Künstliche Intelligenz

Wann KI- und Machine-Learning-Projekte scheitern

Christiane Pütter ist Journalistin aus München. Sie schreibt über IT, Business und Wissenschaft. Zu ihren Auftraggebern zählen neben CIO und Computerwoche mehrere Corporate-Publishing-Magazine, vor allem im Bereich Banken/Versicherungen.
Gartner nennt sechs Stolperfallen, die beim Einsatz von Machine Learning, Data Science und Künstlicher Intelligenz einen Erfolg gefährden. Unternehmen fehlt es noch an Erfahrung solchen Projekten.
  • Noch erfahren Data Scientists zu wenig Anerkennung im Unternehmen
  • "Data Literacy" ist für alle Mitarbeiter so wichtig wie Lesen und Schreiben, Unternehmen müssen die gesamte Belegschaft qualifizieren
  • Gartner plädiert für ein Chief Data Officer Dashboard mit den Bereichen Wert der Informationen, Business-Wert und Stakeholder-Wert

Nach Beobachtung des Marktforschers Gartner stoßen Entscheider, die Data Science und Machine Learning (kurz DSML) sowie Künstliche Intelligenz (KI) einführen wollen, auf geteiltes Echo. In der Analyse "Six pitfalls to avoid when planning data science and machine learning projects" nennen die Marktforscher sechs Fallen, in die CIOs nicht treten sollten.

Laut Gartner durchläuft ein DSML-Projekt (Data Science und Machine Learning) fünf Phasen und folgt einer zuvor definierten Strategie.
Laut Gartner durchläuft ein DSML-Projekt (Data Science und Machine Learning) fünf Phasen und folgt einer zuvor definierten Strategie.
Foto: Gartner

Scheitern solche Projekte, führt Gartner das nicht auf die Technologie zurück, sondern auf den Mangel an Erfahrung. Laut Gartner müssen Entscheider grundsätzlich davon ausgehen, dass DSML sowie KI zunächst mindestens Skepsis, wenn nicht Ängste auslösen.

6 Fehlerquellen

Der Lebenszyklus eines DSML-Projektes beginnt laut Gartner mit dem Umreißen eines Business-Problems, dass das Unternehmen lösen will. Danach müssen die Daten vorbereitet werden. Im nächsten Schritt können die beteiligten Entscheider das genauere Vorgehen entwickeln und evaluieren. Im Anschluss implementieren sie es, um den Erfolg immer wieder zu überprüfen. Das Ganze findet nicht als Ad-hoc-Projekt statt, sondern folgt einer zuvor definierten Strategie.

Falle 1: Falsche Erwartungen

Falle 1: Falsche Erwartungen an den Wert für das Business: Gartner versteht KI nicht als "Intelligenz an sich". Sondern als eine Technologie, die Geräte befähigt, Aufgaben zu erfüllen, die vormals dem Menschen vorbehalten waren. Diese Technologie hat ihre Grenzen, wenn es um beispielsweise um emotionale Intelligenz und ethische Fragen geht.

CIOs und alle weiteren Entscheider, die mit DSML und KI operieren, müssen sich also mit den Fachabteilungen zusammensetzen und präzise untersuchen, welche Tasks von Systemen Künstlicher Intelligenz übernommen werden können und welche nicht. Unabhängig von dem Projekt, das sich daraus entwickelt, müssen sich CIOs für die Weiterqualifizierung der gesamten Belegschaft des Unternehmens einsetzen. Gartner spricht hier von "Data Literacy" und verdeutlicht, dass dieses Wissen so notwendig ist wie Lesen und Schreiben.

Falle 2: Ohne Plan und Prozesse loslegen

Falle 2: Start ohne definierten Plan und definierte Prozesse: Gartner rät nicht davon ab, mit den Möglichkeiten von DSML und KI zu spielen, um Übung damit zu gewinnen. Geht es aber an konkrete Projekte, sind ein definierte Plan und definierte Prozesse nötig.

Anmeldung zum Systemhauskongress CHANCEN

Wer DSML und KI nutzen will, braucht einen Portfolio-basierten Ansatz. Dieses Portfolio sollte kleinere Projekte, die schnellen Erfolg versprechen, ebenso beinhalten wie längerfristige Vorhaben, die eine umfassende Transformation mit sich bringen. Die Analysten empfehlen allen Entscheidern, sich mit ihren Peers über diese Thema auszutauschen.

Falle 3: Datenschutz übersehen

Falle 3: Den Datenschutz vernachlässigen: Der US-Marktforscher geht bei diesem Punkt ganz auf die EU-Datenschutznovelle ein, die ab Mai 2018 für alle Unternehmen gilt, die mit Firmen im EU-Raum Geschäfte machen. Gartner warnt: Data Scientisten, die bei DSML-Projekten eine tragende Rolle spielen, wissen kaum um dieses Regelwerk und werden in ihrer Arbeit wenig darauf achten, ob Daten als personenbezogen gelten oder nicht. Hier ist der Chief Information Security Officer (CISO) gefragt.

Falle 4: Data Scientists fehlt Anerkennung

Falle 4: Data Scientists haben noch kein Standing im Unternehmen: Nach Beobachtung von Gartner erhalten Data Scientists derzeit oft nicht die nötige Anerkennung durch Business Manager. Das liegt schlicht am mangelnden Business-Verständnis der Data-Experten. Gartner plädiert nun nicht dafür, Data Scientists in "Business Manager light" verwandeln zu wollen, denn das ist nicht ihre Aufgabe. Unternehmen müssen den Scientists aber die Möglichkeit geben, das betriebswirtschaftliche Alltagsleben des Unternehmens kennenzulernen.

Das kann zum Beispiel durch Hospitanzen in den Fachabteilungen geschehen. Die Diskussion, die Gartner hier verfolgt, erinnert an das Schlagwort vom Business-/IT-Alignment. DSLM und KI müssen sich langfristig einer Vision orientieren, die zur Geschäftsstrategie des Unternehmens passt.

Falle 5: Verschiedene Metriken

Falle 5: Metriken für Data Science mit allgemeinen IT-Metriken verwechseln: Ohne konkrete Messergebnisse kann niemand den Erfolg eines Projektes beurteilen. Laut Gartner verfallen manche Entscheider dem Irrglauben, auf DSML- und KI-Projekte dieselben Kennzahlen anwenden zu können wie auf die Unternehmens-IT allgemein.

Gartner plädiert für ein Chief Data Officer Dashboard. Es umfasst drei Bereiche: Wert der Informationen (Kosten, Qualität, Geschwindigkeit), Business-Wert (betriebswirtschaftliche Key Performance Indikatoren auf Data und Analytics angewendet) und Stakeholder-Wert (Informationsaustausch und Kontakt zwischen Kunden und allen anderen relevanten Stakeholdern)

Falle 6: Datenqualität und Datenmanagement

Falle 6: Die Relevanz des Datenmanagements unterschätzen: Die Rolle des Data Scientisten ist neu. Seine Arbeit basiert aber auf altbekannten Grundlagen: der Qualität der Daten und dem richtigen Umgang damit. Datensätze dürfen keine doppelten, fehlenden oder fehlerhaften Informationen enthalten. Data Cleansing und Data Governance sind damit Teil jeden DSML-Projektes.