Warum scheitern so viele KI-Projekte bevor sie wirklich starten?

Blog. Tauchen Sie ein in die AI-Welt

Warum scheitern so viele KI-Projekte, bevor sie die Produktionsphase erreichen?

JuliaRose

Julia Rose
Marketing & Design
24. Oktober 2022

Hören Sie auf, KI-Projekte wie normale IT-Projekte zu behandeln

Laut einer bekannten Studie von Gartner aus dem Jahr 20181 wird erwartet, dass etwa 85 % der KI-Projekte scheitern werden. Obwohl die Unternehmen in diesen vier Jahren viel mehr praktisches Wissen über die Anwendung von KI auf ihre eigenen Projekte und Produkte erworben haben, erreichen leider immer noch viele der Projekte nie die Produktionsphase, oder sie stoßen einige Zeit nach dem Einsatz in der Produktion auf Probleme.

In diesem Blog-Beitrag möchten wir uns auf einige ausgewählte (aber nicht die einzigen) Gründe für dieses Problem konzentrieren – nämlich auf die Behandlung von KI-Projekten als Standard-IT-Projekte und die Auffassung, dass das Projekt im Moment der Bereitstellung abgeschlossen ist.

Warum unterscheiden sich KI-Projekte von normalen IT-Projekten?

Kurz gesagt: Im Gegensatz zu herkömmlichen IT-Projekten, bei denen man die Ergebnisse jedes einzelnen Programmschritts genau vorhersagen kann, ist die Situation bei KI-Projekten anders. KI-Projekte hängen in hohem Maße von den Daten ab, auf denen die Modelle trainiert werden, und davon, wie gut sie die reale Umgebung, in der sie angewendet werden, nachahmen.

Modelle des maschinellen Lernens finden Muster in Daten, und je näher der Datensatz an der Realität ist, desto besser wird das Ergebnis sein. Allerdings kann es immer Grenzfälle geben. Es gibt Situationen, die im Datensatz nicht vorkommen, neue Bedingungen, mit denen in der Planungs- und Entwicklungsphase nicht gerechnet wurde oder die so spezifisch sind, dass die Architektur der angewandten Algorithmen sie möglicherweise nicht so gut abdecken kann.

Ein häufiges Missverständnis in diesem Bereich ist die Erwartung (manchmal sogar von erfahrenen IT-Fachleuten), sehr hohe Metriken zu erreichen, ohne dass zuvor das Problem, der aktuelle Stand der Technik und die Verfügbarkeit zuverlässiger Trainingsdatensätze untersucht wurden.

Stellen Sie sich vor, ein Unternehmen verwendet Daten, um sein KI-Modell zu trainieren. Diese Daten werden jedoch nur unter kontrollierten und vorher festgelegten Bedingungen gesammelt. Leider bedeutet diese Kontrolle, dass ihr Modell unter realen Bedingungen – die sich von den Trainingsdaten stark unterscheiden können – oft sehr schlecht abschneidet.

Ein wichtiger Aspekt bei der Bewältigung dieser Herausforderung ist eine gute Kommunikation und ein gutes Erwartungsmanagement unter Einbeziehung der wichtigsten Projektbeteiligten – und natürlich die gründliche Analyse und das Verständnis des zugrunde liegenden Geschäftsproblems durch das gesamte Entwicklungsteam.

Das Data Drift-Problem – sich ändernde Bedingungen

Ein weiterer wichtiger Aspekt, der teilweise mit dem vorhergehenden zusammenhängt, ist die Behandlung der KI-Projekte als abgeschlossen, nachdem sie in die Produktion überführt wurden und die Hypercare-Phase beendet ist. Leider verhält es sich bei KI-Projekten aufgrund der sogenannten Datendrift anders. Im Laufe der Zeit ändert sich die Datenverteilung, und das bedeutet, dass sich auch das KI-Modell an diese neue Verteilung anpassen muss.

Was heißt das nun genau?

Daten ändern sich mit der Zeit. Deshalb müssen KI-Modelle regelmäßig über neue Situationen unterrichtet werden, damit sie sich an die neuen Muster in den Daten anpassen und auf neue Situationen entsprechend reagieren können. Dies erfordert vom Entwicklungsteam eine ständige Kontrolle der Modellleistung. Ein wichtiger Bereich von ML-Projekten ist daher die Anwendung von Machine Learning Operations (MLOps).

Und das ist auch ein großer Vorteil: KI liefert Unternehmen einen regelmäßigen Zufluss neuer Erkenntnisse. Das ist wichtig, um sich in einer Welt des ständigen Wandels schnell anpassen zu können, Innovationen voranzutreiben und Wettbewerbsvorteile zu erlangen. Eine langfristige Unterstützung zahlt sich also aus und sollte für Unternehmen immer eine Option sein.

Der wachsende Einfluss von Machine Learning Operations (ML Ops)

MLOps ist ein wichtiger Prozess, der es Unternehmen ermöglicht, wertvolle Erkenntnisse aus Machine-Learning-Modellen zu gewinnen, da diese Modelle kontinuierlich auf die Daten des Unternehmens zugreifen und diese analysieren. Machine Learning Operations (MLOps) ist eine Technologie, die Unternehmen bei der Implementierung der Gesamtverwaltung, der kontinuierlichen Überwachung und Wartung sowie der Nachschulung für den Produktionseinsatz von Machine Learning-Modellen unterstützt, wenn sich die Daten im Laufe der Zeit ändern oder abweichen.

Beispiel Natural Language Processing (NLP)

Die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) ist ein Teilbereich der künstlichen Intelligenz, der es Computern ermöglicht, die menschliche Sprache zu verstehen und zu interpretieren. Die Verarbeitung natürlicher Sprache basiert auf text- und sprachbasierten Daten und ist äußerst vielseitig. Da sich Sprache im Laufe der Zeit verändert (sog. Sprachwandel oder Sprachdynamik), müssen auch diese Modelle regelmäßig angepasst werden. Ein weiteres interessantes Beispiel sind hier die Large Language Models – wie die GPT-Familie – die uns helfen, viele NLP-Aufgaben zu lösen, ohne dass ein spezifisches Umlernen für die Aufgabe erforderlich ist. Ein Beispiel für eine Datendrift ist hier z.B., dass GPT-2 nichts über die Coronavirus-Pandemien weiß, da es vor diesem Zeitpunkt trainiert wurde.

Beispiel für KI-basierte CRM-Systeme

Mit Hilfe von künstlicher Intelligenz lassen sich Prozesse im Customer Relationship Management (CRM) optimieren, um Kunden genauer zu verstehen, Umsatzpotenziale zu erkennen und zu realisieren, Kosten zu sparen und die Kundenbindung zu erhöhen. Doch auch hier können unvorhergesehene Probleme auftreten. Das Kundenverhalten ändert sich, Daten müssen angepasst werden und die KI muss immer wieder neu trainiert werden, um die bestmöglichen Ergebnisse zu erzielen.

AI as a Service – Arbeiten Sie mit einem erfahrenen Partner

Die oben genannten Aspekte sind einer der Gründe, warum es wichtig ist, entweder ein starkes, auf KI fokussiertes Team im eigenen Haus aufzubauen (anstatt es als zusätzliche Aufgabe an andere Abteilungen zu geben) oder mit einem erfahrenen Partner zusammenzuarbeiten, der nicht nur die gewünschten Modelle implementiert, sondern auch das tatsächliche zugrunde liegende Geschäftsproblem und den möglichen Geschäftswert der Lösung versteht, die Modelle iterativ implementiert und bewertet und sich im Laufe der Zeit um die Wartung der Modelle kümmert. Dies nennen wir einen AI-as-a-Service-Ansatz.

Wir helfen Ihnen bei der Implementierung und Wartung Ihrer KI-basierten Lösung oder Ihres Projekts

Wenn Sie mehr über unser AI-as-a-Service Angebot erfahren möchten, zögern Sie nicht, uns zu kontaktieren. Wir helfen Ihnen dabei, Ihre KI-basierten Lösungen nachhaltig zu implementieren und zu pflegen.

Wir bei theBlue.ai bieten Ihnen umfangreiche Expertise in den Bereichen Künstliche Intelligenz, Machine Learning und Deep Learning und setzen uns mit unserem bewährten und erstklassigen Team für den Erfolg Ihrer Projekte ein.

1 https://www.gartner.com/en/newsroom/press-releases/2018-02-13-gartner-says-nearly-half-of-cios-are-planning-to-deploy-artificial-intelligence