Wie unternehmensweite Datenstrategien zu erfolgreichen KI-Projekten führen
Planungssache
Erfolgreiche KI-Anwendungen benötigen eine hohe Datenqualität, die wiederum setzt eine klare Datenstrategie voraus. Wie Unternehmen eine solche entwickeln und welche Maßnahmen die Datenqualität für maschinelles Lernen verbessern, zeigt dieser Beitrag anhand eines Beispiels.
Künstliche Intelligenz (KI) ist ein großes Versprechen – besonders in Zeiten von Corona. In der neuen VUKA-Welt, die geprägt ist von Volatilität, Unsicherheit, Komplexität und Ambivalenz, soll KI die verloren gegangene Sicherheit, Vorhersagbarkeit und Eindeutigkeit wiederbringen. KI soll das veränderte Konsumentenverhalten vorhersagen, also heute schon wissen, was wir morgen kaufen werden. KI soll helfen, gebrochene Lieferketten zu reparieren, indem sie Angebot und Nachfrage exakt prognostiziert. Und sie soll Covid-19 erkennen können – auf Röntgenaufnahmen, auf CT-Scans oder gar in Audioaufnahmen, wenn Betroffene nur atmen oder husten. Doch was ist aus vielen hoffnungsvoll gestarteten KI-Projekten geworden?
Die dumme Intelligenz
Nichts. Zumindest nicht aus den 62 medizinischen KI-Projekten, die in einer Studie in Nature Machine Intelligence (siehe ix.de/zp3n) evaluiert wurden. Keine der untersuchten Lösungen hatte es bis zum Ende der Studie in die klinische Anwendung geschafft. Die Gründe hierfür waren laut den Autoren „methodische Mängel und/oder zugrunde liegende Verzerrungen“ in den Daten – auch als Bias bekannt.