BillionPhotos.com - stock.adobe.

KI-gestützte Datenanalysen: Chancen und Herausforderungen

Unternehmen stehen vor einigen Herausforderungen, wenn es um die Verarbeitung und Analyse ihrer Daten geht. Hier kommt die Integration künstlicher Intelligenz (KI) ins Spiel.

Nachfrageprognosen, Betrugserkennung oder Predictive Maintenance: Mehr und mehr Unternehmen verlassen sich bei der Steuerung ihres Business nicht mehr nur auf Erfahrung und Bauchgefühl, sondern nutzen auch datenbasierte Erkenntnisse.

Das Problem: Oft fehlt es an der dafür benötigten technologischen Infrastruktur oder auch an der entsprechenden Datenqualität. Denn um etwa einen verlässlichen Blick in die Zukunft werfen zu können – Stichwort Predictive Analytics – müssen riesige Mengen aktueller und historischer Daten ausgewertet werden. Viele Bestandslösungen stoßen hier an ihre Grenzen, was unter anderem zu Latenzproblemen führt. Hochperformante Echtzeitanalysen, die etwa die Grundlage bilden für Machine Learning (ML), sind so nicht möglich.

Um sich datengetrieben aufzustellen und das volle Potenzial der eigenen Daten und der Technologien vollumfänglich auszuschöpfen, müssen künstliche Intelligenz (KI) und Data Analytics sowie Business Intelligence kombiniert werden. Mittels KI-gestützten Tools zur Datenintegration werden die Teams etwa von zeitaufwendiger Datenaufbereitung und unübersichtlichen Datenintegrations-Workflows befreit. Durch die Integration von AutoML-Tools in die Analytics-Datenbank können BI-Teams mit ML-Modellen experimentieren, ohne dabei auf den Support ihrer Data Scientists angewiesen zu sein. So gelingt es Unternehmen, schneller tiefergehende Dateneinblicke zu gewinnen, innerhalb von Tagen anstatt von Wochen Ergebnisse zu erzielen; und die Produktivität sowohl der technischen als auch der Business-Teams zu steigern.

Herausforderungen bei der KI-Implementierung

Zu den größten Hindernissen bei der Einführung von KI zählen laut einer Studie von Exasol Governance-Bedenken, zum Beispiel in Bezug auf Sicherheit und Compliance, unklare Ziele oder eine unzureichende Implementierungsstrategie. Auch fehlende Ressourcen und Know-how sowie die Sorge vor zu hohen Kosten treiben viele Unternehmen um. Als weitere Bremsklötze nannten 48 Prozent der Befragten in Deutschland eine fehlende Implementierungsstrategie sowie Probleme bei der Integration in bestehende Systeme (46 Prozent). Für Unternehmen heißt es jetzt zu handeln, um diese Hindernisse zu überwinden, da mehr als ein Drittel (43 Prozent) der deutschen Umfrageteilnehmer plant, die KI-Infrastruktur in den nächsten Jahren zu erweitern.

Um all diesen Herausforderungen zu begegnen, braucht es flexible Bereitstellungsoptionen in der Public sowie Private Cloud, On-Premises oder in hybriden Umgebungen, die Unternehmen unabhängig machen von bestimmten Plattform- und Infrastrukturbeschränkungen, für eine unkomplizierte Integration von KI-Funktionalitäten sorgen und Zugriff auf Datenerkenntnisse in Echtzeit ermöglichen – und das, ohne den gesamten Tech-Stack austauschen zu müssen.

Doch das ist nur die eine Seite der Medaille. Die Festlegung von klaren Zielen und KPIs sowie die Etablierung einer Datenkultur sind ebenso entscheidend für die erfolgreiche Einführung von KI – denn letztlich nützen die besten Technologien nichts, wenn die Teams deren Nutzen nicht sehen und sie nicht damit arbeiten. Aufgabe des Managements ist es, hier für Akzeptanz zu sorgen, indem es die Vorteile der Tools klar beleuchtet, Vorbehalte ernst nimmt und sie ausräumt. Der Weg zum datengetriebenen Unternehmen stellt für viele, vor allem eher traditionell aufgestellte Unternehmen, einen echten Paradigmenwechsel dar. Führungskräfte sollten hier Orientierung bieten und klar darlegen, welche Rolle die Nutzung von Daten und der Einsatz neuer Technologien für die Zukunftsfähigkeit und für jeden Einzelnen spielen. Durch eine offene Kommunikationskultur werden Teams dazu ermutigt, digitale Lösungen zu finden, die sowohl ihren individuellen Anforderungen als auch den Zielen des Unternehmens entsprechen. Dazu gehört auch, die eigenen Teams zu schulen und mit dem entsprechenden Know-how auszustatten – für das Thema Aus- und Weiterbildung sollten entsprechende Ressourcen zur Verfügung stehen.

Mathias Golombek, Exasol AG

„ Einen riesigen Datenschatz allein zu besitzen ist nicht die Lösung. Man muss auch in der Lage sein, die Daten effizient zu nutzen und wissen, welche Daten dafür überhaupt benötigt werden.“

Mathias Golombek, Exasol AG

Datenabfragen in natürlicher Sprache können, das ist spätestens seit dem Erfolg von ChatGPT klar, der generativen KI den Weg in die Unternehmen ebnen und ihnen ermöglichen, sich datengetrieben aufzustellen. All dies trägt zur Datendemokratisierung bei – ein entscheidender Punkt auf dem Weg zum datengetriebenen Unternehmen, denn in der Vergangenheit scheiterte die Umsetzung einer unternehmensweiten Datenstrategie häufig an Engpässen, die durch Data Analytics Teams hervorgerufen wurden.

Die Basis KI-gestützter Datennutzung: gute Datenqualität

Eine hohe Datenqualität gilt heute als notwendige Bedingung für erfolgreiche statistische Datenanalysen und Machine Learning. An vielen Stellen spricht man nach wie vor von Daten als dem neuen Gold – doch das ist irreführend. Einen riesigen Datenschatz allein zu besitzen ist nicht die Lösung. Man muss auch in der Lage sein, die Daten effizient zu nutzen und wissen, welche Daten dafür überhaupt benötigt werden.

Die meisten Unternehmen besitzen Unmengen an strukturierten und unstrukturierten Daten, die häufig an den verschiedensten Orten gespeichert sind. Datenaufbereitung ist ein zentraler Schritt, um sie Analytics- und KI-fähig zu machen, aber gleichzeitig auch sehr aufwendig. Oft fehlen hier die Ressourcen, um eine entsprechend hohe Datenqualität zu gewährleisten. Doch nach dem Motto garbage in, garbage out ist die Qualität der aus den Analysen gewonnenen Erkenntnisse eben nur so gut und belastbar wie die entsprechende Datengrundlage.

KI-gestützte Datenintegrations-Tools können Anwender hier tatkräftig und effizient unterstützen. Diese Lösungen befreien die Teams nicht nur von zeitaufwendiger Datenaufbereitung und unübersichtlichen Datenintegrations-Workflows. Sie laden etwa auch automatisch aktuelle Daten nach einem vordefinierten Zeitplan in die Datenbank. So bleibt den Teams nicht nur mehr Zeit für strategische Aufgaben. Durch eine hohe Benutzerfreundlichkeit und den schnellen Zugriff auf aktuelle Dateneinblicke fördern sie so auch maßgeblich die Datenkultur und Technologieoffenheit im Unternehmen.

Über den Autor:
Mathias Golombek ist Vorstandsmitglied und CTO der Exasol AG. Er verantwortet alle technischen Bereiche des Unternehmens, von der Entwicklung über den Betrieb und Support bis hin zum fachlichen Consulting. Golombek hat an der Universität Würzburg Informatik mit den Schwerpunkten Datenbanken und verteilte Systeme studiert.

Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.

Erfahren Sie mehr über Künstliche Intelligenz (KI) und Machine Learning (ML)

ComputerWeekly.de
Close