Die gefährlichsten KI-Mythen

| |
1 Star2 Stars3 Stars4 Stars5 Stars

Wohl über keine Technologie werden aktuell so viele Wunderdinge erzählt, wie über künstliche Intelligenz. Wer da alles für bare Münze hält, könnte leicht den einen oder anderen Geldschein verlieren.

Produktempfehlungen in Online-Shops, Bildersuche auf Google oder Spracherkennung auf dem Smartphone – Machine Learning hat nicht unwesentliche Bereiche unseres Lebens bereits durchdrungen. Vorausschauende Wartung (Predictive Maintenance) und Kundensupport in Unternehmen, aber auch autonomes Fahren sind weitere Beispiele. Leider rufen faszinierenden Möglichkeiten immer auch unrealistischen Erwartungen hervor.

KI Gartner Hype Cycle 2017
Natürlich gehört auf für Gartner die KI zu den Megatrends.

Etwa, dass Machine Learning ungefragt die „richtigen“ Antworten liefert. Zu schön, um wahr zu sein, dachten auch die Analysten von Gartner, und räumten kürzlich in ihrem Papier „Hype hurts: Steering clear of dangerous AI myths“ mit einer ganzen Reihe von Mythen aus.

Mythos 1: Kaufen Sie eine KI, um Ihre Probleme zu lösen.
Unternehmen brauchen nicht vorrangig eine KI, sie brauchen Lösungen für ihr Business. In denen mögen KI-Technologien eine Rolle spielen. Außerdem gibt es DIE „künstliche Intelligenz“ außerhalb des Marketings nicht.

Mythos 2: Jeder braucht eine KI-Strategie und einen Chief KI Officer.
Die Wahrheit ist: Jeder braucht eine Business-Strategie. Und schließlich kam man in den 1990er-Jahren auch nicht auf die Idee, eine GUI-Strategie oder einen Chief GUI-Officer zu installieren, obwohl grafische Benutzeroberflächen (GUIs) hohe Bedeutung erlangten. Außerdem wird eine derart durchdringende Technologie-Revolution wie die künstliche Intelligenz alle C-Level-Stellen betreffen.

Mythos 3: KI hat menschliche Züge.
Klevere Leute erzeugen mit hochentwickelter Data-Analytics-Software, speziellen Algorithmen und Bergen von Daten die Illusion eines menschlichen Gegenübers. Das erhöht den Wert über das hinaus, was die Technologie eigentlich leisten kann. Investments führen damit schnell zu unbefriedigenden Ergebnissen und im schlimmsten Fall zum Karriere-Knick.

Mythos 4: KI ist selbstlernend.
Eine Menge Arbeit ist von Data Scientists zu leisten, um KI-Anwendungen aufzusetzen und sie am Laufen zu halten. Wer etwa den Aufwand eines Re-Trainings unterschätzt, könnte ein böses Erwachen erleben.

Mythos 5: Anwendungen, die Deep Neural Networks (DNN) und Natural-Language Processing (NLP) kombinieren, sind leicht trainierbar.
Einen KI-basierten „Kundenberater“ zu trainieren ist kosten- und arbeitsintensiv – beim Start und während des Betriebs. Er muss nicht nur den Sinn der Kundenaussage verstehen, sondern für jede mögliche Kundenabsicht einen eigenen Workflow festlegen und laufend managen. Dazu kommt, dass niemand vorhersagen kann, wie gut das System am Ende tatsächlich sein wird.

Mythos 6: Investieren Sie massiv in führende KI-Technologien.
Das ist mit Sicherheit der riskanteste Ansatz. Besser ist schrittweises Vorgehen in den Spuren  führender Unternehmen. Dabei rät Gartner zu einem Best-of-Breed-Ansatz, also das Beste auf dem Markt für jede individuelle Aufgabe, anstatt einer Gesamtlösung. Nicht ausser Acht lassen sollte man außerdem “alternde” Innovationen, die den Hype-Peak überschritten haben. So könnten möglicherweise Expertensysteme oder einfachere Arten von Machine Learning den Job bei sehr viel geringeren Kosten und Risiken erledigen.

Mythos 7: Künstliche Intelligenz wird ihre Branche verändern – seien Sie vorne mit dabei!
Dieser Anspruch wird auf die wenigsten Unternehmen passen. KI kann zwar eine Menge Aufgaben automatisieren und lockt mit wirklich signifikanten Vorteilen, aber die Kosten und Risiken sind doch ganz erheblich. Von den Erfahrungen anderer zu lernen wird für die meisten Unternehmen wohl der bessere Weg sein. Überhaupt sollte man nach Gartner erst einmal innerhalb eines abgegrenzten Bereiches im Unternehmens die nötige Expertise in dem Bereich aufbauen.

KI (Bild: pixabay/ OpenClipart-Vectors).

Die Anbieter wissen den Hype um die Künstliche Intelligenz am Laufen zu halten. (Bild: pixabay/ OpenClipart-Vectors).