Kommentar von Christian Geckeis, Informatica Datenmanagement potenziert die Einsatzmöglichkeiten von KI

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Sinequa

Fivetran Germany GmbH

Informatica GmbH

In der datengesteuerten Wirtschaft treiben Künstliche Intelligenz (KI) und maschinelles Lernen (ML) den digitalen Wandel in allen Branchen weltweit voran. Bereits im Jahr 2022 haben 2.620 KI-Experten weltweit im Rahmen der Deloitte Studie „State of AI in the Enterprise Survey – 5th Edition“ übereinstimmend bestätigt, dass diese Technologie wichtig für die Zukunft ihrer Unternehmen ist. Zudem berichten durchschnittlich 76 Prozent der Umfrageteilnehmer von einer Zunahme der KI-Investitionen. Diese sollten auch und vor allem im Bereich des Datenmanagements erfolgen.

KI steht also ganz oben auf der Agenda der CEOs als Strategie zur Umgestaltung ihrer Unternehmen. Für viele von ihnen mag die Technologie jedoch auch ein wenig wie Magie erscheinen. Denn auch wenn die potenziellen Auswirkungen klar sind, verstehen sie vielleicht nicht ganz, was sie bewirken oder wie sie diese leistungsstarken Innovationen am besten nutzen können. KI und ML sind als Basistechnologie für viele neue Geschäftslösungen zu verstehen, die für eine verbesserte Kundenerfahrungen, effiziente Prozesse oder innovative Produkte sorgen.

ML im Allgemeinen und Deep Learning im Besonderen sind jedoch sehr datenintensiv. Für eine effektive KI muss auf eine Vielzahl von Daten innerhalb und außerhalb des Unternehmens zurückgegriffen werden. Daher müssen die Anwender folgenden Fragen beantworten, um KI und ML richtig einsetzen zu können:

• Stammen die Daten, mit denen das Modell trainiert wird, aus den richtigen Systemen?

• Wurden personenbezogene Daten entfernt und alle Vorschriften eingehalten?

• Herrscht Transparenz und kann die Herkunft der im Modell verwendeten Daten nachgewiesen werden?

• Kann alles dokumentiert werden und existiert generell die Bereitschaft, Aufsichtsbehörden oder Wirtschaftsprüfern zu zeigen, dass die Daten nicht gefälscht sind?

Die eindeutige Beantwortung dieser Fragen erfordert ein intelligentes Datenmanagement als Grundlage. Ohne diese kann KI zu einer Black Box werden, die unbeabsichtigte negative Folgen hat.

KI braucht Datenmanagement

Der Erfolg von KI hängt von der Effektivität der Modelle ab, die von Datenwissenschaftlern entwickelt werden, um sie zu trainieren und zu skalieren. Bei der Umsetzung von KI-Initiativen stoßen Kunden vor allem auf drei Probleme: Die Verfügbarkeit von Daten, die fundamentale Datenqualität und das Vertrauen in die verwendeten Daten, da die Herkunft und Qualität nicht sichergestellt sind. Fehlende, unvollständige oder ungenaue Daten beeinträchtigen das Verhalten des Modells sowohl beim Training als auch bei der Bereitstellung, was zu falschen oder verzerrten Vorhersagen führen und den Wert der gesamten Bemühungen schmälern kann.

Darüber hinaus ist ein intelligentes Datenmanagement für KI unerlässlich, um effizient alle benötigten Funktionen für das Modell zu identifizieren, Daten entsprechend den Anforderungen des KI-Modells zu transformieren und aufzubereiten (z. B. Skalierung von Funktionen, Standardisierung), Duplikate zu entfernen und verlässliche Stammdaten über Kunden oder Patienten, Lieferanten und Partner und Produkte bereitzustellen. Ebenso ist es wichtig, eine lückenlose Datenkette innerhalb des Modells und während des gesamten Betriebs sicherzustellen.

Datenmanagement braucht KI

KI und ML hingegen spielen eine entscheidende Rolle bei der Skalierung von Datenmanagementpraktiken. Angesichts der enormen Datenmengen, die für die digitale Transformation erforderlich sind, müssen Unternehmen ihre wichtigsten Daten und Metadaten identifizieren und katalogisieren, um deren Relevanz, Wert und Sicherheit zu bestätigen und Transparenz zu gewährleisten. Darüber hinaus müssen sie diese Daten bereinigen und kontrollieren. Wenn die Daten nicht gemäß den Governance-Richtlinien verarbeitet und nutzbar sowie vertrauenswürdig gemacht werden, liefern KI- und ML-Modelle unzuverlässige Erkenntnisse.

Kein linearer Ansatz für eine exponentiell wachsende Herausforderung

Traditionelle Ansätze für das Datenmanagement sind relativ ineffizient, denn Projekte werden mit wenig durchgängiger Metadatentransparenz und begrenzter Automatisierung durchgeführt. Auf diese Weise findet kein Lernprozess statt, die Verarbeitung ist teuer und Governance- und Datenschutzmaßnahmen können nicht mit den Geschäftsanforderungen Schritt halten. Hier stellt sich also die Frage, wie Unternehmen mit dem Tempo ihres Geschäfts Schritt halten, die betriebliche Effizienz steigern und Innovationen schnell einführen können.

Genau an dieser Stelle kommt KI ins Spiel. Denn sie kann Aufgaben im Zusammenhang mit dem Datenmanagement automatisieren und vereinfachen – von der Erkennung über die Integration und Bereinigung bis hin zur Datenverwaltung und -kontrolle. KI verbessert in diesem Zusammenhang das Verständnis von Daten und identifiziert Datenschutz- und Qualitätsanomalien. KI ist vor allem dann am effektivsten, wenn sie die Anwender dabei unterstützt, End-to-End-Prozesse in der gesamten Datenumgebung zu beschleunigen. Aus diesem Grund ist die Technologie ein wesentlicher Bestandteil des Datenmanagements, denn alle unternehmensweit einheitlichen Metadaten können zur Automatisierung und Skalierung von Routineaufgaben verwendet werden.

Ein Beispiel aus der Praxis

Die Banco ABC Brasil hatte aufgrund langsamer manueller Prozesse Schwierigkeiten, Daten für Analysen zeitnah bereitzustellen. Durch die Nutzung einer KI-gestützten Cloud Data Management Plattform von Informatica konnte eine automatisierte Datenkatalogisierung vorgenommen sowie die Datenqualität erhöht werden. Mithilfe eines umfassenden Geschäftsglossars wollte die Bank ihre Daten besser verstehen und automatische Datenqualitätsprüfungen durchführen, um die in einen Data Lake eingehenden Daten zu validieren. Darüber hinaus hat die KI-gestützte Integration von Cloud-Anwendungen den Kreditanalyseprozess der Banco ABC Brasil automatisiert.

Diese automatisierten Prozesse haben den Zeitaufwand für die Entwicklung und Pflege von Vorhersagemodellen um bis zu 70 Prozent reduziert sowie ihre Genauigkeit und die aus ihnen gewonnenen Erkenntnisse durch zuverlässige, validierte Daten verbessert. Darüber hinaus konnten die Analysten Prognosemodelle um 50 Prozent schneller erstellen, was die Entscheidungsfindung bei Kreditanträgen um 30 Prozent beschleunigte.

Fazit

Es besteht eine gegenseitige Abhängigkeit zwischen KI und Datenmanagement: Die Leistungsfähigkeit von KI-Modellen ist auf ein solides Datenmanagement angewiesen, während KI wiederum das Datenmanagement optimieren kann. Zudem sind traditionelle Datenmanagementansätze in vielen Fällen nicht mehr ausreichend, um den exponentiell wachsenden Herausforderungen gerecht zu werden. Durch die Integration von KI in Datenmanagementprozesse können Unternehmen jedoch ihre betriebliche Effizienz steigern und schneller innovative Lösungen einführen. Insgesamt wird deutlich, dass ein intelligentes Datenmanagement entscheidend ist, um das volle Potenzial von KI-Technologien auszuschöpfen und ihre Einsatzmöglichkeiten in der Unternehmenslandschaft zu potenzieren.

(ID:49490580)