HypeCycle für KI 2021

HypeCycle für KI 2021

Jedes Jahr freue ich mich auf den aktualisierten HypeCycle von Gartner. Die Gartner-Analysten befragen eine große Anzahl von Unternehmen, was sie verwenden und was sie verwenden möchten, und können daraus bestimmte Trends ableiten. Die Zukunft vorherzusagen ist außerordentlich schwierig. Als ich vor ein paar Jahren auf ihrer Konferenz war, prognostizierten sie stolz, dass die Menschen heute mehr mit Chatbots als mit echten Menschen kommunizieren würden. Zum Glück hat sich das nicht bewahrheitet. Chatbots befinden sich heute in der Welt im sogenannten Tal der Enttäuschung, und die Praxis hat bereits viele Schwächen klassischer Baum-Chatbots aufgezeigt.

Welche Trends sehen die Gartner-Analysten heute in der KI?

1. Operationalisierung von KI – heute benötigt eine durchschnittliche Organisation 8 Monate, um ein fertiges Modell in einer Produktionsumgebung einzusetzen. Das ist viel zu langsam, und so denken die meisten Unternehmen darüber nach, wie sie diese Zeit durch eine bessere Architektur verkürzen können. Eine der Lösungen ist ModelOps – das diese Zeit verkürzt + auch ein System zur Verwaltung und Steuerung des gesamten Lebenszyklus von KI enthalten kann.

2. Effektive Nutzung von Daten, Modellen und Berechnungen. In diese Gruppe fallen meine Lieblingskompositmodelle (hybride Modelle). Das heißt, die Kombination starker Modelle, typischerweise tiefen neuronalen Netzwerken, mit etwas, das gut erklärbar ist, wie ein Expertensystem. Auch generative KI fällt hierunter, die Datensätze mit synthetisch generierten Daten verbessert.

3. Verantwortungsvolle KI – KI hilft immer häufiger Menschen bei Entscheidungen, und damit wächst auch der Druck, Vorurteile zu verringern. Oft wird über Diskriminierung aufgrund von Rasse, Geschlecht, Alter, dem Viertel, in dem man lebt, und ähnlichem gesprochen. In der EU und den USA wird der Fokus auf Fairness, Transparenz, Sicherheit und Privatsphäre immer stärker.

4. Daten – immer mehr Aufmerksamkeit wird neuen Analysetechniken gewidmet, die als „kleine Daten“ und „breite Daten“ bekannt sind. Es geht darum, wie man die verfügbaren Daten effizienter nutzen kann. Zum Beispiel, wie man den Verlauf einer Epidemie vorhersagen kann, wenn man nur eine kurze Reihe hat (small data)? Wie man mehr Informationen aus verschiedenen unstrukturierten und vielfältigen Daten (wide data) gewinnen kann?

Quellen:

• https://www.gartner.com/en/articles/the-4-trends-that-prevail-on-the-gartner-hype-cycle-for-ai-2021
• https://signum.ai/blog/small-and-wide-data-is-important-and--relevant-is-the-era-of-big-data-coming-to-an-end/
• https://en.wikipedia.org/wiki/ModelOps

Ursprünglich veröffentlicht auf Facebook — Link zum Beitrag