Der Gartner Artificial Intelligence Hype Cycle für 2021 beschreibt KI-spezifische Innovationen, die sich in verschiedenen Phasen der Reifung, der Übernahme und des Hypes befinden. (Bild: Gartner)
Durch den Einsatz von natürlicher Sprachverarbeitung (NLP) und neuen Technologien wie generativer KI, Wissensgraphen und zusammengesetzter KI nutzen Unternehmen zunehmend KI-Lösungen, um neue Produkte zu entwickeln, bestehende Produkte zu verbessern und ihren Kundenstamm zu erweitern. Zu dieser Erkenntnis kommt das Technologieforschungs- und Beratungsunternehmen Gartner, das jährlich seinen Hype Cycle for Emerging Technologies veröffentlicht. Darin zeigt Gartner 30 Technologieprofile, die Gesellschaft und Wirtschaft in den nächsten fünf bis zehn Jahren erheblich verändern können. Früher noch selbst in diesem Ranking vertreten, gibt es seit ein paar Jahren auch einen eigenen Hype Cycle für Künstliche Intelligenz (KI). Hier sieht Gartner vor allem 4 Trends, die diesen Hype Cycle dominieren.
- Operationalisierung von KI-Initiativen
- Effiziente Nutzung von Daten, Modellen und Datenverarbeitung
- Verantwortungsvolle KI
- Daten für KI
Als Grund dafür sieht Gartner, dass das Hauptaugenmerk der Unternehmen darauf liege, die Geschwindigkeit zu erhöhen, mit der die Proofs of Concept (POCs) in die Produktion überführt werden.
KI-Trend Nr. 1: Operationalisierung von KI-Initiativen
Für die meisten Unternehmen ist die kontinuierliche Bereitstellung und Integration von KI-Lösungen in Unternehmensanwendungen und Geschäftsabläufe ein komplexes Unterfangen. "Im Durchschnitt dauert es etwa acht Monate, bis ein KI-basiertes Modell in einen Geschäftsablauf integriert ist und einen greifbaren Wert liefert", sagt Shubhangi Vashisth, Senior Principal Analyst bei Gartner. "Um jedoch das Scheitern von KI-Projekten zu reduzieren, müssen Unternehmen ihre KI-Architekturen effizient operationalisieren." Gartner geht davon aus, dass bis 2025 70 % der Unternehmen KI-Architekturen operationalisiert haben werden, da KI-Orchestrierungsinitiativen schnell ausgereift sind.
Unternehmen sollten für die Operationalisierung von KI-Lösungen die Modell-Operationalisierung (ModelOps) in Betracht ziehen. ModelOps soll die Zeit verkürzen, die benötigt wird, um KI-Modelle von der Pilotphase in die Produktion zu überführen, und ermöglicht einen prinzipiellen Ansatz, der einen hohen Grad an Erfolg gewährleisten soll. Außerdem bietet es ein System für die Steuerung und das Lebenszyklusmanagement aller KI- (Graphen, linguistische, regelbasierte Systeme und andere) und Entscheidungsmodelle.
KI-Trend Nr. 2: Effiziente Nutzung von Daten, Modellen und Datenverarbeitung
Da Unternehmen weiterhin Innovationen im Bereich der KI vornehmen, müssen sie alle Ressourcen – Daten, Modelle und Datenverarbeitung – effizient nutzen. Bei der Composite AI geht es beispielsweise um die Kombination von "konnektionistischen" KI-Ansätzen wie Deep Learning mit "symbolischen" KI-Ansätzen wie regelbasierter Argumentation, Graphenanalyse, agentenbasierter Modellierung oder Optimierungstechniken. Das Ergebnis der Kombination dieser Techniken (neben anderen) ist ein zusammengesetztes KI-System, das ein breiteres Spektrum von Geschäftsproblemen auf effizientere Weise löst.
Unternehmen könnten generative KI einsetzen, um originäre Medieninhalte, synthetische Daten und Modelle von physischen Objekten zu erstellen. Generative KI wurde beispielsweise eingesetzt, um mit DSP-1181 in weniger als 12 Monaten ein Medikament zur Behandlung von Zwangsstörungen zu entwickeln. Gartner schätzt, dass bis 2025 mehr als 30 % der neuen Medikamente und Materialien systematisch mithilfe generativer KI-Techniken entdeckt werden.
KI-Trend Nr. 3: Verantwortungsvolle KI
Je mehr KI menschliche Entscheidungen in großem Umfang ersetzt, desto mehr verstärkt sie die positiven und negativen Auswirkungen solcher Entscheidungen. Unkontrolliert können KI-basierte Ansätze Voreingenommenheit oder sogar Vorurteile der Entwickler verewigen, was zu Problemen, Produktivitäts- und Umsatzverlusten führt.
Während Algorithmen Rasse und Geschlecht aus Proxy-Parametern wie typischen weiblichen Namen oder Postleitzahlen mit der vorherrschenden Rassendemografie ableiten können, ist eine implizite Voreingenommenheit nur schwer zu erkennen. So könnte ein Datenwissenschaftler beispielsweise übersehen, dass eine bestimmte Anzahl von Klicks auf der Website eine Diskriminierung des Alters darstellen kann. KI kann eine stereotype westliche Hochzeit perfekt klassifizieren, ist aber blind für die Hochzeiten in Indien und Afrika.
In Zukunft müssen Unternehmen KI-Systeme mit Fairness und Transparenz entwickeln und betreiben und sich um die Sicherheit, die Privatsphäre und die Gesellschaft im Allgemeinen kümmern.
KI-Trend Nr. 4: Die richtige Menge Daten für KI
Störungen wie die COVID-19-Pandemie führen dazu, dass historische Daten, die vergangene Bedingungen widerspiegeln, schnell veraltet sind und viele KI- und ML-Modelle für die Produktion nicht mehr funktionieren. F&E- und IT-Führungskräfte wenden sich laut Gartner nun neuen Analysetechniken zu, die als "Small Data" und "Wide Data" bekannt sind. Zusammengenommen sind sie in der Lage, verfügbare Daten effektiver zu nutzen, indem sie entweder mit geringen Datenmengen arbeiten oder mehr Wert aus unstrukturierten, vielfältigen Datenquellen extrahieren.
Gartner geht davon aus, dass bis 2025 70 % der Unternehmen gezwungen sein werden, ihren Schwerpunkt von Big Data auf Small Data und Wide Data zu verlagern, um mehr Kontext für Analysen zu schaffen und KI weniger datenhungrig zu machen.
