Wie kann künstliche Intelligenz (KI) – und ihre führende Disziplin, das maschinelle Lernen (ML) – dazu beitragen, bessere Geschäftseinblicke aus Big Data zu gewinnen? Sehen wir uns einige Möglichkeiten an – und werfen wir einen Blick auf die Zukunft von KI und die Analyse von Big Data.
Wie KI mit Big Data zusammenpasst
Heute wollen wir so viele Daten wie möglich – nicht nur, um bessere Einblicke in Geschäftsprobleme zu erhalten, die wir zu lösen versuchen, sondern auch, weil die maschinellen Lernmodelle umso besser werden, je mehr Daten wir ihnen zur Verfügung stellen. In dieser Hinsicht ist es ein positiver Zusammenhang.
Es besteht eine wechselseitige Beziehung zwischen Big Data und KI: Letztere ist für den Erfolg stark von ersterer abhängig und hilft Unternehmen gleichzeitig, das Potenzial ihrer Datenspeicher auf eine Weise zu erschließen, die früher mühsam oder unmöglich war.
KI schafft neue Methoden zur Datenanalyse
Eines der grundlegenden Geschäftsprobleme von Big Data lässt sich manchmal mit einer einfachen Frage zusammenfassen: Was nun? Im Sinne von: Wir haben all diese Daten und noch viel mehr davon – was machen wir also damit? In dem einst ohrenbetäubenden Trubel um Big Data war es nicht immer leicht, die Antworten auf diese Frage zu finden.
Außerdem erforderte die Beantwortung dieser Frage – oder die Ableitung von Erkenntnissen aus Ihren Daten – in der Regel viel manuellen Aufwand. KI schafft dafür neue Methoden. In gewissem Sinne sind KI und ML die neuen Methoden, ganz allgemein gesprochen.
Wenn es um die Analyse von Daten geht, mussten Ingenieure in der Vergangenheit eine in der Regel eine SQL-Abfrage verwenden. Aber da die Bedeutung von Daten immer weiter zunimmt, gibt es inzwischen eine Vielzahl von Möglichkeiten, um Erkenntnisse zu gewinnen. KI ist der nächste Schritt nach SQL. Was früher statistische Modelle waren, ist jetzt mit der Informatik konvergiert und zu KI und maschinellem Lernen geworden.
Die Datenanalyse wird immer weniger arbeitsintensiv
Infolgedessen ist die Verwaltung und Analyse von Daten weniger zeitaufwändig als in der Vergangenheit. Menschen spielen immer noch eine wichtige Rolle bei der Datenverwaltung und -analyse, aber Prozesse, die früher Tage oder Wochen (oder länger) gedauert haben, werden dank KI immer schneller.
KI und ML sind Werkzeuge, die einem Unternehmen helfen, seine Daten schneller und effizienter zu analysieren, als dies allein durch Mitarbeiter möglich wäre.
Es lässt sich mittlerweile ein Trend zu einer zweistufigen Strategie erkennen, wenn es um Big Data geht. Die Speicherebene und eine darüber liegende operative Analyseschicht. Die operative Analyseschicht ist diejenige, um die sich der CEO kümmert, auch wenn sie ohne die Speicherebene nicht funktionieren kann.
Für bestimmte Anwendungsfälle revolutioniert sie die Art und Weise, wie man Regeln, Entscheidungen und Vorhersagen trifft.
Dort werden Erkenntnisse aus den Daten gewonnen und datengesteuerte Entscheidungen getroffen. KI erweitert diese Analysewelt um völlig neue Möglichkeiten, halbautomatische Entscheidungen auf der Grundlage von Trainingsdaten zu treffen. Sie ist nicht für alle Datenfragen anwendbar, aber für bestimmte Anwendungsfälle revolutioniert sie die Art und Weise, wie man Regeln, Entscheidungen und Vorhersagen ohne komplexes menschliches Know-how treffen kann.
Mit anderen Worten: Erkenntnisse und Entscheidungen können schneller getroffen werden. Darüber hinaus kann die IT ähnliche Prinzipien – Einsatz von KI-Technologien zur Verringerung des manuellen, arbeitsintensiven Aufwands und zur Erhöhung der Geschwindigkeit – auf die Back-End-Aufgaben anwenden, von denen, seien wir ehrlich, nur wenige außerhalb der IT-Abteilung etwas wissen wollen.
“Die Echtzeit-Natur der Daten und die Tatsache, dass sie überall vorhanden sind – in verschiedenen Racks, Regionen und Clouds – bedeutet, dass Unternehmen sich von den traditionellen Methoden der Verwaltung und Analyse von Daten wegentwickeln müssen. Hier kommt KI ins Spiel. Vorbei sind die Zeiten, in denen Dateningenieure Daten immer wieder manuell kopierten und Datensätze erst Wochen nach der Anfrage eines Datenwissenschaftlers lieferten.
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 hat sich nicht geändert: Der Wert Ihrer Daten ist untrennbar mit ihrer Qualität verbunden. Schlechte Qualität bedeutet geringen (oder gar keinen) Wert. Dies ist etwas, das die so genannten Big Data mit der KI gemeinsam haben.
Das ‘schmutzige’ Geheimnis von ML-Projekten ist, dass 80 Prozent der Zeit für die Bereinigung und Vorbereitung der Daten aufgewendet wird.
Jedes Gespräch über maschinelles Lernen kommt immer wieder auf die Qualität der Unternehmensdaten zurück. Wenn die Daten schmutzig sind, kann man den daraus gewonnenen Erkenntnissen nicht trauen.
ML-Algorithmen können Ausreißerwerte und fehlende Werte erkennen, doppelte Datensätze finden, die dieselbe Entität mit leicht unterschiedlicher Terminologie beschreiben, Daten auf eine gemeinsame Terminologie normalisieren usw.
Analysen werden prädiktiver und präskriptiver
Einem ML-Algorithmus kann beigebracht werden, auf der Grundlage einer vorausschauenden Erkenntnis eine Entscheidung zu treffen oder eine Maßnahme zu ergreifen.
In der Vergangenheit war die Datenanalyse eher postmortem: “Hier ist, was passiert ist.” Zukunftsprognosen waren im Wesentlichen immer noch historische Analysen. KI und ML helfen dabei, eine neue Front zu eröffnen: “Hier ist, was passieren wird”. (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.