Wie kann künstliche Intelligenz (KI) und das maschinelle Lernen (ML) dazu beitragen, bessere Geschäftseinblicke aus Big Data zu gewinnen? Wir schauen uns einige Möglichkeiten an und werfen einen Blick auf die Zukunft von KI und der Analyse von Big Data.
Wie KI mit Big Data zusammenpasst
Heute möchten wir möglichst viele Daten sammeln. Das Ziel ist nicht nur, Einblicke in Geschäftsprobleme zu gewinnen, die wir lösen möchten, sondern auch, dass maschinelle Lernmodelle umso besser werden, je mehr Daten wir zur Verfügung stellen. Dies ergibt einen positiven Zusammenhang.
Es gibt eine enge Beziehung zwischen Big Data und KI. KI ist stark auf den Erfolg von Big Data angewiesen und unterstützt Unternehmen bei der Erschließung des Potenzials ihrer Datenspeicher auf eine Weise, die früher schwierig oder unmöglich war.
KI schafft neue Methoden zur Datenanalyse
Eines der Hauptprobleme im Big-Data-Business kann manchmal mit einer einfachen Frage zusammengefasst werden: Was tun? Wir haben viele Daten und mehr davon – was machen wir damit? Während des ohrenbetäubenden Rummels um Big Data war es nicht immer einfach, die Antwort auf diese Frage zu finden.
Die Beantwortung erforderte in der Regel viel manuellen Aufwand. KI schafft neue Methoden, um Daten zu analysieren. KI und ML werden allgemein als die neuen Methoden bezeichnet.
Früher mussten Ingenieure in der Regel eine SQL-Abfrage verwenden, um Daten zu analysieren. Doch da die Bedeutung von Daten immer weiter zunimmt, gibt es nun viele Möglichkeiten, um Erkenntnisse zu gewinnen. KI ist der nächste Schritt nach SQL. Was einst komplexe statistische Modelle waren, hat sich nun in der Informatik vereint und ist zu KI und maschinellem Lernen geworden.
Die Datenanalyse wird immer weniger arbeitsintensiv
Dadurch ist die Arbeit mit Daten heute weniger aufwendig als früher. Obwohl noch immer Menschen erforderlich sind, um Daten zu verwalten und zu analysieren, können dank KI Prozesse, die früher Tage oder Wochen gedauert haben, nun viel schneller durchgeführt werden.
KI und ML sind Werkzeuge, die Unternehmen dabei helfen, ihre Daten rascher und effizienter auszuwerten, als es durch Mitarbeiter allein möglich wäre.
Es gibt einen Trend zur Zweiteilung bei Big Data – die Speicherebene und die darüber liegende operative Analyseschicht. Letztere liegt im Fokus des CEO, und ohne die Speicherebene könnte sie nicht funktionieren.
Die operative Analyseschicht revolutioniert die Art und Weise, wie Regeln, Entscheidungen und Vorhersagen getroffen werden, besonders in bestimmten Anwendungsfällen.
Dort gewinnt man Erkenntnisse aus Daten und trifft Entscheidungen auf Basis der Daten. Künstliche Intelligenz erweitert diese Analysemöglichkeiten um neue Optionen und ermöglicht halbautomatische Entscheidungen, die auf Trainingsdaten beruhen. KI ist nicht für alle Datenfragen geeignet, aber für spezifische Anwendungen revolutioniert sie die Art und Weise, wie man Regeln, Entscheidungen und Vorhersagen ohne komplexe menschliche Expertise treffen kann.
In anderen Worten: Informationen und Entscheidungen können schneller getroffen werden. Zusätzlich kann die IT ähnliche Prinzipien anwenden, um den manuellen und arbeitsintensiven Aufwand zu reduzieren und die Geschwindigkeit zu erhöhen. Dies betrifft Back-End-Prozesse, über die außerhalb der IT-Abteilung nur wenige wirklich Interesse haben.
“Die Echtzeit-Existenz und weite Verteilung der Daten erfordern eine Abkehr von traditionellen Verwaltungs- und Analysemethoden. Künstliche Intelligenz kann hier helfen. Früher waren Dateningenieure gezwungen, Daten manuell zu kopieren und es konnte Wochen dauern, bis ein Datenwissenschaftler die Ergebnisse erhielt.”
Der Mensch ist immer noch sehr wichtig
KI und maschinelles Lernen sind neben anderen aufstrebenden Technologien von entscheidender Bedeutung, wenn es darum geht, Unternehmen einen ganzheitlicheren Blick auf all diese Daten zu ermöglichen und Verbindungen zwischen wichtigen Datensätzen herzustellen. Es geht jedoch nicht darum, die menschliche Intelligenz und Einsicht auszuschalten.
Unternehmen müssen die Kraft menschlicher Intuition mit maschineller Intelligenz kombinieren, um diese Technologien zu erweitern. Genauer gesagt, muss ein KI-System sowohl von Daten als auch von Menschen lernen, um seine Aufgabe erfüllen zu können.
Unternehmen, die die Leistung von Mensch und Technologie erfolgreich kombiniert haben, können den Kreis derjenigen, die Zugang zu wichtigen Erkenntnissen aus Analysen haben, über Datenwissenschaftler und Unternehmensanalysten hinaus erweitern und gleichzeitig Zeit sparen und potenzielle Verzerrungen reduzieren, die sich aus der Interpretation von Daten durch Geschäftsanwender ergeben können. Dies führt zu effizienteren Geschäftsabläufen, schnelleren Erkenntnissen aus Daten und letztlich zu einer höheren Unternehmensproduktivität.
KI/ML kann genutzt werden, um häufige Datenprobleme zu beheben
Eines steht fest: Ihr Datenwert hängt untrennbar von ihrer Qualität ab. Ungenügende Qualität führt zu wenig oder gar keinem Wert. Dies gilt sowohl für Big Data als auch für KI.
Das “dreckige” Geheimnis von ML-Projekten ist, dass 80 Prozent der Zeit für die Reinigung und Vorbereitung der Daten aufgewendet werden.
Jede Diskussion über maschinelles Lernen bezieht sich ständig auf die Qualität der Firmendaten. Wenn die Daten ungenau sind, sind die daraus gezogenen Erkenntnisse nicht verlässlich.
ML-Algorithmen können Abweichungen und fehlende Werte erkennen, duplizierte Datensätze finden, welche die gleiche Entität mit leicht unterschiedlicher Terminologie beschreiben, und die Daten mit einer einheitlichen Terminologie normalisieren.
Analysen werden prädiktiver und präskriptiver
Einem ML-Algorithmus kann beigebracht werden, Entscheidungen oder Maßnahmen auf Basis von Vorhersagen zu treffen.
Früher war die Datenanalyse rückblickend: “Das ist passiert.” Zukunftsprognosen waren im Wesentlichen historische Analysen. KI und ML ermöglichen eine neue Perspektive: “Das wird passieren.” (Außerdem kann einem ML-Algorithmus beigebracht werden, auf der Grundlage dieser vorausschauenden Erkenntnis eine Entscheidung zu treffen oder eine Maßnahme zu ergreifen.)
Heutzutage verlagert KI Big-Data-Entscheidungen durch den Einsatz von prädiktiver Analytik auf Punkte, die weiter in der Zeitachse liegen, und zwar auf genauere Weise. Traditionell basierten Big-Data-Entscheidungen auf vergangenen und aktuellen Datenpunkten, was im Allgemeinen zu einem linearen ROI führte. Mit KI hat dies epische und exponentielle Ausmaße angenommen. Die präskriptive Analytik, die KI nutzt, hat das Potenzial, unternehmensweite, zukunftsorientierte strategische Erkenntnisse zu liefern, die das Unternehmen voranbringen.
“Der Wert für das Unternehmen steigt mit jeder Stufe des Reifegradmodells der Analytik: angefangen bei der Prozess- und Datenzuordnung über die deskriptive Analytik bis hin zur prädiktiven Analytik und schließlich zur präskriptiven Analytik.
Wie geht es weiter mit KI und Big Data?
Wenn die meisten Teams noch lernen zu kriechen (oder zu laufen), ist das vielleicht in Ordnung, denn die Kombination aus KI und Big Data beginnt gerade erst, ihre Möglichkeiten zu offenbaren.
Ich persönlich sehe eine große Zukunft in intelligenterer Unternehmenssoftware. Meiner Meinung nach sind viele Geschäftsanwendungen noch immer analog aufgebaut.
Die Benutzer verbringen immer noch unverhältnismäßig viel Zeit damit, sich durch endlose Berichte zu quälen.
Die meisten Unternehmensanwendungen sind immer noch in der Designsprache von Papierformularen und Büchern aufgebaut. Das bedeutet, dass die Benutzer trotz der vielen Daten, die von den Unternehmen erfasst und gespeichert werden, immer noch übermäßig viel Zeit damit verbringen, sich durch endlose Berichte zu quälen, um nützliche Informationen zu finden.
Die Zukunft liegt in intelligenter Software, die all diese Daten nutzt, um Probleme zu lösen und uns Arbeit abnimmt, indem sie Kontext und Antworten liefert, anstatt nur schönere Berichte zu erstellen. Aus technischer Sicht werden intelligente Unternehmensanwendungen erfordern, dass wir einzelne KI/ML-Systeme mit anderen Systemen verbinden, damit sie miteinander kommunizieren und voneinander lernen können. Die Unternehmen werden endlich einen signifikanten ROI aus all den Daten sehen, die sie gespeichert haben.