Prof. Jan Bosch
Es scheint, dass ein Großteil meiner Arbeit heutzutage damit zu tun hat, KI in den Bereich der eingebetteten Systeme zu bringen, zu verstehen, was die Auswirkungen sind und wie Unternehmen damit umgehen sollten. In den Gesprächen mit technischen Experten und Geschäftsführern stoße ich jedoch immer wieder auf verschiedene Missverständnisse.
Erstens gibt es immer noch einige Leute, die ML/DL-Modelle als Einzellösungen für ein bestimmtes Problem betrachten, bei denen wir das Modell erstellen, es integrieren, die daraus resultierende Software einsetzen und damit fertig sind. Obwohl man so vorgehen könnte, ignoriert man im Grunde die große Mehrheit der Vorteile, die man bieten könnte. Stattdessen geht es darum, alles kontinuierlich zu machen. Es geht um einen ständigen Fluss von Software-Updates für das Feld, einen ständigen Fluss von Daten, die von Ihren Systemen zurückkommen, ständige Umschulung und Aktualisierung von Modellen. Wir alle lesen von DevOps, DataOps und AIOps, aber genau darum geht es. Je kürzer Sie die Zyklen machen können, desto mehr Wert können Sie liefern.
Zweitens sehen viele KI als eine technische Herausforderung an, die von F&E gelöst werden muss, aber nichts mit dem Rest des Unternehmens zu tun hat. Tatsache ist jedoch, dass sie Ihr Geschäftsmodell verändern wird. Wenn Sie derzeit ein transaktionales Geschäftsmodell verfolgen, bei dem Sie eine einmalige Zahlung erhalten, wenn Sie das Produkt verkaufen, aber während der gesamten Lebensdauer des Produkts Software-Updates bereitstellen müssen, haben Sie ein Problem, denn Ihre Kosten sind kontinuierlich, Ihre Einnahmen hingegen nicht. Die einzige Möglichkeit, dies zu umgehen, besteht darin, Ihr Ertragsmodell an Ihr Kostenmodell anzupassen. Für die meisten Unternehmen, mit denen ich zusammenarbeite, bedeutet dies, dass sie die Produktverkäufe mit einem kontinuierlichen Dienstleistungsumsatzmodell kombinieren. Dies ist eine großartige Möglichkeit, mehr Umsatz mit Ihren Kunden zu erzielen.
Drittens gibt es vor allem in Unternehmen, die große, komplexe und teure Systeme bauen, wie z.B. in der Automobil-, Telekommunikations- oder Automatisierungsbranche, keine klare Definition oder kein Verständnis für den tatsächlichen Wert, der den Kunden geboten wird. Das Gesamtpaket verkauft sich und folglich ist das Gesamtpaket wertvoll. Wenn Sie sich für die kontinuierliche Verbesserung von Systemen einsetzen, müssen Sie entscheiden, worauf Sie Ihre Energie und Zeit konzentrieren wollen. Und dazu müssen Sie verstehen, was in Ihrem Angebot tatsächlich wertvoll ist, denn die Verbesserung von Standardfunktionen mit ML/DL-Modellen oder auf andere Weise hilft Ihrem Kunden nicht. Wir haben viel mit Unternehmen zusammengearbeitet, um den Wert ihrer Lösungen oder Produkte für die Kunden zu modellieren, und es ist erstaunlich schwer, präzise und konkret zu sein.
'You can’t use AI in isolation'
Viertens: Sie können KI nicht isoliert einsetzen. Maschinen- und Deep-Learning-Lösungen benötigen Daten für Training und Betrieb. Die Daten werden von der Software erzeugt, die das System steuert. Und natürlich sind ML/DL-Modelle selbst Software. Der einzige Unterschied besteht darin, dass KI-Software durch Daten und Mustererkennung programmiert wird und nicht durch Menschen auf algorithmische Weise. Das bedeutet, dass Sie sich mit allen digitalen Technologien auskennen müssen.
Das letzte Missverständnis besteht darin, dass viele glauben, wenn sie ein ML/DL-Modell trainiert haben und es beim Prototyping gut funktioniert, sei der schwierige Teil erledigt. Das könnte nicht weiter von der Wahrheit entfernt sein. Der einfachste Teil ist die eigentliche Erstellung eines Modells und der schwierigste Teil ist dessen Industrialisierung. Industrialisierung bedeutet, die Datenpipelines einzurichten, die Überwachung und Protokollierung einzurichten, in allen Fällen korrektes (oder zumindest akzeptables) Verhalten sicherzustellen, Lösungen für DevOps, DataOps und AIOps zu entwickeln und so weiter. In einem früheren Beitrag habe ich über unsere KI-Engineering-Forschungsagenda geschrieben, in der wir die wichtigsten Herausforderungen festhalten, die es zu bewältigen gilt.
KI ist auf dem Vormarsch – und das sollte sie auch, denn sie hat das Potenzial, enorme Werte zu schaffen. Die Herausforderung besteht darin, dass es immer noch eine Reihe von Missverständnissen darüber gibt, was dies in der Praxis tatsächlich bedeutet. Ich habe fünf davon erörtert und meine Sichtweise dargelegt. KI gehört an den Rand des Geschehens, aber es gibt eine Menge Arbeit, die zur gleichen Zeit erledigt werden muss. Und da dies nicht von selbst geschieht, ist es wichtig, dass wir gestern damit beginnen.
auf dem Laufenden halten
Erhalten Sie unsere monatlichen Updates
