um die KI-Pilotprojekte in die Produktion zu bringen.
Talent: ML-Ingenieure und Datenwissenschaftler, die statistische Fähigkeiten (ML), Fachkenntnisse und Erfahrung in der Softwareentwicklung kombinieren. "Die Notwendigkeit, ein Team hochzufahren, verzögert Ihre Wertrealisierung mit KI", erklärte er und fügte hinzu: "Es dauert Jahre, bis diese Teams echte Ergebnisse erzielen." Einige Organisationen erweitern interne KI-Teams mit externen Partnern, um einen schnelleren Weg von der Pilotproduktion zur Produktion zu finden, schlug er vor.
Vertrauen: Angesichts der Befürchtungen, dass KI Arbeitsplätze überflüssig machen könnte, müssen KI-Systeme in Zusammenarbeit zwischen Mensch und Maschine entwickelt werden. "Für eine umfassende Einführung von KI in einem Unternehmen benötigen Sie Buy-In, Support und Integration über mehrere Geschäftsprozesse, IT-Systeme und Stakeholder-Workflows hinweg", erklärte Padmanabhan.
Die Einhaltung der internen Revision und der regulatorischen Anforderungen ist ein sich schnell entwickelnder Bereich, der ebenfalls erforderlich ist. Alle voreingenommenen Entscheidungen der Black-Box-KI können ein Risiko darstellen. "Dies ist ein kritisches Hindernis, auf das selbst die fortgeschrittensten Teams stoßen werden, wenn sie versuchen, die KI in ihren Organisationen zu skalieren", sagte er.
„Siled Work Culture“ rund um das Datenmanagement muss gehen
Ein Teil der Bemühungen zur Skalierung der KI im Unternehmen erfordert möglicherweise eine Transformation einer „isolierten Arbeitskultur“, insbesondere im Bereich des Datenmanagements, schlägt der Gründer eines Unternehmens vor, das Unternehmen dabei hilft, die Einführung der KI zu beschleunigen.
"Um die KI in Unternehmen zu skalieren, müssen Geschäft, Technologie und Daten zusammengeführt werden “, erklärte Sumanth Vakada, Gründer und CEO von Qualetik Data Machines mit Sitz in Skillman, NJ, in a Blog-Post. "Die Organisationsdaten müssen entsperrt werden, um den freien Fluss im gesamten Unternehmen sicherzustellen. Dies kann in einer isolierten Arbeitskultur nicht passieren, und Organisationen müssen ein interdisziplinäres Team aufbauen, um die KI in den Organisationen voranzutreiben “, schlägt er vor.
Der Aufwand muss mehrere Datenströme von Arbeitsteams, Anwendungen, Kunden, Produkten und Dienstleistungen kombinieren. „Jeder dieser Bereiche ist in der Lage, Daten zu generieren, die sich seitlich auf andere Bereiche auswirken“, erklärte Vakada und fügte hinzu, dass die Hürde überwunden werden muss, um funktionsübergreifende Daten zu nutzen.
Wenn dies nicht der Fall ist, benötigt die Organisation, die versucht, die KI zu skalieren, ein „KI-Governance-Modell“ mit Buy-In aus der C-Suite, Ausrichtung auf die Geschäftsstrategie und Strukturierung der Rolle und Verantwortlichkeiten für die Ausführung. Ein effizienter Ansatz ist ein „Hub and Spoke: Modell“, bei dem der Hub die Verantwortung für Strategie und Planung übernimmt und kleine Teams in verschiedenen Abteilungen die Ausführung übernehmen, schlägt er vor.
"Die heutige Skalierung der KI verschafft Unternehmen einen großen Vorsprung, nicht nur bei der Auswahl der tief liegenden Früchte der Automatisierung und Intelligenz, sondern auch beim Aufbau von Kapazitäten für die Zukunft", erklärte Vakada.
Lesen Sie die Quellartikel und Informationen in Tech-Draht, in Berichten von McKinsey und Accenture, in VentureBeat und in der Blog-Post für Qualetik Datenmaschinen.
Kasse PrimeXBT
Handel mit den offiziellen CFD-Partnern des AC Mailand
Der einfachste Weg, um mit Krypto zu handeln.
Quelle: https://www.aitrends.com/infrastructure-for-ai/how-to-meet-the-enterprise-grade-challenge-of-scaling-ai/
