Künstliche Intelligenz (KI) nachhaltig und resilient zu gestalten, ist das Ziel zahlreicher Unternehmen. Die Experten von Dataiku, dem global agierenden Anbieter einer kollaborativen Data Science-Plattform, haben drei kritische Herausforderungen auf dem Weg zu mehr Nachhaltigkeit identifiziert: Abhängigkeiten von Technologien minimieren, jederzeit die Kontrolle über die Daten behalten und die erarbeiteten Modelle kontinuierlich prüfen und verifizieren. Wer diese Herausforderungen frühzeitig erkennt und in Projekten berücksichtigt, profitiert langfristig von resilienten Lösungen.
Enterprise AI oder auch unternehmensweite KI zu etablieren, kann als Reise hin zu einem datengetriebenen Unternehmen betrachtet werden. Den größten Anteil hat die Einführungs- und Experimentierphase, die meist 75% der gesamten Reise ausmacht. Anschließend müssen die erarbeiteten Prozesse etabliert und erweitert werden. Die letzten 5% bestehen darin, alle Abläufe, Muster und Strukturen fest im Unternehmen zu verwurzeln. Allerdings starten zahlreiche Unternehmen ihre Reise ohne Route und Plan. Sie ermitteln Anwendungen, die mit KI optimiert werden könnten, priorisieren diese nach dem zu erwartenden Mehrwert, und starten die ersten Projekte. Häufig stellen sich schnell spürbare Erfolge ein. Doch im Laufe der Zeit fallen Erfolge geringer aus und verdeckte Kosten, beispielsweise durch die Pflege existierender Modelle oder stetige Bereinigung der Daten, reduzieren die erzielten Gewinne oder Einsparungen. Beeinträchtigungen im Sinne der Nachhaltigkeit werden häufig erst zu diesem Zeitpunkt deutlich:
Technologie-Falle
Möglicherweise wurden ersten Entwicklungen mit Technologien durchgeführt, die nicht mehr dem neuesten Stand entsprechen oder gar vom Markt verschwunden sind. Die Modelle sind veraltet und müssen neu entwickelt werden.
Kontrollverlust
Die Daten wurden beim Aufsetzen der ersten Projekte sorgfältig bereinigt. Mit der wachsenden Anzahl an Projekten wird die Data Governance immer aufwendiger.
Modelle auf Abwegen
Ohne permanente Kontrolle arbeiten die Modelle unter Umständen nicht mehr wie ursprünglich geplant. Sie lernen blind hinzu, ohne die Ergebnisse zu hinterfragen.
Um Enterprise AI insgesamt nachhaltig und resilient zu gestalten, gilt es die Reise von Anfang an strategisch zu planen. Konkret muss vorab klar sein, wie die bekannten Herausforderungen gemeistert werden. Alexandre Fournier, Direktor KI-Strategie bei Dataiku, erklärt dazu: „Eine zentrale Data Science-Plattform wie Dataiku DSS entkoppelt Anwendungs-Logik und technische Realisierung. Projekte lassen sich schnell und effizient in unterschiedlichen Technologie-Stacks abbilden. Gleichzeitig lässt sich die Governance über die vorgegebenen Tools innerhalb der Plattform einfach skalieren und schon bereinigte Daten sind zentral verfügbar. Last but not least ist die regelmäßige Prüfung der Algorithmen im Sinne verantwortlicher AI fest in den Prozessen verankert.“
Die Data Science Plattform Dataiku DSS demokratisiert den Zugang zu Daten und bietet eine einheitliche Anwendungsoberfläche, um Daten zu bereinigen und aufzubereiten, Machine Learning Methoden anzuwenden, die Daten gezielt auszuwerten und zu visualisieren und die Datenmodelle produktiv zu nutzen und dauerhaft zu pflegen. Erfahrene Data Scientist arbeiten auf der gleichen Oberfläche wie Fachanwender und profitieren davon, dass alle Projekte und die dazugehörigen Daten zentral zugängig sind. Durch die Wiederverwendung etablierter Prozesse und Datensätze sparen die Unternehmen Zeit und Geld; die gesamte Enterprise AI wird damit nachhaltiger und resilienter.
Enterprise AI oder auch unternehmensweite KI zu etablieren, kann als Reise hin zu einem datengetriebenen Unternehmen betrachtet werden. Den größten Anteil hat die Einführungs- und Experimentierphase, die meist 75% der gesamten Reise ausmacht. Anschließend müssen die erarbeiteten Prozesse etabliert und erweitert werden. Die letzten 5% bestehen darin, alle Abläufe, Muster und Strukturen fest im Unternehmen zu verwurzeln. Allerdings starten zahlreiche Unternehmen ihre Reise ohne Route und Plan. Sie ermitteln Anwendungen, die mit KI optimiert werden könnten, priorisieren diese nach dem zu erwartenden Mehrwert, und starten die ersten Projekte. Häufig stellen sich schnell spürbare Erfolge ein. Doch im Laufe der Zeit fallen Erfolge geringer aus und verdeckte Kosten, beispielsweise durch die Pflege existierender Modelle oder stetige Bereinigung der Daten, reduzieren die erzielten Gewinne oder Einsparungen. Beeinträchtigungen im Sinne der Nachhaltigkeit werden häufig erst zu diesem Zeitpunkt deutlich:
Technologie-Falle
Möglicherweise wurden ersten Entwicklungen mit Technologien durchgeführt, die nicht mehr dem neuesten Stand entsprechen oder gar vom Markt verschwunden sind. Die Modelle sind veraltet und müssen neu entwickelt werden.
Kontrollverlust
Die Daten wurden beim Aufsetzen der ersten Projekte sorgfältig bereinigt. Mit der wachsenden Anzahl an Projekten wird die Data Governance immer aufwendiger.
Modelle auf Abwegen
Ohne permanente Kontrolle arbeiten die Modelle unter Umständen nicht mehr wie ursprünglich geplant. Sie lernen blind hinzu, ohne die Ergebnisse zu hinterfragen.
Um Enterprise AI insgesamt nachhaltig und resilient zu gestalten, gilt es die Reise von Anfang an strategisch zu planen. Konkret muss vorab klar sein, wie die bekannten Herausforderungen gemeistert werden. Alexandre Fournier, Direktor KI-Strategie bei Dataiku, erklärt dazu: „Eine zentrale Data Science-Plattform wie Dataiku DSS entkoppelt Anwendungs-Logik und technische Realisierung. Projekte lassen sich schnell und effizient in unterschiedlichen Technologie-Stacks abbilden. Gleichzeitig lässt sich die Governance über die vorgegebenen Tools innerhalb der Plattform einfach skalieren und schon bereinigte Daten sind zentral verfügbar. Last but not least ist die regelmäßige Prüfung der Algorithmen im Sinne verantwortlicher AI fest in den Prozessen verankert.“
Die Data Science Plattform Dataiku DSS demokratisiert den Zugang zu Daten und bietet eine einheitliche Anwendungsoberfläche, um Daten zu bereinigen und aufzubereiten, Machine Learning Methoden anzuwenden, die Daten gezielt auszuwerten und zu visualisieren und die Datenmodelle produktiv zu nutzen und dauerhaft zu pflegen. Erfahrene Data Scientist arbeiten auf der gleichen Oberfläche wie Fachanwender und profitieren davon, dass alle Projekte und die dazugehörigen Daten zentral zugängig sind. Durch die Wiederverwendung etablierter Prozesse und Datensätze sparen die Unternehmen Zeit und Geld; die gesamte Enterprise AI wird damit nachhaltiger und resilienter.
