KI ist nicht das Produkt
In letzter Zeit habe ich mit mehreren Gründern gesprochen, die mir erzählt haben, dass Leute sie gebeten haben, Dinge mit KI für ihre Produkte/Dienstleistungen zu machen. Es gibt eindeutig einen Hype, und viel Aufmerksamkeit konzentriert sich auf KI. Zudem scheint es eine Welle von starken Investitionen in Startups zu geben, die KI im Namen tragen, was den Hype weiter anhält.
Wenn ich meinen Senf dazu geben darf, basierend auf meiner Erfahrung in einem Startup, das KI zur Produktentwicklung einsetzte, werde ich sagen:
Erstens ist KI eine Technologie, genau wie Smartphones oder die Cloud. Ebenso könnte man zwischen zwei Arten von Unternehmen unterscheiden: solche, die Technologie entwickeln, und solche, die sich auf Technologie stützen, um ihr Produkt oder ihre Dienstleistung zu entwickeln. Ich denke, der erste Schritt ist, sich darüber klar zu werden und zu wissen, wo man als Unternehmen steht. Aber so wie die Erstellung einer Cloud oder eines Smartphones nur wenigen vorbehalten ist, ist auch die Entwicklung von KI und deren Verkauf als Produkt oder Dienstleistung nur wenigen vorbehalten. Sie sind also höchstwahrscheinlich ein Unternehmen, das KI für sein Produkt anpasst und nutzt, aber nicht entwickelt.
(Ab hier beziehe ich mich nur auf Unternehmen, die KI nutzen oder nutzen wollen, um Produkte zu entwickeln)
Zweitens müssen wir uns fragen, für welchen Anwendungsfall wir KI als Technologie einsetzen können. KI wird häufig verwendet für: Vorhersagen, Empfehlungen, Chatbots, Spracherkennung, Dokumentenklassifizierung, Bildklassifizierung, Videoanalyse, unter anderem.
Sobald der Anwendungsfall identifiziert wurde, der von der Nutzung dieser Technologie profitieren kann, sollte er wie jede andere neue Funktionalität analysiert werden: Versuchen Sie, das Wertversprechen und den ROI zu verstehen, den er dem Benutzer bringen kann. Zusammen mit Implementierungs- und Betriebskosten und Risiken. Die Verwendung von KI zur Implementierung unseres Anwendungsfalls bringt jedoch einige wichtige Besonderheiten mit sich, die sowohl das Wertversprechen als auch die Kosten und Risiken beeinflussen können:
In der Welt der KI gibt es keine 100%ige Genauigkeit; im Gegensatz zur traditionellen Softwarewelt, in der das Ziel ist, Anwendungsfälle zu implementieren, die vorhersehbar zu 100 % funktionieren. Dieser Punkt ist besonders wichtig, da er eine Änderung der Denkweise hinsichtlich der Erwartungen erfordert, die wir bezüglich unserer Funktionalität kommunizieren. Genauso wie der Filmempfehlungsdienst von Netflix manchmal Empfehlungen macht, die nicht unseren Interessen entsprechen, kann unsere App uns unerwünschte Ergebnisse liefern. Wenn dies nicht tragbar ist, dann ist es besser, den gewählten Anwendungsfall zu überdenken.
Unser Anwendungsfall kann verzerrte Ergebnisse liefern. Es gab mehrere wichtige Fälle, in denen sich die Modelle als sexistisch oder rassistisch erwiesen, aufgrund von Verzerrungen in den Trainingsdaten. Ein solcher Fall war, als Amazon ein Modell entwickelte, um automatisch die besten Lebensläufe von Bewerbern für seine Stellenangebote auszuwählen. Das Modell benachteiligte Frauen-Lebensläufe, weil sie männlich dominierte Lebensläufe der letzten Jahre zum Trainieren des Modells verwendet hatten und das Modell gelernt hatte, Frauen zu benachteiligen. Neben dem Problem der Verzerrung gibt es auch das Problem der Erklärbarkeit der Ergebnisse. Heute haben wir im Allgemeinen keine Werkzeuge, um zu erklären, warum KI ein bestimmtes Ergebnis liefert.
KI wird von Daten angetrieben, und dies ist einer der Schlüssel, der uns von der Konkurrenz unterscheiden kann. Verfügen wir über ein gutes Volumen an qualitativ hochwertigen Daten, die für das Modelltraining verwendet werden können? Dies verschafft Unternehmen, die bereits Traktion und Nutzer haben, einen Wettbewerbsvorteil, denn wenn sie die Dinge richtig gemacht haben, verfügen sie möglicherweise über gute Daten zum Trainieren von Modellen. Abhängig von der Art der benötigten Daten können bestehende Vorschriften und Standards zum Datenschutz deren Nutzung verhindern oder erschweren. Ein Beispiel ist, wenn ein Unternehmen, das ein B2B-Produkt entwickelt, Zugang zu den personenbezogenen Daten der Kunden seiner Kunden benötigt, um die Modelle zu trainieren. In diesem Fall ist der Zugang zu solchen Daten nicht immer einfach.
Wenn man sich schließlich auf ein Projekt mit KI einlässt, ist es sehr ratsam, mit jemandem zu sprechen, der sich gut mit dem Thema auskennt und es bereits gemacht hat. Diese Person kann uns helfen, den Anwendungsfall zu analysieren und zu sehen, ob er von der Nutzung dieser Technologie profitieren kann. Was ich nicht empfehle, ist, sofort nach KI-Experten zu suchen, die man fest einstellt, ohne zunächst eine externe Beratung einzuholen. Denn einerseits kann es sein, dass KI unserem Geschäft keinen Mehrwert bringt, und andererseits ist das Spektrum der KI-Spezialisten breit und es ist leicht, den falschen einzustellen. Genauso wie wir bei Krankheit zuerst zum Hausarzt gehen und dieser uns an einen Spezialisten überweist, wäre dies der beste Weg, unsere KI-Leiden zu heilen.