KI-Projekte gehen zu Grunde-
Doch warum?
Obwoh die Künstliche Intelligenz– Technologie Fortgeschrittener denn je ist, scheitern immer noch die Mehrheit der KI-Projekte. Wie könnten diese Projekte zum Erfolg werden?
Verbreitet und herkömmlich wären die richtigen Ausdrücke in Bezug auf KI. Der Grund ist einfach, überall in unserem Leben auf unseren Smartphones, Laptops oder auch unsere persönlichen Assistenten egal ob “Siri”, “Cortana” oder “Alexa”, ist die Künstliche Intelligenz vorhanden.
Außerdem in den Bereichen Produktion, Logistik und vieles mehr spielen KI heutzutage große Rollen.
Davon abgesehen sind in ziemlich allen neuen Autos KI integriert. Der Auto Sektor hält den ersten Platzt, weil das automatisierte fahren sehr gängig geworden ist. Mittlerweile ist bekannt, dass in den vergangenen vier Jahren die Nutzung von KI fast vervierfacht hat.
In den letzten Jahren sind immer mehr Daten entstanden. Schon die Daten im Internet an sich lassen Machine-Learning-Algorithmen zum Besten trainieren.
Mit der zunehmenden Zahl an Daten, vergrößrt sich der Anwendungsraum ebenfalls.
Mithilfe KI, lassen sich Daten um einiges günstiger speichern. Darunter Grafikprozessoren die ebenfalls immer günstiger und Leistung bietender werden.
Für die Entwicklung von KI-basierten Modellen braucht man Millionen von Lernzyklen. Diese Berechnungen können am effektivsten durch den Einsatz von GPU ausgeführt werden. Auch in diesem Raum wurden anschaubare Fortschritte, in wenigen Jahren erreicht.
Angesichts allen Fakten, sollte man sich nicht täuschen lassen, weil die meisten Unternehmen mit ihren KI-Projekten eigentlich gar nicht den gewünschten Erfolg erzielen können. Alle möchten die KI irgendwie zu ihrem eigenen Nutzen einsetzten, das führt dazu, dass sehr viele KI-Projekte entworfen werden. Leider jedoch kommen die meisten dieser Projekte nicht in den produktiven Einsatz.
Aufällige Gründe sind folgende:
Es fehlt den Entwicklern an Weitsichtigkeit!
Die Tests der meisten Projekte werden auf Cloud-Systemen durchgeführt. Dabei wird jedoch nicht darauf geachtet, dass ein großer Teil der Daten nach wie vor on-premises in den Rechenzentren der Unternehmen liegen. Im Gegensatz bei Test- Phasen können im Produktiveinsatz keine Petabyte an Daten in die Cloud übertragen werden. Diese Missachtungen führen zu enormen Leistungsverlusten, welche die Folgen von zu hohen Kosten und zu langen Latenzen von Cloud- Projekten ergeben.
Ein anderer Grund ist die mangelnde Qualität der Daten:
Um die Daten auf gewünschtem Niveau zu bringen müssen Algorithmen gut genug überarbeitet werden, darüber hinaus müssen dafür auf die Tags und Metadaten geachtet werden. Erst wenn diese im Teststadium reichlich genug Qualifiziert für belastbare Aussagen sind sollte der nächste Schritt ausgeführt werden.
Vernachlässigung von Datenschutz
Ein anderer sehr wichtiger Anhaltspunkt ist der Datenschutz. Beim Erstellen von KI- Projekten wird auf sensible privat Daten von Personen oder Unternehmen keinerlei Aufmerksamkeit geschenkt. Obwohl solche Daten vertrauensvoll geschützt werden müssen. Ein Geschäftsmodell mit keinem Datenschutz oder unzureichendem Datenschutz wird sicherlich nicht zum Erfolg gelangen.
Die erwähnten Mängel sollten beachtet und vermieden werden um Machine Learning und Künstliche Intelligenz mit all ihren Potenzialen nutzen zu können. Die Unternehmen benötigen eine IT-Infrastruktur, um Datenmassen mit enormer Größe geschützt speichern und klassifizieren zu können.
