Geschäftswert aus KI ziehen: Vermeidung eines (Gen-)KI-Winters
Bis zu einem gewissen Grad mag das einfach daran liegen, dass die Menschen andere Themen suchen, über die sie sprechen können, aber ich glaube, es geht noch etwas tiefer. Während in den letzten Jahren nur wenige zu bezweifeln wagten, dass die KI für große Dinge bestimmt ist, hören wir jetzt mehr abweichende - oder zumindest fragende - Stimmen. Eine nicht sehr wissenschaftliche Stichprobe ergibt zum Beispiel die folgenden Bedenken: Täuschung durch generative KI, "KI-Schlamassel", der Playlists überwältigt, KI-"Betrug" bei Spiele-Benchmarks und schließlich Zweifel an der Idee des "Denkens" der generativen KI.
In einigen Fällen beziehen sich diese Geschichten auf grundlegende Missverständnisse darüber, wie KI/generative KI (Gen AI) funktioniert, auf Erwartungen an ihre Fähigkeiten oder auf einige der unsozialen Anwendungen, für die sie eingesetzt wurde.
Es scheint jedoch so zu sein, dass die Menschen mit zunehmender Vertrautheit mit den Technologien der künstlichen Intelligenz (KI) eine Art Rückzug und eine Bewertung dessen vorgenommen haben, was passiert ist, während wir von dieser neuen Technologie übermäßig begeistert waren. Dies ist ein gesunder Vorgang, und wie bei früheren Zyklen der KI-Innovation hat dies zu einigen vernünftigen Fragen über den harten Wert geführt, den die KI erreicht hat. So ergab eine Umfrage, dass seit 2021 die Zahl der eingesetzten KI-Projekte und auch die Investitionsrendite (ROI) zurückgegangen sind. In einer anderen Umfrage wurde festgestellt, dass eines der größten Hindernisse für die Implementierung von KI-Techniken dieSchätzung und der Nachweis des Nutzens ist, während Gen-KI die wichtigste Art von KI-Lösung ist, die in Unternehmen eingesetzt wird. Was diese Umfragen nicht aussagen, ist, dass (Gen-)KI nicht funktioniert, dass sie keine bemerkenswerten Dinge tun kann oder überhaupt keinen Wert hat; sie weisen vielmehr darauf hin, dass das zu lösende Geschäftsproblem sorgfältiger identifiziert werden muss und wie dies zu einem Wert für das Unternehmen führt.
Dies könnte sich in der Öffentlichkeit stärker bemerkbar machen, da die KI-Technologie der neuen Generation viel leichter zugänglich ist als die KI oder ML der alten Generation und daher viel mehr Menschen und Unternehmen die Möglichkeit haben, sie selbst auszuprobieren. Wie können also diejenigen von uns, die (Gen-)KI-Projekte in Angriff nehmen, auf den Erfahrungen, Erfolgen und Misserfolgen von KI- und ML-Projekten der Vergangenheit aufbauen und daraus lernen? In diesem und in künftigen Artikeln werde ich versuchen, einige der wichtigsten Lehren für erfolgreiche KI-Projekte zu ziehen, aber lassen Sie uns zunächst genau definieren, was wir mit "KI" und "Gen-KI" meinen und wie sie auf einer hohen Ebene funktionieren.
Bei traditionellen - oder "alten" - KI-Ansätzen wie dem maschinellen Lernen (ML) funktionieren Algorithmen auf eine bestimmte Art und Weise: Mit der richtigen Einstellung und Ausrichtung können sie aus einer Reihe von Eingabedaten eine Schlussfolgerung ziehen. Die Erstellung eines Modells ist eine Aufgabe, die Fähigkeiten, Wissen und Kreativität erfordert. Die größte Herausforderung scheint jedoch darin zu bestehen, die Elemente, die mit ML gelöst werden können, so zusammenzustellen, dass sie eine Gesamtlösung für das Geschäftsproblem bieten. Geschäftsprobleme passen oft nicht zu einer ML-Lösung von der Stange. Sie sind nicht wie ein Kaggle-Wettbewerb aufgebaut, bei dem der glückliche Datenwissenschaftler einen Algorithmus optimieren muss, der eine saubere csv-Datei mit Eingabedaten erhält, wobei die vom Algorithmus erzeugte Ausgabe von 1en oder 0en (oder 0,2, 0,7, 0,9 usw.) das Geschäftsproblem auf magische Weise löst. Es ist nicht so, dass solche Eingaben, Ausgaben und Zwischenmodelle oder Algorithmen ein Geschäftsproblem nicht lösen können. Vielmehr muss der geschäftliche Anwendungsfall erst einmal richtig identifiziert und strukturiert werden, und der resultierende Output muss so verpackt werden, dass er in eine Gesamtlösung integriert werden kann, die dann das geschäftliche Problem löst.
Generative KI ist in ähnlicher Weise dadurch eingeschränkt, dass sichergestellt werden muss, dass die Standardlösung (Basismodell, z. B. ein umfangreiches Sprachmodell) so modifiziert werden kann, dass der "Prompt in / Text out" sich so verhält, wie es für das Geschäftsproblem erforderlich ist. Zu den üblichen Anpassungsansätzen gehören Prompt-Engineering und Retrieval Augmented Generation (RAG), zusätzlich zu den verschiedenen Kontrollmechanismen, die erforderlich sind, um die Vorhersagbarkeit des Verhaltens zu fördern und die Wahrscheinlichkeit unerwünschten Verhaltens zu verringern. Wie bei der "alten KI" muss daher auch die generative KI in eine Gesamtlösung integriert werden.
Wie sieht also die Gesamtlösung aus, und wie löst sie das Geschäftsproblem? Schon vorher müssen wir verstehen, was das eigentliche Geschäftsproblem ist, und ein Gefühl dafür bekommen, ob es mit Hilfe von KI sinnvoll gelöst werden kann oder ob andere Ansätze besser geeignet sind. Es ist unmöglich, all dies im Voraus zu wissen, aber es gibt Dinge, die wir tun können, um an diesen Punkt zu gelangen. Nützliche Schritte sind, das Geschäftsproblem zu verstehen, mit den Interessengruppen zu sprechen und die Lösung der Geschäftslogik zuzuordnen. Auf jeden dieser Aspekte sowie auf einige abschließende Überlegungen zur Durchführung von KI-Projekten werde ich in der folgenden Artikelserie näher eingehen.
