KI ist KEINE Big Data-Analytik

In der Big-Data-Ära bestand einer der wichtigsten Grundsätze für die erfolgreiche Umsetzung Ihrer Big-Data-Strategie darin, ein zentrales Data Warehouse oder einen Data Lake einzurichten, in dem alle Daten gespeichert wurden. Die Datenanalysten konnten dann nach Herzenslust ihre Analysen durchführen und relevante Korrelationen, Ausreißer, Vorhersagemuster und dergleichen finden. In diesem Szenario steuert jeder seine Daten zum Data Lake bei, die dann von einer zentralen Data-Science-Abteilung verwendet werden, um – in der Regel für die Geschäftsleitung – Entscheidungshilfen zu liefern (Abbildung 1).

Abbildung 1: Jeder steuert seine Daten zum Data Lake bei, die dann von einer zentralen Data-Science-Abteilung genutzt werden, um – in der Regel für die Geschäftsführung – Entscheidungshilfen zu liefern.

Obwohl dies in der Theorie gut aussieht, sieht die Realität in vielen Unternehmen natürlich ganz anders aus. Wir sehen mindestens vier Herausforderungen. Erstens erfordert die Analyse von Produkt- und Kundendaten vor Ort oft ein umfangreiches Fachwissen, das Datenwissenschaftlern in einer zentralen Abteilung in der Regel fehlt. Dies führt leicht zu falschen Interpretationen der Daten und folglich zu ungenauen Ergebnissen.

Zweitens: Verschiedene Abteilungen und Gruppen, die Daten sammeln, tun dies oft auf unterschiedliche Weise, was zu ähnlich aussehenden Daten mit unterschiedlicher Semantik führt. Dabei kann es sich um geringfügige Unterschiede handeln, wie z.B. die Häufigkeit der Datengenerierung, z.B. Sekunden, Minuten, Stunden oder Tage, aber auch um viel größere Unterschiede, wie z.B. Daten über einzelne Produkte im Feld gegenüber ähnlichen Daten über eine ganze Produktfamilie in einer bestimmten Kategorie. Da Datenwissenschaftler in einer zentralen Abteilung oft versuchen, Daten aus verschiedenen Quellen in Beziehung zu setzen, führt dies leicht zu falschen Schlussfolgerungen.

Drittens, insbesondere mit der zunehmenden Einführung von DevOps, wird sogar dieselbe Quelle im Laufe der Zeit andere Daten erzeugen. Wenn sich die Software weiterentwickelt, ändert sich in der Regel auch die Art und Weise, wie die Daten generiert werden, was zu ähnlichen Herausforderungen wie oben beschrieben führt. Das Ergebnis ist, dass sich das Versprechen der Big Data-Ära in den Unternehmen nicht immer bewahrheitet und fast nie in dem vollen Umfang, der zu Beginn des Projekts erwartet wurde.

Und schließlich erfordert die Nutzung von Big Data-Analysen ein hohes Maß an datenwissenschaftlichen Kenntnissen, und es gibt einfach nicht so viele Menschen, die über diese Kenntnisse verfügen. Die Schulung Ihrer bestehenden Mitarbeiter in Data Science ist eine ziemliche Herausforderung und sicherlich schwieriger als die Ausbildung von Ingenieuren und Entwicklern in maschinellem Lernen.

Viele in der Branche sind der Meinung, dass Anwendungen für künstliche Intelligenz und insbesondere maschinelle und Deep-Learning-Modelle unter den gleichen Herausforderungen leiden. Doch obwohl sowohl die Datenanalyse als auch ML/DL-Modelle in hohem Maße auf Daten basieren, besteht der Hauptunterschied darin, dass für ML/DL kein zentralisiertes Data Warehouse erstellt werden muss. Stattdessen kann jedes Team, jede Geschäftseinheit oder Produktorganisation mit KI beginnen, ohne dass eine aufwändige Koordination mit dem Rest des Unternehmens erforderlich ist.

Jede Geschäftseinheit kann ihre eigenen ML/DL-Modelle erstellen und diese in dem System oder der Lösung einsetzen, für die sie verantwortlich ist (Abbildung 2). Die Daten können aus dem Data Lake oder aus den lokalen Datenspeicherlösungen stammen. Sie müssen also nicht einmal den Ansatz der zentralen Datenspeicherung gewählt haben, bevor Sie mit ML/DL beginnen.

Abbildung 2: Jede Geschäftseinheit kann ihre eigenen ML/DL-Modelle erstellen und diese in dem System oder der Lösung einsetzen, für die sie verantwortlich ist.

Zusammenfassend lässt sich sagen, dass KI **keine** Datenanalyse ist und nicht die gleichen Voraussetzungen erfordert. Stattdessen können Sie schon heute mit den Daten beginnen, die Ihnen zur Verfügung stehen, selbst wenn Sie und Ihr Team nur an einer einzigen Funktion oder einem Teilsystem arbeiten. Künstliche Intelligenz und insbesondere Deep Learning bieten ein erstaunliches Potenzial zur Kostensenkung und zur Schaffung neuer Geschäftsmöglichkeiten. Es ist die aufregendste Technologie, die seit Jahrzehnten zur Reife gelangt ist. Warten Sie nicht darauf, dass der Rest der Welt Sie überholt, sondern beginnen Sie noch heute mit der Nutzung von KI und DL.