Als CEO habe ich im Laufe dieses Jahrhunderts so viele angeblich “bahnbrechende” Technologien kommen und gehen sehen – von AR/VR-Technologie über Blockchain, 3D-Druck, das Metaverse, NFTs, Web3 und die Liste geht weiter und weiter. Jetzt steht Generative KI im Mittelpunkt der Aufmerksamkeit jedes Unternehmenseigentümers.
Wie schon in der Vergangenheit investieren viele Unternehmen überhastet hohe Summen, nur um zu sagen, dass sie sich auf Gen AI konzentrieren, ohne dabei überhaupt ein gewünschtes Geschäftsergebnis zu definieren.
Auf der anderen Seite des Spektrums leben diese Unternehmen in der Angst, dass sie zurückfallen, sind aber von den Möglichkeiten der KI überwältigt und wissen nicht einmal, wo sie anfangen sollen.
Diese Unternehmen erkennen, dass sie KI benötigen, werden jedoch ebenfalls durch den engen Bereich der Generative KI abgelenkt. Aus meiner Erfahrung als CEO, der ein kleines Zwei-Mann-Geschäft in ein multinationales, multimilliardenschweres Unternehmen entwickelt hat, braucht es für eine neue Technologie wie KI ein klares Geschäftsergebnis und ein klares Ziel für deren Einführung.
AI ist da und wird wachsen, aber AI ist auch eine sehr unterschiedliche Technologie mit verschiedenen Geschäftsergebnissen für jedes Unternehmen. Anstatt sich zu einem Pilotprojekt zu überstürzen, empfehlen wir, sich auf die Planung zu konzentrieren. Die vollständige AI-Entdeckung ermöglicht es Ihrer Organisation, sinnvoll zu planen, wo KI Sinn macht, alle verfügbaren KI-Technologien zu betrachten und Investitionen mit Zuversicht und Zweck zu tätigen.
Während der Entdeckungsphase sehen wir drei häufige Themen: Erstens, Daten sind oft ein Hindernis für die meisten Umsetzungen; Zweitens kann Generative KI nur eine kleine Anzahl von Problemen lösen, die Unternehmenseigentümer hervorheben; und drittens ist es wichtig, objektiv zu entscheiden, welches KI-Pilotprojekt zuerst starten soll.
Tiefes Lernen und maschinelles Lernen lösen mehr Probleme als Generative KI. Viele Unternehmen sind der Meinung, dass sie Generative KI benötigen, um all ihre Probleme zu lösen. Das deckt jedoch nur einen kleinen Teil der Probleme ab, bei denen diesen Unternehmen geholfen werden muss, und es lenkt sie ehrlich gesagt von der Lösung ihrer größten Anliegen ab.
Eine gängige Forderung, die wir bei der Entdeckung hören, ist, dass Unternehmen in der Lage sein wollen, Zahlen zu analysieren, Muster zu identifizieren und Vorhersagen auf der Grundlage der vorhandenen Daten zu treffen. Wenn ein Unternehmen diese drei Dinge lösen möchte, ist der beste Einsatz von tiefem Lernen, maschinellem Lernen oder einer Kombination aus beiden – nicht Generative KI. Maschinelles Lernen ist eine weitaus verbreitetere und relevantere Technologie für die Analytik. Unternehmen, bei denen Menschen eine Hierarchie von Merkmalen in ihren Daten identifiziert haben, sind bereits in der Lage, maschinelles Lernen zu nutzen. Das beste Beispiel ist, wie menschlich definierte Produktkategorien und Merkmale es Amazon ermöglichen, das nächste Produkt für Käufer zu empfehlen. Ebenso ist maschinelles Lernen die richtige KI für Dinge wie Anomalieerkennung (denken Sie an Cybersicherheit oder Betrugserkennung), die Zusammenstellung von Inhalten für Benutzer, dynamische Preisgestaltung oder sogar medizinische Diagnosen.
Wenn ein Unternehmen viele unstrukturierte Daten hat und diesen Sinn machen möchte, ist tiefes Lernen das richtige KI-Werkzeug. Unstrukturierte Daten umfassen Dinge so einfache wie ein Textdokument. Aufgrund unendlicher Variationen eines einzelnen Dokuments benötigen Sie eine KI, die die Daten verstehen und allgemeine Beobachtungen darüber machen kann, ohne manuelle Eingriffe.
Die Data kann Ihr KI-Implementierung machen oder brechen. Wenn Leute heute über die Nutzung von KI in ihrem Unternehmen sprechen, verwenden Sie oft ChatGPT wie LLM, um Fragen zu beantworten. Das Problem ist, dass öffentlich verfügbare LLMs nicht auf den spezifischen Daten einzelner Unternehmen trainiert sind. Um sicherzustellen, dass KI nicht nur eine Neuheit, sondern wirklich wertvoll ist, müssen Unternehmen klar definieren, auf welche Daten sie zugreifen möchten.
Viele Unternehmen haben begonnen, ihren Datenbereinigungs- und -speicherungsprozess durchzuführen – von Datenlagern bis hin zu Datenseen und Datamarts. Diese Datenvorhaben sind oft notwendig, um nutzbare Daten für individuelle KI-Modelle zu haben. Aber für jedes Unternehmen, das diesen Prozess abgeschlossen hat, gibt es wahrscheinlich weitere 1000, die es nicht getan haben. Jetzt droht Generative KI, von der Beendigung dieser Projekte abzulenken. Noch schlimmer ist, dass viele Menschen den Eindruck haben, dass Generative KI eine Lösung für ihre Datenprobleme ist.
Schauen Sie sich nur den kürzlichen Fehltritt von Google mit seiner eigenen Generative KI, Gemini, an. Der Suchriese musste seinen ChatGPT-Konkurrenten nach mehreren peinlichen Fehlern zurückziehen, darunter eine Empfehlung für die Mindestanzahl von Steinen, die eine Person pro Tag essen sollte, sowie ein charmantes Klebe-Rezept, das verhindert, dass Käse von der Pizza fällt. Das Problem? Google hat Gemini auf allen Daten aller Google-Suchen trainiert, einschließlich Witzbeiträgen in sozialen Medien.
Der einfache Lernpunkt ist, dass man nicht nur alle Daten an KI werfen und erwarten kann, dass alles funktioniert. Sie müssen bei der Auswahl Ihrer Daten bewusst sein und sicherstellen, dass Ihre Daten sauber sind. Auch hier kann AI Discovery Unternehmen dabei helfen, herauszufinden, was sie mit ihren Daten machen können und wie sie mehr aus ihren Daten herausholen können.
Objektiv entscheiden, mit welchen KI-Projekten man beginnen soll. Sie könnten feststellen, dass Ihre Organisation dutzende oder sogar hunderte potenzielle Anwendungsfälle für KI hat – einige dieser Anwendungsfälle können sogar auf Generative KI basieren. Wie entscheidet man, welche man zuerst pilotiert?
Wir stellen oft fest, dass die lauteste Stimme in einer Organisation oft darüber entscheidet, welches KI-Projekt sofortige Aufmerksamkeit erhält. Dieses Projekt ist jedoch oft nicht die beste Option, wenn jede Idee für die Entdeckung gewogen wird. Während der Entdeckungsphase sollten Unternehmen jede Idee und jeden Anwendungsfall für KI in der gesamten Organisation sammeln. Dann sollten basierend auf den Zielen der Organisation alle Anwendungsfälle objektiv bewertet werden, um Prioritäten festzulegen.
Die Bedeutung der KI-Entdeckung. Stellen Sie sich vor, Sie haben gerade von einer neuen Kette tropischer Inseln gehört, die jeder als das unglaublichste Urlaubserlebnis bezeichnet und Sie beschließen dorthin zu gehen. Nur haben Sie keinen Plan, kein Budget, kein Transportmittel und wissen nicht einmal, wo sie sind.
Das machen Unternehmen mit KI. Sich in KI-Projekte zu stürzen, ohne eine strukturierte Entdeckungsphase durchzuführen, kann zu nicht abgestimmten Prioritäten, verschwendeten Ressourcen und verpassten Chancen führen. Die KI-Entdeckung bietet diese wesentliche “Karte”, die Unternehmen durch die Komplexität der KI-Implementierung führt. Drei der wesentlichen Ergebnisse der KI-Entdeckung sind: Inventarisierung der aktuellen technologischen Landschaft – Unternehmen sollten ihre vorhandenen Möglichkeiten identifizieren, sowie Lücken, die geschlossen werden müssen.
Entmystifizierung der Auswahl der richtigen KI für jedes Problem – Durch ein tiefes Verständnis verschiedener KI-Technologien – wie Generative KI, intelligente Automatisierung und tiefes Lernen – können Unternehmen informierte Entscheidungen treffen.
Priorisierung von KI-Projekten basierend auf strategischen Geschäftszielen – Statt jedem möglichen KI-Einsatz hinterherzujagen, ermöglicht die Entdeckung Unternehmen, sich auf Initiativen zu konzentrieren, die den größten Return on Investment versprechen, indem sie jedem Anwendungsfall objektive Punktzahlen zuordnen.
Das Ergebnis der Entdeckung ist ein klarer Fahrplan für die Implementierung. Es reicht nicht aus, nur einen Bericht darüber zu erhalten, wo KI hilfreich sein könnte. Sie benötigen auch eine Strategie, um sie tatsächlich einzusetzen und ihre Auswirkungen zu messen. Dieser Prozess sollte zu einem erkennbaren Nutzen für Ihr Unternehmen führen. Wenn dies nicht der Fall ist, handelt es sich nur um Hype wie bei allen anderen Technologien, die vorher kamen.