Ursprünglich veröffentlicht auf data-economy.com.
Künstliche Intelligenz gibt es schon seit Jahrzehnten, aber erst in den letzten zehn Jahren ist sie mit einer Welle neuer Anwendungen tief in die Unternehmensebene eingedrungen.
João Marques Lima spricht mit Dr. Greg Benson, Professor für Informatik und Chief Scientist bei SnapLogic, um herauszufinden, wie KI und insbesondere maschinelles Lernen Unternehmen weltweit verändert.
Der globale Markt für maschinelles Lernen (ML) wurde 2017 auf etwa 1,58 Milliarden US-Dollar geschätzt und wird voraussichtlich 2024 etwa 20,83 Milliarden US-Dollar erreichen, mit einer CAGR von 44,06 % zwischen 2017 und 2024, so Zion Market Research.
Maschinelles Lernen ist eine Anwendung der künstlichen Intelligenz, die es Softwareanwendungen ermöglicht, präzisere Vorhersagen zu treffen, ohne dass sie fest programmiert sind.
Viele Experten für künstliche Intelligenz haben die Vorstellung, dass bis zum Jahr 2050 alle von Menschen ausgeführten intellektuellen Aufgaben durch die Technologie der künstlichen Intelligenz erledigt werden können.
Häufige Anwendungsbereiche für die Technologie des maschinellen Lernens sind Finanzdienstleistungen, Gesundheitswesen, Behörden, Marketing und Vertrieb, Transport, Öl und Gas, Fertigung, Bioinformatik, computergestützte Anatomie und mehr.
Die Marktdurchdringung dieser Technologie weckt sowohl Ängste als auch Chancen, und selbst Regierungen ergreifen schnell Maßnahmen, um gemeinsam und gemeinsam zu entscheiden, wie wir KI in der heutigen und zukünftigen Gesellschaft einsetzen sollten.
Das jüngste Beispiel ist die Gründung der Globalen Partnerschaft für KI, die vom französischen Präsidenten Emmanuel Macron und dem kanadischen Premierminister Justin Trudeau ins Leben gerufen wurde.
Dr. Benson von SnapLogic erörtert die Auswirkungen auf die Unternehmen, während die Welt sich der Chancen und möglichen Schwierigkeiten bewusst wird, die vor ihr liegen.
Was sind die Hindernisse für Unternehmen, wenn es um die Einführung von ML geht?
Bei der Einführung des maschinellen Lernens gibt es mehrere große Hindernisse für Unternehmen, nicht zuletzt die Tatsache, dass der Prozess des maschinellen Lernens aufgrund seines unvorhersehbaren und experimentellen Charakters für viele Unternehmen abschreckend wirken kann. Viele Unternehmen haben Schwierigkeiten zu verstehen, was für die Einführung von maschinellem Lernen erforderlich ist.
Wenn IT-Teams damit beginnen, die Daten für den Einsatz von Algorithmen des maschinellen Lernens zu sichten, wissen die meisten wahrscheinlich nicht, welche Art von Daten benötigt wird. Daher müssen viele Untersuchungen durchgeführt werden, bevor IT- und Unternehmensentscheider eine Vorstellung davon haben, welche Daten nützlich sein werden und welche Algorithmen des maschinellen Lernens am besten zur Lösung eines bestimmten Problems geeignet sind.
So haben zum Beispiel fast alle Unternehmen Richtlinien, die den Zugang zu bestimmten Informationen für bestimmte Abteilungen oder Mitarbeiter einschränken, aber was sie verstehen müssen, ist, dass maschinelles Lernen von allen Arten von Daten gespeist wird.
Daher kann die Bereitstellung des Zugangs zu diesen Daten für die Algorithmen ein entscheidender Schritt für jede Form des maschinellen Lernens sein.
Zu den weiteren technischen Herausforderungen gehört die Möglichkeit, den Datenzugriff zu automatisieren. Wenn Unternehmen klare Richtlinien formuliert haben, die einen einfachen Zugriff auf Echtzeitdaten ermöglichen, müssen sie überlegen, wie sie einen Kanal oder eine Pipeline für den Zugriff auf die Daten einrichten können.
Die Unternehmen müssen auch sicherstellen, dass ständig Echtzeitdaten zur Verfügung stehen. Modelle des maschinellen Lernens sollten nicht auf einem einzigen festen Datensatz trainiert werden. Unternehmen müssen sie also so einrichten, dass sie ihre Modelle neu trainieren können, um sich an das veränderte Verhalten der Daten und der Systeme, mit denen sie arbeiten, anzupassen. Darüber hinaus gibt es natürlich ein großes Problem des Talentmangels.
Wie können diese Hindernisse überwunden werden?
Es gibt Bedenken hinsichtlich des Zugriffs auf bestimmte Arten von Daten, insbesondere wenn verschiedene Gruppen von Mitarbeitern oder andere Interessengruppen zu unterschiedlichen Zeiten an Projekten arbeiten.
Unternehmen sollten daher in Erwägung ziehen, zunächst alle potenziell sensiblen Informationen aus den Daten herauszufiltern, damit der Rest für den Einsatz von Algorithmen für maschinelles Lernen verwendet werden kann.
Ein weiteres Problem, das es zu lösen gilt, ist die Frage, wie der Bedarf an Datenwissenschaftlern gedeckt werden kann.
Es ist zwar erfreulich, dass es immer mehr Datenwissenschaftler am Arbeitsplatz gibt, aber es wird immer noch viel Zeit in ihre Ausbildung investiert, so dass das Angebot immer noch nicht mit der steigenden Nachfrage Schritt hält.
Wir stellen jedoch fest, dass immer mehr Menschen, die in anderen Bereichen ausgebildet wurden, wie z. B. leitende Wirtschaftsanalytiker und Softwareingenieure, ihre Kenntnisse in den Bereichen Datenwissenschaft und maschinelles Lernen erweitern, was dazu beitragen kann, diese Lücke zu schließen.
Da es sich beim maschinellen Lernen im Grunde um Software handelt, sind viele Software-Ingenieure bereits mit diesem Bereich vertraut. Sie können sich auch selbst mit den riesigen Mengen an Material und Ressourcen schulen, die leicht verfügbar sind, um sie auf den neuesten Stand zu bringen.
Darüber hinaus gibt es in Unternehmen IT-Business-Analysten, die Erfahrung im Umgang mit Datenbanken haben. Auch wenn sie keine Programmierer sind, haben sie doch einen analytischen Verstand, so dass sie die Vorteile des maschinellen Lernens auch durch Selbsttraining nutzen können.
All diese Entwicklungen folgen einem wirklich positiven Trend, da Tools und Plattformen es immer mehr Nutzern ermöglichen, sich mit maschinellem Lernen zu beschäftigen und es für sich nutzbar zu machen.
Was sind die größten Missverständnisse, die Unternehmen im Zusammenhang mit ML haben?
Ich sehe zwei Hauptmissverständnisse über ML, die sich auf die Komplexität und die Fähigkeiten von ML beziehen. Erstens denken Unternehmen oft, dass ML sehr komplex ist und man einen Doktortitel braucht, um aus einer ML-Implementierung Nutzen zu ziehen.
In der Realität gibt es viele relativ einfache ML-Algorithmen, die auf Unternehmensdaten angewendet werden können, um Vorhersagen oder Klassifizierungen zu erstellen.
Auf der anderen Seite gibt es die unrealistische Vorstellung, dass ML ein Allheilmittel für alle Geschäftsprobleme ist. Der springende Punkt ist, die realistischen Fähigkeiten verschiedener, gut verstandener ML-Algorithmen zu verstehen und sie mit den richtigen Geschäftsdaten abzugleichen, um einen echten Mehrwert zu erzielen.
Wie können sich Unternehmen beim Einsatz von ML vor Cyberangriffen schützen?
Dies ist ein aktiver Bereich der Sicherheitsforschung und Produktentwicklung, in dem ML eingesetzt werden kann, um anomales und unerwünschtes Systemverhalten wie Betrug, Eindringen und Datendiebstahl zu erkennen. Sicherheitsanbieter bieten eine Reihe von ML-gestützten Produkten zur Erkennung von Systemangriffen an.
Wenn Sie kein großes Unternehmen mit umfangreichen Ressourcen sind, ist es wahrscheinlich nicht kosteneffizient, interne ML-Implementierungen für den Cyber-Schutz zu entwickeln.
Wie können Unternehmen die Qualifikationslücke in der Datenwissenschaft schließen?
Unternehmen jeder Größe sollten mit Universitäten zusammenarbeiten oder Ausbildungsprogramme einrichten, um neue Talente zu gewinnen.
Eine weitere Möglichkeit, die Qualifikationslücke zu schließen, besteht darin, dass Unternehmen in Technologien investieren, die IT-Experten entlasten. Die richtigen Daten für den Einsatz von Algorithmen des maschinellen Lernens zu haben, ist ein unglaublich zeitaufwändiger Prozess - viel Zeit wird darauf verwendet, Zugang zu erhalten und riesige Mengen ungeordneter Daten mit manueller Kodierung zu durchforsten, wodurch IT-Fachleuten wenig Zeit bleibt, sich auf höherwertige Aufgaben zu konzentrieren.
Unternehmen müssen in Technologien investieren, die Datenpipelines automatisieren, allen Abteilungen regelmäßigen Zugriff auf Echtzeitdaten ermöglichen und Prozesse des maschinellen Lernens so nahtlos wie möglich gestalten, wobei wenig oder keine Programmierung erforderlich ist.
Welche Vorteile haben die Unternehmen, wenn sie mehr in neue Technologien und die Ausbildung von Fachkräften investieren?
Für Unternehmen gibt es zwei Möglichkeiten, wie sie von Investitionen in neue Technologien profitieren können - entweder um der Konkurrenz einen Schritt voraus zu sein oder um zu verhindern, dass ihr Unternehmen veraltet.
Unternehmen müssen den Technologietrends folgen und ihnen sogar voraus sein, um nicht nur eine bessere Erfahrung und eine effektivere Nutzung ihrer Ressourcen zu bieten, sondern auch weiterhin die Dienste bereitzustellen, die ihre Nutzer und Kunden erwarten.
Beispielsweise haben viele Unternehmen immer noch Probleme mit der Verarbeitung großer Datenmengen in großem Umfang, weil sie auf veraltete Technologien und lokale Datensysteme angewiesen sind.
Daher müssen sie in Tools wie die Cloud und maschinelles Lernen investieren, die die Datenverarbeitung automatisieren können, um sie so nahtlos wie möglich zu gestalten, damit sie den vollen Nutzen aus ihren Daten ziehen können.
Letztendlich werden alle Unternehmen auf die eine oder andere Weise maschinelles Lernen einführen müssen, weil dies zu einer Erwartung wird, damit Anwendungen und Dienste besser antizipieren können, was ihre Benutzer zu tun versuchen, und um Empfehlungen oder Vorhersagen zu liefern, die es ihnen ermöglichen, ihre Ziele schneller zu erreichen.
Dies gilt nicht nur für Investitionen in die Technologien, sondern auch für die Ausbildung der Mitarbeiter. Die Unternehmen müssen dafür sorgen, dass die Mitarbeiter für die Nutzung dieser Technologien gut ausgebildet sind, aber auch ihre Fähigkeiten weiter ausbauen, um das Potenzial dieser neuen Technologien voll ausschöpfen zu können.
