How to Power Successful AI Projects with Trusted Data

Wie Sie Ihre KI-Projekte erfolgreich mit “sauberen” Daten vorantreiben

Rachel Galvez | October 16, 2024

Kernpunkte:

Vertrauenswürdige KI erfordert Datenintegrität. Um KI-fähige Daten zu erhalten, sollten Sie sich auf umfassende Datenintegration, Datenqualität und -verwaltung sowie Datenanreicherung konzentrieren.
Ein strukturierter, geschäftsorientierter Ansatz für KI ist unerlässlich. Beginnen Sie mit klaren geschäftlichen Anwendungsfällen und stellen Sie die Zusammenarbeit zwischen Geschäfts- und IT-Teams sicher, um die größtmögliche Wirkung zu erzielen.
Der Aufbau von Datenkompetenz im gesamten Unternehmen ermöglicht es den Teams, KI-Tools besser zu nutzen.

Vor nicht allzu langer Zeit haben wir künstliche Intelligenz (KI) für ein futuristisches Konzept gehalten – doch heute ist sie überall im Einsatz und Unternehmen aller Branchen arbeiten daran, sie in ihre Kernprozesse zu integrieren.

Um bei KI-Projekten erfolgreich zu sein, geht es jedoch nicht nur um den Einsatz fortschrittlicher Algorithmen oder maschineller Lernmodelle. Die eigentliche Herausforderung besteht darin, sicherzustellen, dass die Daten, die Ihren Projekten zugrunde liegen, KI-fähig sind.

Vor allem müssen Sie bedenken, dass vertrauenswürdige KI mit vertrauenswürdigen Daten beginnt. Und vertrauenswürdige Daten erfordern Datenintegrität: Daten, die genau, konsistent und kontextbezogen sind.

In einem kürzlichen Webinar des EDM Council diskutierten die Branchenexperten Antonio Cotroneo (Director, Product Marketing, Precisely) und Sanjeev Mohan (Principal, SanjMo) die entscheidende Rolle von KI-fähigen Daten bei der erfolgreichen Umsetzung von KI-Projekten von der Erprobung bis zur Produktion. Sehen Sie sich die gesamte Sitzung “AI-Ready Data: Transforming Projects into Production“ (englisch) an, um alle ihre Gedanken zu hören – und lesen Sie unten weiter, um eine Vorschau auf die wichtigsten Erkenntnisse zu erhalten.

AI-Data Ready - Precisely

Die drei größten Herausforderungen bei der Erstellung von KI-reifen Daten

Unabhängig von Ihren speziellen Anwendungsfällen sind hochintegrierte Daten von entscheidender Bedeutung, um Ihre KI-Initiativen aus dem Labor in die Produktion zu überführen. Viele Unternehmen wollen das Potenzial von KI erforschen, aber die meisten stehen vor erheblichen Hürden, wenn sie ihre Projekte von der Experimentierphase zu realen Anwendungen führen wollen.

Ohne eine angemessene Datenaufbereitung riskieren Sie Probleme wie Verzerrungen und Halluzinationen, ungenaue Vorhersagen, schlechte Modellleistung und vieles mehr.
„Wenn Sie nicht über KI-fähige Daten verfügen, werden Sie höchstwahrscheinlich mit einigen dieser Herausforderungen konfrontiert“, sagt Cotroneo.

Hier sind die drei größten Herausforderungen, mit denen Unternehmen bei der Vorbereitung ihrer Daten für KI konfrontiert sind, und ihre Auswirkungen auf die Ergebnisse.

1. Probleme bei der Datenintegration = verzerrte Ergebnisse

Die Sicherstellung einer umfassenden Datenintegration in Ihrem Unternehmen ist oft der erste Stolperstein. Wenn Ihr Unternehmen mit fragmentierten, siloübergreifenden Daten arbeitet, dann arbeiten Ihre KI-Modelle mit unvollständigen oder inkonsistenten Datensätzen.

Die Folgen? Der fehlende Zugriff auf wichtige, relevante Daten kann dazu führen, dass Ihre KI-Modelle verzerrte oder irrelevante Ergebnisse liefern, was wiederum zu einer schlechten Entscheidungsfindung führen kann.

2. Lücken in der Datenqualität und -verwaltung = ungenaue Ergebnisse

Eine fehlende Datenverwaltung und -qualität kann zu Ungenauigkeiten, Halluzinationen und KI-Fehlern führen. KI-Systeme benötigen hochwertige, gut verwaltete Daten, um Fehler zu vermeiden. Andernfalls riskieren Sie, dass KI-Modelle falsche Ergebnisse liefern – wie etwa die Preisgabe privater interner Daten.

Mohan betonte: „Der Grund, warum Data Governance in der Vergangenheit so problematisch war, liegt darin, dass sie immer erst nachträglich eingeführt wurde. Stellen Sie sicher, dass Ihre KI-Initiative von Anfang an mit Governance ausgestattet ist.“

3. Lücken in der Datenanreicherung = irrelevante Antworten

Bei KI ist Kontext Voraussetzung für gute Ergebnisse. Wenn Sie Ihre internen Daten nicht mit vertrauenswürdigen Datensätzen von Drittanbietern anreichern, die mit reichhaltigen Kontextinformationen gefüllt sind, erhalten die KI-Modelle ein unvollständiges Verständnis der jeweiligen Aufgabe.

Dieser fehlende Kontext kann zu irrelevanten Ergebnissen führen, die die Bedürfnisse des Benutzers nicht widerspiegeln. Wie Cotroneo erklärt: „Ihre Daten sind der Unterschied zwischen etwas Allgemeinem und etwas, das genau auf Ihre Zielgruppe zugeschnitten ist.“

Um sicherzustellen, dass KI-Projekte auf einer soliden Grundlage aufgebaut werden, ist es entscheidend, diese Herausforderungen direkt anzugehen. Als Nächstes werden wir einige wichtige Überlegungen zur Sicherstellung der KI-Datenreife behandeln.

eBook

Vertrauenswürdige KI 101: Tipps, um Ihre Daten KI-fähig zu machen

Machen Sie Ihre KI schon heute mit Datenintegrität zukunftssicher. Es ist an der Zeit, das Potenzial Ihrer Initiativen für künstliche Intelligenz (KI) voll auszuschöpfen. Lassen Sie sich von wertvollen KI-Anwendungsfällen inspirieren und erfahren Sie, wie Sie Verzerrungen, ungenaue Ergebnisse und andere große Herausforderungen überwinden können. Technologiegestützte Erkenntnisse und Fähigkeiten hängen von vertrauenswürdigen Daten ab.

jetzt lesen (englisch)

Praktische Schritte zur Sicherstellung der Datenreife für KI

Der erfolgreiche Einsatz von KI erfordert einen strukturierten Ansatz für die Datenbereitstellung. Im Folgenden finden Sie einige praktische Schritte und bewährte Verfahren, an denen sich Ihr Unternehmen orientieren kann:

1. Identifizieren Sie geschäftliche Anwendungsfälle

Dies ist Ihr erster und wichtigster Schritt. Welche(s) geschäftliche(s) Problem(e) wollen Sie mit KI lösen? Eine erfolgreiche Implementierung beginnt damit, dass Sie ein klares Verständnis Ihrer geschäftlichen Anforderungen gewinnen.

Sie müssen auch bedenken, dass KI als eine Geschäftsinitiative und nicht nur als ein technologisches Projekt behandelt werden sollte. Dies erfordert die Zusammenarbeit zwischen Ihren Geschäfts- und IT-Teams, die ihr gemeinsames Wissen nutzen können, um die Anwendungsfälle zu identifizieren, die die größten Auswirkungen haben. Wie Mohan feststellte, „müssen Fachabteilung und IT zusammenarbeiten, weil die Fachabteilung ein gutes Verständnis der Anwendungsfälle und Schmerzpunkte hat und die IT-Abteilung die KI-Funktionen kennt.“

Es ist auch wichtig zu wissen, dass die mit KI verbundenen Kosten deutlich höher sind als bei traditionellen Daten und Analysen, weshalb es wichtig ist, die wertvollsten Anwendungsfälle zu identifizieren, bevor man mit der Implementierung beginnt.

2. Bewerten Sie den aktuellen Stand Ihrer Daten

Wenn Sie Ihre Anwendungsfälle im Kopf haben, müssen Sie die Vollständigkeit, Qualität und Governance Ihrer Daten bewerten. Stellen Sie sich Fragen wie:

Verfügen unsere Daten über eine angemessene Governance und Qualitätskontrollen?
Sind sie mit den erforderlichen Daten Dritter kontextualisiert?
Gibt es Datensilos, die unsere KI-Ergebnisse behindern könnten?

Es ist von entscheidender Bedeutung zu wissen, wo sich all diese Daten befinden, und sicherzustellen, dass die Personen, die sie benötigen, Zugang zu ihnen haben und dass sie integer sind.

3. Stellen Sie sicher, dass die Datenelemente einheitlich definiert sind

Ebenso wichtig ist die Konsistenz über alle Datenquellen hinweg – und das ist etwas, was Sie mit einem robusten Datenkatalog bewältigen können. Ein Datenkatalog dient als gemeinsames Geschäftsglossar. Ohne ihn läuft Ihr Unternehmen Gefahr, unter widersprüchlichen Datendefinitionen zusammenzubrechen, noch bevor Sie mit Ihren KI-Projekten beginnen.

4. Aufbau von Datenkenntnissen im gesamten Unternehmen

Der Aufbau von Datenkompetenz im gesamten Unternehmen stellt sicher, dass alle Teams – von Dateningenieuren bis hin zu Geschäftsführern – aufeinander abgestimmt und in der Lage sind, KI-Tools effektiv einzusetzen. Jeder muss verstehen, wie KI funktioniert, welche Art von Daten sie benötigt und wie man hochwertige Inputs sicherstellt, um die gewünschten Ergebnisse zu erzielen.

Wie Cotroneo es ausdrückt: „Wenn jeder im Unternehmen über ein gewisses Maß an Datenkenntnis verfügt, können sie diese Tools optimal nutzen.“

Beispiele aus der Praxis für die Implementierung KI-fähiger Daten

Brauchen Sie Inspiration für Ihre KI-Reise? Hier finden Sie einige Beispiele dafür, wie Unternehmen mit KI Erfolg haben, indem sie der Datenbereitstellung Priorität einräumen:

Anwendungen im Gesundheitswesen

Im Gesundheitswesen, wo Entscheidungen über Leben und Tod entscheiden können, haben Unternehmen die Notwendigkeit einer soliden Datenverwaltung erkannt. Indem sie sich auf die Datenintegrität konzentrieren, nutzen sie KI, um klinische Studien zu rationalisieren, die Zulassungszeiten für Medikamente zu verkürzen und datengesteuerte Entscheidungen zu treffen, die Leben retten können.

Mohan erklärte, dass diese Einrichtungen mit ordnungsgemäß aufbereiteten Daten „KI auf die nächste Stufe heben“. KI kann genutzt werden, um kritische Fragen für diese Organisationen zu beantworten, wie z. B. „… gibt es versteckte Diagnosen für Krankheiten? Gibt es Möglichkeiten, die Zeit zu verkürzen, die für die Zulassung eines neuen Medikaments durch die FDA benötigt wird? Denn es kann zehn Jahre und Milliarden von Dollar dauern, bis ein neues Medikament auf den Markt kommt. Es steht also viel auf dem Spiel. KI kann also in einigen sehr fortschrittlichen Anwendungsfällen einen Wendepunkt darstellen.“

Generali Real Estate

Generali Real Estate nutzt KI und maschinelles Lernen (ML), um seine Kunden – darunter Stadtplaner, Immobilienentwickler und Regionalentwickler – in die Lage zu versetzen, profitable und gerechte Entscheidungen über die Entwicklung von Gemeinden zu treffen.

Durch das Trainieren ihrer Modelle auf qualitativ hochwertigen Daten – angereichert mit vertrauenswürdigen Drittquellen – hat Generali KI-Projekte aus dem Labor in die Praxis übertragen – mit großem Erfolg.

Dazu Cotroneo: „Das ist ein sehr beeindruckendes Beispiel dafür, wie jemand einen qualitativ hochwertigen, hochintegrierten Ansatz für seine Modelle, seinen Trainingsprozess und seinen KI-Entwicklungsprozess im Allgemeinen wählt. Und im Gegenzug profitiert die Gemeinschaft von diesen Praktiken.“

Vorbereiten auf die Zukunft: Im KI-Rennen die Nase vorn haben

Was sind also die Erkenntnisse, um Ihre Daten für den KI-Erfolg fit zu machen?

Sanjeev Mohan bekräftigt, wie wichtig es ist, von Anfang an eine Daten-Governance zu etablieren: „Gehen Sie strukturiert vor: Beginnen Sie mit einem geschäftlichen Anwendungsfall, ermitteln Sie den potenziellen ROI, identifizieren Sie das Modell, führen Sie die Experimente durch – und wenn Sie dann feststellen, dass es nicht funktioniert hat, gehen wir zurück und nehmen die nächste Priorität. Es handelt sich um einen iterativen Prozess, der gesteuert und korrekt durchgeführt werden muss.“

Kontinuierliches Lernen und Anpassung sind ebenfalls unerlässlich, um mit der Entwicklung der KI Schritt halten zu können. Wenn Sie in die Datenverwaltung investieren und der Datenintegrität während des gesamten Prozesses Priorität einräumen, werden Sie die Vorteile in Form von besseren KI-Ergebnissen sehen. Wie Antonio Cotroneo sagt: „Ihre Investition in das Datenmanagement ist Ihre Investition in KI. Wenn Sie richtig in Ihre Datenmanagement-Praxis investieren, sind Sie auf dem Weg zu KI-fähigen Daten.“

Weitere umsetzbare Erkenntnisse und Tipps finden Sie in unserem eBook: Trusted AI 101: Tipps, wie Sie Ihre Daten KI-fähig machen.