Was steckt hinter Data Science?
Aktuell wird gern erwähnt, dass wir uns auf geradem Weg zu einer dem Menschen überlegenen AI befinden. Als in den 80er-Jahren die heute wieder unter dem Begriff Deep Learning populär gewordenen neuronalen Netze aufkamen, gab es schon einmal die gleichen Vorhersagen. Die Hoffnung, bald ein Netzwerk zumindest von der Intelligenz einer Maus erzeugen zu können, wurde allerdings enttäuscht. Auch heute sind wir diesem Ziel nicht näher. Künstliche Intelligenz ist nicht wie Menschen oder Tiere in der Lage, sich leicht an neue Problemstellungen anzupassen. Sie kann zwar eng definierte Aufgaben besser übernehmen als Menschen. Dennoch agiert sie ausschließlich in einem eng gesteckten Aufgabenfeld.
Renaissance einer alten Technik
AI-Datenmodelle sind also nicht neu. Die Rahmenbedingungen haben sich jedoch deutlich verändert. Einerseits muss sich Data Science mittlerweile mit einer "Explosion" der Daten befassen. Auf der anderen Seite stehen jedoch auch leistungsfähigere Technologien zur Verfügung. Insbesondere ist hier skalierbare Hardware in der Cloud zu nennen. Erstmals in der Geschichte sind Unternehmen somit in der Lage, ihre Datenverarbeitungslogik rund um die verschiedenen AI-Modelle komplett in der Cloud zu realisieren. Hierdurch entstehen jedoch auch Herausforderungen: Welche Daten sind in die Cloud zu überführen? Welche technische Infrastruktur ist dafür geeignet? Wie ist diese mit der bestehenden Systemlandkarte und IT-Strategie zu vereinen? Zudem ist zu hinterfragen, welche Geschäftsvorgänge überhaupt von AI betroffen sind und ob die geplanten Anwendungen genug ROI erzeugen können. Nicht selten ufern Projekte aus und verschlingen enorme Summen, ohne schnell einsatzfähig zu werden. Dies lässt sich verhindern, indem von Beginn an professionelle Unterstützung beansprucht wird. Ein spezialisiertes Beratungsunternehmen ist in diesem Bereich beispielsweise die ADVISORI FTC GmbH.
AI nutzenstiftend einsetzen
Die Data-Science-Experten von ADVISORI nennen mehrere Erfolgsfaktoren für AI-Projekte. Zunächst sei es bedeutsam, die passende AI für die jeweilige Aufgabe auszuwählen. Zudem kommt einer Feedback-Architektur besondere Bedeutung zu. Laut den ADVISORI-Spezialisten können Modelle nur dann "lernen", wenn ihre Vorhersagen immer wieder in der Praxis geprüft und an sie zurückgespielt werden. Es kann also die Notwendigkeit bestehen, vorhandene Systeme und Dashboards so zu erweitern, dass Nutzer aktiv Rückmeldung an das System geben können. Ein weiterer wichtiger Erfolgsfaktor ist die Skalierbarkeit.
