Jenseits der GenAI – der Hype Cycle 2024 für künstliche Intelligenz

Bis Ende 2024 wird ein Großteil der Wertschöpfung aus Projekten stammen, die auf bekannten eigenständigen oder mit GenAI kombinierten KI-Techniken basieren und über standardisierte Prozesse zur Unterstützung der Implementierung verfügen. Anstatt sich nur auf GenAI zu konzentrieren, sollten KI-Führungskräfte auf zusammengesetzte KI-Techniken setzen, die Ansätze aus Innovationen in allen Phasen des Hype Cycle kombinieren.

GenAI hat jedoch weiterhin das Potenzial, eine transformative Technologie mit tiefgreifenden Auswirkungen auf die Entdeckung und Erstellung von Inhalten, die Authentizität und Regulierung, die Automatisierung menschlicher Arbeit und die Kunden- und Mitarbeiterzufriedenheit zu sein. Dennoch steht GenAI weiterhin vor Herausforderungen, darunter ethische und gesellschaftliche Bedenken, begrenzte bewährte Sicherheitspraktiken und verächtliche Anwendungen wie Deep Fakes und Desinformation. 

Die schiere Menge und der Umfang von KI-Projekten bedeuten, dass KI-Führungskräfte den Fokus von KI über technische Gespräche hinaus erweitern müssen. Unternehmen tun gut daran, den Bereichen rund um KI, wie Governance, Risikoverantwortung, Sicherheit und Minderung der technischen Schulden, große Aufmerksamkeit zu schenken.

Data Governance – d. h. die Sicherstellung, dass die KI-Trainingsdaten eines Unternehmens korrekt, vollständig und unvoreingenommen sind sowie den zukünftigen Einsatz widerspiegeln, ohne zu eng gefasst zu sein – ist eine der größten Hürden im Rennen um die Einführung von Composite AI. Dies stellt eine weitere Herausforderung dar: Da KI in Unternehmensprozesse Einzug hält, werden Organisationen, die sie einsetzen, einer verstärkten behördlichen Kontrolle ausgesetzt sein, insbesondere im Hinblick auf die Geschäftsethik und die Datenschutzgesetze.

Selbst wenn ein Unternehmen ein KI-Modell sicher einsetzt und die gesetzlichen Vorschriften einhält, können Skalierbarkeit, technische und organisatorische Komplexität, geringe Benutzerakzeptanz und -annahme sowie unvorhergesehene Schwierigkeiten die unternehmensweite KI-Implementierung behindern.

Composite AI stellt die nächste Phase der KI-Evolution dar. Dabei werden KI-Methoden – wie maschinelles Lernen, Verarbeitung natürlicher Sprache und Wissensgraphen – kombiniert, um anpassungsfähigere und skalierbarere Lösungen zu schaffen.

Mit diesem Ansatz können Unternehmen die Wirkung ihrer KI-Initiativen maximieren, was zu genaueren Vorhersagen, Entscheidungen und Automatisierungen führt – selbst in komplexen Umgebungen. Composite AI ist im Vergleich zu singulären Formen der KI besonders leistungsfähig, da sie sich nicht auf eine einzige Technik stützt und somit ihre Schwachstellen auf mehrere Techniken verteilt.

Durch die Integration regelbasierter Systeme mit maschinellem Lernen können Unternehmen beispielsweise besser mit unstrukturierten Daten umgehen und so ihre Fähigkeit verbessern, Erkenntnisse aus verschiedenen Datensätzen abzuleiten. Durch den Einsatz von Composite AI können Unternehmen Probleme lösen, die bisher für KI-Modelle mit nur einer Technik zu komplex waren.

Die beiden größten Aufsteiger im diesjährigen Hype Cycle sind AI-Engineering und Wissensgraphen. 

AI-Engineering ist die Grundlage für die Bereitstellung von KI- und GenAI-Lösungen in großem Maßstab durch Unternehmen. Den meisten Unternehmen fehlen die Daten-, Analyse- und Softwaregrundlagen, um einzelne KI-Projekte in großem Umfang in die Produktion zu überführen – ganz zu schweigen vom Betreiben eines Portfolios von KI-Lösungen in großem Umfang. Mit AI-Engineering-Ansätzen wie DataOps, ModelOps und DevOps ist es möglich, Modelle in einem strukturierten, wiederholbaren Factory-Model-Framework in die Produktion zu überführen.

Wissensgraphen sind maschinenlesbare Darstellungen der physischen und digitalen Welt. Sie erfassen Informationen in einem visuell intuitiven Format und sind dennoch in der Lage, komplexe Zusammenhänge darzustellen. Noch wichtiger ist, dass sie eine verlässliche Logik und erklärbare Argumentation bieten (im Gegensatz zu den fehlbaren, aber leistungsfähigen Vorhersagefähigkeiten von GenAI).