KI ist nicht das Produkt
In letzter Zeit habe ich mit mehreren Gr\u00fcndern gesprochen, die mir erz\u00e4hlt haben, dass Leute sie gebeten haben, Dinge mit KI f\u00fcr ihre Produkte/Dienstleistungen zu machen. Es gibt eindeutig einen Hype, und viel Aufmerksamkeit konzentriert sich auf KI. Zudem scheint es eine Welle von starken Investitionen in Startups zu geben, die KI im Namen tragen, was den Hype weiter anh\u00e4lt.
Wenn ich meinen Senf dazu geben darf, basierend auf meiner Erfahrung in einem Startup, das KI zur Produktentwicklung einsetzte, werde ich sagen:
Erstens ist KI eine Technologie, genau wie Smartphones oder die Cloud. Ebenso k\u00f6nnte man zwischen zwei Arten von Unternehmen unterscheiden: solche, die Technologie entwickeln, und solche, die sich auf Technologie st\u00fctzen, um ihr Produkt oder ihre Dienstleistung zu entwickeln. Ich denke, der erste Schritt ist, sich dar\u00fcber klar zu werden und zu wissen, wo man als Unternehmen steht. Aber so wie die Erstellung einer Cloud oder eines Smartphones nur wenigen vorbehalten ist, ist auch die Entwicklung von KI und deren Verkauf als Produkt oder Dienstleistung nur wenigen vorbehalten. Sie sind also h\u00f6chstwahrscheinlich ein Unternehmen, das KI f\u00fcr sein Produkt anpasst und nutzt, aber nicht entwickelt.
(Ab hier beziehe ich mich nur auf Unternehmen, die KI nutzen oder nutzen wollen, um Produkte zu entwickeln)
Zweitens m\u00fcssen wir uns fragen, f\u00fcr welchen Anwendungsfall wir KI als Technologie einsetzen k\u00f6nnen. KI wird h\u00e4ufig verwendet f\u00fcr: Vorhersagen, Empfehlungen, Chatbots, Spracherkennung, Dokumentenklassifizierung, Bildklassifizierung, Videoanalyse, unter anderem.
Sobald der Anwendungsfall identifiziert wurde, der von der Nutzung dieser Technologie profitieren kann, sollte er wie jede andere neue Funktionalit\u00e4t analysiert werden: Versuchen Sie, das Wertversprechen und den ROI zu verstehen, den er dem Benutzer bringen kann. Zusammen mit Implementierungs- und Betriebskosten und Risiken. Die Verwendung von KI zur Implementierung unseres Anwendungsfalls bringt jedoch einige wichtige Besonderheiten mit sich, die sowohl das Wertversprechen als auch die Kosten und Risiken beeinflussen k\u00f6nnen:
In der Welt der KI gibt es keine 100%ige Genauigkeit; im Gegensatz zur traditionellen Softwarewelt, in der das Ziel ist, Anwendungsf\u00e4lle zu implementieren, die vorhersehbar zu 100 % funktionieren. Dieser Punkt ist besonders wichtig, da er eine \u00c4nderung der Denkweise hinsichtlich der Erwartungen erfordert, die wir bez\u00fcglich unserer Funktionalit\u00e4t kommunizieren. Genauso wie der Filmempfehlungsdienst von Netflix manchmal Empfehlungen macht, die nicht unseren Interessen entsprechen, kann unsere App uns unerw\u00fcnschte Ergebnisse liefern. Wenn dies nicht tragbar ist, dann ist es besser, den gew\u00e4hlten Anwendungsfall zu \u00fcberdenken.
Unser Anwendungsfall kann verzerrte Ergebnisse liefern. Es gab mehrere wichtige F\u00e4lle, in denen sich die Modelle als sexistisch oder rassistisch erwiesen, aufgrund von Verzerrungen in den Trainingsdaten. Ein solcher Fall war, als Amazon ein Modell entwickelte, um automatisch die besten Lebensl\u00e4ufe von Bewerbern f\u00fcr seine Stellenangebote auszuw\u00e4hlen. Das Modell benachteiligte Frauen-Lebensl\u00e4ufe, weil sie m\u00e4nnlich dominierte Lebensl\u00e4ufe der letzten Jahre zum Trainieren des Modells verwendet hatten und das Modell gelernt hatte, Frauen zu benachteiligen. Neben dem Problem der Verzerrung gibt es auch das Problem der Erkl\u00e4rbarkeit der Ergebnisse. Heute haben wir im Allgemeinen keine Werkzeuge, um zu erkl\u00e4ren, warum KI ein bestimmtes Ergebnis liefert.
KI wird von Daten angetrieben, und dies ist einer der Schl\u00fcssel, der uns von der Konkurrenz unterscheiden kann. Verf\u00fcgen wir \u00fcber ein gutes Volumen an qualitativ hochwertigen Daten, die f\u00fcr das Modelltraining verwendet werden k\u00f6nnen? Dies verschafft Unternehmen, die bereits Traktion und Nutzer haben, einen Wettbewerbsvorteil, denn wenn sie die Dinge richtig gemacht haben, verf\u00fcgen sie m\u00f6glicherweise \u00fcber gute Daten zum Trainieren von Modellen. Abh\u00e4ngig von der Art der ben\u00f6tigten Daten k\u00f6nnen bestehende Vorschriften und Standards zum Datenschutz deren Nutzung verhindern oder erschweren. Ein Beispiel ist, wenn ein Unternehmen, das ein B2B-Produkt entwickelt, Zugang zu den personenbezogenen Daten der Kunden seiner Kunden ben\u00f6tigt, um die Modelle zu trainieren. In diesem Fall ist der Zugang zu solchen Daten nicht immer einfach.
Wenn man sich schlie\u00dflich auf ein Projekt mit KI einl\u00e4sst, ist es sehr ratsam, mit jemandem zu sprechen, der sich gut mit dem Thema auskennt und es bereits gemacht hat. Diese Person kann uns helfen, den Anwendungsfall zu analysieren und zu sehen, ob er von der Nutzung dieser Technologie profitieren kann. Was ich nicht empfehle, ist, sofort nach KI-Experten zu suchen, die man fest einstellt, ohne zun\u00e4chst eine externe Beratung einzuholen. Denn einerseits kann es sein, dass KI unserem Gesch\u00e4ft keinen Mehrwert bringt, und andererseits ist das Spektrum der KI-Spezialisten breit und es ist leicht, den falschen einzustellen. Genauso wie wir bei Krankheit zuerst zum Hausarzt gehen und dieser uns an einen Spezialisten \u00fcberweist, w\u00e4re dies der beste Weg, unsere KI-Leiden zu heilen.