Mit der Diskussion um ChatGPT wurde KI wieder auf die Agenda gesetzt. Mit ihren vielen weitreichenden Vorteilen, wie der Steigerung der Effizienz und der Zeitersparnis, entwickelt sich KI zu einem Game Changer. Und deshalb hat es auch das Potenzial, in diesem schwierigen Jahr des wirtschaftlichen Abschwungs ein großer Verbündeter für Unternehmen zu sein.
Der MIT-Bericht mit dem Titel “CIO Vision 2025: Bridging the gap between BI and AI”, in dem CIOs, CTOs, Chief Data and Analytics Officers und andere Führungskräfte aus dem Bereich Datentechnologie befragt wurden, ergab, dass 94 Prozent der Befragten angaben, KI bereits in ihrem Geschäftsbereich einzusetzen.
Darüber hinaus gab weit mehr als die Hälfte der befragten Führungskräfte an, dass sie davon ausgehen, dass der Einsatz von KI in Geschäftsfunktionen bis 2025 weit verbreitet oder entscheidend sein wird.
Dies ist beachtlich, aber nur weil KI bereits von vielen Unternehmen als Teil ihrer Datenarchitektur eingesetzt wird, bedeutet dies nicht, dass ihre Vorteile auch voll ausgeschöpft werden. Wie kommt man also von A nach B, von der anfänglichen Investition in KI zu den tatsächlichen Endresultaten?
Viele Unternehmen arbeiten derzeit mit veralteten Datenarchitekturen, wie Data Warehouses. Sie haben eine lange Geschichte in der Entscheidungs-Unterstützung und bei Business Intelligence-Anwendungen, waren jedoch nicht geeignet oder zu teuer für die Verarbeitung unstrukturierter Daten, halbstrukturierter Daten und Daten mit hoher Vielfalt, Geschwindigkeit und Volumen.
Die Komplexität dieser Legacy-Strukturen kann zur Bildung von Informationssilos führen und verhindern, dass Daten problemlos verteilt werden können. Darüber hinaus können ungenaue Datensätze, die doppelte oder veraltete Informationen enthalten, gemeinsam genutzt werden, was in der Folge zu größeren Problemen führt. Ohne qualitativ hochwertige Daten kann KI einfach nicht in vollem Umfang eingesetzt werden.
Unternehmen benötigen Systeme für verschiedene Datenanwendungen wie SQL-Analysen, Echtzeitüberwachung, Data Science und maschinelles Lernen. Jüngste Fortschritte in der KI liegen in besseren Modellen zur Verarbeitung unstrukturierter Daten (Text, Bilder, Video, Audio), aber das sind genau die Arten von Daten, für die ein Data Warehouse nicht optimiert ist.
Ein gängiger Ansatz ist die Verwendung mehrerer Systeme - ein Data Lake, mehrere Data Warehouses und andere spezialisierte Systeme wie Streaming-, Zeitreihen-, Graphen- und Bilddatenbanken. Eine Vielzahl von Systemen führt zu Komplexität und, was noch wichtiger ist, zu Verzögerungen, da Datenexperten immer Daten zwischen verschiedenen Systemen verschieben oder kopieren müssen.
Unternehmen sollten eine moderne Architektur anstreben, die die Anzahl der benötigten Plattformen reduziert und einen Großteil der Komplexität älterer Architekturen beseitigt. Dies wird dazu beitragen, den rechtzeitigen Fluss genauer Daten zu gewährleisten und Daten für Analysen sowie KI- und ML-Anwendungsfälle einfach zu speichern. Die Antwort liegt darin, von Anfang an eine starke, moderne Datengrundlage zu schaffen - beispielsweise ein Data Lakehouse.
Bei der Entscheidung für eine Architektur zur Unterstützung von KI sollten Unternehmen die folgenden drei Aspekte bei der Auswahl der richtigen Plattform berücksichtigen:
- Multi-Cloud
Dies ist für die Skalierung von KI in einem Unternehmen unerlässlich, da die Überwachung und Optimierung von KI-Projekten über mehrere Anbieterumgebungen hinweg sehr komplex ist. Darüber hinaus ermöglicht ein Multi-Cloud-Ansatz Unternehmen, das beste Preis-Leistungs-Verhältnis für ihre Workloads zu erzielen.
Cloud-Anbieter verlangen in der Regel Gebühren für das Verschieben von Daten in ihre und aus ihren Clouds, sind aber zunehmend bereit, diese Kosten zu senken. Tatsächlich zahlen viele der größten Unternehmen der Welt keine Egress-Gebühren. Dieser Trend wird sich wahrscheinlich fortsetzen, was bedeutet, dass Multi-Could mit der Zeit immer kostengünstiger wird.
- Offenheit
Die KI ist ein großer Nutznießer der offenen Zusammenarbeit mit mehreren Partnern. Denn der künftige Erfolg von KI-Projekten hängt zu einem großen Teil von Daten, Erkenntnissen und Tools ab, die aus externen Quellen stammen. Eine Datentechnologie, die offene Standards und offene Datenformate bevorzugt, ist gut geeignet, diese Zusammenarbeit zu erleichtern.
- Demokratisierung
Je mehr KI-basierte Innovationen erscheinen, desto mehr Mitarbeiter werden benötigt, die KI-Algorithmen konfigurieren und verbessern können. Um diese Nachfrage zu befriedigen, ist Demokratisierung der Schlüssel - zumal KI-Spezialisten und Datenwissenschaftler nur begrenzt verfügbar sind.
Die Demokratisierung wird dazu beitragen, “citizen data scientists” zu schaffen - datenkundige Mitarbeiter ohne spezielle Ausbildung in Datenwissenschaft. Jede Modernisierung der Infrastruktur sollte darauf abzielen, den Zugang der Mitarbeiter zu Daten zu erweitern, die für die Entwicklung von Algorithmen benötigt werden, um diesen Bedarf zu decken.
Fazit
Der wirtschaftliche Abschwung wird sich auf fast alle Branchen auswirken, aber Führungskräfte sollten dies als große Chance begreifen, um ihre Unternehmen für die künftigen Herausforderungen zu rüsten. Die Fähigkeit, sich schneller an Veränderungen im wirtschaftlichen Umfeld anzupassen, wird sie in die Lage versetzen, krisenfester zu sein, als sie es jetzt sind. Eine moderne KI- und Datenarchitektur ist die Grundlage dafür, dass Unternehmen agil und nachhaltig handeln können.