Ki im Hier und Jetzt

Auch wenn es derzeit noch nach Hype aussieht: Die Thematisierung von künstlicher Intelligenz wird sich lange halten. Warum? Weil einige Unternehmen sehr zielgerichtet und sinnvoll und somit erfolgreich KI einsetzen und so das Potential haben werden, die Welt zu transformieren. Sie werden vorangehen und Künstliche Intelligenz wird dabei der  Schlüssel zum Erfolg sein. Die Unternehmen können bei einigen Tätigkeiten schneller und dabei zu einem großen Teil effizienter werden. Das gesparte Geld erhöht den Gewinn und somit die Möglichkeiten der Investition in neue Projekte auf der einen und Ausschüttungen und Tantiemen für das beteiligte Personal auf der anderen Seite. Künstliche Intelligenz ist dabei vor allem ein Werkzeug, um die Effizienz an vielen verschiedenen Stellen zu steigern. Je nachdem, wie gut das Unternehmen bereits aufgestellt ist, werden diese Effizienzsteigerungen von Personalabbau begleitet oder unterstützen das bestehende Personal zu deutlicher Leistungssteigerung. 

 Im Folgenden möchte ich  einen genaueren Blick auf einzelne Punkte richten, um eine andere Perspektive weg vom Hype hin zu einem planvollen Vorgehen einzunehmen:

 

KI ist ein Werkzeug, kein Wundermittel

Zunächst einmal vorweg: Künstliche Intelligenz ist ein Tool. Ein Werkzeug. Es kann perfekt eingesetzt werden, oder auch nicht. KI bedeutet nicht immer Erfolg und vor allem nicht immer Effizienz. Denn KI ist Software. Und das heißt, dass KI-Applikationen wie andere Software auch regelmäßig und zuverlässig gewartet werden müssen, um wunschgemäß zu funktionieren. Das wird in derzeitigen Einsatzszenarien oft nicht berücksichtigt, muss aber fester Bestandteil jeder Projektplanung sein.
 

Ohne saubere Daten geht nichts

Der Einsatz von KI bedarf Daten. Mal sind es mehr, mal sind es sehr sehr viele. Und diese Daten müssen zum einen vorhanden sein und zum anderen so aufbereitet werden, dass deren Einsatz Sinn macht, damit sie den Zwecken des Einsatzes der Künstlichen Intelligenz auch dienen. Die Daten müssen getaggt (markiert) werden und es muss unterschieden werden, welche Daten Trainingsdaten sind und welche Testdaten sind. Was will man mit den Daten erreichen? Was soll die KI anhand dieser Daten ausliefern? In welcher Form? Soll sie etwas aufwändig generieren? 

 

Verschiedene Arten von KI machen den Unterschied

Abhängig von der Zielsetzung und von der zur Verfügung stehenden Datenmenge, gilt es die richtige KI-Basis zu finden, die für das Vorgehen ausgewählt werden soll. 
 

1. NLP (Natural Language Processing)

NLP ist die Abkürzung für Natural Language Processing und steht für die Interaktion von Computern und menschlicher (“natürlicher”) Sprache, die sie verstehen und interpretieren können sollen. Typische Anwendungsgebiete sind z.B. Textübersetzungen, Textzusammenfassungen oder Stimmungsanalysen anhand von gesprochenen Audio-Sequenzen.

 

2. Maschinelles Lernen

Beim maschinellen Lernen sollen Systeme entwickelt werden, die aus Daten lernen. Diese Systeme werden nicht explizit für eine bestimmte Aufgabe programmiert, sondern sie werden darauf trainiert, Muster zu erkennen und Entscheidungen auf Grundlage der Daten zu treffen, mit denen sie trainiert wurden. Das maschinelle Lernen umfasst verschiedene Algorithmen und Modelle, bei denen Vorhersagen unter Berücksichtigung vieler beeinflussender Faktoren getroffen werden sollen, Empfehlungen aufgrund bisheriger Verhaltensweisen ausgesprochen werden, in der Bilderkennung oder z.B. für medizinische Diagnosen.
 

3. Deep Learning

Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem künstliche neuronale Netze mit vielen Schichten (daher "tief") eingesetzt werden, um komplexe Muster in Daten zu modellieren. Deep Learning-Techniken sind besonders leistungsfähig bei der Verarbeitung großer Mengen unstrukturierter Daten wie Bildern, Tönen und Texten. Diese Technologie steckt hinter vielen modernen KI-Anwendungen wie sprachgesteuerten Assistenten, Gesichtserkennungssystemen und autonom fahrenden Fahrzeugen.
 

4. LLM (Large Language Models)

LLM steht für Large Language Model, das eine Art von Deep-Learning-Modell ist, das speziell für das Verstehen und Erzeugen natürlicher Sprache entwickelt wurde. Diese Modelle werden anhand umfangreicher Sammlungen von Textdaten trainiert und können so auf Grundlage der Eingaben zusammenhängende und kontextbezogene Texte erzeugen. Sie können anspruchsvollere Aufgaben übernehmen wie z.B. einen Dialog in einem bestimmten Kontext führen, Code nach bestimmten Anforderungen generieren oder komplexe Fragen beantworten.

 

Klein starten, Großes erreichen

An welcher Stelle Unternehmen KI-Applikationen erfolgreich einsetzen können, ist ganz individuell. Am besten starten Teams, indem sie sich einen spezifischen Bereich für den Einsatz auswählen und sorgfältig abwägen, an welcher Stelle sie ein hohes Überblickswissen haben und den Rahmen, was die KI leisten können soll, sehr gut einschränken können. Je definierter das Ziel ist, desto erfolgreicher wird man mit KI werden. Eine generelle Lösung für alle möglichen Aufgaben wirkt im ersten Moment vielversprechend, wird dann aber sehr enttäuschend sein und viele Unzulänglichkeiten aufweisen. Lösungen, die speziell ein Problem angehen und genügend Daten für das Trainieren vorweisen und von Anfang an tiefgreifend getestet werden können, werden Mitarbeiter entlasten und die Unternehmen erfolgreicher und effizienter werden lassen. Einige Applikationen werden sicherlich so effizient sein, dass sie in der Tat viele Arbeitsplätze ersetzen können, jedoch nicht alle. Ziel ist ja eine Effizienzsteigerung. Und Künstliche Intelligenz hat entgegen ihrer Namensgebung keine Intelligenz – sie entscheidet mathematisch. Sobald Entscheidungen mit Intelligenz getroffen werden müssen, braucht man den Menschen. Das wird sich auch in der Zukunft nicht ändern. KI-Modelle sind so gut, wie die Daten sind und wie sie trainiert und getestet werden. 

 

Generative künstliche Intelligenz wird unsere Arbeitsweise komplett verändern

Unternehmen werden und müssen experimentieren. Was geht und was nicht? Was geht, aber ist nicht sinnvoll? Was geht, ist sinnvoll und sichert den Unternehmenserfolg? Langfristig? Unternehmen werden eigene, maßgeschneiderte KI-Lösungen entwickeln müssen. Das heißt, sie operieren mit eigenen Daten – unter Berücksichtigung von Datenschutz, Sicherheit und nicht zuletzt Unternehmensknowhow auf eigenen Servern, um ihre Prozesse, Arbeitsweisen und nicht zuletzt ihr Kerngeschäft effizienter zu gestalten. Die Zukunftssicherung wird bei vielen Unternehmen davon abhängig sein. Denn alle Marktteilnehmer werden das Mögliche auszuschöpfen versuchen, um einen Wettbewerbsvorteil zu erlangen. Unternehmen werden ihre Dienstleistungen und Produkte mit weniger Aufwand und demzufolge auch in kürzerer Zeit anbieten. Wir bewegen uns auf eine rasante Entwicklung im Wettbewerb zu. Wer zu spät kommt, wird den Anschluss verlieren.
 

Wenn Du über die KI-Implementierung in Deinem Unternehmen reden möchtest oder nach bestimmten Services suchst, dann schreib uns an ai@trendig.com oder schau auf unserer Engineering-Seite vorbei.

Möchtest du dich in diesem Bereich weiterbilden? Dann schau Dir hier unseren praxisorientierten Kurs AiU GenAI-Assisted Test Engineer an. 
Oder Du interessierst Dich für das Testen von und mit KI: Dann ist ISTQB® Certified Tester AI-Testing vielleicht genau das Richtige für Dich.