Kommentar von Lynne Bailey, Databricks Warum kontrollierte Experimente ein wichtiger Schritt bei der Einführung von KI sind

Anbieter zum Thema

Databricks Inc.

Fsas Technologies GmbH

INFOMOTION GmbH

QUNIS GmbH

Heutzutage ist es üblich, dass Technologie- und Daten-Teams von der Unternehmensleitung unter erheblichen Druck gesetzt werden, um Künstliche Intelligenz (KI) einzuführen. KI, insbesondere Generative KI, ist die Technologie der Stunde, und viele Führungskräfte wollen sofort Fortschritte in diesem Bereich sehen.

Das Marktforschungsinstitut Gartner hat herausgefunden, dass 62 Prozent der CFOs und 58 Prozent der CEOs glauben, dass Künstliche Intelligenz in den nächsten drei Jahren den größten Einfluss auf ihre Branche haben wird. Allerdings sind sich die Tech-Teams nur allzu bewusst, dass Geschwindigkeit nicht immer gleichbedeutend mit Erfolg ist. Ein zu schnelles Vorgehen kann sogar den Fortschritt behindern. Wie also können technische Teams die KI auf sichere Weise einführen und gleichzeitig die Erwartungen der Führungsebene erfüllen?

Die Risiken einer überstürzten Markteinführung

Zunächst einmal ist es wichtig, zu verstehen, welche Risiken mit einer zu schnellen Implementierung von KI verbunden sind. Eines davon ist die Über-Implementierung, die zu unnötigen Anstrengungen führen kann, da zwei oder mehr Tools verwendet werden, um im Grunde das Gleiche zu tun – was wiederum zu verschwendeten Ressourcen und unnötigen Kosten führt.

Was die Generative KI hervorhebt, ist die Bedeutung der Daten- und Informationsqualität und die Folgen, die schlechte Daten haben können. Wenn ein Modell falsch funktioniert und falsche Antworten gibt, auf die dann reagiert wird, kann das enorme Auswirkungen haben. Ein Angestellter könnte beispielsweise nachsehen, welche Angebote er den Kunden unterbreiten kann. Wenn das Modell eine falsche Antwort liefert und der Mitarbeiter dieses Angebot anbietet, leidet der Gewinn des Unternehmens.

Darüber hinaus könnten der Ruf des Unternehmens und das Vertrauen der Kunden in die Marke geschädigt werden, wenn falsche Informationen bereitgestellt und weitergegeben werden. Laut Nachforschungen von Salesforce gibt bereits mehr als die Hälfte der KI-Anwender zu, dass sie Schwierigkeiten haben, die gewünschten Ergebnisse zu erzielen, und bei der Anwendung in Unternehmen vervielfachen sich die Risiken.

Aber nicht nur die Daten sind entscheidend, sondern ebenso die verwendeten Modelle. Dies gilt insbesondere für Organisationen, die stark reguliert sind. Wenn Entscheidungen auf der Grundlage der Ergebnisse eines bestimmten Modells getroffen werden, ist es von entscheidender Bedeutung, dass das Ergebnis reproduziert und nachvollzogen werden kann. Eine zentrale Herausforderung besteht darum darin, zu gewährleisten, dass ein Modell zuverlässig, konsistent und sicher ist.

In diesem Zusammenhang sind die Daten, die zum Trainieren eines Modells verwendet werden, von enormer Bedeutung – Daten sind der Treibstoff der KI, und ihre Qualität bestimmt, wie genau und vertrauenswürdig ein Modell sein kann. Eine zu schnelle Implementierung kann dazu führen, dass wichtige Schritte verpasst werden, wie die Sicherstellung der Verwendung hochwertiger, genauer Daten. Dies muss vor allem der Führungsebene bewusst gemacht werden.

Die goldene Mitte

Es gibt den Königsweg in Form der KI-Experimente. Nach Angaben des Databricks State of Data & AI Reports setzen mit 56 Prozent mehr Unternehmen experimentelle Modelle ein als noch vor einem Jahr. Experimente können genutzt werden, um an den Schmerzpunkten der Unternehmen zu arbeiten.

Das Experimentieren mit Generativer KI kann helfen, die wertvollsten Anwendungsfälle mit der größten Auswirkung zu identifizieren. Zum Experimentieren gehört auch, KI in einer sicheren, kontrollierten Umgebung einzusetzen, wo Probleme erkannt und behoben werden können. Wenn beispielsweise ein Modell den Mitarbeitern ungenaue Antworten gibt, können die Entwickler auf die Daten zurückgreifen, mit denen das Modell trainiert wurde, um diese Probleme zu lösen, bevor es offiziell eingeführt wird.

Experimente können Unternehmen auch helfen, herauszufinden, welche Governance vorhanden sein muss. Zum Beispiel: Ist ein Betriebsmodell oder zumindest eine koordinierte Reihe von Übergaben zwischen Teams erforderlich, um den generativen KI-Zyklus zu steuern? Experimente können auch zeigen, wo ein Übermaß an Fähigkeiten vorhanden ist und wo es Lücken gibt, was wiederum Unternehmen in die Lage versetzen würde, Weiterbildungsprogramme zu planen. Und schließlich kann das Experimentieren aufzeigen, wo es Datenprobleme gibt, die gelöst werden müssen, um ein generatives KI-Modell vollständig produktiv zu machen.

Diese Art des Experimentierens ist sowohl für die Unternehmensleitung als auch für die Technik-Teams von Vorteil. Aus der Perspektive der Unternehmensleitung sieht sie, dass sich in Sachen KI etwas tut, was bestätigt, dass das Unternehmen nicht zurückfällt. Die Technik-Teams dagegen haben mehr Kontrolle über das Tempo und die Qualität der Einführung. Damit Experimente jedoch wirklich effektiv sind, müssen diese Technik-Teams ein paar Dinge beachten.

Nutzung von Technologie für sichere KI-Experimente

Der Zugriff auf Daten oder deren Zusammenführung an einem Ort ist eine wichtige Voraussetzung für Generative KI. Datenplattformen, wie eine Data-Intelligence-Plattform, können Daten und Modelle vereinheitlichen und bieten Unternehmen eine zentrale Anlaufstelle für den Zugriff auf die Daten, die sie für ihre generativen KI-Anwendungsfälle benötigen. Die Suche nach den richtigen KI-Tools, die einen sicheren Ort zum Experimentieren bieten, wird ebenfalls von entscheidender Bedeutung sein, da sie es den Endnutzern ermöglichen, auf verschiedene LLMs zuzugreifen und diese zu validieren, um das am besten geeignete für ihre Anwendungsfälle auszuwählen. Schließlich ermöglicht eine angemessene Governance den Unternehmen die Überwachung und Verwaltung des Zugangs zu Daten und Modellen sowie der Leistung und der Herkunft der Daten – alles wesentliche Faktoren für den Erfolg der Generativen KI.

Fazit

Im Wettlauf um die Nutzung von KI ist ein ausgewogenes Verhältnis zwischen Schnelligkeit und Vorsicht von entscheidender Bedeutung. Der Druck von Seiten der Unternehmensleitung, eine KI schnell einzusetzen, ist verständlich. Doch wie die Technik-Teams nur zu gut wissen, kann eine übereilte Implementierung zu erheblichen Schwierigkeiten führen. KI-Experimente bieten hier einen pragmatischen Königsweg, der es Unternehmen ermöglicht, den dringenden Anforderungen der Führungsebene gerecht zu werden und gleichzeitig robuste, zuverlässige KI-Systeme zu entwickeln, die wirklich zu transformativem Erfolg führen können. Auf diese Weise lässt sich langfristig der Vorteil einer guten KI im Unternehmen genießen und Big Data gewinnbringend nutzen.

(ID:50190804)