Was KI (vorerst) für Ihr Unternehmen tun kann und was nicht

Künstliche Intelligenz ist ein sich bewegendes Ziel. Und so zielen Sie am besten darauf ab.

Künstliche Intelligenz (KI) scheint uns von allen Seiten zu umgeben. Wir begegnen ihm zu Hause und am Telefon. Laut Unternehmern und Geschäftsinnovatoren haben wir nicht einmal Zeit, zur Besinnung zu kommen, wie KI in fast allen Produkten und Dienstleistungen, die wir kaufen und verwenden, präsent sein wird. Darüber hinaus wächst der Anwendungsbereich zur Lösung von Geschäftsproblemen sprunghaft. Gleichzeitig wachsen die Zweifel an den Folgen des Aufkommens der KI. Wir machen uns Sorgen darüber, wie sich die Automatisierung auf den Arbeitsplatz, die Verfügbarkeit von Arbeitsplätzen und die Gesellschaft auswirkt.

Manchmal geht die Realität zwischen den Ängsten und Erfolgen der Schlagzeilen über Alexa, Siri und AlphaGo verloren, weil KI-Technologien - maschinelles Lernen und seine Teilmenge, tiefes Lernen - viele Einschränkungen aufweisen, deren Überwindung viel Aufwand erfordert. Dieser Artikel beschreibt diese Einschränkungen und soll den Direktoren helfen, besser zu verstehen, was ihre Versuche, KI zu implementieren, genau hemmt. Wir werden auch vielversprechende Durchbrüche beschreiben, die darauf abzielen, einige Einschränkungen zu beseitigen und eine neue Welle von Möglichkeiten zu schaffen.

Unsere Aussichten hängen von einer Kombination aus Arbeit an vorderster Front ab - Forschung, Analyse, Bewertung von Hunderten von realen Anwendungsfällen - und der Zusammenarbeit mit einigen fortgeschrittenen Denkern, Wissenschaftlern und Ingenieuren, die in fortgeschrittenen Bereichen im Zusammenhang mit KI arbeiten. Wir haben versucht, die Essenz ihrer Erfahrung herauszuholen und Direktoren von Unternehmen zu helfen, die, wie unsere Erfahrung zeigt, oft nur von sich aus geleitet werden und nicht immer gut verstehen, wo die Schneide ist oder was bereits für KI verfügbar ist.

Einfach ausgedrückt, die Probleme und Einschränkungen der KI verursachen für Führungskräfte ein Problem mit „sich bewegenden Zielen“: Es fällt ihnen schwer, an den neuesten Stand zu kommen, da sie sich ständig bewegen. Es ist auch oft frustrierend, wenn Versuche, KI einzusetzen, auf die Barrieren der realen Welt stoßen - dies kann die Motivation für weitere Investitionen verringern oder zur Entstehung eines abwartenden Standpunkts führen, während andere weiterhin vorwärts eilen. Eine kürzlich vom McKinsey World Institute durchgeführte Studie zeigt, dass es eine wachsende Kluft zwischen Führungskräften und denjenigen gibt, die beim Einsatz von KI hinterherhinken - und dies zeigt sich sowohl beim Vergleich verschiedener Branchen als auch in jeder von ihnen (Abbildung 1).


Abbildung 1: KI-Führungskräfte werden in naher Zukunft noch mehr in sie investieren. Vertikal: Schätzung des Anstiegs der KI-Ausgaben in% in den nächsten drei Jahren; horizontal: Prozentsatz der Unternehmen, die bereits KI verwenden

Direktoren, die versuchen, diese Lücke zu schließen, sollten in der Lage sein, auf informierte Weise mit KI zu arbeiten. Mit anderen Worten, sie müssen nicht nur verstehen, in welchen Bereichen KI Innovationen, Ideen und Entscheidungen anregen, zu höheren Gewinnen und Effizienz führen kann - sondern auch, wo KI noch nicht helfen kann. Darüber hinaus müssen sie die Beziehung und die Unterschiede zwischen technischen und organisatorischen Einschränkungen akzeptieren - kulturelle Barrieren, der Mangel an Personal, das schlüsselfertige KI-Lösungen für Unternehmen schaffen kann, und das Problem der „letzten Meile“ der Einbettung von KI in Produkte und Prozesse. Wenn Sie eine Führungskraft werden möchten, die einige der kritischen technischen Probleme versteht, die den Fortschritt der KI verlangsamen, und bereit sind, vielversprechende Entwicklungen zu nutzen, die diese Einschränkungen überwinden und möglicherweise den Entwicklungspfad der KI ändern können, lesen Sie weiter.

Herausforderungen, Einschränkungen und Chancen

Ein nützlicher Bezugspunkt wird sein, die jüngsten Fortschritte in der Deep Learning (GO) -Technologie zu verstehen. Dies sind wahrscheinlich die aufregendsten Entwicklungen auf dem Gebiet der KI, und sie haben ohne traditionelle Aufsicht eine explosive Steigerung der Effizienz bei Klassifizierungen und Vorhersagen erreicht. GO verwendet große neuronale Netze, die Millionen von simulierten "Neuronen" enthalten können, die in Schichten verteilt sind. Die gebräuchlichsten Netzwerkoptionen werden als Faltungs-Neuronale Netze (SNA) und Wiederkehrende Neuronale Netze (RNS) bezeichnet. Diese neuronalen Netze werden unter Verwendung von Trainingsdaten und Backpropagation-Algorithmen trainiert.

Obwohl in diesem Bereich beeindruckende Fortschritte erzielt wurden, bleibt noch viel zu tun. Der entscheidende Moment ist die Anpassung der KI an eine bestimmte Aufgabe und verfügbare Daten. Da diese Systeme nicht programmiert, sondern geschult sind, erfordern verschiedene Prozesse ihrer Arbeit zur exakten Ausführung komplexer Aufgaben häufig eine große Menge markierter Daten. Es kann schwierig sein, einen großen Datensatz zu erhalten. In einigen Bereichen sind sie möglicherweise einfach nicht vorhanden, aber selbst wenn sie vorhanden sind, kann die Kennzeichnung eine enorme Menge an Personal beanspruchen.

Darüber hinaus kann es in diesen Modellen schwierig sein zu entschlüsseln, wie ein mit Hilfe von GO trainiertes mathematisches Modell zu einer bestimmten Vorhersage, Empfehlung oder Lösung kommt. Der Nutzen einer Black Box kann begrenzt sein, selbst wenn sie ihren Zweck erfüllt, insbesondere in Fällen, in denen ihre Vorhersagen oder Entscheidungen die Gemeinschaft betreffen und Konsequenzen für die menschliche Gesundheit haben. In solchen Fällen muss der Benutzer häufig wissen, warum - zum Beispiel, wie genau der Algorithmus zu solchen Empfehlungen gekommen ist -, ob seine Maßnahmen rechtliche oder regulatorische Konsequenzen haben können. Warum bestimmte Faktoren und nicht einige andere Faktoren in diesem Fall kritisch waren.

Lassen Sie uns fünf miteinander verbundene Faktoren untersuchen, bei denen diese Einschränkungen und die sich abzeichnenden Optionen zu ihrer Umgehung eine Rolle zu spielen beginnen.

Limit 1: Datenmarkup

Die meisten modernen KI-Modelle trainieren mit „überwachtem Lernen“. Dies bedeutet, dass Personen die Quelldaten markieren und kategorisieren müssen - und solche Arbeiten können schwierig und fehleranfällig sein. Zum Beispiel stellen Robomobile-Unternehmen Hunderte von Mitarbeitern ein, um viele Stunden Video manuell zu markieren, um diese Systeme zu trainieren. Gleichzeitig erscheinen neue vielversprechende Technologien - zum Beispiel die Streaming-Steuerung (demonstriert von Eric Horvitz und Kollegen von Microsoft Research), mit der Daten während der natürlichen Nutzung markiert werden können. Unkontrollierte oder teilweise kontrollierte Ansätze reduzieren den Bedarf an großen, gekennzeichneten Datensätzen. Zwei vielversprechende Techniken sind Verstärkungstraining und ein generativ-wettbewerbsfähiges Netzwerk .

Verstärktes Training. Diese unbeaufsichtigte Lerntechnik ermöglicht es Algorithmen, einfach durch Ausprobieren zu lernen. Die Methode verwendet die Zuckerbrot-Peitschen-Methode: Für jeden Versuch, eine Aufgabe zu erledigen, erhält der Algorithmus eine Belohnung (z. B. eine hohe Punktzahl), wenn sein Verhalten erfolgreich ist, oder die Bestrafung auf andere Weise. Mit zunehmender Anzahl von Wiederholungen steigt auch die Effizienz und übersteigt in vielen Fällen die menschlichen Fähigkeiten - solange die Lernumgebung der realen Welt entspricht.

Verstärktes Lernen ist berühmt für die Verwendung von Computerspielen beim Unterrichten von Computern. In jüngster Zeit wurden auch Allgemeinmediziner in dieses Schema integriert. Im Mai 2017 hat es beispielsweise dem AlphaGo AI-System geholfen, den Weltmeister Ke Ze im Go-Spiel zu schlagen. Als weiteres Beispiel hat Microsoft damit begonnen, Dienste bereitzustellen, die von verstärktem Lernen profitieren und sich an die Benutzerpräferenzen anpassen. Die mögliche Anwendung von verstärktem Lernen ist für verschiedene Arten von Unternehmen geeignet. Zu den Möglichkeiten gehören: Handel mit Wertpapieren mit KI, die Punkte für den Erwerb oder Verlust von Finanzmitteln gewinnen oder verlieren; Produktempfehlungs-Engine, die Punkte für jeden auf der Empfehlung getätigten Verkauf erhält; Software, die Routen für den Frachttransport erstellt, erhält eine Belohnung für pünktliche Lieferung oder reduzierten Kraftstoffverbrauch.

Verstärktes Lernen kann KI auch dabei helfen, die natürlichen und sozialen Grenzen menschlicher Markups zu überwinden, indem Lösungen entwickelt werden, an die noch niemand gedacht hat, und Strategien, an die selbst erfahrene Spieler noch nie gedacht haben. Kürzlich hat beispielsweise das AlphaGo Zero-System, das ein Verstärkungstraining eines neuen Typs verwendet, seinen Vorgänger AlphaGo besiegt, indem es gelernt hat, von Grund auf neu zu spielen. Es bedeutete, mit einem völlig zufälligen Spiel mit sich selbst zu beginnen, anstatt in Spielen zu üben, die von Menschen und mit Menschen gespielt wurden.

Generativ-kontradiktorische Netze (GSS). In diesem Trainingsmodell mit teilweiser Kontrolle konkurrieren zwei Netzwerke miteinander, um ihr Verständnis eines bestimmten Konzepts zu verbessern und zu verfeinern. Um beispielsweise zu erkennen, wie Vögel aussehen, versucht ein Netzwerk, die Unterschiede zwischen echten und gefälschten Bildern von Vögeln zu finden, und sein Konkurrent versucht, dies auszutricksen, indem er Bilder ausgibt, die den Bildern von Vögeln sehr ähnlich sind, jedoch nicht diesen. Wenn zwei Netze zu zeichnen beginnen, wird die Darstellung des Vogels in jedem Modell genauer.

Die Fähigkeit des GSS, zunehmend plausible Datenbeispiele bereitzustellen, kann die Notwendigkeit für Personen, Datensätze zu kennzeichnen, erheblich verringern. Um beispielsweise den Algorithmus zum Erkennen von Tumoren in medizinischen Bildern zu trainieren, wären normalerweise Millionen von mit Menschen markierten Bildern erforderlich, um die Arten und Stadien der Tumorentwicklung anzuzeigen. Mithilfe von GSS, das darauf trainiert ist, immer realistischere Bilder verschiedener Arten von Tumoren zu erstellen, können Forscher den Tumorerkennungsalgorithmus trainieren, indem sie eine viel kleinere Datenbank mit personenbezogenen Daten mit der Ausgabe von GSS kombinieren.

Obwohl die Verwendung von GSS zur genauen Diagnose von Krankheiten noch weit von der Implementierung entfernt ist, beginnen Forscher bereits, GSS in immer komplexeren Kontexten einzusetzen. Dazu gehören: Kunstwerke im Stil eines bestimmten Künstlers verstehen und produzieren; Verwendung von Satellitenbildern und Erkennung geografischer Merkmale zur Erstellung relevanter Karten sich schnell entwickelnder Gebiete.

Limit 2: Holen Sie sich umfangreiche Trainingsdatensätze

Es wurde bereits gezeigt, dass einfache KI-Technologien, die lineare Modelle verwenden, in einigen Fällen den Fähigkeiten von medizinischen Experten auf anderen Gebieten nahe kommen können. Die derzeitige Welle des maschinellen Lernens erfordert jedoch Trainingsdatensätze - nicht nur beschriftet, sondern auch zahlreich und umfassend. Für GO-Methoden sind Tausende von Datensätzen erforderlich, um relativ gute Modelle zu erstellen, die klassifiziert werden können, und in einigen Fällen Millionen von Datensätzen, um dem Niveau einer Person näher zu kommen.

Die Schwierigkeit besteht darin, dass es in vielen kommerziellen Fällen schwierig sein kann, solche massiven Datensätze zu erhalten oder zu erstellen. Jede kleine Änderung der Aufgabe erfordert möglicherweise einen weiteren großen Datensatz und eine neue Schulung. Zum Trainieren eines autonomen Fahrzeugs zum Bewegen an einem Bergbaustandort, an dem sich das Wetter häufig ändert, ist möglicherweise ein Datensatz erforderlich, der verschiedene Umgebungsbedingungen enthält, denen die Maschine ausgesetzt sein kann.

Die One-Shot-Lerntechnik kann den Bedarf an großen Datenmengen verringern und es dem KI-Modell ermöglichen, die Merkmale des Objekts mit einer kleinen Anzahl realer Demonstrationen oder Beispiele (in einigen Fällen sogar einer) zu lernen. Die Fähigkeiten der KI kommen einer Person näher, die die verschiedenen Vertreter derselben Kategorie genau erkennen kann, nachdem sie nur ein Beispiel kennengelernt hat - zum Beispiel einen Pickup. In dieser Methodik, die sich noch in der Entwicklung befindet, trainieren Wissenschaftler zunächst Modelle in simulierter virtueller Realität, in denen es Optionen für die Aufgabe oder im Fall der Mustererkennung ein Bild eines Objekts gibt. Nachdem die Modelle verschiedene Optionen für das Objekt in der realen Welt demonstriert haben, die die KI in der virtuellen Realität nicht gesehen hat, wird man das vorhandene Wissen nutzen, um die richtige Lösung zu finden.

Diese Art der Schulung aus einer Zeit kann daher dazu beitragen, ein System zu erstellen, das Texte auf Urheberrechtsverletzungen überprüft oder ein Unternehmenslogo in einem Video erkennt, nachdem Sie nur ein Beispiel dafür kennengelernt haben. Solche Anwendungen befinden sich heute in einem frühen Stadium. Ihre Nützlichkeit und Effektivität kann jedoch die Möglichkeiten des Einsatzes von KI in verschiedenen Branchen schnell erweitern.

Einschränkung 3: das Problem der Erklärbarkeit

Die Erklärbarkeit ist für KI-Systeme kein neues Problem. Aber es wächst mit den Erfolgen und der Einführung des Zivilschutzes, wodurch nicht nur die Vielfalt der Anwendungen zunimmt, sondern auch deren Opazität. Je größer und komplexer das Modell ist, desto schwieriger ist es, menschlich zu erklären, warum diese oder jene Entscheidung getroffen wurde (dies ist noch schwieriger, wenn alles in Echtzeit geschieht). Dies ist einer der Gründe, warum der Einsatz bestimmter KI-Tools in Bereichen, in denen Erklärbarkeit nützlich oder sogar notwendig ist, nicht so stark zunimmt. Darüber hinaus können mit der Erweiterung des Anwendungsbereichs der KI die Anforderungen der Regulierungsbehörden auch den Bedarf an KI-Modellen mit einem hohen Grad an Erklärbarkeit erhöhen.

Zwei vielversprechende Ansätze zur Erhöhung der Transparenz von Modellen sind lokal interpretierbare modellunabhängige Erklärungen (LIMEs) und Aufmerksamkeitstechniken (Exponat 2). LIME versucht zu bestimmen, auf welchen Teilen der Eingabedaten das trainierte Modell hauptsächlich seine Berechnungen basiert, um ein interpretierbares Zwischenmodell zu entwickeln. Diese Technik betrachtet mehrere Datensegmente gleichzeitig und beobachtet, wie sich die Vorhersagen ändern, um das Zwischenmodell zu optimieren und eine genauere Interpretation zu entwickeln (z. B. Ausschluss von Augen anstelle der Nase, um zu überprüfen, welches für die Gesichtserkennung wichtiger ist). Aufmerksamkeitstechniken visualisieren die Teile der Eingabedaten, auf die sich das Modell bei einer bestimmten Entscheidung stützt (z. B. Konzentration auf den Mund, um festzustellen, ob sich eine Person auf dem Bild befindet).


Anlage 2

Eine andere Technologie, die seit einiger Zeit verwendet wird, sind generalisierte additive Modelle (OAM). Durch die Verwendung von Modellen mit einem Feature begrenzt OAM die Interaktion von Features, wodurch jedes von ihnen für Benutzer besser interpretierbar wird. Es wird erwartet, dass die Einführung dieser und anderer Technologien, mit denen der Vorhang des Mysteriums aus der KI entfernt werden soll, erheblich dazu beitragen wird, den Einsatz von KI zu erhöhen.

Limit 4: Generalisierbarkeit des Lernens

Im Gegensatz zu Menschen übertragen KI-Modelle ihre Erfahrungen kaum von einer Reihe von Umständen auf eine andere. Tatsächlich bleibt alles, was das Modell in einer bestimmten Anwendung erreicht hat, nur für diesen Fall anwendbar. Infolgedessen müssen Unternehmen ständig Ressourcen für die Schulung des nächsten Modells aufwenden, obwohl die Aufgaben für ihre Anwendung sehr ähnlich sind.

Eine vielversprechende Antwort auf diese Herausforderung ist das tragbare Lernen. Bei diesem Ansatz wird das KI-Modell trainiert, um ein bestimmtes Problem zu lösen, und dieses Training dann schnell auf eine ähnliche, aber unterschiedliche Arbeit angewendet. Forscher von DeepMind haben vielversprechende Ergebnisse beim Lerntransfer in Experimenten gezeigt, bei denen das Training mit virtueller Realität zur Steuerung realer Roboterglieder übertragen wurde.

Portables Lernen und andere generische Ansätze entwickeln sich weiter und können Unternehmen dabei helfen, schnell neue Wege zu finden, um bestehende und Arbeitsmethoden anzuwenden und neue Funktionen hinzuzufügen. Wenn Sie beispielsweise einen virtuellen Assistenten erstellen, kann das tragbare Training Benutzereinstellungen von einem Bereich (z. B. Musik) zu einem anderen (z. B. zu Büchern) verallgemeinern. Anwendungsfälle sind nicht auf digitale Produkte beschränkt. Tragbare Schulungen können beispielsweise dazu beitragen, dass ein Öl- und Gasunternehmen den Einsatz von KI-Algorithmen, die für die vorausschauende Wartung von Bohrlöchern geschult sind, auf andere Geräte wie Pipelines und Bohrplattformen ausdehnt. Tragbares Training kann selbst im Prinzip die Geschäftsanalyse revolutionieren: Stellen Sie sich ein KI-Tool vor, das Daten analysiert und versteht, wie die Gewinne von Fluggesellschaften optimiert werden können, um sein Modell an Änderungen des Wetters oder der lokalen Wirtschaft anzupassen.

Ein anderer Ansatz besteht darin, etwas zu verwenden, das die verallgemeinerte Struktur, die auf verschiedene Probleme angewendet wird, grob beschreibt. Zum Beispiel verwendete AlphaZero von DeepMind dieselbe Struktur für drei verschiedene Spiele: Mit dieser verallgemeinerten Struktur konnte an einem Tag ein Modell einer Schachpartie trainiert werden, so dass es später gegen das Weltmeisterprogramm gewann.

Stellen Sie sich schließlich die Möglichkeiten neuer Meta-Lerntechniken vor, mit denen versucht wird, die Entwicklung maschineller Lernmodelle zu automatisieren. Beispielsweise verwendet das Google Brain-Team AutoML, um die Entwicklung neuronaler Netze zur Klassifizierung von Bildern in großen Datensätzen zu automatisieren. Heute funktionieren diese Techniken genauso gut wie die vom Menschen entwickelten.Diese Entwicklung sieht vielversprechend aus, insbesondere aufgrund der Tatsache, dass in vielen Unternehmen ein Mangel an talentierten Mitarbeitern besteht. Es ist auch möglich, dass Meta-Learning die menschlichen Fähigkeiten übersteigt und die Ergebnisse verbessert. Es ist wichtig zu verstehen, dass sich diese Technologien noch in einem frühen Entwicklungsstadium befinden.

Limit 5: Bias-Daten und Algorithmen

Bisher haben wir uns auf die Einschränkungen konzentriert, die durch bereits in der Entwicklung befindliche technische Methoden überwunden werden können, von denen einige von uns beschrieben wurden. Bias ist eine andere Art von Problem. Potenziell zerstörerische soziale Konsequenzen können auf uns warten, wenn menschliche Abhängigkeiten (bewusst oder unbewusst) bestimmen, welche Daten verwendet und welche ignoriert werden sollen. Wenn der Prozess und die Häufigkeit der Datenerfassung in Abhängigkeit von verschiedenen Gruppen und Verhaltensweisen variieren, kann man außerdem Probleme damit erwarten, wie die Algorithmen diese Daten analysieren, daraus lernen und Vorhersagen treffen. Zu den nachteiligen Folgen zählen: Entscheidungen über die Einstellung von Mitarbeitern aufgrund von Fehlinformationen, verzerrten wissenschaftlichen oder medizinischen Prognosen, falschen Finanzmodellen und Entscheidungen in Strafsachen;und falsche rechtliche Entscheidungen. In vielen Fällen bleibt diese Tendenz unter dem Deckmantel von „Advanced Data Science“, „proprietären Daten und Algorithmen“ oder „objektiver Analyse“ unentdeckt oder wird ignoriert.

Durch den Einsatz von Algorithmen für maschinelles Lernen und KI in neuen Bereichen können neue Manifestationen dieser Verzerrungsprobleme auftreten, die in Datensätzen und Algorithmen auftreten. Und sie bleiben normalerweise dort, denn um sie zu erkennen und Maßnahmen zu ihrer Beseitigung zu ergreifen, müssen Sie sowohl die Technologie der Arbeit mit Daten als auch die vorhandenen sozialen Interaktionen, einschließlich des Prozesses der Datenerfassung, genau verstehen. Im Allgemeinen ist Voreingenommenheit eines der schwierigsten Hindernisse und sicherlich das sozial belastendste.

Jetzt gibt es eine Menge Forschung, sowohl theoretische als auch Datenerfassung über die besten Methoden zur Verwendung von KI, um die im akademischen, nichtkommerziellen und privaten Bereich beschriebenen Probleme zu lösen. Und es ist höchste Zeit - dieses Problem wird wahrscheinlich immer kritischer und wirft immer mehr Fragen auf. Betrachten Sie zum Beispiel die Tatsache, dass viele dieser auf Lernen und Statistiken basierenden Vorhersageansätze stillschweigend davon ausgehen, dass die Zukunft wie die Vergangenheit ist. Und was werden wir im soziokulturellen Umfeld tun, wenn die von uns ergriffenen Maßnahmen dies ändern - und wo können Entscheidungen, die auf früheren Verhaltensweisen beruhen, den Fortschritt verlangsamen (oder, noch schlimmer, Widerstand gegen Veränderungen entwickeln)? Viele Führungskräfte, einschließlich Wirtschaftsführer,könnte bald mit der Notwendigkeit konfrontiert sein, Antworten auf solche Fragen zu finden.

Wie man ein sich bewegendes Ziel trifft

Es kann Jahre dauern, um Lösungen für die beschriebenen Einschränkungen zu finden und die kommerzielle Implementierung der hier angegebenen fortgeschrittenen Entwicklungen zu verbreiten. Eine aufregende Reihe von KI-bezogenen Fähigkeiten legt jedoch nahe, dass die Vorstellungskraft die größte Einschränkung der KI sein kann. Hier finden Sie einige Tipps für Führungskräfte, die versuchen, an der Spitze zu stehen oder zumindest mit den neuesten Trends Schritt zu halten.

Lernen Sie neue Informationen, passen Sie sich an, bleiben Sie auf dem Laufenden.

Obwohl die meisten Direktoren des Unternehmens den Unterschied zwischen Faltungsnetzen und wiederkehrenden neuronalen Netzen nicht kennen müssen, müssen Sie im Allgemeinen mit den Funktionen moderner Tools vertraut sein, ein allgemeines Gefühl dafür haben, wann kurzfristig Durchbrüche eintreten können, und die Aussichten für das erkennen, was jenseits des Horizonts liegt. Befragen Sie Ihre Experten für Daten und maschinelles Lernen, sprechen Sie mit KI-Pionieren, um sich an das aktuelle Wissen anzupassen, und nehmen Sie an einigen KI-Konferenzen teil, um Informationen über echte Fakten zu erhalten. Nachrichtenartikel können hilfreich sein, aber sie können auch Teil des Hype sein. Ein weiterer guter Weg, um mit neuen Entwicklungen Schritt zu halten, ist die Forschung durch sachkundige Experten wie den AI Index (ein Projekt der Centennial AI Research Group) "aus Stanford).

Beginnen Sie mit einer ausgeklügelten Datenstrategie.

KI-Algorithmen benötigen Hilfe bei der Aufdeckung neuer Ideen, die in den von Ihrem System generierten Daten lauern. Sie können durch die Entwicklung einer umfassenden Datenstrategie unterstützt werden, die sich nicht nur auf die Technologien konzentriert, die zum Sammeln von Daten aus einzelnen Systemen erforderlich sind, sondern auch auf die Verfügbarkeit von Daten, das System für deren Empfang, Markup und Verwaltung. Und obwohl neue Technologien versprechen, die zum Trainieren von KI-Algorithmen erforderliche Datenmenge zu reduzieren, bleibt kontrolliertes Training, das große Datenmengen erfordert, immer noch die vorherrschende Technologie. Und selbst Technologien zur Minimierung der erforderlichen Datenmenge benötigen noch Daten. Daher ist der entscheidende Punkt bei alledem die genaue Kenntnis Ihrer eigenen Daten und deren bestmögliche Verwendung.

Denken Sie über den Tellerrand hinaus.

Transfer Transfertechniken stecken noch in den Kinderschuhen, aber es gibt immer die Möglichkeit, Lösungen mit KI in mehreren Bereichen und nicht nur in einem zu erzielen. Wenn Sie ein Problem wie die vorausschauende Wartung von Geräten in einem großen Lager gelöst haben, kann diese Lösung auf Verbraucherprodukte angewendet werden? Kann ich effektive Tipps zum Kauf von Produkten über mehrere Produktvertriebskanäle hinweg verwenden? Ermutigen Sie die Unternehmensabteilungen, Wissen miteinander zu teilen, um Wege aufzuzeigen, wie Sie die besten KI-Lösungen und -Ideen in verschiedenen Bereichen Ihres Unternehmens einsetzen können.

Werden Sie ein Innovator.

Nur mit modernen KI-Technologien und Anwendungsfällen Schritt zu halten, reicht nicht aus, um langfristig wettbewerbsfähig zu bleiben. Überzeugen Sie Ihre Datenverarbeitungsspezialisten oder vereinbaren Sie mit externen Experten die Lösung eines nützlichen Problems mithilfe neuer Technologien - wie in diesem Artikel beschrieben. Finden Sie immer heraus, was getan werden kann und was verfügbar geworden ist. Viele Tools, Datensätze und Modelle für maschinelles Lernen, die für Standardanwendungen (einschließlich Sprach-, Bild- und Emotionserkennung) geschult wurden, stehen dem allgemeinen Benutzer jetzt zur Verfügung. Manchmal sind sie in Form von Projekten mit Quellcode verfügbar, in anderen Fällen über Software-Schnittstellen (APIs), die von führenden Forschern und Unternehmen erstellt wurden. Achten Sie auf diese Funktionen,Sie können Ihnen helfen, die Vorteile für Pioniere zu erkennen.

Die Aussichten für KI sind riesig und die Technologien, Werkzeuge und Prozesse, die erforderlich sind, um diese Versprechen in die Tat umzusetzen, sind noch nicht vollständig vorbereitet. Wenn Sie glauben, dass Sie warten können, lassen Sie die Technologie Gestalt annehmen und setzen Sie sie dann erfolgreich als eine der ersten ein - denken Sie noch einmal darüber nach. Es ist sehr schwierig, aus einer stehenden Position zu springen, insbesondere wenn sich das Ziel sehr schnell bewegt und Sie nicht verstehen, was moderne KI-Technologien können und was nicht. Während sich Forscher und Pioniere auf dem Gebiet der KI darauf vorbereitet haben, die akutesten Probleme von heute zu lösen, ist es an der Zeit zu verstehen, was an der Spitze der KI geschieht, damit Sie Ihre Organisation richtig einrichten und ihr helfen können, neue Möglichkeiten zu erlernen, sie zu nutzen und sie sogar zu fördern als nächstes.