Smarte Software denkt mit
Implementierung ist nicht einfach
Die Implementierung von KI im Unternehmen ist allerdings nicht ganz einfach. Es stellen sich – neben organisatorischen – verschiedene Herausforderungen. «Die erste ist, dass man KI nicht einfach so implementieren kann», erklärt Schröder. «Sie ist nicht wie ein Portal, das man konzipiert und mehr oder weniger einfach hinstellt.» KI stehe dafür, dass aus bestehenden Daten und mit Unterstützung von menschlichem Input beziehungsweise mit Trainingsdaten «kognitives Wissen» in einen Algorithmus umgesetzt wird.
Dies setze voraus, dass die entsprechenden Daten auch verfügbar sind – und das in genügender Menge und Qualität. «Weiter müssen genügend Trainingsdaten vorhanden sein, um einen geeigneten Algorithmus trainieren zu können – hier besteht ein grosser Unterschied etwa zwischen einem Techgiganten wie Google mit quasi unendlichen Daten und Möglichkeiten und einem Schweizer KMU mit überschaubaren Daten und Mitteln», sagt er. Eine weitere Herausforderung sei es, die einmal trainierten Algorithmen erfolgreich in die Produktion zu überführen und dann kontinuierlich aktuell zu halten. «Hier hat sich in den letzten Jahren MLOps etabliert.» MLOps (Machine Learning Operations) sind eine Reihe von Praktiken, die darauf abzielen, Machine-Learning-Modelle in der Produktion zuverlässig und effizient bereitzustellen und zu warten.
KI kann nur funktionieren, wenn Daten in genügender Menge und Qualität vorhanden sind
Quelle: Shutterstock/Phonlamai Photo
Ireneu Pla, Senior ML Engineer bei Adnovum, nennt weitere grosse Herausforderungen bei der Implementierung von KI: Mangel an Vertrauen und übersteigerte Erwartungen. «Fehlen das Vertrauen oder das Bewusstsein dafür, was mit KI heute möglich ist, kann es sein, dass vielversprechende Ansätze ausser Acht gelassen werden», erklärt er. «Überzogene Erwartungen dagegen können zu Enttäuschungen in der Anfangsphase und schliesslich dazu führen, dass das Projekt keine echte Chance erhält, sich zu entwickeln.» Um mit KI erfolgreich zu sein, sei eine offene Haltung wichtig: «Die Möglichkeiten sind endlos, aber wir wissen noch nicht alles.»
Weiter seien Algorithmen, insbesondere bei Machine Learning, im Wesentlichen probabilistisch – es bestehe immer die Möglichkeit, dass sie scheitern. «Wie wir alle wissen, passiert dies auch bei ‹normaler› Software. Dort sprechen wir dann von einem ‹Bug›», so Pla. «Bei KI sind Probleme jedoch schwieriger nachzuvollziehen und zu beheben, da der Ansatz nicht deterministisch ist.»
