Die wichtigsten Trends für maschinelles Lernen und KI

Was sind die Trends bei KI und maschinellem Lernen im Jahr 2023?

Um die Vorteile von KI und maschinellem Lernen voll auszuschöpfen, müssen IT- und Unternehmensleiter eine Strategie entwickeln, um KI mit den Interessen der Mitarbeiter und den Unternehmenszielen in Einklang zu bringen. Die folgenden Themen sollten auf der Tagesordnung stehen:

• Wie kann der Zugang zu KI vereinfacht und demokratisiert werden?
• Wie kann man die zunehmenden Bedenken hinsichtlich ethischer und verantwortungsbewusster KI angehen.
• Wie man die KI-Vergütung mit den Unternehmenszielen verknüpfen kann, um sicherzustellen, dass die KI-Implementierungen die Erwartungen erfüllen.

Hier sind die 10 wichtigsten Trends für 2023, auf die sich IT-Verantwortliche vorbereiten sollten.

1. Automatisiertes maschinelles Lernen (AutoML)

Zwei vielversprechende Aspekte des automatisierten maschinellen Lernens werden verbesserte Tools für die Kennzeichnung von Daten und die automatische Abstimmung neuronaler Netzarchitekturen sein, so Michael Mazur, CEO des Softwareunternehmens AI Clearing, das KI zur Verbesserung der Bauberichterstattung einsetzt.

• Der Bedarf an etikettierten Daten hat eine Industrie mit menschlichen Annotatoren in Niedriglohnländern wie Indien, Mittelosteuropa und Südamerika entstehen lassen, so Mazur. Die Risiken, die mit dem Einsatz von Offshore-Arbeitskräften verbunden sind, haben seiner Meinung nach den Markt dazu gebracht, nach verschiedenen Möglichkeiten zu suchen, diesen Teil des Prozesses zu vermeiden oder zu minimieren. Verbesserungen im Bereich des halb- und selbstüberwachten Lernens helfen den Unternehmen dabei, die Menge der manuell beschrifteten Daten auf ein Minimum zu reduzieren.
• Durch die Automatisierung der Auswahl und Abstimmung eines neuronalen Netzwerkmodells wird KI billiger, und neue Lösungen brauchen weniger Zeit, um auf den Markt zu kommen.

Für die Zukunft prognostiziert Gartner eine Konzentration auf die Verbesserung der verschiedenen Prozesse, die zur Operationalisierung dieser Modelle erforderlich sind: PlatformOps, MLOps und DataOps. Gartner bezeichnet diese neuen Fähigkeiten zusammenfassend als XOps.

2. KI-gestütztes konzeptionelles Design

In der Vergangenheit wurde KI hauptsächlich zur Rationalisierung von Prozessen im Zusammenhang mit Daten-, Bild- und Sprachanalysen eingesetzt.

Dies ist ideal für den Einsatz in der Finanz-, Einzelhandels- oder Gesundheitsbranche und für klar definierte, sich wiederholende Aufgaben. Vor kurzem hat OpenAI jedoch zwei neue Modelle namens DALL-E und CLIP (Contrastive Language-Image Pre-Training) entwickelt, die Sprache und Bilder kombinieren, um aus einer Textbeschreibung neue visuelle Designs zu generieren.

Erste Projekte zeigen, wie die Modelle trainiert werden können, um neue Designs zu erstellen. Zu den Beispielen gehört ein Avocado-förmiger Sessel, der entworfen wurde, indem man der KI den Text Avocado-Sessel gab. Mazur ist davon überzeugt, dass die neuen Modelle den Einsatz von KI in der Kreativbranche in großem Maßstab erleichtern werden. „Wir können davon ausgehen, dass bald etwas Ähnliches die Mode-, Architektur- und andere Kreativindustrien verändern wird“, so Mazur.

3. Multimodales Lernen

KI wird immer besser dabei, mehrere Modalitäten innerhalb eines einzigen ML-Modells zu unterstützen, um Beispiel Text, Bild, Sprache und IoT-Sensordaten. Google DeepMind machte Schlagzeilen mit Gato, einem multimodalen KI-Ansatz, der visuelle, sprachliche und robotische Bewegungsaufgaben ausführen kann.

Inzwischen finden Entwickler innovative Wege, Modalitäten zu kombinieren, um gängige Aufgaben wie das Verstehen von Dokumenten zu verbessern, erklärt David Talby, Gründer und CTO von John Snow Labs, einem Anbieter von NLP-Tools.

Die von Gesundheitssystemen gesammelten und verarbeiteten Patientendaten können beispielsweise visuelle Laborergebnisse, genetische Sequenzierungsberichte, Formulare für klinische Studien und andere gescannte Dokumente umfassen. Das Layout und der Präsentationsstil dieser Informationen können Ärzten, wenn sie es richtig anstellen, helfen, das Gesehene, besser zu verstehen. KI-Algorithmen, die mit multimodalen Techniken wie maschinellem Sehen und optischer Zeichenerkennung trainiert wurden, könnten die Darstellung der Ergebnisse optimieren und die medizinische Diagnose verbessern. Um das Beste aus den multimodalen Techniken herauszuholen, müssen Datenwissenschaftler (Data Scientists) mit bereichsübergreifenden Kenntnissen wie der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) und maschinellem Sehen eingestellt oder ausgebildet werden.

4. Modelle, die mehrere Ziele erreichen können

Üblicherweise werden KI-Modelle mit einem einzigen Ziel versehen, das auf eine bestimmte Geschäftskennzahl ausgerichtet ist, zum Beispiel die Maximierung des Umsatzes. Mit zunehmender Reife werden immer mehr Unternehmen in Multi-Task-Modelle investieren, die mehrere Ziele berücksichtigen, so Justin Silver, KI-Stratege und Manager of Data Science bei PROS, einer KI-gesteuerten Vertriebsmanagement-Plattform. Multi-Tasking-Modelle unterscheiden sich vom multimodalen Lernen, das darauf abzielt, eine gemeinsame Darstellung verschiedener Datentypen zu erlernen.

Die Ausrichtung auf eine einzige Geschäftsmetrik ohne Berücksichtigung anderer Ziele kann zu suboptimalen Ergebnissen führen. Wenn beispielsweise eine Produktempfehlungsmaschine nur auf die Konversionsrate der Kunden abzielt, entgehen dem Unternehmen möglicherweise Umsatzchancen im Zusammenhang mit neuen oder anderen Produkten, die ein Kunde in der Vergangenheit möglicherweise nicht gekauft hat. Darüber hinaus bedeutet die zunehmende Bedeutung von Umwelt-, Sozial- und Unternehmensführungszielen (Environment, Social and Governance, ESG), dass CIOs Modelle planen müssen, die ein Gleichgewicht zwischen Nachhaltigkeitszielen wie Kohlenstoffreduzierung und Kreislaufwirtschaft und traditionellen Geschäftszielen wie der Reduzierung von Beständen, Lieferzeiten und Kosten herstellen.

5. KI-basierte Cybersicherheit

Neue KI- und maschinelle Lerntechniken werden bei der Erkennung von und Reaktion auf Cybersecurity-Bedrohungen eine immer wichtigere Rolle spielen. Ed Bowen, Advisory AI Leader und Managing Director bei Deloitte, sagt, ein wichtiger Grund dafür sei, dass Angreifer KI und maschinelles Lernen als Waffe einsetzen, um Schwachstellen zu finden.

Er geht davon aus, dass mehr Unternehmen KI defensiv und proaktiv einsetzen werden, um anomales Verhalten und neue Angriffsmuster zu erkennen. Unternehmen, die KI nicht integrieren, laufen Gefahr, bei den Sicherheitszielen zurückzufallen und eine höhere Rate an negativen Auswirkungen zu erleiden.

„KI-gestützte Cyberprogramme sind in der Regel besser in der Lage, vielschichtige, dynamische Risiken zu bewältigen, indem sie sowohl die Erkennungseffizienz als auch die Agilität und Widerstandsfähigkeit inmitten zunehmender Störfälle verbessern“, so Bowen.

6. Verbesserte Sprachmodellierung

ChatGPT hat einen neuen Weg aufgezeigt, wie KI in einer interaktiven Erfahrung eingesetzt werden kann, die für eine breite Palette von Anwendungsfällen in vielen Bereichen geeignet ist, darunter Marketing, automatisierter Kundensupport und Benutzererfahrungen.

Für das Jahr 2023 ist eine steigende Nachfrage nach Aspekten der Qualitätskontrolle dieser verbesserten KI-Sprachmodelle zu erwarten. Es hat bereits eine Gegenreaktion auf ungenaue Ergebnisse bei der Kodierung gegeben. Im Laufe des nächsten Jahres werden sich Unternehmen beispielsweise gegen ungenaue Produktbeschreibungen und gefährliche Ratschläge wehren müssen. Dies wird das Interesse daran steigern, bessere Wege zu finden, um zu erklären, wie und wann diese Tools Fehler erzeugen.

7. Computer Vision in der Wirtschaft nimmt zu, aber ROI ist eine Herausforderung

Billigere Kameras und neue künstliche Intelligenz werden im Jahr 2023 zu einer explosionsartigen Verbreitung von Computer Vision für Analysen und Automatisierung führen.

„Der Zugang zu Rechenleistung, Sensoren, Daten und modernen Bildverarbeitungsmodellen eröffnet Möglichkeiten zur Automatisierung von Prozessen, die eine visuelle Inspektion und Interpretation von Objekten in der realen Welt durch den Menschen erfordern“, sagt Scott Likens, Innovation and Trust Technology Leader bei PwC.

Im Back-Office-Bereich wird eine verbesserte maschinelle Bildverarbeitung dazu beitragen, den Dokumenten-Workflow zu optimieren. Die Einführung des maschinellen Sehens wird die physischen Elemente der Geschäftsabläufe digitalisieren.

Likens geht davon aus, dass es für CIOs schwierig sein wird, aus diesen Bemühungen einen ROI zu erzielen. Die Identifizierung der geeigneten Anwendungsfälle ist entscheidend. Er prognostiziert eine wachsende Nachfrage nach Zweisprachlern, das heißt Personen, die eine Brücke zwischen Technik und Wirtschaft schlagen und neue Möglichkeiten für die Computer Vision erkennen können.

Die Implementierung von Computer Vision erfordert spezielle Fähigkeiten. Leistungsstarke Systeme benötigen Tausende von beschrifteten Beispielen, die in einem Unternehmen nicht unbedingt vorhanden sind und zu hohen Kosten manuell aufbereitet werden müssen, was eine wirtschaftliche Einstiegshürde darstellt. Die Implementierung von Bildverarbeitungssystemen birgt auch Hürden, die bei Deep-Learning-Modellen für Sprachaufgaben und Prognosen nicht unbedingt auftreten. Einige Anwendungen erfordern spezielle Kamerahardware und Edge-Computing-Fähigkeiten, um den Anwendungsfall umzusetzen, was neue operative und infrastrukturelle Fähigkeiten für Unternehmen mit sich bringt, die diese Art von Infrastruktur nicht bereits aktiv als Teil ihres Technologie-Ökosystems verwalten.

8. Demokratisierte KI

Verbesserungen bei den KI-Werkzeugen senken das Niveau der für die Erstellung von KI-Modellen erforderlichen Fachkenntnisse. Dadurch wird es einfacher, Fachexperten in den KI-Entwicklungsprozess einzubeziehen. Demokratisierte KI wird nicht nur die KI-Entwicklung beschleunigen, sondern durch die Einbeziehung von Fachexperten auch den Genauigkeitsgrad verbessern, so Talby. Experten an vorderster Front können erkennen, wo neue Modelle den größten Nutzen bringen, wo sie Probleme verursachen oder wo sie umgangen werden müssen.

Doug Rank, Datenwissenschaftler bei PS AI Labs, sagt voraus, dass der Trend die Entwicklung von Technologien wie Computern und Netzwerken widerspiegeln wird, die sich von der Nutzung durch wenige Experten zu einer breiten Akzeptanz im gesamten Unternehmen entwickelt haben. Die große Herausforderung wird darin bestehen, die Daten zu bereinigen und den Zugang mit geeigneten Beschränkungen zu versehen.

„Mit einer sorgfältigen Planung können IT-Führungskräfte sicherstellen, dass ihre Daten während der Cloud-Migrationenkorrekt und vollständig bleiben, damit sie den Wert der zugänglichen KI realisieren können“, so Rank.

Bemühungen zur Vereinfachung von KI-Tools könnten auch die Einführung von KI-Implementierungen außerhalb bestehender IT-Dienste vorantreiben, so Pini Solomovitz, Leiter der Innovationsabteilung bei Run:ai, einer GPU-Orchestrierungsplattform. Schatten-KI spiegelt andere Arten von Schatten-IT wider, die größtenteils durch kostengünstige Cloud-Dienste angetrieben werden.

Die Demokratisierung der KI hat Auswirkungen auf die Kosten, die Ethik und den Datenschutz in den Unternehmen. CIOs werden zunehmend neuere Anwendungen von KI prüfen müssen, um Kosten zu konsolidieren, neue Risiken zu identifizieren und KI-Workflows zu rationalisieren.

9. Beseitigung von Vorurteilen bei ML

Mit der zunehmenden Verbreitung von KI im Unternehmen, die täglich mehr Nutzer betrifft, wird die Frage der Voreingenommenheit und Fairness von KI zu einem echten Problem. Ziel ist es, sicherzustellen, dass KI objektive Vorhersagen trifft, damit Menschen bei der Beantragung von Krediten, beim Online-Kauf von Produkten oder bei der medizinischen Behandlung nicht diskriminiert werden.

„Da der gute Ruf auf dem Spiel steht, ist es für Unternehmen äußerst wichtig, das Vertrauen in ihre ML-Produkte zu stärken“, sagt Liran Hason, Mitbegründer und CEO von Aporia, einer KI-Plattform zur Erklärung von Vorurteilen.

Im Jahr 2023 werden CIOs vor der Herausforderung stehen, ihre Data-Science-Praktiken und ML-Modelle aufgrund der Komplexität dieser Systeme zu steuern. Die Implementierung verantwortungsvoller KI-Praktiken und die Ausstattung des Unternehmens mit den richtigen Lösungen wird an Dringlichkeit gewinnen. Hason geht davon aus, dass das Interesse an Tools zur Überwachung und Abschwächung von Vorurteilen in der KI-Produktion zunehmen wird, um die genauen Datenpunkte und Merkmale, die zu einer verzerrten Vorhersage geführt haben, zu erkennen und zu erklären.

10. Digitale Zwillinge treiben das industrielle Metaversum voran

Im vergangenen Jahr haben führende Anbieter von Industriedesign und KI die Verbindung zwischen digitalen Zwillingen- virtuellen Modellen, die die Realität simulieren - und dem Metaverse hergestellt. Nvidia und Siemens haben sich zusammengeschlossen, um ein industrielles Metaversum zu schaffen. Der Bauriese Bentley hat inzwischen den Begriff Infrastruktur-Metaverse eingeführt.

Diese Fortschritte könnten einen Wendepunkt für digitale Zwillinge von einer obskuren Technologie zu einem Eckpfeiler der IT-Strategie markieren, so Anand Rao, Global AI Lead bei PwC. Während digitale Zwillinge in den letzten Jahren in allen Branchen eingesetzt wurden, geht er davon aus, dass sich der Einsatz bis 2023 beschleunigen und ausweiten wird.

Auch die Komplexität digitaler Zwillinge hat zugenommen: von relativ einfachen, auf synthetischen oder realen Daten basierenden digitalen Zwillingen über IoT-basierte digitale Zwillinge für Vermögenswerte bis hin zu kunden- und ökosystembasierten digitalen Zwillingen. Digitale Zwillinge werden inzwischen auch zur Modellierung und Simulation menschlichen Verhaltens und zur Bewertung alternativer Zukunftsszenarien eingesetzt, was nach Ansicht von Experten den Weg für die Konvergenz digitaler Zwillinge mit herkömmlichen industriellen Simulationen und KI-basierten agentenbasierten Simulationen ebnet.

„Die nächste Stufe dieser Entwicklung ist die Konvergenz von wissenschaftlichem Rechnen, industrieller Simulation und künstlicher Intelligenz zur Schaffung von Simulationsintelligenz, bei der grundlegende Simulationselemente in Betriebssysteme eingebaut werden“, so Rao.

Die Möglichkeiten für digitale Zwillinge sind enorm, so Rao weiter, und bieten den Unternehmen neue Möglichkeiten zur Nutzung und Vorhersage von Daten. Mit komplexeren und vielseitigeren digitalen Zwillingen können Unternehmen Simulationsintelligenz nutzen, um reale Szenarien wie den Verlauf von Krankheiten, das Kundenverhalten und die wirtschaftlichen Auswirkungen einer Pandemie vorherzusagen. Digitale Zwillinge werden auch zu einer entscheidenden Technologie für Unternehmen, die an ESG-Modellen, Smart Cities, der Entwicklung von Medikamenten und anderen Anwendungen arbeiten oder diese ausbauen.

Pilotprojekte für digitale Zwillinge werden heute skaliert und in Betrieb genommen. CIOs sollten darüber nachdenken, wie sie diese als Teil der gesamten Analysearchitektur und des Cloud/IT-Stacks des Unternehmens einbinden können. Unternehmen müssen sowohl eine Entwicklungs- als auch eine Produktionsumgebung für die Ausführung von Simulationen bereitstellen. Simulations-Workloads sind auch rechenintensiv und erfordern On-Demand-Rechenleistung am lokalen Standort oder in der Cloud.

Es ist auch eine wichtige Technologie für CIOs, um Mitarbeiter weiterzubilden. Darüber hinaus sollten Unternehmen über einen klar definierten Prozess für das Scoping, die Erstellung, Kalibrierung, Bereitstellung und Überwachung digitaler Zwillinge verfügen. Digitale Zwillinge können CIOs bei der Transformation eines Unternehmens helfen, aber nur, wenn das Unternehmen und seine Mitarbeiter darauf vorbereitet sind.