Blog

May 28, 2024

Wie Unternehmen mit KI Fehler machen

Kandarpa Borchetia Folgen Sie Tech Clarity Insights – Zuhören Teilen Wir leben in einer Zeit, in der KI und maschinelles Lernen zum neuen Schlagwort geworden sind. Sie sind wie die coolen Kids in der Highschool

Kandarpa Borchetia

Folgen

Einblicke in die technische Klarheit

--

Hören

Aktie

Wir leben in einer Zeit, in der KI und maschinelles Lernen zum neuen Schlagwort geworden sind. Sie sind wie die coolen Kids in der High School, mit denen jeder in Verbindung gebracht werden möchte. Marketingstrategien tragen zusätzlich zum Hype bei. Ein Produkt mit der Bezeichnung „KI-betrieben“ übt eine unwiderstehliche Anziehungskraft aus – die Bezeichnung, die jedes gewöhnliche Gerät auf magische Weise in hochmoderne Wunderwerke verwandelt. Ob Smartphones mit KI-gesteuerten Kameras oder Kühlschränke mit KI-Temperaturregelung – der Markt ist voll von diesen Schlagworten.

Lassen Sie uns jedoch einen Moment innehalten und fragen: Wie gut verstehen wir AI-ML oder, was noch wichtiger ist, was ist der Unterschied zwischen den beiden?

Die unpassende Ehe: KI und ML

Künstliche Intelligenz oder KI ist seit jeher ein Schlagwort. Es handelt sich um das Konzept, Maschinen zu schaffen, die menschliche Intelligenz simulieren können. Betrachten Sie es als den übergreifenden Schirm, der alles abdeckt, von Ihrem niedlichen digitalen Sprachassistenten bis hin zur futuristischen Idee von Robotern mit Bewusstsein.

Wenn Sie ein wenig hineinzoomen, sehen Sie ML – das Lieblingskind der KI.

Maschinelles Lernen – weniger präzise, ​​aber im Volksmund künstliche Intelligenz (KI) genannt – ist eine Teilmenge, bei der es darum geht, Maschinen beizubringen, aus Daten zu lernen, damit sie Entscheidungen oder Vorhersagen treffen können. Im Grunde ist es die magische Soße, die Empfehlungssysteme wie Netflix antreibt, die Ihnen sagen, was Sie sich als Nächstes ansehen sollten, oder diese unheimlich genauen gezielten Anzeigen in Ihrem Social-Media-Feed.

„Ein wissenschaftliches Fachgebiet lässt sich am besten durch die zentrale Frage definieren, die es untersucht. Der Bereich des maschinellen Lernens versucht, die Frage zu beantworten: Wie können wir Computersysteme bauen, die sich mit der Erfahrung automatisch verbessern, und welche Grundgesetze regeln alle Lernprozesse?“ — Tom M. Mitchell schrieb; falls Sie eine präzisere und prägnantere Definition bevorzugen.

Künstliche Intelligenz hingegen hat ein enormes Ausmaß.

„Künstliche Intelligenz ist die Wissenschaft und Technik, die Computer dazu bringt, sich auf eine Weise zu verhalten, von der wir bis vor Kurzem dachten, dass sie menschliche Intelligenz erfordert.“ Andrew Moore Ehemaliger Dekan der Fakultät für Informatik an der Carnegie Mellon University.

Da haben Sie es also. KI und maschinelles Lernen – das heißeste Machtpaar der Technologiewelt, das jede Führungskraft in ihr Unternehmen integrieren möchte. Viele von ihnen wollen die Ersten sein, die KI auch in ihrer jeweiligen Branche einsetzen. Aber wie alle anderen müssen auch Unternehmen aufpassen, dass sie nicht überstürzt in die KI einsteigen.

Wenn man genau hinschaut, wird deutlich, dass es einige offensichtliche Gründe gibt, warum die meisten Unternehmen bei der Integration von KI Fehler machen.

1.KI-Waschen

Dies ist ein ärgerliches Phänomen, wenn ein Unternehmen behauptet, KI-gesteuert zu sein, obwohl dies in Wirklichkeit weit hergeholt ist. Ein häufigeres Beispiel ist die Datenanalyse, bei der ein Unternehmen „denkt“, dass es KI zur Analyse der Daten verwendet, in Wirklichkeit jedoch möglicherweise nur rudimentäre Datenanalysetechniken einsetzt, um etwas „Intelligenteres“ zu machen.

Eine echte KI kann aus den von Ihnen eingegebenen Daten lernen, selbstständig Entscheidungen treffen und mit der Zeit immer intelligenter werden, je nachdem, welche Art von Daten sie verbraucht.

Nicht jede Automatisierung ist eine KI. MMC Ventures stellte in seiner Untersuchung fest, dass es bei beachtlichen 40 % der KI-Startups in der EU an einer sinnvollen Integration der KI-Technologie in ihren Betrieb mangelte. Das beeinträchtigt das ganze coole Image der KI, weil es eine große Kluft zwischen dem, womit sie prahlen, und dem, was sie tatsächlich tut, gibt. Das schadet nicht nur ihrem Ruf, sondern verwirrt auch alle darüber, was KI auf dem Markt überhaupt bedeutet.

2.Das Shiny-Object-Syndrom

Es ist das typische Problem, das neueste Gerät zu kaufen, ohne zu wissen, wofür man es verwenden wird. Manche Unternehmen machen das mit KI. Sie springen auf den KI-Hype-Zug auf, nur weil er im Trend liegt, ohne wirklich zu wissen, wie er ihnen tatsächlich helfen kann. Kein Wunder, berichtete Gartner im Jahr 2020, dass 85 % der maschinellen Lernprojekte scheitern.

Aber hier ist die Sache: Der Wunsch nach KI reicht nicht aus . Sie müssen herausfinden, wo es in Ihr Geschäftspuzzle passt. Es ist ziemlich sinnlos, irgendein schickes KI-Ding zu kaufen und sich dann den Kopf zu kratzen, um herauszufinden, wofür es gut ist.

Um das Beste aus der KI herauszuholen, müssen Unternehmen aufhören, sich von all dem Glanz und Glamour ablenken zu lassen, und anfangen, KI zur Lösung echter Probleme einzusetzen. Es ist, als würden Sie sich auf eine zielgerichtete Reise begeben, um die KI für sich arbeiten zu lassen.

3.K – Mangel und unaufbereitete Daten

Im digitalen Zeitalter generieren die meisten Unternehmen viele Daten. Aber ein riesiges Datenvolumen bedeutet nicht einfach, dass man ein ML-Modell hineinwerfen und Erkenntnisse aus diesen Daten gewinnen kann. Die Erwartung, aus Daten, die nicht ML-fähig sind, tiefe Erkenntnisse zu gewinnen, wird im Volksmund als Wissensdefizit bezeichnet. Nur weil man viele davon hat, heißt das nicht, dass sie nützlich sind.

Müll rein = Müll raus

Daten müssen relevant, genau und so strukturiert sein, dass sie von der KI verstanden werden können. Die Verwendung unordentlicher, unvollständiger oder voreingenommener Daten kann zu katastrophalen Fehlern führen.

Trotz alledem lässt sich der unglaubliche Fortschritt, den wir in den Bereichen KI und maschinelles Lernen gemacht haben, kaum leugnen. Diese Technologien dringen in jeden Winkel unseres Lebens ein, oft ohne dass wir es überhaupt merken. Und ehrlich gesagt sind einige der Anwendungen überwältigend. Nehmen wir zum Beispiel den Finanzsektor, wo KI-gestützte Algorithmen Zahlen schneller berechnen als ein Taschenrechner mit Steroiden.

Aber hier ist die Sache: Während wir in die KI-Welt eintauchen, müssen wir mit einigen verbreiteten Mythen aufräumen. Diese Mythen klingen großartig, aber sie bringen unser Verständnis davon durcheinander, was KI kann und was nicht. Das führt zu Dingen wie „KI-Washing“.

Mythos 1: Es liefert 100 % Genauigkeit.

Zweifellos liefern Maschinen eine höhere Genauigkeit als wir Menschen. Aber um genauer zu sein: Im Gegensatz zu anderen digitalen Technologien oder Automatisierungen trifft KI nur Vorhersagen. Und Vorhersagen müssen zwangsläufig schiefgehen. Die Genauigkeit von KI-Modellen hängt stark von der Qualität und Relevanz der Daten ab, auf denen sie trainiert werden.

Wenn ein KI-Modell auf Daten trainiert wird, die nicht die realen Situationen widerspiegeln, in denen es verwendet werden soll, kann seine Genauigkeit beeinträchtigt werden. Dafür gibt es zwei Hauptgründe: Konzeptdrift und Kovariatenverschiebung.

Einfach ausgedrückt bedeutet Konzeptdrift, dass die zugrunde liegenden Annahmen eines trainierten Modells veraltet sind, wenn neue Daten generiert werden . Dies kann zu einer Verschlechterung der Leistung des Modells führen, da es Vorhersagen auf der Grundlage eines Verständnisses trifft, das nicht mehr zutrifft.

Betrachten Sie beispielsweise ein KI-Modell, das Aktienkurse vorhersagt. Wenn sich die Marktdynamik aufgrund wirtschaftlicher Veränderungen, geopolitischer Ereignisse oder technologischer Fortschritte ändert, können die Vorhersagen des Modells mit der Zeit ungenauer werden. Konzeptdrift erfordert eine kontinuierliche Überwachung der Leistung des Modells und regelmäßige Aktualisierungen seiner Trainingsdaten und Algorithmen, um sich an die sich ändernden Bedingungen anzupassen.

Eine Kovariatenverschiebung tritt auf, wenn sich die zum Trainieren des Modells verwendeten Daten von den Daten unterscheiden, auf die es während der Bereitstellung trifft.Dies kann zu einer Verschlechterung der Modellleistung führen, da die Annahmen des Modells über die Beziehungen zwischen Eingabemerkmalen und der Zielvariablen nicht mehr gelten.

Nehmen wir zum Beispiel ein Modell, das anhand der Temperatur und Luftfeuchtigkeit ziemlich genau vorhersagt, ob es regnen oder sonnig sein wird. Nun entscheiden Sie sich, dieses Modell in einer anderen Stadt einzusetzen, in der die Wetterverhältnisse etwas anders sind. In dieser neuen Stadt können die Temperaturen viel höher sein und die Luftfeuchtigkeit kann im Vergleich zu dem Ort, an dem Sie die ursprünglichen Daten erfasst haben, auf ungewöhnliche Weise variieren.

Dies ist ein Fall einer Kovariatenverschiebung. Obwohl die Beziehung zwischen diesen Merkmalen gleich bleibt, ist das Ergebnis (sonnig oder regnerisch) möglicherweise nicht so genau wie am vorherigen Standort. Dies liegt daran, dass sich die Eigenschaften der Einträge (Temperatur und Luftfeuchtigkeit) durch den Standortwechsel verändert haben.

Mythos 2: KI wird mit der Zeit von selbst immer besser.

KI-Algorithmen haben das Potenzial, sich im Laufe der Zeit zu verbessern. Diese Verbesserung ist jedoch nicht garantiert und, was noch wichtiger ist, nicht automatisch. Die Verbesserung eines KI-Modells erfordert kontinuierliches Training mit relevanten und aktualisierten Daten. Außerdem kann sich die Verbesserungsrate verlangsamen, wenn das Modell seine Leistungsgrenzen erreicht. Darüber hinaus können KI-Modelle Schwierigkeiten haben, wenn ihnen Daten präsentiert werden, die sich erheblich von denen unterscheiden, auf denen sie trainiert wurden, was die Bedeutung der Anpassung von Modellen an neue Situationen unterstreicht.

Stellen Sie es sich wie ein Programm vor, das Sprachen übersetzt. Am Anfang ist es nicht großartig, aber es lernt aus Fehlern, je mehr Leute es nutzen. Allerdings muss man ihm immer wieder neue Wörter und Sätze geben, aus denen man lernen kann. Mit der Zeit wird es besser, aber wenn es wirklich gut wird, verlangsamt es sich. Wenn Sie ihm jedoch neue Dinge zeigen, könnte es Schwierigkeiten haben, weil es nur weiß, was es gelernt hat. Obwohl es sich also verbessern kann, ist es wichtig, ihm immer wieder neue Dinge für verschiedene Situationen beizubringen.

Mythos 3: KI Plug & Play.

Die Bereitstellung von KI-Modellen ist oft komplexer als das bloße Anschließen. Während einige vorab trainierte Modelle für bestimmte Aufgaben sofort gut funktionieren, erfordern sie dennoch Integration, Optimierung und manchmal sogar Feinabstimmung, um in einem bestimmten Kontext optimal zu funktionieren . Darüber hinaus ist es von entscheidender Bedeutung, die Einschränkungen, Vorurteile und potenziellen ethischen Bedenken des KI-Systems zu verstehen.

Mythos 4: KI kann Menschen ersetzen oder wie Menschen denken.

KI-Modelle „denken“ nicht wirklich wie Menschen. Sie verarbeiten Daten anhand von Mustern und statistischen Analysen, die sich stark von der menschlichen Wahrnehmung unterscheiden. KI kann bei bestimmten Aufgaben leistungsstark und effizient sein, hängt jedoch stark von der Qualität und Relevanz der Daten ab, auf denen sie trainiert wird. Wenn die Eingabedaten fehlerhaft, verzerrt oder unvollständig sind, spiegelt die Ausgabe der KI diese Probleme wider.

Ein klassisches Beispiel dafür ist die „sexistische“ Apple-Karte gegenüber Frauen, die einen Kredit beantragen. Das Modell wurde anhand historischer Daten trainiert, aus denen hervorgeht, dass Männer früher mehr verdienten als Frauen. Aufgrund dieser Verzerrung der Daten kam das Modell letztendlich zu der Vorhersage, dass Frauen weniger kreditwürdig sind als Männer!

Beispiele wie dieses gibt es n-mal. Um das volle Potenzial der KI auszuschöpfen, müssen Unternehmen den gängigen Mythen entfliehen und sich bewusst auf den Weg machen, KI als lösungsorientierten Wegbereiter zu nutzen. "Wissen ist Macht." Mit sorgfältiger Recherche, klaren Zielen und für maschinelles Lernen vorbereiteten Daten können Unternehmen auf der KI-Welle zu einer reibungslosen Integration reiten.

Wie Thomas Edison es ausdrückte: „Die meisten Menschen verpassen eine Gelegenheit, weil sie in Overalls gekleidet wie Arbeit aussieht.“ Krempeln wir also die Ärmel hoch, besiegen wir den K-Mangel und machen wir Fortschritte in Richtung einer intelligenteren Zukunft.