VectorMine - AdobeStock
5 Herausforderungen bei der KI-Implementierung
Die Implementierung von künstlicher Intelligenz (KI) in der Automatisierung ist mit einigen Herausforderungen verbunden. Hier sind fünf Probleme und wie man lösen kann.
Wenn es darum geht, die Effizienz und Effektivität von Geschäftsprozessen zu erhöhen und bessere Geschäftsergebnisse zu erzielen, birgt die Implementierung von künstlicher Intelligenz (KI) in Automatisierungs- und Prozessorchestrierungs-Workflows ein enormes Potenzial. Neben gewissen Herausforderungen und Risiken ist der Einsatz von KI aber auch mit Chancen verbunden.
Abgesehen von den Bedrohungen, vor denen einige KI-Expertinnen und Experten warnen — was eine Diskussion für sich ist — gibt es Aspekte, die Führungskräfte berücksichtigen sollten, bevor sie KI in ihren Technologie-Stack für Hyperautomation integrieren.
Mit dem richtigen Fachwissen, den richtigen Partnerschaften und der Kontrolle durch Menschen können KI-Systeme in der Automatisierung unglaublich effektiv sein. Hier sind einige der zentralen Herausforderungen, die mit KI-Implementierungen in der Automatisierung einhergehen – und wie sie gelöst werden können.
1. Verfügbarkeit geeigneter Daten
Auch wenn es sich nach einem kleinen Problem anhört, ist die Vorbereitung von Daten für ein Modell für maschinelles Lernen mit viel Aufwand verbunden. Data Scientists und Data Engineers verbringen 80 Prozent ihrer Zeit damit, Daten vorzubereiten. Ohne bereinigte, geeignete Daten ist es unmöglich, ein KI-Modell zu trainieren, um es produktionsreif zu machen. Laut Gartner führen 85 Prozent der KI-Projekte nicht zu den gewünschten Ergebnissen und nur 53 Prozent der Projekte schaffen es vom Prototyp bis zur Produktion.
Viele Unternehmen bieten für das maschinelle Lernen geeignete Datensätze für Automatisierungszwecke an, zum Beispiel Daten zur Prozessausführung, die zur kontinuierlichen Verbesserung von Prozessmodellen verwendet werden. Damit lässt sich die Trainingszeit verkürzen und der Aufwand für Data Scientists und Data Engineers erheblich reduzieren. Es ist von entscheidender Bedeutung, dass diese hochqualifizierten Mitarbeitenden ihre Arbeitszeit sinnvoller nutzen — denn ihre Fähigkeiten sind Mangelware und die Nachfrage nach ihnen ist hoch.
2. Ungenauigkeit und Bias in Modellen
Ungenauigkeit und Bias sind zwei ausschlaggebende und immer wiederkehrende Probleme beim Einsatz von KI, die eine menschliche Überwachung erfordern. Zum Beispiel sind generative KI-Anwendungen anfällig für Halluzinationen oder sie erfinden Aussagen auf Grundlage ihres Trainingsdatensatzes. Zudem können Datensätze, in denen Verzerrungen enthalten sind und die in ein maschinelles Lernmodell eingespeist werden, zu fehlerhaften Ergebnissen führen. Wenn ein Finanzdienstleister beispielsweise ein KI-gesteuertes automatisiertes System zur Annahme oder Ablehnung von Kreditanträgen einsetzt, ist es wichtig, gut dokumentierte, systemische Vorurteile gegenüber Frauen oder ethnischen Minderheiten zu vermeiden, die im Trainingsdatensatz enthalten sein können.
Auf dem Weg zur KI-gestützten Entscheidungsfindung ist es von entscheidender Bedeutung, dass weiterhin Menschen beteiligt sind und die algorithmisch generierten Ergebnisse überprüft werden, um Bias und andere Arten von Ungenauigkeit zu vermeiden. Die Einbindung des Menschen ist ein entscheidender Schritt, um Algorithmen so neu zu trainieren, dass sie in einer Produktionsumgebung effektiver arbeiten.
3. Sicherheit
Viele große Sprachmodelle und andere Modelle des maschinellen Lernens wurden anhand umfangreicher Online-Daten trainiert, die von Internetnutzern generiert wurden. Beispielsweise werden öffentlich verfügbare Amazon- und Yelp-Rezensionen verwendet, um Sentiment-Analyse-Algorithmen zu trainieren.
„Auch wenn die Herausforderungen bei der Entscheidung für die Implementierung von KI sicherlich eine Rolle spielen, sollten sie die Experimentierfreudigkeit eines Unternehmens nicht beeinträchtigen.“
Jakob Freund, Camunda
In Unternehmen kann die Verwendung öffentlich verfügbarer Modelle wie ChatGPT ein Risiko für vertrauliche Daten wie persönlich identifizierbare Informationen (PII) oder geistiges Eigentum darstellen. Es ist wichtig, dass bei der Verwendung dieser Tools die Unternehmensrichtlinien zum Datenschutz eingehalten werden. Um solche Probleme zu vermeiden, entwickeln viele Unternehmen ihre eigenen proprietären Modelle für maschinelles Lernen auf der Grundlage interner Datensätze, was das Risiko verringert, dass Unternehmensdaten in die falschen Hände geraten.
4. Rechtliche Risiken
Die Regulierung von KI ist weltweit ein Dauerthema, und der Rechtsbereich wird weiterhin von neuen Technologien, einschließlich generativer KI, geprägt. Viele haben zum Beispiel urheberrechtliche Bedenken bei der Verwendung von KI-generierten Texten und Bildern. Im Open-Source-Bereich haben automatische Codegeneratoren für Bedenken bezüglich der Lizenzierung gesorgt. Einige der größten Bedenken betreffen die mangelnde Rückverfolgbarkeit generativer KI-Systeme — mit anderen Worten: Es ist schwierig nachzuvollziehen, woher der Code stammt und wer ihn ursprünglich erstellt hat.
Wenn Unternehmen automatisierte Codegeneratoren verwenden, um beispielsweise Code für Prozessmodelle zu entwickeln, ist es am besten, bei der Eingabe proprietärer Codes oder der Nutzung von Open-Source-Software vorsichtig vorzugehen.
5. Reifegrad
Bestimmte Technologien, zum Beispiel Systeme mit erweiterter Intelligenz, die die Entscheidungsfindung automatisieren, sind noch nicht ganz ausgereift. Diese Technologien erfordern oft aus mehreren Quellen kombinierte Datensätze, um sinnvolle Entscheidungen zu treffen. Viele Teams können diese Systeme in der Produktion nicht einsetzen, sei es aufgrund begrenzter Ressourcen oder eines Mangels an geeigneten Trainingsdaten.
Wenn Organisationen sich digital weiterentwickeln und erweiterte Intelligenz in einer von Menschen überwachten Umgebung einsetzen, werden diese Systeme bei der Automatisierung bestimmter Entscheidungen auch zunehmend effektiver. Diese Systeme können dann dazu beitragen, manuelle Workflows zu verbessern, sodass Mitarbeitende ihre Zeit effizienter nutzen können.
Auch wenn die Herausforderungen bei der Entscheidung für die Implementierung von KI sicherlich eine Rolle spielen, sollten sie die Experimentierfreudigkeit eines Unternehmens nicht beeinträchtigen. Wenn KI zusammen mit Prozessorchestrierung eingesetzt wird, kann sie den Automatisierungsgrad erhöhen und damit Geschäftsabläufe und die Customer Experience verbessern. Von der kontinuierlichen Prozessverbesserung über die Automatisierung von Entscheidungen bis hin zur Ergänzung oder Beschleunigung manueller Workflows: in diesem Bereich sind die Möglichkeiten zum Einsatz von KI spannend und schier grenzenlos.
Über den Autor:
Als CEO von Camunda, einem Anbieter von Software zur Prozessautomatisierung, ist Jakob Freund verantwortlich für die Vision und Strategie des Unternehmens. Neben einem MSc in Informatik ist er Co-Autor des Buches Real-Life BPMN und ein gefragter Referent auf Technologie- und Branchenveranstaltungen.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
