Wie schlechtes Datenmanagement die KI-Fortschritte behindert. 

Experten vermuten, dass der globale Markt für AI soll von 37.3 bis 2023 um 2030 Prozent wachsen. Dies ist ein Beweis dafür, wie grundlegend KI für die Steuerung von Geschäftsanstrengungen im 21. Jahrhundert geworden ist und wie begeistert diejenigen, die am Puls der Zeit sind, von weiteren Entwicklungen sind. Dennoch kämpfen viele Unternehmen damit, die Chancen zu nutzen, die KI bereits bietet, oder, schlimmer noch, sie schwächen unwissentlich ihren Wettbewerbsvorteil.

Die unterschiedlichen Fortschritte zwischen KI-hungrigen Unternehmen lassen sich am besten durch die Ergebnisse einer kürzlich von Vanson Bourne durchgeführten Umfrage unter hochrangigen IT- und Data Science-Experten veranschaulichen. Die Umfrage ergab, dass 85 Prozent der Unternehmen maschinelles Lernen (ML) oder KI-Methoden zum Erstellen von Modellen verwenden, aber nur zehn Prozent davon seit über einem Jahr. Auf die Frage, warum Organisationen mit KI-Fortschritten nicht weiter vorangekommen seien, gab fast die Hälfte an, dass die Datenverantwortlichen innerhalb der Organisation zu sehr mit anderen Aufgaben beschäftigt seien. 

Da 99 Prozent der Befragten zustimmten, dass ihre Datenstrategien verbesserungsfähig seien, wären Unternehmen gut beraten, zu prüfen, was derzeit vorhanden ist. Nur dann können die richtigen Schritte unternommen werden, um schlechte Daten zu korrigieren und Erkenntnisse zu gewinnen. 

PIPELINES AUTOMATISIEREN, UM ERKENNTNISSE ZU ERHÖHEN 

Um KI-Reife zu erreichen, müssen Unternehmen sicherstellen, dass Datenprozesse innerhalb der Organisation mit praktischen Anwendungen von KI kompatibel sind. Das bedeutet in erster Linie, dass Datenpipelines – die die Daten zwischen Anwendungen, Datenbanken und Analysetools transportieren – mit sauberen, frischen und zuverlässigen Daten fließen müssen. Doch allzu oft ist dieser grundlegende Schritt der Punkt, an dem der Prozess zusammenbricht, was weiter unten zu schlechten KI-Erkenntnissen führt. 

Wenn Sie sich die Schritte vorstellen, die jedes Unternehmen ausführen muss, um die Rohdatenanalyse bereit zu machen – einschließlich der Aufnahme aus mehreren unterschiedlichen Quellen wie Geschäftssystemen und Anwendungen; Vorverarbeitung; und Transformation – es liegt auf der Hand, dass eine vollständig manuelle und bedarfsgerechte Verwaltung zu Problemen führt und Ressourcen verschwendet. Als Datenfachleute in der Vanson Bourne-Studie gefragt wurden, welcher Teil des KI-Workflow-Prozesses durch Automatisierung verbessert werden könnte, waren die beiden am häufigsten gewählten Antworten Datenaufnahme und Datentransformation – zwei Schritte, die untrennbar mit Datenpipelines verbunden sind. Ein krasses Ergebnis, wenn man bedenkt, dass 9 von 10 Unternehmen auch angaben, dass sie ihre Datenpipelines immer noch manuell erstellen und verwalten. 

Dieser Ansatz wird Unternehmen letztendlich mit veralteten Daten versorgen, die entweder unbrauchbar oder unzuverlässig sind, wenn sie in ML-Algorithmen eingespeist werden. Tatsächlich haben 71 Prozent der Datenanalysten Schwierigkeiten, überhaupt auf die Daten zuzugreifen, die für die Ausführung von KI-Programmen erforderlich sind. 

VERTRAUENSWÜRDIGE DATEN ENTWICKELN 

Hier finden wir das andere große Hindernis für eine erfolgreiche Einführung von KI: Misstrauen. Bei einer Umfrage gaben kolossale 86 Prozent der Befragten an, dass sie aufgrund anhaltender Bedenken hinsichtlich leistungsschwacher KI-Modelle, die mit ungenauen oder minderwertigen Daten erstellt wurden, Schwierigkeiten hätten, KI bei allen Geschäftsentscheidungen zu vertrauen. Der Prozess wird dann zu einem Teufelskreis, da der Mangel an Vertrauen die Akzeptanz von Stakeholdern erschwert, die Budgets und Strategie kontrollieren. Es ist ein Fehler anzunehmen, dass jeder Stakeholder das gleiche praktische Wissen über Datenprozesse hat wie Datenteams, daher ist die Kommunikation der negativen Auswirkungen schlechter Daten von geschäftskritischer Bedeutung. Wenn diese Ausbildung nicht erfolgt, wird der Dateninfrastruktur, die KI-Programmen zugrunde liegt, weiterhin die Aufmerksamkeit und Investition entgehen, die sie benötigt, um materielle Ergebnisse zu liefern. 

Heute kosten leistungsschwache KI-Programme Unternehmen bis zu fünf Prozent ihres weltweiten Jahresumsatzes – in Zukunft können diese Finanz- und Opportunitätskosten sogar noch weiter steigen. 

Andererseits können einfache Verbesserungen an den zugrunde liegenden Datenverwaltungsprozessen Innovationen vorantreiben, die die Erwartungen der Entscheidungsträger weit übertreffen. Die Automatisierung des Datenpipeline-Managements und die Zentralisierung von Daten an einem zentralen Ort – beispielsweise einem Data Lake – sind ein guter Ausgangspunkt. Durch die Auslagerung der Aufgabe, diese Systeme von Grund auf neu zu erstellen, können Unternehmen Datentalente freisetzen, um an Aufgaben mit hohem Mehrwert zu arbeiten, und sich darauf verlassen können, dass die Datenerkenntnisse, die in Dashboards, Berichte und KI-Programme einfließen, sauber, frisch und – was entscheidend ist – zuverlässig sind. Wachstumspfade, die einst von Hürden um Hürden gesäumt schienen, werden nun hindernisfrei und das Vertrauen der Interessengruppen in KI-geführte Entscheidungen wird sich in der Folge verbessern. 

MODERNISIERUNG BEGINNT VON INNEN 

Nach wie vor können Unternehmen aus alten Gewohnheiten keine neuen Ergebnisse erwarten. Da leistungsschwache KI-Programme bereits den Wettbewerbsvorteil von Unternehmen beeinträchtigen, ist es jetzt an der Zeit, den Schleier über schlechte Datenprozesse zu lüften und sicherzustellen, dass alle Rädchen reibungslos funktionieren. 

Die gute Nachricht ist, dass viele Unternehmen bereits kurz davor stehen, ihre Daten als Sprungbrett für die KI-gestützte Entscheidungsfindung zu nutzen. Indem sie die Barrieren für Datenzugriff und -einblick beseitigen, können sie jetzt die Zukunft ins Visier nehmen.