![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/startae-team-704141-unsplash-scaled-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NACHRICHTEN \/ KI-TECHNOLOGIE<\/p>\n<\/div>
Das zunehmende Verst\u00e4ndnis von und die Erfahrung mit artificial intelligence in Unternehmen mag widerspr\u00fcchlich erscheinen, wenn man bedenkt, dass KI in den meisten Unternehmen noch nicht in nennenswertem Umfang eingesetzt wird.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Das zunehmende Verst\u00e4ndnis von und die Erfahrung mit artificial intelligence in Unternehmen mag widerspr\u00fcchlich erscheinen, wenn man bedenkt, dass KI in den meisten Unternehmen noch nicht in nennenswertem Umfang eingesetzt wird. <\/b><\/p>\n
In diesem Artikel werden wir sowohl die Gr\u00fcnde f\u00fcr diese Zweiteilung untersuchen als auch die Voraussetzungen f\u00fcr den Erfolg erforschen.<\/b><\/p>\n
In Unternehmen, die KI-Technologien erfolgreich einsetzen, entstehen neue Modelle, insbesondere in Form einer \u201cKI-Fabrik\u201d, einer Kombination aus Talenten, Methoden und Technologien im Dienste des gesamten Unternehmens.<\/span><\/p>\n Innovationen im Bereich der neuen Technologien folgen immer dem von Gartner entwickelten \u201cHype Cycle\u201d, der f\u00fcnf sich \u00fcberschneidende Lebenszyklusphasen identifiziert:<\/span><\/p>\n Wie der Zyklus zeigt, geht jeder Phase des konkreten Erfolgs eine Phase der Desillusionierung voraus. Zu viele Komplikationen k\u00f6nnen den Erfolg dieser Projekte behindern. Es steht viel auf dem Spiel, die Herausforderung zu meistern <\/span>K\u00fcnstliche Intelligenz<\/span> sind hoch: Laut Accenture k\u00f6nnten Unternehmen, die artificial intelligence gut nutzen, ihre Rentabilit\u00e4t um mehr als 30% steigern! Hinzu kommen potenzielle neue Einnahmequellen, die sich aus verbesserten Kundenerlebnissen oder gr\u00f6\u00dferen Wettbewerbsvorteilen ergeben k\u00f6nnen.<\/span><\/p>\n Die KI, die noch in den Kinderschuhen steckt, ist ein Ensemble hochtheoretischer Wissenschaften. Dennoch muss sie von den Unternehmen mit Blick auf Kosteneinsparungen betrachtet werden und nicht durch das Prisma der Innovation (das Syndrom des \u201cneuesten Modeworts\u201d). Wie k\u00f6nnen Unternehmen einen echten Nutzen aus diesen KI-Experimenten ziehen? Wie kann es ihnen gelingen, \u201caufzustocken\u201d? Unsere Antwort erfordert neue organisatorische Rahmenbedingungen, bei denen wir von \u201cKI-Fabriken\u201d sprechen.<\/span><\/p>\n Heute gibt es immer mehr Algorithmen und \u201cIntelligenzprodukte\u201d in den Regalen. Zumindest auf den unteren Ebenen. Europas erste Cloud-Partner, Amazon (AWS), Microsoft (Azure), Google (GCP) und IBM, bieten alle verschiedene Abstraktionsebenen an, die es Unternehmen erm\u00f6glichen, KI im eigenen Haus zu \u201cproduzieren\u201d (Google hat k\u00fcrzlich einen neuen verwalteten Universaldienst namens Anthos auf den Markt gebracht); diese L\u00f6sungen funktionieren ein wenig wie die Chemiebauk\u00e4sten, mit denen wir als Kinder gespielt haben. Sie bieten einen einfachen Zugang zu Infrastrukturen, die speziell f\u00fcr die Reaktion auf <\/span>maschinelles Lernen<\/span> wie z.B. die TPUs von Google, die als Managed Services die Konzentration von Teams auf bestimmte Anwendungen erm\u00f6glichen.<\/span><\/p>\n Ebenfalls verf\u00fcgbar sind zahlreiche\u00a0<\/span>offene Quelle<\/span>\u00a0Bibliotheken (scikit-learn, TensorFlow, Pytorch) sowie propriet\u00e4re APIs (Bild-, Text- und Spracherkennung). Nach anf\u00e4nglichen Erfolgen kann es jedoch zu Problemen kommen, da nur ein kleiner Teil dieser Tests im Produktionsmodus landet, was nicht nur zu Frustration f\u00fchrt, sondern nat\u00fcrlich auch zu verpassten Chancen.<\/span><\/p>\n Die meisten gro\u00dfen Unternehmen haben massiv in Data-Wissenschaftler investiert, und das zu Recht: 2016 k\u00fcndigte McKinsey an, dass bis 2021 allein in den USA 250.000 Data-Wissenschaftler ben\u00f6tigt werden w\u00fcrden. Aber wir erkennen jetzt, dass diese Profile, die sich stark auf data-Modelle, Statistiken und Algorithmen konzentrieren, nicht ausreichen werden, um das Unternehmen mit KI zu ver\u00e4ndern. Wir haben zum Beispiel die unsch\u00e4tzbaren Data Engineers und Data Architects ausgelassen, deren Talente der Schl\u00fcssel zum Erfolg in den kommenden Jahren sind, deren Integration in Teamprojekte aber erst noch erreicht werden muss.<\/span><\/p>\n Eine neue Organisationsform kommt allm\u00e4hlich ans Licht: Die Fabrik der K\u00fcnstlichen Intelligenz oder KI-Fabrik,<\/span> Eines mit sehr ehrgeizigen Zielen... Die Idee ist, die Investitionen und Lenkungsma\u00dfnahmen zu b\u00fcndeln und zu koordinieren. Nur eine sehr kleine Anzahl der wertvollsten Projekte des Unternehmens wird von denjenigen Sponsoren gepr\u00fcft, die sich am meisten f\u00fcr ihren Erfolg einsetzen. Die Auswahl dieser Anwendungsf\u00e4lle muss \u00e4u\u00dferst rigoros sein: Insbesondere sollte kein Projekt das Licht der Welt erblicken, wenn es nicht dem einfachen Gesetz des 10fachen (10:1 Return on Investment) entspricht. Der Erfolg und die Auswirkungen eines jeden Anwendungsfalls sollten anhand eines einfachen und verst\u00e4ndlichen KPI messbar sein, und die systematische Verbesserung dieses KPI sollte das <\/span>Daseinsberechtigung<\/span><\/i> der Teams.<\/span><\/p>\n Feature-Teams, die von Spotify eingef\u00fchrt wurden, sind die Antwort auf die Herausforderungen einer k\u00fcrzeren Markteinf\u00fchrungszeit, der Transversalit\u00e4t und der Projektkontinuit\u00e4t. Unter der Leitung eines Business Managers setzt sich das Feature Team aus einem Product Owner, data Wissenschaftlern, data Ingenieuren und DevOps-Experten zusammen. Die Einbeziehung von DevOps \/ IT in das Feature-Team gew\u00e4hrleistet eine hervorragende \u00dcberwachung und mehrj\u00e4hrige Wartung der KI-L\u00f6sung. Ein \u201cPlattformteam\u201d sorgt f\u00fcr die technologische Koh\u00e4renz der von den Funktionsteams eingesetzten Bausteine. Es ist wichtig zu erw\u00e4hnen, dass dieses Organisationsmodell im gro\u00dfen Ma\u00dfstab sehr gut funktioniert (bei Spotify gibt es bis zu 10 Feature-Teams f\u00fcr jeden \u201cTribe\u201d).<\/span><\/p>\n Lean AI ist eine Methode, die die Ungewissheit der Effizienz und Anwendbarkeit von KI-L\u00f6sungen reduziert. Modelle sind nie perfekt und m\u00fcssen in realen Situationen getestet werden. Die Methode besteht aus einer kontinuierlichen Verbesserungsschleife mit kurzen Zyklen, die die Formulierung von Hypothesen, die Identifizierung relevanter data, die Konstruktion und das Testen eines oder mehrerer Modelle, gefolgt vom Einsatz in einem Testgebiet und dem Sammeln von Benutzerfeedback umfassen.<\/span><\/p>\n Der Zyklus wiederholt sich mit der Formulierung neuer Hypothesen, neuer data, usw. Diese Methode erm\u00f6glicht das Testen in realen Situationen, dann die Verbesserung von nicht untersuchten F\u00e4llen, bis ein Zufriedenheitsgrad erreicht ist, der von der Organisation als akzeptabel angesehen wird, um mit der Produktion zu beginnen.<\/span><\/p>\n Der Einsatz sollte bereits in den ersten Tagen des Projekts geplant werden, um zu vermeiden, dass Sie in einer anderen technischen Umgebung bei Null anfangen.<\/span><\/p>\n Die Schaffung neuer data-Silos muss ebenfalls vermieden werden, indem die bestehenden data-Seen und data-Brunnen des Unternehmens optimal genutzt werden. KI-Anwendungen sollten in einer serviceorientierten Architekturlogik aufgebaut sein.<\/span><\/p>\n Containerisierungs- und Orchestrierungstechnologien wie Docker und Kubernetes erm\u00f6glichen eine vereinfachte Verwaltung von Microservice-\u00d6kosystemen und erleichtern die Nutzung von KI-Modellen \u00fcber APIs, die von allen Abteilungen des Unternehmens genutzt werden k\u00f6nnen.<\/span><\/p>\n Obwohl sich viele Unternehmen bereits einen gemeinsamen Raum teilen, untergr\u00e4bt das Fehlen eines gemeinsamen Betriebsmodells den Erfolg von KI-Projekten. Ein \u201cChatbot\u201d, der zu einer kommerziellen Website geh\u00f6rt, sollte beispielsweise ein nat\u00fcrlicher Teil des Verkaufspfads sein und nicht als separates Akquisitionssilo betrachtet werden, doch das ist oft nicht der Fall. Wenn die verschiedenen Abteilungen in einem Unternehmen dieselben Technologien einsetzen, ist der Erfolg von KI viel wahrscheinlicher.<\/span><\/p>\n #1 Definieren Sie Ihr KI-Ziel \u00a0<\/b><\/p>\n 2 Sichern Sie es mit Data<\/b><\/p>\n #3 Beziehen Sie Ihre internen Fachexperten (SMEs) ein.<\/b><\/p>\n #4 Messen Sie das Ergebnis, nicht den Output<\/b><\/p>\n #5 Iterieren Sie schnell!<\/b><\/p>\n Wir haben vor kurzem das Beispiel von Alexa gesehen und die unangenehme \u00dcberraschung ihres Zuh\u00f6rens (notwendig und geplant, um das \u00fcberwachte Lernen zu verbessern). Die Vorschriften werden der Technologie immer hinterherhinken. Es ist wichtig, dass die Unternehmen, die artificial intelligence einsetzen, die ethischen Herausforderungen dieser L\u00f6sungen verstehen. Sieben ethische Leitprinzipien, die von dem von der Europ\u00e4ischen Kommission beauftragten Ausschuss unabh\u00e4ngiger Experten ver\u00f6ffentlicht wurden: KI im Dienste der Menschlichkeit, vertrauensw\u00fcrdig, die private data respektierend, transparent, nicht diskriminierend, der Verbesserung des Gemeinwohls verpflichtet und schlie\u00dflich mit einer klar definierten menschlichen Verantwortung.<\/span><\/p>\n Eine wachsende Zahl von Unternehmen beschlie\u00dft, diese Prinzipien anzuwenden, um den Wert der KI zu nutzen: Carrefour k\u00fcndigte vor kurzem den Start seines Labors f\u00fcr k\u00fcnstliche Intelligenz in Zusammenarbeit mit Google an, und Walmart k\u00fcndigte den Start seiner \u201cCloud Factory\u201d in Austin mit Microsoft an. Es besteht kaum ein Zweifel daran, dass diese neuen organisatorischen Methoden, die sich auf den Wert konzentrieren und pragmatisch an die Innovation herangehen, in den kommenden Jahren h\u00e4ufiger und erfolgreicher eingesetzt werden.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":" Das zunehmende Verst\u00e4ndnis von und die Erfahrung mit artificial intelligence in Unternehmen mag widerspr\u00fcchlich erscheinen, wenn man bedenkt, dass KI in den meisten Unternehmen noch nicht in nennenswertem Umfang eingesetzt wird.<\/p>","protected":false},"featured_media":5607,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5606","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/5606","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/5607"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=5606"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=5606"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=5606"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\n
Was ist KI? Welchen Wert kann sie f\u00fcr Unternehmen haben?<\/span><\/h3>\n
\n<\/span>die einer Reihe von Leitprinzipien folgt, die einfach, aber entscheidend f\u00fcr den Erfolg dieser Initiativen sind.\u00a0<\/span><\/p>\nDie KI-Fabrik beginnt mit zentraler Steuerung<\/span><\/h3>\n
Feature-Teams sorgen f\u00fcr engagierte Projektorganisation<\/span><\/h3>\n
Die Vorteile von Feature-Teams<\/span><\/h3>\n
\n
Eine spezifische Methodik: Lean AI<\/span><\/h3>\n
... Zusammen mit einer angepassten Infrastruktur<\/span><\/h3>\n
... Und arbeiten Sie an der internen Umwandlung und Anpassung<\/span><\/h3>\n
Schritte zum Erfolg eines AI-Projekts<\/span><\/h3>\n
Schlie\u00dflich: eine immer wichtigere ethische Herausforderung<\/span><\/h3>\n