Diesen Artikel finden Sie vollständig auf ComputerWeekly (Link).
Künstliche Intelligenz (KI) wird unterschiedlich wahrgenommen. Vor allem KI-Fachbegriffe sorgen bei fachfremden Anwendern für Verwirrung und behindern den Einsatz.
Künstliche Intelligenz (KI) ist überall. Sie steckt im Fernseher, im Online-Einkaufskorb und im Autoreifen. Sie ist eines der leistungsstärksten Werkzeuge für Unternehmen, um basierend auf Daten schnelle und präzise Entscheidungen zu treffen – und sie ist eine der am häufigsten missverstandenen Technologien der heutigen Zeit.
Für einen IT-Spezialisten bedeutet KI kurz gesagt ein System, das in der Lage ist, aus vorhandenen Daten Informationen zu gewinnen – das kann so einfach sein wie ein Entscheidungsbaum oder so komplex wie ein rechenintensives heuristisches Modell. Ein Fachfremder stellt sich unter KI jedoch einen Supercomputer in einem Hightech-Labor, einen dystopischen Cyborg oder einen kleinen Roboterjungen in einem unterbewerteten Steven-Spielberg-Film vor. Diese institutionalisierte Barriere zwischen Phrase und Realität ist eines der größten Hindernisse für die Einführung von Technologie, die es heute gibt.
Nennt man dasselbe KI-System jedoch Algorithmus oder Empfehlungsmaschine, dann leuchten die Augen auf – denn man beginnt es zu verstehen. So funktionieren beispielsweise Empfehlungen bei Online-Shops wie Amazon. Netflix nimmt das, was eine Person sich ansieht, und empfiehlt ihr, was sie sich als Nächstes ansehen kann. Dazu betrachtet die Plattform Daten aus vergangenen Ereignissen, um so eine zukünftige Handlung zu empfehlen. Das Problem ist, dass seit Jahrzehnten auf einen exklusiven und verwirrenden Jargon beharrt wird.
Schwierig wird es, wenn diese beiden Welten – die technische und die nichttechnische – aufeinandertreffen. Was passiert, wenn man einem nicht-technischen Mitarbeiter sagt, er solle anfangen, KI in seinem Arbeitsalltag einzusetzen? Woher kann er einen Supercomputer nehmen? Wie soll er überhaupt anfangen, etwas so Kompliziertes und Unerreichbares zu nutzen?
KI für alle
Das ist die Herausforderung, vor der die Unternehmen heute stehen. Die Werkzeuge, die sie benötigen, um wettbewerbsfähig zu bleiben und Marktstörungen durch eine bessere Datennutzung abzumildern, sind verfügbar und einsatzbereit, bleiben aber hinter Missverständnissen verborgen. Angesichts der sich verändernden globalen Wirtschaftslandschaft und der zunehmenden Notwendigkeit, Daten zu verarbeiten, um Erkenntnisse zu gewinnen, hat sich der Fachjargon von einem kleinen Ärgernis zu einer kritischen Hemmschwelle entwickelt.
Laut einer Studie von Gartner wird Datenkompetenz 2023 zu einem expliziten und notwendigen Treiber für den Unternehmenserfolg. Das bedeutet, dass der Erfolg davon abhängt, wie gut Mitarbeiter Daten verstehen können. Für viele Manager können diese datengestützten Erkenntnisse und die dafür benötigte Datenkompetenz den Unterschied ausmachen zwischen fundierten Entscheidungen und dem Risiko, von Konkurrenten abgehängt zu werden.
Früher war Data Science eine stark abgeschottete und fast unzugängliche Disziplin. Heute wissen wir, dass nicht Data Scientists, sondern Fachexperten wie Controller oder Marketing-Experten am besten in der Lage sind, aus der Datenanalyse auch wirklich Erkenntnisse zu gewinnen. Unter den Werkzeugen, die den Fachexperten zur Verfügung stehen, zählen KI und maschinelles Lernen zu den leistungsfähigsten. Trotzdem berichten Manager, dass es eine Herausforderung für das Change-Management darstellen kann, den Aufgabenbereich der Fachexperten zu erweitern. Außerdem kann das Unternehmen die Systeme, die sie dafür nutzen sollen, oft nicht richtig bereitstellen.
Die Brücke zwischen Data Scientists und Fachexperten
Unternehmen brauchen dringend hochqualifizierte Experten, die ihre eigenen Daten nutzen und ihre eigenen Fragen beantworten können. … (lesen Sie weiter bei Computerweekly)