Technologieexperten zeigen die Eigenschaften von KI-Innovatoren auf, räumen mit gängigen Fehleinschätzungen auf und teilen Strategien zur Wertschöpfung während der SymphonyAI-Veranstaltung
Kühne Behauptungen über Produktivitäts- und Prozessverbesserungen, die mit KI im Unternehmen möglich sind, können es schwierig machen, zu unterscheiden, was jetzt real ist und was morgen möglich sein könnte. Der Hype um KI ist zwar groß, doch die Debatte hat sich von der Frage, ob sie einen Mehrwert schafft, auf die Frage verlagert, wie viel, wie schnell und was die richtigen Schritte sind, die Unternehmen heute unternehmen sollten.
Um Klarheit in diese Fragen zu bringen, versammelte SymphonyAI vier der schärfsten Köpfe der Technologiewelt für eine virtuelle Diskussionsrunde zum Thema "Cutting through the hype to unlock true enterprise AI value".
Das Gespräch wurde von R "Ray" Wang moderiert, der Vorsitzender, Gründer und Hauptanalyst von Constellation Research ist. Zu den Diskussionsteilnehmern gehörten Eve Psalti, Senior Director von Microsoft Azure, Dr. Daniela Rus, Direktorin des Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT, und Raj Shukla, CTO von SymphonyAI.
Wang und die Diskussionsteilnehmer sprachen über Themen wie die besonderen Anforderungen von Unternehmen an KI, Hindernisse bei der Einführung, die Frage, ob man sie selbst entwickeln oder kaufen sollte, die wichtigsten Anwendungsfälle, Erfolgsfaktoren für den Konzeptnachweis, KI-Fehlwahrnehmungen und neue Trends. Die Gruppe befasste sich mit einer Vielzahl von Themen, aber der Schwerpunkt lag zunächst auf dem Stand der KI im Unternehmen und den praktischen Schritten zum Erfolg.
"KI gibt es schon lange, aber sie ist wieder da und überall das Thema Nummer eins, vor allem mit der generativen KI, die derzeit im Rampenlicht steht", sagte Wang, als er die Podiumsteilnehmer bat, ihre Ansichten über die Realität der KI in den Unternehmen heute zu teilen.
"Es gibt viele Erwartungen und manchmal unrealistische Erwartungen", sagte Psalti. "Die Unternehmen gehen davon aus, dass sich der Einsatz von KI sofort auszahlt. In Wirklichkeit befinden sich viele Unternehmen noch in der Anfangsphase der Einführung von KI.
Der Enthusiasmus über generative KI ist wohlverdient, doch Rus glaubt, dass die Unternehmen inzwischen erkannt haben, dass KI mehr als generative KI ist. Damit KI dem Hype gerecht werden kann, muss generative KI mit anderen Arten von KI kombiniert werden, die weniger häufig diskutiert werden, wie z. B. prädiktive, optimierende und entscheidungsorientierte KI.
"Ich bin sehr optimistisch in Bezug auf KI und den Wert, den sie den Unternehmen bringen kann, aber wir müssen das Thema ganzheitlicher betrachten und die Unternehmen müssen sich sehr genau überlegen, wie sie mit KI umgehen", so Rus.
Unabhängig davon, um welche Art von KI es sich handelt, muss die Datenschicht stimmen, um die Effektivität für Anwendungsfälle zu entfalten, die je nach Branchenvertikale variieren, so Shukla von SymphonyAI. Im Gegensatz zu ChatGPT oder anderen großen Sprachmodellen (LLMs) auf dem Markt, die auf öffentlich zugänglichen Datensätzen trainiert werden, ergibt sich der Wert von KI für Unternehmen aus dem Zugang zu und dem Training auf vertikalen und unternehmensspezifischen Daten, so dass das Modell für Schlussfolgerungen und zur Verknüpfung der Punkte im gesamten Unternehmen verwendet werden kann, während gleichzeitig gute Daten-Governance und Datenschutzrichtlinien eingehalten werden.
"Es gibt all diese Unternehmensdaten, aber haben Sie die Grundlage geschaffen, die Datenschicht hinzugefügt, die API-Schicht hinzugefügt, um all das einem generativen KI-Modell zur Verfügung zu stellen, auf das es bei Bedarf zugreifen kann", bemerkte Shukla. "Das ist der entscheidende Unterschied, den jeder erkennt, im Gegensatz zu den Verbraucheranwendungen, bei denen ein Modell trainiert wurde und Fragen für Sie beantwortet."
Bauen oder kaufen?
Die Entscheidung, ob KI-Lösungen für Unternehmen entwickelt oder gekauft werden sollen, beginnt damit, dass man sich über die Anwendungsfälle im Klaren ist und darüber, ob sie spezifisch für ein Unternehmen oder eine vertikale Branche sind. Shukla ging auf diesen Punkt ein, indem er erläuterte, dass der Aufbau einer Lösung die einzige Option sein kann, wenn das zu lösende Problem nur für ein Unternehmen gilt. Wenn jedoch ein Anwendungsfall für mehrere Unternehmen in einer vertikalen Branche gleich ist, dann ist der Kauf der bevorzugte Ansatz. Er nannte ein Beispiel aus dem Einzelhandel, bei dem es darum geht, die übertragbare Nachfrage zu bewerten, wenn Produkte zum Sortiment eines Einzelhändlers hinzugefügt oder aus dem Sortiment genommen werden.
"Die Idee der Nachfrageübertragung ist weit verbreitet und die SymphonyAI-Produkte ermöglichen es Einzelhändlern, diesen Anwendungsfall zu lösen, daher ist es sinnvoll, so etwas zu kaufen", sagte Shukla. "Aber wenn ein Problem sehr spezifisch für bestimmte Ladenstandorte ist, dann ist es vielleicht besser, eine eigene Lösung zu entwickeln. Diese Analogie gilt auch für andere vertikale Branchen."
Auch die Kosten spielen eine wichtige Rolle. Andere Redner teilten die Ansicht, dass es teurer ist, etwas zu bauen, als etwas zu kaufen, so dass die wirtschaftliche Rechtfertigung zwingend sein muss.
"In sehr, sehr wenigen Fällen sollte man ein eigenes Modell entwickeln", so Psalti. "Ein häufiges Missverständnis, das wir beobachten, ist, dass Microsoft-Kunden vorschnell zu dem Schluss kommen, dass sie ihr eigenes generatives KI-Modell entwickeln müssen, und das kann ein sehr teures und zeitaufwändiges Unterfangen sein.
Außerdem ist sie oft unnötig. Psalti merkte an, dass es beim Einsatz generativer KI wichtig ist, mit der Anpassung durch Prompt Engineering zu beginnen (der Prozess, einem Modell Anweisungen zu geben, um die Ergebnisse zu verbessern). Dann können Unternehmen das LLM mit Retrieval-Augmented-Generating-Methoden (RAG) auf den neuesten Stand bringen, um das LLM auf eine sachlichere Art und Weise für spezifische Anwendungsfälle zu erden.
"Dafür braucht man kein ganzes Team und nicht viel Zeit, und erst dann würde ich sagen, dass man die Feinabstimmung vornehmen sollte, was im Grunde genommen bedeutet, dass man die Gewichte des Modells ändert, aber das erfordert ein wenig mehr Geschick und Know-how", so Psalti.
Vom Schmerzpunkt über POC zu Produktionssystemen
Der Kauf eines KI-Produkts für Unternehmen beinhaltet in der Regel eine Proof-of-Concept (POC)-Evaluierungsphase, bevor ein vollwertiges Projekt in Angriff genommen wird. Wie Wang anmerkte, können POCs Konversionsraten von bis zu 20 % aufweisen. Daher fragte er die Diskussionsteilnehmer, wie die Hindernisse überwunden werden können, um POCs in Unternehmensqualität in die tatsächliche Implementierungsphase zu bringen.
Dr. Rus vom MIT ist der Ansicht, dass am Anfang des Prozesses ein besseres Verständnis und eine bessere Planung erforderlich sind, um festzustellen, ob der Einsatz von KI angemessen ist, und um ein klares Ziel und eine klare Strategie zu dessen Erreichung zu haben.
"Ein klares Ziel zu definieren bedeutet zu verstehen, welches Problem man zu lösen versucht", so Rus. "Es bedeutet auch, dass man die Interessengruppen, die Rollen, die Daten, die Erfolgskriterien und alle Aspekte der Umsetzung definiert und versteht, die von der Idee des Problems über eine kleine POC bis hin zu einer tatsächlichen Lösung auf Unternehmensebene reichen."
Um diesen Prozess zu unterstützen, hält Psalti die Identifizierung von Schmerzpunkten für unerlässlich. Sobald Unternehmen die Bereiche identifizieren, in denen sie viel Zeit aufwenden, weil es keine Automatisierung gibt oder Daten und Prozesse isoliert sind, hilft dies bei der Festlegung der Prioritäten für die POCs, da diese am ehesten die gewünschten Ergebnisse erzielen werden.
"Eine andere Sache, die wir bei Unternehmen beobachten, die generative KI erfolgreich in ihre Abläufe integriert haben, ist, dass sie alle ein Kompetenzzentrum haben. So können sie POCs in mehreren Abteilungen oder Gruppen durchführen, einige der besten Praktiken teilen und schnell vorankommen", sagte Psalti.
Ein Kompetenzzentrum kann einem Unternehmen bei der Auswahl der optimalen Anwendungsfälle helfen, denn wie Shukla von SymphonyAI feststellte, gibt es einige der Problembereiche schon seit Jahren oder sogar Jahrzehnten.
"Wenn das Problem existiert und wir den Wert beziffern können, wird der POC als das gewünschte Ergebnis definiert", so Shukla. "In unserer industriellen Vertikale würden wir uns mit der vorausschauenden Wartung und dem Problem der Erkennung eines Maschinenausfalls befassen, bevor dieser tatsächlich eintritt. Unser Produkt Iris Foundry leistet in diesem Bereich hervorragende Arbeit.
Finanzdienstleistungen sind ein weiterer Bereich, in dem Unternehmens-KI hilft, einen überzeugenden Anwendungsfall zu lösen - in diesem Fall das seit langem bestehende Branchenproblem der Erkennung und Verhinderung von Betrug und Finanzkriminalität. Mit einem richtig trainierten Modell, das die Vorhersagefähigkeiten unterstützt, ist eine frühzeitige Erkennung illegaler Aktivitäten möglich, und zwar auf eine Weise, die effektiver ist als herkömmliche regelbasierte Ansätze, die eine große Anzahl falsch positiver Warnungen erzeugen. Generative KI hilft auch dabei, die Erstellung von Verdachtsmeldungen (SARs) drastisch zu beschleunigen.
"Wir arbeiten mit einer großen Bank in Südafrika zusammen und haben gezeigt, dass die Ersetzung ihres regelbasierten Systems durch ein prädiktives Modell die Zahl der Fehlalarme um mehr als 70 % reduziert hat", so Shukla. "Bei einem anderen Kunden aus dem Finanzdienstleistungsbereich haben wir die Zeit für Untersuchungen um 40 % reduziert".
Verbreitete Fehleinschätzungen ausräumen
Bei den Erwartungen an die KI in Unternehmen gibt es solche, die sich auf die Schaffung von Geschäftswert beziehen, und solche, die potenziell negative Auswirkungen haben. Die Podiumsteilnehmer befassten sich mit diesem Thema, indem sie sich auf die am häufigsten geäußerten Bedenken konzentrierten, darunter die Befürchtung, dass KI Arbeitsplätze vernichtet.
Die Redner zitierten Branchenstudien, die zeigen, dass die Zahl der Mitarbeiter mit der Einführung von KI in Unternehmen im Allgemeinen stabil bleibt, aber die Produktivität, die Effektivität und das Engagement der Mitarbeiter und Kunden steigen. Das ist einleuchtend, denn die Verfügbarkeit besserer Tools bedeutet, dass sich die Mitarbeiter auf die wichtigen Dinge konzentrieren können und nicht auf unerwünschte, sich wiederholende Aufgaben. Dies kann jedoch auch zu Bedenken führen, dass Arbeitnehmer verdrängt werden, wenn Unternehmen die "Fünf A's der KI" von Wang durchlaufen, einen Reifegradrahmen, der die Phasen Augmentation, Beschleunigung, Automatisierung, Agenten und Berater umfasst.
Die Podiumsteilnehmer waren sich einig, dass sich die meisten Unternehmen in der Erweiterungs- und Beschleunigungsphase befinden, während sich einige wenige in der Automatisierungsphase tummeln. Unabhängig davon, in welcher Phase sich die Unternehmen befinden, ist Psalti von Microsoft der Ansicht, dass allen gemeinsam ist, dass ein hohes Maß an menschlicher Aufsicht erforderlich ist.
"Diese KI-Modelle, so innovativ und effektiv sie auch sind, sind nicht wirklich autonom. Sie brauchen menschliche Aufsicht, Feinabstimmung und Eingriffe", sagte Psalti. "Ich stimme zu, dass wir sie einsetzen und mit risikoarmen Anwendungsfällen beginnen müssen, um sie zu trainieren und weiter anzupassen und sicherzustellen, dass wir uns mit der Tatsache wohlfühlen, dass sie nicht sofort Ergebnisse liefern werden, da es Zeit braucht, die Datensätze vorzubereiten, um das Modelltraining und die Iterationen durchzuführen, die notwendig sind, um einen Wert zu schaffen."
Die vernetzte Zukunft der KI
Alle Redner blickten auf eine Zukunft, in der KI ein integraler Bestandteil eines gut funktionierenden Unternehmens ist, was zu einer beschleunigten Wertschöpfung führt, wobei sich mehrere Faktoren als Triebkräfte für den zukünftigen Erfolg herausstellten.
Für Rus vom MIT sieht sie, dass sich die Rollen in den Unternehmen verändern und die Verantwortlichkeiten verschwimmen, da die Mitarbeiter die Anforderungen des Unternehmens und die Besonderheiten der KI im Unternehmen kennen.
"Man kann nicht nur ein KI-Experte sein, der die Theorie gelernt hat. Man muss sein Geschäft wirklich verstehen. Man muss den Markt verstehen, man muss die Produkte verstehen", sagte Rus. "Wenn man nur im geschäftlichen Bereich geschult ist, kennt man sich mit KI nicht aus, und es ist schwierig zu verstehen, welche Möglichkeiten es gibt. Wenn man nur über KI Bescheid weiß, weiß man nicht wirklich, wie KI nützlich sein kann. Es ist wichtig, Leute zu haben, die beide Seiten verstehen."
Es ist auch wichtig, eine neue Vision des vernetzten Unternehmens zu verfolgen, da dies der Schlüssel dazu ist, dass KI in all ihren Formen die hohen Erwartungen von heute übertrifft. Wie Shukla von SymphonyAI erläuterte, zeigt sich die vernetzte Philosophie in einem der Vorzeigeprodukte des Unternehmens für den Einzelhandel namens CINDE Gen AI. Das Produkt vereint unterschiedliche Datenquellen, um ein umfassendes Bild der Einzelhandelsabläufe zu erstellen und Einzelhändlern dabei zu helfen, fundiertere Entscheidungen über Abläufe, Merchandising und Lieferketten zu treffen.
"Die wahre Stärke von KI-Modellen liegt darin, dass sie besser werden, wenn sie verknüpfte Daten erhalten", sagte Shukla. "Manchmal scheitert ein POC, weil man die Geschichte nicht verknüpft hat, und um die Geschichte zu verknüpfen, muss man von oben nach unten vorgehen, und die Datenteams und die operativen Teams müssen zusammenkommen. So haben wir unsere Lösungen entwickelt, und das findet in der Branche Anklang."
Erfahren Sie, wie KI im Unternehmen einen Mehrwert für Ihr Unternehmen schaffen kann. Nehmen Sie noch heute Kontakt auf!
