Künstliche Intelligenz ohne Erfolg?
6 Wege, KI-Projekte an die Wand zu fahren
Maria Korolov berichtet seit über zwanzig Jahren über aufstrebende Märkte und Technologien. Sie schreibt für die US-amerikanische IDG-Publikation CSO.
Florian Maier beschäftigt sich mit diversen Themen rund um Technologie und Management.
Foto: charles taylor - shutterstock.com
Achtzehn Monate sind vergangen, seitdem ein US-Finanzdienstleister dafür sorgen wollte, dass seine Kundenberater mit einem intelligenten Empfehlungssystem arbeiten, welches die Probleme der Kunden zielgenau und nachhaltig lösen sollte. Knapp vier Millionen Kunden machten dieses Projekt zu einem potenziellen High-Profile-Kostensparer für das Unternehmen. Neun Monate später stellte sich heraus, dass die Kundenberater das neue System gar nicht nutzen. Weitere sechs Monate später schließlich, warum.
KI-Fehlstart - Business as usual?
Wie CIO Sridhar Sharma inzwischen weiß, lag es daran, dass die Empfehlungen des Systems nicht relevant (genug) waren. Das konkrete Problem lag dabei aber nicht in den Machine-Learning-Algorithmen, sondern in den Daten, die zum Training des Systems verwendet wurden. Sharma erklärt: "Als es darum ging, die Anliegen der Kunden in Programmcode zu übersetzen, haben wir keinen guten Job gemacht. Wir haben uns nicht auf die Begriffe konzentriert, die die Kunden selbst verwenden, sondern auf interne, technische Beschreibungen."
Zusätzlich arbeitete der Feedback-Mechanismus der eingesetzten Lösung mit sich überschneidenden Kategorien - was die vorhandenen Probleme noch verstärkte, wie die IT-Managerin preisgibt. Ein KI-Fehlstart wie dieser ist jedoch nichts Ungewöhnliches: Laut einer aktuellen IDC-Studie liegt die Erfolgsquote von KI-ProjektenKI-Projekten zwar bei 90 Prozent - allerdings nur bei 30 Prozent der befragten Studienteilnehmer. Die meisten Unternehmen berichten von durchschnittlichen "Fail"-Raten im Bereich von zehn bis 49 Prozent - während bei drei Prozent der Studienteilnehmer mehr als die Hälfte der KI-Projekte ins Leere laufen. Alles zu Künstliche Intelligenz auf CIO.de
Das lässt sich auf verschiedene Ursachen zurückführen, wie vorgenannte Studie von IDC belegen will:
jeweils 25 Prozent der Befragten nennen den Fachkräftemangel sowie unrealistische Erwartungen an die Technologie als Ursache;
weitere 23 Prozent begründen das Scheitern Ihrer KI-Projekte mit einem Mangel an relevanten Daten;
Daran scheitert Künstliche Intelligenz
"Sobald sich erste Zeichen des Scheiterns ankündigen, geht die Tendenz dahin, das Projekt einfach zu canceln", weiß Sharma. Damit Sie sich diese Erfahrung ersparen können, haben wir die gängigsten Stolpersteine auf dem Weg zum Erfolg mit Künstlicher Intelligenz für Sie zusammengefasst:
- 1. Datenmangel
Datenprobleme gehören zu den häufigsten Gründen für das Scheitern von Artificial-Intelligence-Initiativen. Das belegt auch eine Studie des Beratungsunternehmens McKinsey, die zu dem Schluss kommt, dass die beiden größten Herausforderungen für den KI-Erfolg mit Daten in Zusammenhang stehen. <br /><br /> Demnach haben viele Unternehmen einerseits Probleme damit, ihre Daten richtig einzuordnen, um die Machine-Learning-Algorithmen korrekt programmieren zu können. Wenn Daten nicht richtig kategorisiert werden, müssen sie manuell richtig klassifiziert werden – was oft zu zeitlichen Engpässen und einer erhöhten Fehlerrate führt. Andererseits stehen viele Unternehmen vor dem Problem, nicht die richtigen Daten für das anvisierte KI-Projekt zur Verfügung haben. - 2. Training, das ins Leere läuft
Laut einer Untersuchung von PricewaterhouseCoopers verfügt mehr als die Hälfte der befragten Unternehmen über keinen formalen Prozess für das vorurteilsfreie Training von KI-Systemen. Schlimmer noch: Nur 25 Prozent der befragten Unternehmen würden demnach die ethischen Implikationen eines Artificial-Intelligence-Systems vor der Implementierung priorisieren. <br /><br /> Unternehmen steht eine Vielzahl von Bilddaten-Sets zu Trainingszwecken zur Verfügung – sowohl auf kostenloser als auch auf kommerzieller Basis. Dabei sollten Firmen allerdings unbedingt darauf achten, dass ein solches Datenset auch die für ihre Zwecke relevanten Daten enthält. - 3. Problemfall Datenintegration
In manchen Fällen ist nicht Datenmangel die wesentliche Hürde für den Einsatz von Künstlicher Intelligenz, sondern das genaue Gegenteil: zu viele Daten – an zu vielen Orten. <br /><br /> Solche Datenintegrations-Fauxpas können sich nachhaltig negativ auswirken. Dabei geht es nicht in erster Linie um technische Hürden, sondern beispielsweise darum, Compliance- und Datenschutzanforderungen gerecht zu werden. - 4. Datenunterschiede
Wenn Unternehmen für das Training von Artificial-Intelligence-Systemen nicht auf aktive, transaktionale sondern auf historische Daten zurückgreifen, entstehen Probleme. Denn ein System, das auf Grundlage eines historischen Snapshots trainiert wurde, wird im Zusammenspiel mit Echzeit-Daten nicht besonders zuverlässig performen. <br /><br /> Nach Ansicht von Andreas Braun, Managing Director und Partner bei der Boston Consulting Group, können Sie diese Problemstellung vermeiden, indem Sie Ihre Data Scientists aus dem Silo holen: Insbesondere wenn es um KI-Modelle geht, die mit Live-Daten arbeiten, bietet sich eine direkte Integration in die Produktionsumgebung an – diese geht im Regelfall auch wesentlich schneller vonstatten. - 5. Unstrukturierte Daten
Laut einer aktuellen Umfrage von Deloitte verlassen sich 62 Prozent der Unternehmen immer noch auf Spreadsheets – nur 18 Prozent profitieren bereits von unstrukturierten Daten wie Produktbilder, Audiodateien von Kunden oder Social-Media-Kommentare. Dazu kommt, dass viele der historischen Datensätze in Unternehmen den für den KI-Einsatz nötigen Kontext vermissen lassen. <br /><br /> Dabei kommt das Beratungsunternehmen auch zu der Erkenntnis, dass Unternehmen, die unstrukturierte Daten nutzen, ihre Geschäftsziele im Schnitt um 24 Prozent übertreffen konnten. - 6. Kulturelle Mangelerscheinungen
Daten außen vorgelassen, sind es vor allem organisatorische Herausforderungen, die dem Erfolg mit Künstlicher Intelligenz entgegenstehen. Die Mitarbeiter aus den Fachbereichen müssen direkt mit den Kollegen aus der Technik zusammenarbeiten und der übergeordnete Kontext sollte dabei stets im Fokus stehen.
Wenn Sie bereits einen KI-Projekt-Fail hinter sich haben: Lassen Sie sich nicht entmutigen. Unternehmen, die aus ihren Fehlern lernen und in der Lage sind, eine langfristige Strategie für den nachhaltigen Einsatz von Künstlicher Intelligenz zu entwickeln, werden mit einem einträglichen Return on Investment entlohnt.
Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation CIO.com.