Neues aus dem Gartner Hype Cycle 2023 zum Thema KI

Der Gartner Hype Cycle™ 2023 für Künstliche Intelligenz (KI) identifiziert Innovationen und Techniken, die signifikante und sogar transformative Vorteile bieten und gleichzeitig die Grenzen und Risiken fehlerhafter Systeme in Angriff nehmen. KI-Strategien sollten berücksichtigen, welche die glaubwürdigsten Fälle für Investitionen darstellen.

„Der Hype Cycle zum Thema KI enthält viele Innovationen, die in einem Zeitraum von zwei bis fünf Jahren bis zu ihrer allgemeinen Einführung besondere Aufmerksamkeit verdienen, darunter generative KI und Entscheidungsintelligenz“, sagt Gartner Director Analyst Afraz Jaffri. „Eine frühzeitige Übernahme dieser Innovationen wird zu bedeutenden Wettbewerbsvorteilen führen und die Probleme im Zusammenhang mit der Nutzung von KI-Modellen in Geschäftsprozessen verringern.“

Jetzt herunterladen: Ein Workbook für die Planung Ihrer KI-Strategie

Generative KI dominiert die Diskussionen über KI und hat mit Systemen wie ChatGPT die Produktivität von Entwicklern und Wissensarbeitern auf reale Weise gesteigert. Dies hat Unternehmen und Branchen dazu veranlasst, ihre Geschäftsprozesse und den Wert von menschlichen Ressourcen zu überdenken, was GenAI auf den Gipfel der Erwartungen im Hype Cycle gebracht hat.

Gartner sieht heute zwei Seiten der generativen KI-Bewegung auf dem Weg zu leistungsfähigeren KI-Systemen:

• Innovationen, die durch GenAI gefördert werden und

• Innovationen, die den Fortschritt der generativen KI fördern werden.

Mehr erfahren: Leitfaden für Führungskräfte zur generativen KI

Generative KI wirkt sich auf das Geschäft aus in Bezug auf die Entdeckung, Erstellung, Authentizität und Regulierung von Inhalten. Sie besitzt dazu die Fähigkeit, menschliche Arbeit zu automatisieren und die Erfahrungen von Kunden und Mitarbeitern zu verbessern. 

Zu den kritischen Technologien, die in diese Kategorie fallen, gehören unter anderem: 

• Allgemeine künstliche Intelligenz (Artificial General Intelligence, AGI) ist die (derzeit hypothetische) Intelligenz einer Maschine, die jede intellektuelle Aufgabe bewältigen kann, die ein Mensch ausführen kann.

• KI-Engineering ist die Grundlage für die Bereitstellung von KI-Lösungen in großem Maßstab durch Unternehmen. Diese Disziplin schafft kohärente KI-basierte Systeme für die Entwicklung, Bereitstellung und den Betrieb im Unternehmen.

• Autonome Systeme sind selbstverwaltende physische oder Softwaresysteme, die bereichsgebundene Aufgaben erfüllen und drei grundlegende Merkmale aufweisen: Autonomie, Lernen und Handlungsfähigkeit. 

• KI-Cloud-Services bieten Tools zur Erstellung von KI-Modellen, APIs für vorgefertigte Dienste und zugehörige Middleware, die Erstellung/Training, Bereitstellung und Nutzung von Machine-Learning-Modellen (ML) ermöglichen und auf einer vorgefertigten Infrastruktur als Cloud-Services laufen.

• Zusammengesetzte KI (Composite AI) bezeichnet die kombinierte Anwendung (oder Fusion) verschiedener KI-Techniken zur Verbesserung der Lerneffizienz, um den Grad an Wissensrepräsentation zu erweitern. Sie löst eine breitere Palette von Geschäftsproblemen auf wirksamere Weise.

• Bei Computer Vision handelt es sich um eine Reihe von Technologien, die das Erfassen, Verarbeiten und Analysieren von Bildern und Videos aus der realen Welt umfassen, um kontextbezogene Informationen aus der realen Welt zu extrahieren.

• Datenzentrierte KI ist ein Ansatz, der sich auf die Verbesserung und Anreicherung von Trainingsdaten konzentriert, um bessere KI-Ergebnisse zu erzielen. Datenzentrierte KI befasst sich auch mit Datenqualität, Datenschutz und Skalierbarkeit.

• Edge-KI bezieht sich auf den Einsatz von KI-Techniken, die in Nicht-IT-Produkte, IoT-Endpunkte, Gateways und Edge-Server eingebettet sind. Sie umfasst Anwendungsfälle für Verbraucher-, Gewerbe- und Industrieanwendungen, wie etwa autonome Fahrzeuge, erweiterte Möglichkeiten der medizinischen Diagnostik und Streaming-Videoanalysen.

• Intelligente Anwendungen nutzen erlernte Anpassungen, um autonom auf Menschen und Maschinen zu reagieren.

• Die Operationalisierung von Modellen (ModelOps) konzentriert sich in erster Linie auf die End-to-End-Governance und das Lebenszyklusmanagement von fortschrittlichen Analysen, KI und Entscheidungsmodellen. 

• Operative KI-Systeme (OAISys) ermöglichen die Orchestrierung, Automatisierung und Skalierung von produktionsreifer und unternehmenstauglicher KI, einschließlich ML, DNNs und generativer KI.

• Unter Prompt Engineering versteht man die Disziplin der Bereitstellung von Eingaben in Form von Text oder Bildern für generative KI-Modelle, um die Menge an den vom Modell generierten Reaktionen zu spezifizieren und einzuschränken. 

• Ein intelligenter Roboter ist eine KI-betriebene, oft mobile Maschine, die dazu konzipiert ist, eine oder mehrere physische Aufgaben autonom auszuführen.

• Synthetische Daten sind eine Klasse von Daten, die künstlich generiert werden und nicht aus direkten Beobachtungen der realen Welt gewonnen werden.

Jetzt anhören: Hype Cycle für KI 2023 – Neue Technologien als Impulsgeber für Innovationen

„Dank der Beliebtheit von Stable Diffusion, Midjourney, ChatGPT und großen Sprachmodellen beschleunigt sich die Erforschung generativer KI. Endbenutzerunternehmen in den meisten Branchen experimentieren aggressiv mit generativer KI“, erklärt Gartner VP Analyst Svetlana Sicular.

„Technologieanbieter bilden generative KI-Gruppen, um der Bereitstellung generativer KI-fähiger Anwendungen und Tools Priorität einzuräumen. Im Jahr 2023 sind zahlreiche Start-ups entstanden, die mit generativer KI innovativ sind, und wir gehen davon aus, dass diese Zahl noch zunehmen wird. Einige Regierungen bewerten die Auswirkungen generativer KI und bereiten die Einführung von Regulierungen vor.“

Zu den kritischen Technologien, die in diese Kategorie fallen, gehören unter anderem: 

• KI-Simulation ist die kombinierte Anwendung von KI- und Simulationstechnologien zur gemeinsamen Entwicklung von KI-Agenten und simulierten Umgebungen, in denen sie trainiert, getestet und manchmal eingesetzt werden können.

• Das Vertrauens-, Risiko- und Sicherheitsmanagement für KI (AI TRiSM) sorgt für die Steuerung von KI-Modellen Vertrauenswürdigkeit, Fairness, Zuverlässigkeit, Robustheit, Effizienz und Datenschutz.

• Kausale KI (Causal AI) identifiziert und nutzt Ursache-Wirkungs-Beziehungen, um über korrelationsbasierte Vorhersagemodelle hinauszugehen und KI-Systeme zu erstellen, die Handlungen effektiver vorschreiben und autonomer handeln können.

• Kennzeichnung und Beschriftung von Daten (DL&A) ist ein Prozess, bei dem Datenbestände weiter klassifiziert, segmentiert, mit Anmerkungen versehen und erweitert werden, um die Daten für bessere Analysen und KI-Projekte anzureichern.

• First-Principles AI (FPAI) (auch bekannt als physikinformierte KI) bezieht physikalische und analoge Prinzipien, Gesetzmäßigkeiten und Domänenwissen in KI-Modelle ein. FPAI erweitert das KI-Engineering auf komplexe Systemtechnik und modellbasierte Systeme.

• Foundation-Modelle sind Modelle mit großen Parametern, die auf selbstüberwachte Weise auf einer breiten Palette von Datensätzen trainiert werden.

• Wissensgraphen (Knowlegde Graphs) sind maschinenlesbare Darstellungen der physischen und digitalen Welt. Dazu gehören Entitäten (Personen, Unternehmen, digitale Vermögenswerte) und ihre Beziehungen, die einem Diagrammdatenmodell folgen.

• Ein Multiagent-System (MAS) ist eine Art KI-System, das aus mehreren unabhängigen (aber interaktiven) Agenten besteht, von denen jeder in der Lage ist, seine Umgebung wahrzunehmen und Maßnahmen zu ergreifen. Agenten können KI-Modelle, Softwareprogramme, Roboter und andere Recheneinheiten sein.

• Neurosymbolische KI ist eine Form der zusammengesetzten KI, die Methoden des maschinellen Lernens und symbolische Systeme kombiniert, um robustere und vertrauenswürdigere KI-Modelle zu erstellen. Sie bietet eine Argumentationsinfrastruktur zur effektiveren Lösung eines breiteren Spektrums von Geschäftsproblemen.

• Verantwortungsvolle KI (Responsible AI) ist ein Oberbegriff für Aspekte, die bei der Einführung von KI angemessene geschäftliche und ethische Entscheidungen treffen. Sie umfasst organisatorische Verantwortlichkeiten und Praktiken, die eine positive, verantwortungsvolle und ethische Vorgehensweise bei Entwicklung und Betrieb von KI sicherstellen.

Afraz Jaffri ist Director Analyst bei Gartner und konzentriert sich auf Analytik, Datenwissenschaft und KI. Er berät Führungskräfte im Bereich Daten und Analytik dabei, von ihren Investitionen in moderne Datenwissenschaft, maschinelles Lernen und Analyseplattformen zu profitieren.

Svetlana Sicular ist VP Analyst bei Gartner und beschäftigt sich mit der Schnittstelle von Daten und KI. Sie ist fest davon überzeugt, dass die Kombination aus Mensch und KI intelligenter ist als jede dieser Komponenten für sich allein. Frau Sicular engagiert sich intensiv dafür, Organisationen durch den Einsatz von KI Geschäftsideen zu realisieren und somit ihre digitale Transformation voranzutreiben.