Inhalt
- KI im Hype-Zyklus
- Bisher nicht so gut
- Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören
- Alles hängt von den Daten ab
Quelle: Charles Taylor / iStockphoto
Wegbringen:
Es gibt viel Hype um künstliche Intelligenz, wie intelligent ist sie?
Künstliche Intelligenz hat in Unternehmenskreisen so viel Aufmerksamkeit erregt, dass sich viele IT-Verantwortliche für die Annahme entschuldigen lassen, dass sie alle Antworten auf ein immer komplexer werdendes Datenökosystem liefern wird. Es kann zwar durchaus zu bedeutenden Verbesserungen bestehender Technologien führen, es ist jedoch auch gerechtfertigt, zu behaupten, dass einige der Erwartungen in Bezug auf deren Wirksamkeit übertrieben sind.
Tatsächlich gibt es relativ wenig Verständnis dafür, was KI genau ist, wie sie wirklich funktioniert und was sie tatsächlich kann. Und dies führt zu weit gefassten Missverständnissen in Bezug auf die Rolle des Unternehmens und die Art und Weise, in der es mit der vorhandenen Infrastruktur und den Menschen, die es betreiben, in Beziehung steht.
KI im Hype-Zyklus
Laut Gartners jüngstem Hype-Zyklus stehen wichtige KI-Untergruppen wie Deep Learning, Maschinelles Lernen und Cognitive Computing an der Spitze der Kurve der überhöhten Erwartungen, was bedeutet, dass sie kurz vor dem langen Rutsch in den Tiefpunkt der Ernüchterung stehen. Während dies in den letzten 30 Jahren für praktisch jede disruptive Technologie selbstverständlich war, weist es darauf hin, dass die prognostizierte Auswirkung der KI im Unternehmen, die hauptsächlich aus kontrollierten Labortests abgeleitet wurde, in die Realität vordringen wird der Produktionsumgebung. (Sehen Sie sich die Geschichte der Computerinnovationen in From Ada Lovelace to Deep Learning an.)
Dennoch erwartet der Gartner-Forscher Mike Walker, dass KI in den nächsten zehn Jahren allgegenwärtig sein wird, und zwar durch eine Kombination aus fortschreitender Rechenleistung, die zur Entwicklung von Konstrukten wie dem neuronalen Netzwerk führt, und der Tatsache, dass die Datenlast des Unternehmens so immens geworden ist und so komplex, dass menschliche Bediener nicht mehr alleine zurechtkommen.
Eines der ersten Dinge, die das Unternehmen über KI verstehen muss, ist, dass es schnell und locker mit dem Begriff „Intelligenz“ spielt. Wie der Schweizer Neurowissenschaftler Pascal Kaufmann ZDnet kürzlich erklärte, gibt es tiefgreifende Unterschiede in der Art und Weise, wie ein Computeralgorithmus und ein menschliches Gehirn funktionieren Informationen verarbeiten, um zu einer Schlussfolgerung zu gelangen. Bei ausreichender Rechenleistung kann ein Computeralgorithmus Millionen, Milliarden oder sogar Billionen von Datensätzen vergleichen, um eine einfache Feststellung zu treffen, z. B. ob ein Bild einer Katze tatsächlich ein Bild einer Katze ist. Aber selbst ein kleines Kind, das nur sehr wenige Daten hat, kann instinktiv feststellen, dass es eine Katze ist, und wird für immer wissen, was eine Katze ist und wie sie aussieht.
Nach diesem Standard war selbst das führende Beispiel für KI bei der Arbeit - Google DeepMinds AlphaGo beherrscht das Strategiespiel Go - keine künstliche Intelligenz, sondern ein Querschnitt aus Big Data, Analyse und Automatisierung, der einen regelbasierten Ansatz rationalisieren konnte zum Gewinnen. Interessanterweise fügt Kaufmann hinzu, dass ein echtes Beispiel für künstliche Intelligenz wäre, wenn AlphaGo herausgefunden hätte, wie man schummelt, um zu gewinnen. Dazu muss die Wissenschaft jedoch zuerst den „Gehirncode“ knacken, mit dem wir Informationen verarbeiten, Wissen abrufen und Erinnerungen speichern können. (Erfahren Sie mehr über Automatisierung mit Automation: Die Zukunft von Data Science und Machine Learning?)
Bisher nicht so gut
Trotz der Befürchtungen, dass die KI die Arbeit aller übernehmen könnte, sind die bisherigen Ergebnisse beinahe komisch. Fans von George R. R. Martins "Game of Thrones" sind für den nächsten Teil der Serie so ungeduldig, dass viele zu einem Kapitel mit fast reinem Gobbledygook strömten, das von einer Form von KI geschrieben wurde, die als wiederkehrendes neuronales Netzwerk bezeichnet wird. In der Zwischenzeit entlockt IBM Onkologieforschern, denen mitgeteilt wurde, dass Watson eine neue Ära in der Diagnose und Behandlung einleiten würde, und kämpft stattdessen immer noch darum, nur zwischen den Grundformen von Krebs zu unterscheiden. Angesichts dieser Erfolgsbilanz ist es durchaus möglich, dass die KI bei der Einführung in ein typisches Unternehmen möglicherweise mehr Aufwand seitens der menschlichen Bediener erfordert, um alle Fehler zu verfolgen und zu überwachen, die sie machen wird.
Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören
Sie können Ihre Programmierkenntnisse nicht verbessern, wenn sich niemand um die Softwarequalität kümmert.
Aber hier ist das Problem: Die KI wird mit der Zeit besser, ohne dass sie neu programmiert werden muss. Wie Daniel Huttenlocker, ein Forscher von Cornell Tech, kürzlich gegenüber Tech Crunch erklärte, verdrängt AI mit größerer Wahrscheinlichkeit herkömmliche Software - und alle damit verbundenen lästigen Patches, Updates und Korrekturen - als menschliche Bediener. Dies bedeutet nicht, dass KI nicht programmiert werden muss, sondern dass der Ansatz erheblich vereinfacht wird. Bei der heutigen Software muss der Programmierer nicht nur die zu lösende Aufgabe definieren, sondern auch die genauen Schritte, mit denen sie gelöst werden soll. Bei AI ist nur das Ziel erforderlich, und die Software sollte in der Lage sein, den Rest zu erledigen, vorausgesetzt, sie verfügt über die richtigen Daten, mit denen sie arbeiten kann.
Alles hängt von den Daten ab
Dieser letzte Punkt ist entscheidend, da AI letztendlich nur ein Algorithmus ist und Algorithmen nur so gut sind wie die Daten, die sie einspeisen. Dies bedeutet, dass das Unternehmen nicht nur ein angemessenes AI-Betriebsgerüst aufbauen muss, sondern auch eine recht strenge Datenkonditionierungsumgebung einrichten muss, damit die Analyseergebnisse auf genauen eingehenden Informationen basieren. Dies teilte der CEO von ActiveCampaign, Jason VandeBoom, kürzlich Forbes mit Es gelten immer noch die Regeln für "Müll gleich Müll". Es kann also eine Weile dauern, bis Unternehmen die wahren Vorteile ihrer KI-Investition erkennen.
Angesichts all dessen sollte das Unternehmen nicht erwarten, dass AI eine schnelle Lösung für die aufkommenden Herausforderungen von Big Data und IoT bietet. Die Lernkurve für Mensch und Maschine dürfte recht lang sein, und die Ergebnisse sind bestenfalls ungewiss.
Wenn jedoch alles wie geplant verläuft, sollten sowohl das Unternehmen als auch die Wissensbeschäftigten auf lange Sicht erhebliche Vorteile sehen. Denken Sie nur an die alltäglichste, langwierigste und zeitaufwändigste Aufgabe, die Ihre Prozesse im Moment verlangsamt, und stellen Sie sich vor, Sie müssten sie nie wieder ausführen.