Sieben Dinge, die CIOs und Software-Käufer über Künstliche Intelligenz wissen sollten

Sieben Dinge die CIOs und software Käufer über Künstilche Intelligenz wissen sollten

26.01.2021

Künstliche Intelligenz ist nicht mehr nur ein Schlagwort.

In diesem Jahrzehnt wird die Zahl von KI-Anwendungenin vielen verschiedenen Geschäftsbereichen weiter zunehmen.

Während KI-Anbieter noch vor wenigen Jahren zu viel versprochen hatten, was ihre Lösungen in Bezug auf Leistung, Trainingsfähigkeit und einfache Implementierung tatsächlich erreichen konnten, hat Künstliche Intelligenz jetzt einen höheren Reifegrad erreicht und dies ermöglicht es Unternehmen, vorhandene Systeme schnell und erfolgreich mit KI- und ML-gesteuerten Anwendungen zu integrieren.

Dennoch gibt es noch einige Einschränkungen, die CIOs und Software-Käufer bei der Prüfung von KI-Anwendungen berücksichtigen müssen.

Hier sind sieben Dinge, die jeder wissen sollte, bevor Entscheidungen rund um KI-Anwendungen getroffen werden.

 

1 Künstliche Intelligenz ist meistens nur ein Marketing-Gag

Obwohl KI immer öfter von Software-Ersteller erwähnt wird, haben viele immer noch Schwierigkeiten, die Grenzen dieses Feldes korrekt zu definieren. Unternehmen bauschen die Fähigkeiten ihrer Plattformen übermäßig auf, indem sie mit trendigen Begriffen wie „Künstliche Intelligenz“ und „Machine Learning“ um sich werfen.

Vor allem, weil diese Unternehmen wissen, dass es für potenzielle Käufer einfach ist, eine Investition in KI zu rechtfertigen, um ihr eigenes Unternehmen moderner aussehen zu lassen.

Ein System, das Entscheidungen datenbasiert trifft (die entweder vom System selbst gesammelt oder manuell in das System eingegeben werden) und seine Funktionen an diese Informationen anpasst, hat absolut nichts mit KI zu tun.

Bedingte Funktionen und Antworten beruhen auf intrinsischen Regeln – und jedes regelbasierte System ist per Definition keine KI.

Ein intelligentes, flexibles System, das auf bestimmte Umgebungs- oder Verhaltensbedingungen zugeschnitten ist, kann sehr nützlich und gut strukturiert sein, aber das bedeutet nicht, dass es Lernmechanismen beinhaltet.

Entscheidungen basierend auf einer Datenbank mit Informationen und Regeln zu treffen, hat nichts mit KI zu tun. Das bedeutet aber nicht unbedingt, dass es etwas Schlechtes ist! In manchen Fällen ist es tatsächlich effizienter und schneller, ein regelbasiertes System anzubieten, wenn es wiederkehrende und leicht vorhersehbare Muster ohne Ausreißer gibt.

Viele KI-Lösungen binden auch Hybrid-Schritte in den Prozess ein, die ein gewisses Maß an regelbasierten Operationen beinhalten.

Systeme, die KI einsetzen, lernen im Laufe der Zeit selbstständig, benötigen eine spezielle Trainingsinfrastruktur und verwenden spezielle Machine Learning-Algorithmen, die die Art und Weise, wie das System lernt, bestimmen.

Komplexe, unstrukturierte und unvorhersehbare Anwendungen profitieren von KI, da sich der Zeitaufwand für das Systemtraining direkt auszahlt.
Bei KI geht es darum, mit der Zeit zu lernen und sich zu verbessern. KI ist ein Marathon, keine Sprintlösung.

EIN SYSTEM, DAS NICHT MIT DER ZEIT LERNT, IST KEINE KI-ANWENDUNG.

2 Es gibt verschiedene Möglichkeiten, eine KI zu bewerten und die meisten Anbieter werden Ihnen nicht die Wahrheit sagen

Genauigkeit ist sehr wichtig. Ein KI-System, das systematisch falsche Ergebnisse liefert, ist praktisch nutzlos.

Wenn es um KI-Anwendungen geht, verlassen sich viele Anbieter und Käufer auf den F-Score. Dieser Datenanalyse-Score wurde entwickelt, um die Genauigkeit eines statistischen Modells basierend auf einem bestimmten Referenzdatensatz zu messen.

Das erste Warnsignal: Wenn ich höre, dass Anbieter mit ihrem 98%- oder 99%- F-Score prahlen, läuft es mir kalt den Rücken runter. Es spielt keine Rolle, was für ein Modell Sie entwickelt haben, wenn dies der Genauigkeitsgrad ist, den Sie anbieten, ist das von Ihnen angebotene System entweder für triviale Anwendungen entwickelt worden oder Sie verkaufen nur ein weiteres regelbasiertes System in einer KI-Box.

Künstliche Intelligenz und Machine Learning werden eingesetzt, um komplexe und unvorhersehbare Input-Daten zu bewältigen. Wenn es ein klares Muster gibt, das dieses Maß an Konfidenz ermöglicht, sobald Sie das System implementieren, kann das nur bedeuten, dass der Anbieter die Modelle mit einer unverständlich großen Menge an Daten trainiert hat – oder er lügt schlichtweg.

Google hat Zugriff auf eine nahezu unendliche Menge an Dokumenten, Bildern, Texten und Daten im Allgemeinen. Wir alle wurden fürs Trainieren durch Crowdsourcing genutzt. Millionen von Menschen haben Googles KI geholfen, jeden Tag schlauer zu werden. Daher ist es einfach zu sehen, wie sie ein gewisses Maß an Konfidenz in ihre Ergebnisse liefern können. Aber wenn Sie mit einem Unternehmen sprechen, das vor drei Jahren gegründet wurde, 3 Mio. € an Finanzierung eingesammelt hat und 20 Mitarbeiter beschäftigt, können Sie sicher sein, dass das System nicht auf Anhieb genau sein wird. Egal wie großartig das Modell ist.

KI basiert auf einer gut durchdachten Lernumgebung, hochmodernen Algorithmen, einer soliden Infrastruktur und Daten, Daten und nochmal Daten.

Es ist völlig in Ordnung, wenn eine KI-Anwendung nicht in 98% der Fälle sofort die richtigen Ergebnisse liefert. KI ist eine langfristige Investition. Und je besser das System ist, desto schneller wird es lernen.

PRÜFEN SIE, WIE SCHNELL EIN SYSTEM SEINE GENAUIGKEIT VERBESSERN KANN, NICHT, WIE GENAU ES ANGEBLICH „OUT-OF-THE-BOX“ IST!

Das zweite Warnsignal: Der F-Score ist nur ein Maß für die Genauigkeit des Modells selbst, basierend auf den Daten, die es erhält. Aber die meisten intelligenten Systeme da draußen bieten auch Pre-Processing- und Post-Processing-Stufen an, um a) die Daten vorzubereiten, anzupassen und zu normalisieren und b) die Ergebnisse basierend auf internen und externen Datenbanken zu validieren und zu überprüfen, um sicherzustellen, dass die Ausgabe Sinn macht.

In diesem Fall sagt der F-Score wenig bis gar nichts über das Endergebnis aus. Sie müssen die Gesamtbewertung der kompletten Kette nach der Validierung und Verifizierung messen und sehen, wie potenzielle Post-Quality-Gate-HITL-Stufen (Human in the Loop) konzipiert sind, um mögliche Fehler einfach und schnell zu erkennen und zu beseitigen.

Intelligente Systeme werden in Stufen entwickelt, um die Genauigkeit des gesamten Prozesses zu erhöhen. Sich nur auf einen einzigen Wert für eine einzelne Stufe zu konzentrieren, ist eine kurzsichtige Art, ein System zu bewerten.

WENN SIE VERSCHIEDENE KI-LÖSUNGEN VERGLEICHEN, SCHAUEN SIE NICHT NUR AUF EINEN EINZELNEN LEISTUNGSINDIKATOR, SONDERN PRÜFEN SIE DIE GESAMTGENAUIGKEIT DES GESAMTEN PROZESSES.

3 Vergleichen Sie nicht Äpfel mit Birnen

Dieser Punkt steht im engen Zusammenhang mit dem vorherigen..

Beim Vergleich verschiedener Lösungen ist es nicht sinnvoll, dieselben Aufgaben an zwei völlig unterschiedliche Systeme mit verschiedenen Ansätzen zu vergeben.

Wenn Sie die Leistung eines regelbasierten Systems mit der eines KI-gesteuerten Systems vergleichen, wird das KI-System wahrscheinlich verlieren.

Stellen Sie sich die Frage: Brauche ich ein lernendes System, das mit der Zeit immer besser wird und mit unerwarteten Daten, unstrukturierten Informationen und Komplexität umgehen kann?

Wenn ja, dann brauchen Sie ein KI-gesteuertes System, egal wie schlecht es am Anfang im Vergleich zu einem regelbasierten System abschneidet. Denken Sie langfristig!

Sagen wir, Sie wollen Informationen aus zufälligen unstrukturierten Dokumenten extrahieren und wählen einige Lösungen zum Vergleich aus. Zum Testen der Systeme verwenden Sie dann strukturierte Dokumente, wie z. B. Kontoauszüge. Ein wie auch immer geartetes regelbasiertes System, das speziell auf die Arbeit mit Kontoauszügen abgestimmt ist, wird sofort alle Felder erkennen und die richtigen Informationen extrahieren.

Großartig! Sie haben gerade Ihren Champion gefunden.

Seien Sie aber gewarnt – das böse Erwachen kommt bestimmt. In der Realität könnten Sie erwarten, dass das System auch bei eingehenden Briefen oder E-Mails, Berichten oder sogar bei ausländischen Kontoauszügen, die in derselben Sprache sind, genauso gut funktioniert. Aber Sie werden bald feststellen, dass dies praktisch nie der Fall sein wird und dass die Genauigkeit von 90-95% auf 15-20% sinkt.

Wenn Sie verschiedene Lösungen vergleichen wollen, betrachten Sie nicht nur den F-Score(siehe oben) und weisen Sie den tatsächlichen KI-Systemen keine trivialen Aufgaben zu. Und das Wichtigste: Beurteilen Sie kein KI-System, das keinen ECHTEN Trainingsprozess durchlaufen hat: siehe nächster Punkt.

FÜHREN SIE TESTS DURCH, DIE SICH AN DEN FÄHIGKEITEN DER ZU VERGLEICHENDEN SYSTEME UND IHREN TATSÄCHLICHEN BEDÜRFNISSEN ORIENTIEREN – AUF DER GRUNDLAGE DER TÄGLICHEN PROZESSE – UND GEBEN SIE DER KI ZEIT, SICH AUF DIE AUFGABE VORZUBEREITEN.

4 Es liegt in Ihrer Verantwortung, die richtigen Trainingsdaten bereitzustellen.

Wenn ich einem Kind nur beibringe, wie man englische Gedichte liest und interpretiert, kann ich mich hinterher nicht beschweren, wenn es dann bei der deutschen Grammatikprüfung durchfällt.
.
Wenn Sie mit KI-Anbietern zu tun haben, werden Sie aufgefordert, echte Testdaten zur Verfügung zu stellen, die zum Trainieren des Systems verwendet werden können. Oder Sie entscheiden sich dazu, Ihre Modelle selbst zu trainieren, indem Sie eine Trainingsumgebung für KI-Modelle verwenden.

Hier gibt es zwei Probleme:

Wenn Ihre Daten zu gut oder irrelevant sind, wird das System nie lernen, wie es die Informationen verarbeiten soll.

Nehmen wir an, Sie möchten, dass ein System feststellt, ob eine Rechnung gültig ist oder nicht. Wenn Sie das System immer wieder mit 50% falschen und 50% richtigen Rechnungen füttern, wird die KI dies als Muster interpretieren und darauf abzielen, eine 50/50-Verteilung zu erreichen, egal was passiert.

Dieses Beispiel ist extrem vereinfacht und nicht zu 100% relevant für das Problem. Der Punkt ist jedoch, dass die Genauigkeit eines Systems vollständig davon abhängt, wie Sie es trainieren.

Wenn Sie möchten, dass das System Katzen unter mehreren Bildern von Tieren identifiziert und Sie es mit perfekten Bildern aus einer National Geographic-Datenbank füttern, können Sie sich nicht beschweren, wenn das System eine Katze in der Zeichnung Ihres Kindes nicht erkennt.

Stellen Sie Trainingsdaten bereit, die die Realität widerspiegeln. Wenn die Trainingsdaten zu perfekt sind, lernt das System zwar, mit Best Case-Szenarien umzugehen, wird aber nicht mit Abweichungen klarkommen.

Das zweite Problem ist, wenn die Trainingsdaten nicht brauchbar sind. Das ist das Gegenteil von der Bereitstellung unrealistisch perfekter Daten. In diesem Fall könnten Sie versuchen, ein System darauf zu trainieren, wie man Informationen aus medizinischen Berichten extrahiert, während Sie es mit Tonnen von Stellenanzeigen füttern, die mit Berichten vermischt sind.

Ich weiß, dieses Beispiel mag absurd klingen, aber Sie müssen überprüfen, woher die Daten stammen, und da wir es mit einer gewissen Anzahl von Zufallsstichproben zu tun haben, ist die Wahrscheinlichkeit groß, dass die Daten nicht manuell überprüft werden. Wenn Sie zufällige Eingabedaten aus einer nicht gepflegten Quelle nehmen, besteht die Wahrscheinlichkeit, dass Sie größtenteils Müll erhalten.

WENN SIE IHR SYSTEM MIT SCHLECHTEN ODER UNREALISTISCH PERFEKTEN DATEN TRAINIEREN, WERDEN SIE NIE EIN ZUFRIEDENSTELLENDES NIVEAU AN GENAUIGKEIT ERREICHEN.

5 Bei der KI-Transformation geht es nicht um „One Trick-Ponys“

KI-gesteuerte API-Lösungen für einzelne Anwendungsfälle können nützlich sein, um bestimmte Mikro-Probleme zu lösen.

Wenn Sie nur eine sehr begrenzte Anzahl von Prozessen haben, die die Unterstützung intelligenter Systeme benötigen, kann es völlig in Ordnung sein, verschiedene Anbieter zu verwalten und verschiedene Lösungen in Ihre bestehende Umgebung zu integrieren.

Es gibt viele Unternehmen, die auf KI-gestützte Einzelprojekte für individuelle Arbeitsabläufe setzen.

Wenn Sie jedoch eine intelligente KI-Infrastruktur implementieren wollen, die die Geschäftsabläufe auf breiter Front transformiert, sollten Sie auf dem Markt nach einer zentralisierten Trainingsumgebung suchen, die es Ihnen ermöglicht, Daten systematisch für jeden Prozess im Unternehmen zu verarbeiten, der mit der Aufgabe zusammenhängt, die Sie beschleunigen möchten.

Der Zugriff auf ein solches modulares System, das mehrere Anwendungsfälle abdecken kann, wird sich sofort auszahlen, da Sie nicht Hunderte von Anbietern für einzelne Mikro-Aufgaben verwalten müssen. Dies reduziert sowohl die Kosten als auch den Wartungsaufwand und garantiert gleichzeitig, dass Sie die volle Kontrolle über die verwendeten Modelle haben, so dass jedes Modell zu 100% auf Ihre eigenen Bedürfnisse zugeschnitten ist.

EIN KI-SYSTEM MUSS SICH AN IHRE PROZESSE ANPASSEN. SIE SOLLTEN IHRE ARBEITSABLÄUFE NICHT ANPASSEN, UM EINE INTELLIGENTE LÖSUNG ZU INTEGRIEREN. INVESTIEREN SIE IN SKALIERBARKEIT UND MODULARITÄT, UM IHREN ROI ZU MAXIMIEREN.

6 Process Automation ohne KI macht nur wenig Sinn

Stellen Sie sich vor, Sie bauen eine Maschine, die LKWs mit 30 Paletten pro Minute beladen kann.

Stellen Sie sich nun vor, dass solche Paletten von einem Ihrer Mitarbeiter, der zwei Paletten pro Minute tragen kann, manuell in die Maschine eingeführt werden.

Das Eingabesystem wird zu einem Engpass. Die Gesamtleistung des Systems liegt bei zwei Paletten pro Minute. Außerdem liegt der ROI der Investition in die Palettenbeladungs-Maschine, die Sie gekauft haben, bei 1/15 dessen, was Sie dafür bezahlt haben, da Sie nicht das volle Potenzial der Maschine ausschöpfen.

Das Gleiche gilt für Lösungen zur Process Automation. Sie können vielleicht Tausende von Prozessen pro Minute ausführen, aber wenn Sie solche Systeme manuell mit Daten füttern müssen, ist das Ergebnis, dass Sie nur einen winzigen Teil ihrer Möglichkeiten nutzen können.

Datenextraktion-Technologien und intelligente Dokumentenverarbeitung-Systeme extrahieren und verarbeiten automatisch Informationen, um Robotic Process Automation-, Business Process Management-, Enterprise Resource Planning- oder Input Management-Systeme zu füttern und so die Geschwindigkeit der Datenverarbeitung mit der Automatisierung zu verbinden.

KOMBINIEREN SIE PROCESS AUTOMATION-TECHNOLOGIE MIT ZENTRALISIERTEN DATENKLASSIFIZIERUNGS- UND -EXTRAKTIONSSYSTEMEN, UM EIN HÖCHSTMASS AN AUSGABELEISTUNG ZU ERREICHEN.

7 Big Data ohne intelligentes Datenmanagement ist nur eine große Verschwendung von Cloud-Speicherplatz

70% der Daten in modernen Data Lakes bestehen aus völlig unstrukturierten Daten.

Das bedeutet, dass kein Mensch, kein regelbasiertes System und keine triviale Technologie zur Datenextraktion daraus wirklich sinnvolle Erkenntnisse ableiten kann.

In Big Data zu investieren bedeutet, die Macht der Informationen zu nutzen, um verwertbare Erkenntnisse zu generieren, Muster und Abhängigkeiten zu entdecken, Informationen für R&D zu kategorisieren und die Kundenbindung durch wertvolle Analysen zu erhöhen.

Digitale Transformation ohne Datenmanagement ist wie die Planung der perfekten Rennstrategie für ein Auto ohne Motor. Die Strategie wird nur auf dem Papier funktionieren!

INVESTIEREN SIE IN EINE ZENTRALISIERTE KI-INFRASTRUKTUR, DIE ES IHNEN ERMÖGLICHT, JEDE ART VON UNSTRUKTURIERTEN DATEN SINNVOLL ZU NUTZEN. UM DIE ERKENNTNISSE ZU GEWINNEN, DIE SIE FÜR EINE DIGITALISIERUNG BENÖTIGEN.


Ein Beitrag von Andy Mura – Head of Marketing, ExB

Free ExB Whitepaper Free ExB Whitepaper Free ExB Whitepaper

Whitepaper: Auswahl einer passenden KI-Plattform

Free ExB Whitepaper

Dieses Whitepaper hilft Ihnen dabei die richtigen Kriterien zu definieren, um die passende KI-Plattform für Ihr Unternehmen auszuwählen.

Kostenloser Download