Kommentar von Christoph Ertl, Nasuni Ohne solide Datenstrategie keine erfolgreiche KI-Implementierung

Anbieter zum Thema

Disy Informationssysteme GmbH

INFOMOTION GmbH

QUNIS GmbH

Künstliche Intelligenz (KI) und maschinelles Lernen bieten zahlreiche Chancen für Innovationen in Unternehmen. Die Möglichkeiten reichen von moderner Predictive Analytics Software bis hin zu Sprachschnittstellen für Aufgaben wie den Kundenservice. Das Potenzial dieser Tools ist enorm. Dennoch sind viele Unternehmen derzeit nicht darauf vorbereitet, die Kapazitäten von KI voll auszuschöpfen, da ihnen eine grundlegende Datenstrategie fehlt, die klare Prioritäten setzt.

Da unstrukturierte Daten in der Regel mehr als 80 Prozent der Daten eines Unternehmens ausmachen, bleiben die Daten eines Unternehmens trotz ihres Potenzials größtenteils abgekoppelt und ungenutzt. Im Laufe der Zeit sind sie sogar immer schwerer auffindbar oder – wie das Marktforschungsunternehmen Gartner es ausdrückt – „Dark Data“.

Die Vorteile der Kombination unterschiedlicher Datenquellen liegt auf der Hand, so können Unternehmen, die Öl und Gas fördern, vorgelagerte Tätigkeiten effizienter gestalten, indem sie seismische Datenquellen verknüpfen und somit besser analysieren. Betriebe aus dem produzierenden Gewerbe können Prozesse vereinfachen, indem sie die Auffindbarkeit von Designdateien, Inventar- und Qualitätsdaten verbessern. Medienunternehmen wiederum können ihre Inhalte optimieren, indem sie Grafik-, Video-, Bild- und Postproduktionsdaten in einer einzigen Ansicht zusammenfassen.

Unternehmen denen es gelingt, isolierte und verstreute unstrukturierte Datenbestände in einer einzigen, leicht zugänglichen Quelle zusammenzuführen, können KI effektiv zu nutzen. Studien von Mulesoft und Deloitte Digital zeigen, dass 81 Prozent der untersuchten Unternehmen die mangelnde Zusammenführung verschiedener Datenquellen als Hindernis für eine erfolgreiche KI-Adaption betrachten. Durch die Konsolidierung ihrer Daten können Organisationen aller Art erhebliche Wettbewerbsvorteile erzielen, zum Beispiel:

• „Dark Data“ für Analyse- und KI-Tools sichtbar machen

• Unstrukturierte Daten zu einer einzigen verlässlichen Datenquelle zusammenführen

• Entscheidungsfindung durch Reduzierung von Informationslücken verbessern

• Organisationsweite Kooperationen, Einblicke und Effizienzsteigerungen ermöglichen

• Einhaltung von Vorschriften vereinfachen

• Verwaltungskosten durch Außerbetriebnahme alter Dateisysteme reduzieren.

Führende Hybrid-Cloud-Plattformen haben vier entscheidende Maßnahmen – quasi die Rahmenbedingungen, um sie „fit für KI“ zu machen – identifiziert, die Organisationen dabei unterstützen können, ihre Dateidaten zu konsolidieren, um sich auf das KI-Zeitalter vorzubereiten.

Diese Maßnahmen umfassen:

1. Bewertung von Datensilos nach Geschäftswert und Risiken

Ein erfahrener Technologiepartner kann ein Unternehmen bei einer Datenauswertung unterstützen und darüber hinaus den geschäftlichen Nutzen und die Risiken der Konsolidierung von Dateisilos bewerten. Die Bewertung kann sich auf folgende Faktoren beziehen:

• Den Geschäftswert und die Risiken bei der Kombination von Datensilos im Hinblick auf die Investitionskosten (Kosten einer Konsolidierung im Vergleich zur Beibehaltung des Status quo),

• Betriebskosten (Zeit- und Ressourcen, die die IT für einheitliche Daten aufwenden muss, im Vergleich zu den aktuellen Kosten),

• wirtschaftliche Produktivität und Einnahmen (Abschätzung des personellen Aufwands und der negativen Auswirkungen auf die Einnahmen, wenn isolierte Daten nicht vereinheitlicht werden.)

• Bewertung der Widerstandsfähigkeit gegenüber Angriffen (Bewertung der relativen Risiken der bestehenden Dateninfrastruktur gegenüber einer modernen Hybrid-Cloud-Platform).

Diese Strategie ermöglicht es CIOs, die Speicherumgebung von Dateidaten vollständig zu verstehen, Migrationsrisiken zu bewerten und die Datenmigration zu planen.

2. Datenspeicherung optimieren

Erfahrene Partner können Unternehmen dabei helfen, die beste Methode für die Datenkonsolidierung zu ermitteln. Mit diesem Ansatz wird eine Architektur aufgebaut, die nicht nur eine vollständige Transparenz der unstrukturierten Dateidaten bietet, sondern auch eine zuverlässige Datenquelle für die erfolgreiche Integration von KI-Services darstellt, die dynamische Geschäftsprozesse unterstützt.

3. Konsolidierte Daten sichern und schützen

Bösartige Attacken werden immer komplexer. CIOs müssen daher auch die Sicherheit von KI-Anwendungen neu beurteilen, die einheitliche Datensätze nutzen, um ihre Datenbestände auf mehreren Ebenen zu schützen. Moderne Hybrid-Cloud-Plattformen bieten umfassenden Schutz gegen Ransomware. Die Identifizierung von Attacken mithilfe solcher Tools beginnt schon am Netzwerkrand (Edge). Hier werden IT-Teams über verdächtige Datenmuster, bösartige Dateierweiterungen und ungewöhnliche Verhaltensweisen im Unternehmen benachrichtigt. Rechtzeitig eingeleitete Maßnahmen reduzieren die schädlichen Auswirkungen auf den Geschäftsbetrieb, bevor eine Attacke ihre volle Wirkung entfalten kann. Die punktgenaue Wiederherstellung ist ebenso wichtig wie die Vermeidung von Attacken. So können betroffene Daten rasch wiederhergestellt werden. Über KI automatisierte Geschäftsprozesse sind zudem auf Basis der zugrunde liegenden Daten schnell wieder online, während Bedrohungen durch die Integration in einen SIEM (Security Information and Event Management) -Dienst, Prüfprotokolle und Störungsmeldungen restlos erfasst werden.

4. Daten für die KI-Nutzung aufbereiten

Eine wirksame KI-Strategie erfordert eine konsolidierte und gut verwaltete Datenbasis. Durch den Einsatz spezieller Data-Intelligence-Tools können Unternehmen KI-spezifische Datensätze zur Verbesserung der Interaktionsqualität nutzen. Als Grundlage dient die GIGO-Regel („garbage in, garbage out“)!

Integrierte Dashboards, die von modernen, hybriden Cloudspeicher-Tools bereitgestellt werden, können den Speicherverbrauch auf Bereichs- oder Datentypebene quantifizieren und unregelmäßig genutzte Daten für eine zukünftige Archivierung markieren.

Moderne Suchtools, die „KI-ready“ sind, vereinfachen es, Daten durch eine leistungsstarke Indizierung und eine effiziente Strukturierung der Inhalte zu kuratieren, um verwertbare Erkenntnisse zu gewinnen. Sie können eine weitere Validierung wiederhergestellter Datensätze ermöglichen, um die Qualität und Nutzbarkeit für nachgeordnete Anwendungen zu gewährleisten.

Moderne Datenmanagement-Tools lassen sich vollständig in bestehende Identitätsmanagementsysteme von Unternehmen integrieren. So können IT-Teams Gruppenberechtigungen hervorheben, um wirksame unternehmensweite Sicherheitsprotokolle zu erstellen, während KI-Tools getestet und eingeführt werden.

Wirksame Datenstrategien müssen auch neue unstrukturierte Daten berücksichtigen, die täglich am Netzwerkrand generiert und genutzt werden können. Wenn Daten vom Edge- zum Core-Bereich hin konsolidiert werden, können KI-Algorithmen Prognosemodelle auf der Grundlage umfassender Datenprofile entwickeln, während sie Echtzeit-Daten am Edge und historischen Kontext aus dem einheitlichen Bestand integrieren. Das erlaubt genauere Echtzeit- Erkenntnisse und eine operative Entscheidungsfindung.

„Fit für KI“

Ein „Fit für KI“-Framework kann eine digitale Managementstrategie untermauern, die es Unternehmen ermöglicht, ihre verteilten, unstrukturierten Dateidaten für KI-Anwendungsfälle vorzubereiten und dabei Risiken einzudämmen. Angesichts der exponentiell wachsenden und zunehmenden Verbreitung von KI-Tools, garantiert ein effektives Datenmanagement eine erfolgreiche KI-Integration, die neue Erkenntnisse aus konsolidierten Unternehmensdaten liefert, welche die Prozesse und Wettbewerbsfähigkeit von Unternehmen voranbringen können.

(ID:50040994)