Sieben häufige Fehler bei der Einführung von KI

KI liegt im Trend, aber beim Einsatz der Technologie können Unternehmen einiges falsch machen. Pegasystems warnt vor den sieben häufigsten Fehlerquellen bei der KI-Implementierung.

Anbieter zum Thema

MicroConsult Microelectronics Consulting & Training GmbH

MHP Management- und IT-Beratung GmbH

Parasoft® Deutschland GmbH

Künstliche Intelligenz (KI) wird mehr und mehr zu einer Standard-Technologie. Von der industriellen Fertigung über Büroanwendungen bis zu komplexen CRM-Lösungen – überall soll KI die Automatisierung von Prozessen ermöglichen. Allerdings haben bislang die wenigsten Unternehmen Erfahrung im Umgang mit KI; noch seltener ist die Technologie bereits im Einsatz.

Eine aktuelle IDG-Studie zeigt allerdings: Unternehmen schreiben KI und Machine Learning eine wichtige Bedeutung zu. Oftmals ist zwar die nötige IT-Infrastruktur (bei rund 46 Prozent der Unternehmen) oder der Zugang zu den erforderlichen Daten (bei 74 Prozent der Unternehmen) vorhanden, allerdings fehlen für den Einsatz das Know-how oder entsprechende Experten.

Sieben häufige Fehler

Denn die Implementierung von KI-Anwendungen birgt einige Gefahren, die es zu verhindern gilt. Pegasystems, Anbieter von strategischen Software-Lösungen für Vertrieb, Marketing, Service und Operations, zeigt, welche Fehler bei der Einführung von KI häufig gemacht werden.

1. Kein echter Mehrwert: Viele Unternehmen planen den Einsatz von KI, nur weil KI ein Hype ist, nicht weil sie einen klaren Mehrwert realisieren können, beispielsweise durch höhere Kundenzufriedenheit, Cross- oder Upselling-Möglichkeiten, Prozessoptimierung oder Qualitätssteigerung.

2. Fehlende Kommunikation: Wird der Einsatz von KI den Anwendern nicht kommuniziert, erfahren sie zum Beispiel gar nicht, dass sie mit einem KI-gestützten System interagieren. Das kann später zu Vertrauensverlust und zur Ablehnung führen.

3. Unzureichende Datengrundlage: In der Regel ermitteln KI-Systeme aus großen Datenmengen wiederkehrende Muster; ist dabei die Datenbasis nicht ausreichend, haben die Ergebnisse keine Relevanz.

4. Blindes Vertrauen: Auch wenn IT-Systeme in manchen Anwendungsfällen erstaunliche “Intelligenz” aufweisen, eignen sich nicht alle Anwendungsfälle für KI; etwa wenn keine hinreichend operationalisierbaren Daten bereitgestellt werden können.

5. Fehlende Transparenz: Aufgrund der großen Anzahl von Einflussfaktoren und Methoden für die Ermittlung von KI-Ergeb¬nissen kann es schwierig bis unmöglich sein, ex post nachzuvollziehen, wie ein bestimmtes Ergebnis zustande gekommen ist. Je nach Anwendungsfall kann es jedoch notwendig sein, eine entsprechende Transparenz sicherzustellen, zum Beispiel bei Therapieempfehlungen.

6. Mangelnde Flexibilität: KI wird so konzipiert, dass die Fachabteilungen keine ausreichenden Möglichkeiten zur Anpassung haben; die Mitarbeiter der Fachabteilungen müssen jedoch in der Lage sein, KI-Lösungen selbständig zu parametrisieren, um agil mit verschiedenen Szenarien experimentieren zu können.

7. Fehlende Praxistauglichkeit: Unternehmen realisieren häufig KI-Lösungen, die zwar in Pilot-Projekten gut funktionieren, die aber in der Praxis nicht gut skalieren; die verwendeten KI-Verfahren müssen in großen Anwendungen mit zahlreichen Nutzern – beispielsweise in Web-Infrastrukturen – in kurzer Zeit Antworten liefern; als Richtwert sollten Antwortzeiten von weniger als 50 Millisekunden möglich sein.

„Für viele Unternehmen ist KI eine neue Disziplin, und man kann daher nicht erwarten, dass die Verfahren schon so funktionieren, wie wir das bei anderen Technologien gewohnt sind. Wir müssen hier vielmehr mit höheren Fehlerquoten rechnen“, erklärt Carsten Rust, Director Solution Consulting DACH bei Pegasystems in München. „Das spricht keineswegs gegen KI, sondern vielmehr für einen behutsamen Umgang damit. Wichtig ist, dass sich Anwender der Fallstricke bewusst sind, wenn sie KI-Systeme realisieren.“

KI-Definition: 6 Fachbegriffe der Künstlichen Intelligenz erklärt

KI allein reicht nicht – Wie aus Künstlicher Intelligenz effiziente Intelligenz wird

Machine-Learning-Tipps – Fatale Fehler in der KI-Anwendung vermeiden

Dieser Beitrag stammt von unserem Partnerportal Industry-of-Things.de.

(ID:45334173)