Der Hype um generative KI: Fragen und Antworten mit Dr. Eric Siegel

Entdecken Sie, wie Sie bessere Software und Systeme in schnell wachsenden Umgebungen bereitstellen. Treten Sie unserer Community bei

Vergessen Sie Killerroboter! Dieses aufschlussreiche Gespräch trennt den KI-Hype von der Realität. Erfahren Sie, wie Unternehmen maschinelles Lernen einsetzen, um echte Probleme zu lösen, den Umsatz zu steigern und sich einen Wettbewerbsvorteil zu verschaffen.

An image showing 'The Interview with Eric Stegall' discussing the overhype of generative AI Featured Image

Wir werden mit Vorstellungen von einer superintelligenten KI bombardiert, die die Welt übernimmt – aber ist das realistisch?

In diesem Interview argumentiert Dr. Eric Siegel, ehemaliger Professor an der Columbia University, führender Berater für maschinelles Lernen und Autor von Das KI-Handbuch: Die seltene Kunst der Bereitstellung maschineller Lernmodelle meistern, dass prädiktive KI – auch bekannt als maschinelles Lernen in Unternehmen – einen konkreten Nutzen bietet, den generative KI bislang noch nicht nachweisen konnte.

Wir untersuchen, warum viele ML-Projekte scheitern und wie sich die Kluft zwischen Geschäfts- und Datenteams überbrücken lässt. Erfahren Sie, wie Unternehmen ML nutzen, um reale Herausforderungen zu bewältigen und sich einen Wettbewerbsvorteil zu verschaffen.

Warum glauben Menschen fälschlicherweise, dass KI so leistungsfähig wie Menschen werden oder möglicherweise eine tödliche Gefahr für die Menschheit darstellen wird?

Die von der künstlichen allgemeinen Intelligenz (AGI) versprochene Erfüllung unserer Wünsche – Software, die jede intellektuelle Aufgabe bewältigen kann, zu der Menschen fähig sind – ist so verführerisch, dass ihr kaum zu widerstehen ist. Indem wir die ultimative Macht erschaffen, erlangen wir als Wissenschaftler und Zukunftsforscher die ultimative Befriedigung unseres Egos.

Indem wir ein System entwickeln, das seine eigenen Ziele festlegt und sie autonom ebenso effektiv wie ein Mensch verfolgt, lagern wir unseren proaktiven Willen aus und verpflanzen ihn in einen neuen besten Freund der Menschheit, für den wir höchste Achtung empfinden und mit dem wir möglicherweise Mitgefühl entwickeln können. Indem wir eine neue Lebensform erschaffen, verwirklichen wir das gesamte bislang ungenutzte Potenzial unserer vielseitig einsetzbaren Maschinen namens Computer. Indem wir uns selbst neu erschaffen, erlangen wir Unsterblichkeit.

Indem wir eine einzige Lösung für alle Probleme schaffen, überschreiten wir jedes Maß finanzieller Belohnung und erlangen unendlichen Reichtum. Der ML-Vordenker und Manager Richard Heimann bezeichnet dies als den Trugschluss der Einzellösung. Anstatt die vielen Probleme der Welt eines nach dem anderen zu lösen, lösen wir sie alle auf einen Schlag mit der ultimativen Wunderwaffe.

Wir müssen uns keine Sorgen über globale Themen wie den Klimawandel, politische Instabilität, Armut oder Gesundheitskrisen machen. Sobald ein künstlicher Mensch entsteht, wird er sich vielmehr ständig weiterentwickeln, um zu einem Problemlöser zu werden, der so leistungsfähig ist, wie es die Menschheit je sein könnte.

Welche Strategie eignet sich, um die Kluft zwischen Fachleuten aus dem Geschäftsbereich und Datenfachleuten zu überbrücken, die den Erfolg von ML regelmäßig verhindert?

Hier liegt das Problem. ML ist die leistungsfähigste allgemein einsetzbare Technologie der Welt. ML kann groß angelegte Abläufe jedoch nur verbessern, indem es sie verändert. Daher sollte ein ML-Projekt nicht als „Technologieprojekt“ betrachtet werden. Stattdessen muss es, um Wirkung zu erzielen, als Geschäftsprojekt zur Verbesserung der betrieblichen Leistung neu definiert werden, bei dem ML nur eine Komponente ist – eine notwendige, aber nicht hinreichende.

Da sich die Aufmerksamkeit überwiegend auf den technischen Teil und dessen Umsetzung konzentriert, ist es der Branche nicht gelungen, eine weithin etablierte Geschäftspraxis für die Umsetzung der anderen Hälfte eines erfolgreichen ML-Projekts zu schaffen. Infolgedessen scheitern neue ML-Initiativen regelmäßig an der Einführung.

Meine Lösung dafür ist bizML, eine sechsstufige Methode zur Durchführung eines ML-Projekts, damit es erfolgreich eingeführt wird. In meinem neuesten Buch erfahren Sie mehr darüber.

Wie erklären Sie, dass die meisten ML-Projekte in Unternehmen nicht eingeführt werden, während eine ausgewählte kleine Gruppe enorme Erfolge erzielt?

Die Hauptursache für das Scheitern der meisten ML-Projekte ist ein Mangel an sorgfältiger Planung der Einführung – also der Planung der betrieblichen Veränderung, die durch die Integration eines prädiktiven Modells bewirkt würde. Da die Welt ML-Projekte als technische Projekte betrachtet, bei denen die fortschrittlichsten Berechnungen zum Einsatz kommen, wird angenommen, dass das technische Projekt einen Nutzen liefern wird. Das ist ein schwerwiegender Irrtum.

Der Nutzen wird nur durch *Veränderung* – und damit Verbesserung – groß angelegter Abläufe erzielt, die sich an den Vorhersagen eines ML-Modells orientieren.

Haben Sie eine kontroverse Einschätzung des übertriebenen Hypes um künstliche Intelligenz und dazu, warum kaum jemand fragt oder misst, wie gut KI-Technologie ist?

Das sind zwei unterschiedliche Aspekte. Was den Hype betrifft, lautet die vorherrschende Erzählung, dass wir auf dem Weg zur AGI sind. Das ist ein Mythos. Es ist der Roman, den Mary Shelley geschrieben hätte, wenn sie von Algorithmen gewusst hätte.

Was die Frage betrifft, warum wir nicht messen, wie *gut* KI ist – wie gut sie quantitativ funktioniert und wie viel geschäftlichen Nutzen sie abhängig von ihrer Einführung liefern könnte –, ist der Fokus fehlgeleitet.

eric siegel

Author's Tip

“Bei der Bewertung von ML-Modellen konzentrieren sich Datenwissenschaftler fast ausschließlich auf technische Kennzahlen wie Präzision, Trefferquote und Lift, eine Art Vorhersagemultiplikator (mit anderen Worten: Wie viel besser als Raten sagt das Modell voraus?). Diese Kennzahlen sind jedoch äußerst unzureichend. Sie zeigen uns die relative Leistungsfähigkeit eines prädiktiven Modells – im Vergleich zu einer Ausgangsbasis wie dem Zufallsraten –, liefern aber keine direkte Aussage über den absoluten geschäftlichen Wert eines Modells. Auch die gängigste Kennzahl, die Genauigkeit, fällt in diese Kategorie. (Außerdem ist sie in der Regel unangebracht und oft irreführend.)”

 

Stattdessen sollte der Fokus auf Geschäftskennzahlen liegen – etwa Umsatz, Gewinn, Einsparungen und der Anzahl gewonnener Kunden. Diese einfachen, aussagekräftigen Kennzahlen messen die grundlegenden Erfolgsaspekte. Sie stehen in direktem Zusammenhang mit den Geschäftszielen und machen den tatsächlichen Wert der unvollkommenen Vorhersagen sichtbar, die ML liefert. Sie sind zentral für den Aufbau einer dringend benötigten Brücke zwischen Geschäfts- und Datenwissenschaftsteams.

 

Leider lassen Datenwissenschaftler Geschäftskennzahlen trotz ihrer Bedeutung regelmäßig aus Berichten und Diskussionen weg. Stattdessen dominieren technische Kennzahlen die ML-Praxis – sowohl bei der technischen Umsetzung als auch bei der Berichterstattung über Ergebnisse an die Stakeholder.”

MIT Sloan Management Review

Wie setzen Organisationen ML in zahlreichen Branchen aktiv ein, um ihre Abläufe zu optimieren und Wettbewerbsvorteile zu schaffen?

ML sorgt auf unkomplizierte, wenn auch disruptive Weise für Innovationen. Lassen Sie sich von der Strahlkraft dieser glänzenden Technologie nicht von der Einfachheit ihrer grundlegenden Aufgabe ablenken: Bei den meisten geschäftlichen Anwendungen besteht der Zweck von ML darin, umsetzbare Vorhersagen zu liefern – weshalb es manchmal auch als prädiktive Analytik oder prädiktive KI bezeichnet wird.

Obwohl das Lernen aus Daten zur Erstellung eines Vorhersagemodells ebenso viel Bewunderung für den „Aha-Effekt“ verdient wie jede andere wissenschaftliche oder technische Meisterleistung, lässt sich diese Fähigkeit auf unkomplizierte Weise in greifbaren Nutzen umsetzen: Das Modell erzeugt Vorhersagewerte, die wiederum Millionen von betrieblichen Entscheidungen steuern.

Auf diese Weise hilft ML, einigen unserer größten Risiken zu begegnen – darunter Waldbrände, der Klimawandel, Pandemien und Kindesmissbrauch. Es steigert den Umsatz, senkt Kosten, verhindert Betrug, optimiert die Fertigung und stärkt das Gesundheitswesen.

Für weitere aufschlussreiche Interviews abonnieren Sie den Newsletter des CTO Club.

Katie Sanders

Als datenorientierte Content-Strategin, Redakteurin, Autorin und Community-Managerin unterstützt Katie technische Führungskräfte beim Erfolg. Mit 15 Jahren Erfahrung in der Tech-Branche vermittelt sie technischem Publikum praxisnahe Einblicke, damit Führungskräfte Klarheit gewinnen.

Follow the author:

You may also like