31.08.2021
Von Peter Hecker, Inhaber von HECKER CONSULTINGAI-as-a-Service, datengenerierte Inhalte, Small Data, Citizen Data Scientists, Edge Computing und verantwortungsvolle KI: die Trendübersicht aus dem Jahr 2021.

Aus der Data Science ging die KI hervor, wie wir sie heute in der Wirtschaft kennen - die Fähigkeit von Maschinen, zu "lernen" und auf der Grundlage der ihnen zur Verfügung stehenden Daten immer bessere Vorhersagen zu treffen. Die aufregendsten Trends im Bereich Daten drehen sich heute um diese kognitiven Entscheidungsfähigkeiten.
Im Folgenden finden Sie einen Überblick über die Entwicklung dieser Nutzung, die uns zeigt, wo wir heute stehen und wohin uns die Data Science und KI morgen führen wird:
KI gibt es schon seit vielen Jahren, aber erst in jüngster Zeit ist sie für viele alltägliche Geschäftsfunktionen wirklich nützlich geworden. Das liegt daran, dass sie traditionell teure Vorabinvestitionen in Infrastruktur, geistiges Eigentum und Fähigkeiten erfordert. Infolgedessen waren äußerst leistungsfähige und universell einsetzbare Technologien wie maschinelles Lernen und künstliche kognitive Netzwerke auf große Unternehmen und akademische Einrichtungen beschränkt.
Was die KI in den Mainstream gebracht hat, ist das Aufkommen von cloudbasierten As-a-Service-Lösungen, bei denen die Infrastruktur in einem Rechenzentrum verfügbar ist und man nur für die Menge bezahlen muss, die tatsächlich genutzt wird. Dies kann in Form von Plug-and-Play-Anwendungen geschehen, mit denen man datengesteuerte Lösungen wie automatisiertes Marketing, Empfehlungsmaschinen oder vorausschauende Wartung einsetzen kann, selbst wenn man nur ein kleines Unternehmen mit einem begrenzten Budget für KI-Forschung und -Entwicklung ist.
Die Entwicklung von KI als Service bedeutet, dass sie uns nicht mehr nur dabei hilft, sich wiederholende Arbeitsabläufe wie Dateneingabe oder Sprachübersetzung zu automatisieren. Sie wird uns zunehmend dabei helfen, datengestützte Entscheidungen zu treffen, z. B. strategische Ziele zu setzen und intelligentere Produkte und Dienstleistungen zu entwickeln.
Es gibt bereits KI-generierte Kunst, Musik und sogar Computerprogramme und bis vor kurzem wurden sie im Allgemeinen als Kuriosität betrachtet. Die Fähigkeit von KI-Systemen, sich ständig zu verbessern, sowie die Entwicklung immer besserer Algorithmen für das maschinelle Lernen, wie z. B. generative adversarische Netze (GANs), bedeuten, dass uns die Maschinen in Sachen Kreativität zunehmend Konkurrenz machen. Es wird wohl noch eine Weile dauern, bis ein Roman von einem berühmten Roboterautor die Massen begeistern wird, aber für weniger ehrgeizige Unternehmungen, wie das Schreiben von Produktbeschreibungen oder das Erstellen von Highlight-Videos für Sportereignisse, wird KI immer häufiger eingesetzt.
Ein großer Vorteil, den KI hier gegenüber menschlichen Kreativen hat, ist die Geschwindigkeit, mit der sie arbeiten kann, was bedeutet, dass sie viel effizienter gezielte, personalisierte Inhalte produzieren kann. Produktbeschreibungen auf Websites können auf die Person zugeschnitten werden, von der die KI vorhersagt, dass sie sie lesen wird, und Werbespots und Filme könnten einen personalisierten Soundtrack haben, der algorithmisch erstellt wird, um eine bestimmte Person anzusprechen.
Bei den datengesteuerten Geschäftsinitiativen des letzten Jahrzehnts ging es darum, riesige Datensätze zu nutzen, um Dinge zu verstehen, wie beispielsweise Kunden, Märkte, das Wetter etc. und vorherzusagen, wie ihr Verhalten unsere eigenen Interessen beeinflussen wird. Doch wie wir im Jahr 2020 deutlicher denn je gesehen haben, ist die Welt im Wandel begriffen. Wenn sich dramatische und weltverändernde Ereignisse ereignen, müssen die Modelle schnell angepasst werden und das bedeutet oft, dass die Daten aus der "alten Welt" einfach nicht mehr so wertvoll oder nützlich sind.
Deshalb spricht man jetzt von "Small Data" - Technologien und Praktiken, die eine datengestützte Entscheidungsfindung auch dann ermöglichen, wenn die Menge der uns zur Verfügung stehenden Informationen begrenzt ist. Obwohl es sich wie das genaue Gegenteil anhört, ist die Small-Data-Praxis eng mit Big-Data-Konzepten verknüpft und wird zunehmend ins Spiel kommen, wenn Daten aufgrund unvorhergesehener Ereignisse unerwartet veraltet sind oder aus anderen Gründen unvollständig oder nicht verfügbar sind.
Ein datengesteuerter und analytischer Ansatz wird in fast allen Berufen immer nützlicher. Das Problem ist, dass es nicht genügend traditionell ausgebildete Datenwissenschaftler gibt. Dieser Mangel an Kapazitäten zur Nutzung von Daten führt in vielen Unternehmen zu einem hohen Maß an Ineffizienz, weil Chancen verpasst werden.
Der "Citizen Data Scientist" wird schon seit einiger Zeit als Lösung für dieses Dilemma angepriesen, und die veränderte Arbeitsdynamik der Pandemie-Ära hat seine Verbreitung zweifellos beschleunigt, da sich mehr von uns bei der Erledigung unserer Aufgaben auf digitale Tools verlassen als je zuvor. Ein "Citizen Data Scientist" ist jemand, der nicht unbedingt eine akademische Ausbildung als Datenwissenschaftler hat oder als Datenanalyst tätig ist, aber die Fähigkeit besitzt, im Rahmen seiner täglichen Arbeit mit Datenlösungen zu arbeiten und diese umzusetzen.
Der Begriff könnte für einen Unternehmensinhaber stehen, der eine Datenplattform zur Verwaltung seines Unternehmens nutzt, oder für einen Vertriebsmitarbeiter, der Tools und Plattformen implementiert, um datengestützte Kundenentscheidungen zu treffen. Sie brauchen keinen Doktortitel in Datenwissenschaft, sondern nur das Wissen und die Fähigkeit, ihre Datenarbeit analytisch und wissenschaftlich anzugehen, indem sie ihre Arbeit messen, ihre Erfolge aufzeichnen und aus ihren Fehlern lernen.
In engem Zusammenhang mit dem "KI-as-a-Service"-Trend steht das Aufkommen von "No-Code"- und natürlichsprachlichen Data-Science-Plattformen, die es jedem ermöglichen, sich an der Entwicklung intelligenter Anwendungen zu versuchen, selbst wenn er keine Ahnung von Softwareentwicklung hat.
Edge Computing ist seit ein paar Jahren ein heißes Schlagwort, aber jetzt beginnt es zweifellos, sich in der realen Welt durchzusetzen. Edge Computing wird so genannt, um es vom Konzept des Cloud Computing abzugrenzen, bei dem die gesamte Arbeit in zentralisierten, oft ausgelagerten Datenzentren durchgeführt wird, um auf lokalen Endgeräten über APIs und Dashboards genutzt zu werden.
Beim Edge Computing wird die Rechenarbeit so nah wie möglich an dem Punkt ausgeführt, an dem die Daten gesammelt werden, oft im Datenerfassungsgerät selbst. Anwendungen für Edge Computing gibt es in hochkomplexen technologischen Anwendungsfällen wie selbstfahrenden Autos, wo die Autos selbst in der Lage sein müssen, eine Entscheidung darüber zu treffen, ob sie sich in einer gefährlichen Situation befinden und ausweichen sollten, ohne dass sie alles, was sie wissen, an ein Datenzentrum senden und auf das Ergebnis warten müssen, das zurückkommt.
Edge Computing bedeutet, dass Entscheidungen schneller getroffen werden können und die Bandbreite für das Hin- und Herschicken von Informationen aus der Cloud reduziert wird. Die Anwendungsmöglichkeiten sind vielfältig und reichen von der Raumfahrt (unbemannte Raumfahrzeuge können mehr Entscheidungen selbst treffen und müssen nicht erst Informationen an eine Basisstation zurücksenden, bevor Maßnahmen ergriffen werden können) bis hin zur Gesundheitstechnologie. Man denke nur an Fernüberwachungsgeräte für Patienten, die sowohl den Träger als auch Ärzte oder Pfleger alarmieren könnten, wenn sie merken, dass etwas nicht in Ordnung ist, ohne dabei die Privatsphäre zu verletzen.
Die Ethik der KI hat viele Dimensionen, und man kann mit Fug und Recht behaupten, dass sich unser Verständnis des Konzepts mit der Technologie selbst weiterentwickelt. Als klar wurde, dass die Ethik der KI ein Thema ist, mit dem sich viele Unternehmen auseinandersetzen müssen, drehten sich die Fragen hauptsächlich um den Datenschutz und das Potenzial der Technologie, sich einzumischen. Seitdem ist deutlich geworden, in welchem Ausmaß menschliche oder systembedingte Voreingenommenheit zu automatischer, maschineller Voreingenommenheit in großem Maßstab führen kann. Das bedeutet, dass es für alle, die mit Daten und kognitiven Algorithmen arbeiten, zu einer entscheidenden Herausforderung geworden ist, das Potenzial der KI zu mindern, das Vorurteile verstärken und Ungleichheit beschleunigen kann, wenn es nicht kontrolliert wird.
Heute ist klar, dass KI das Potenzial hat, viele Aspekte der Welt zu verändern. Die wichtigsten ethischen Fragen beziehen sich daher darauf, wie die Technologie eingesetzt werden kann, um uns bei der Lösung der größten Probleme der Welt zu helfen, z. B. bei der Heilung von Krankheiten, der Verringerung der Armut, dem Schutz der Umwelt und der Förderung des menschlichen Fortschritts. Die KI-Technologie ist teuer, und es gibt nur eine begrenzte Anzahl von Menschen, die über die nötigen Fähigkeiten verfügen, um sie einzusetzen.
Die Notwendigkeit, sicherzustellen, dass diese Ressourcen für Anwendungen eingesetzt werden, die für die Menschen und den Planeten wirklich von Nutzen sind, hat zur Entstehung von Organisationen wie der „Partnership on Artificial Intelligence to Benefit People and Society“ geführt, die von Tech-Giganten wie Google, Microsoft und Apple gegründet wurde. Die meisten zukunftsorientierten Organisationen, die sich mit künstlicher Intelligenz befassen, haben jetzt oft Ethikausschüsse, die sicherstellen, dass nichts, was sie tun, als schädlich empfunden werden könnte, und dies wird immer mehr zur Regel werden.
Wir erweitern ständig unser Beratungsportfolio. Über 600 Beratungsleistungen haben wir für Sie im Programm. Selbstverständlich lassen sich die einzelnen Themen kombinieren. So erhalten Sie genau die Beratung, die Sie wünschen und brauchen.
Mehr IT-, Online-, Digital-Beratungsleistungen anzeigen >>Ihr Einstieg in Apache Airflow 3: Sie automatisieren und orchestrieren Datenpipelines als DAGs in Python, verknüpfen Python- und SQL-Schritte, steuern sie zeit- oder datengetrieben über Assets und holen ausgefallene Tage per Backfill nach.
Sie legen Indizes mit passenden Mappings an, finden per Query DSL oder ES|QL genau die richtigen Dokumente, werten sie mit Aggregationen aus und visualisieren die Ergebnisse in Kibana.
Sie bauen Datenpipelines mit PostgreSQL: Dateien und Fremdsysteme mit COPY und Foreign Data Wrappers anbinden, in Staging-Schemas bereinigen, mit MERGE und Upserts übernehmen und Ladeläufe wiederholbar und inkrementell gestalten.
Sie bauen den Elastic Stack vom Cluster bis zur Lösung auf: Daten mit Elastic Agent, Beats und Logstash einsammeln, in Elasticsearch verwalten, in Kibana auswerten und für Observability und Security nutzen.
Sie ordnen Data Science, maschinelles Lernen und KI im Unternehmen richtig ein, stellen Ihrem Datenteam die entscheidenden Fragen und erkennen, welches Analyseergebnis eine Maßnahme trägt – ganz ohne selbst zu programmieren.
Sie betreiben einen Kafka-Cluster im KRaft-Modus, arbeiten sicher mit Topics, Partitionen und Consumer Groups auf der Kommandozeile und schreiben verlässliche Producer und Consumer in Java.
Sie verstehen, wie Daten aus Quellsystemen verlässlich in Auswertungen gelangen, und bauen selbst eine geplante ETL/ELT-Pipeline mit Python, SQL, Spark und Airflow – inklusive Datenqualitätsprüfungen.
Aktuelle und interessante Themen und Beiträge für Sie zusammengetragen und aufbereitet.
Algorithmen, die in der Lage sind, Bilder zu verstehen, sind eine wichtige technologische Grundlage für viele Innovationen. Zusammen mit der Sprachverarbeitung (Natural Language Processing, NLP) sind sie von grundlegender Bedeutung für unsere Bemühungen, Maschinen zu bauen, die in der Lage sind, die Welt um sie herum zu verstehen und zu lernen, so wie wir es tun. In der Regel handelt es sich dabei um Anwendungen, die auf Deep Learning basieren. Werfen wir also einen Blick auf einige der wichtigsten Trends, die wir im Zusammenhang mit dieser faszinierenden Technologie verfolgen werden.
Da sich Unternehmen schnell an veränderte Umstände anpassen müssen, ist es wichtiger denn je, zur richtigen Zeit und am richtigen Ort Zugriff auf die richtigen Daten zu haben. Es ist keine Übertreibung zu sagen, dass viele Unternehmen in Daten ertrinken. Wir brauchen Struktur und Disziplin, um zu verstehen, was - im Moment - eine Erkenntnis ist und was einfach nur Rauschen ist.
Sind Daten wirklich das neue Öl? In den letzten zwei Jahren hat die effektive Nutzung von Daten viele Unternehmen in ihrer Geschäftstätigkeit verändert. Es geht nicht darum, was wir wissen. Es geht darum, was wir mit dem tun, was wir wissen.
Was ist Big Data? Die Grundlagen von Volumen bis Wert, wie verteilte Speicherung, Lakehouse und Streaming funktionieren, wofür Unternehmen große Datenmengen nutzen und was bei KI und Datenschutz zählt.
Führende Unternehmen wissen, dass sie über den Tellerrand hinausschauen müssen, wenn es darum geht, in der digitalisierten Wirtschaft die Nase vorn zu haben und zu bleiben. Und sie setzen neue Tools ein, um die Stärke von Big Data zu erschließen und immer größere und ausgefeiltere Fähigkeiten im gesamten Unternehmen zu nutzen, die sie zu neuen Erfolgen führen können.