Die 4 wichtigsten Trends im Gartner Hype Cycle für KI, 2021

22. September 2021

Verfasst von: Laurence Goasduff

Während Fortschritte in den Bereichen Machine Learning, Computer Vision, Chatbots und Künstliche Intelligenz (KI) die Einführung vorantreiben, dominieren diese Trends in diesem Jahr den Hype Cycle.

Jetzt herunterladen: Roadmap für neue Technologien 2021–2023

Durch den Einsatz von natürlicher Sprachverarbeitung (NLP, natural language processing) und neuen Technologien wie generative AI, Wissensgraphen und Composite AI nutzen Unternehmen zunehmend KI-Lösungen, um neue Produkte zu entwickeln, bestehende Produkte zu verbessern und ihren Kundenstamm zu erweitern. 

Der Schwerpunkt für Unternehmen liegt jedoch darin, die Proofs of Concept (POCs) schneller in die Produktion zu überführen. Daher dominieren die folgenden vier Trends die diesjährige KI-Landschaft:

  • Operationalisierung von KI-Initiativen
  • Effiziente Nutzung von Daten, Modellen und Rechenleistung
  • Responsible AI
  • Daten für KI

Jetzt herunterladen: Verstärken Sie Ihr Ökosystem für künstliche Intelligenz (KI)

Der Hype Cycle von Gartner für Künstliche Intelligenz im Jahr 2021 beschreibt KI-spezifische Innovationen, die sich in verschiedenen Phasen der Ausgereiftheit, der Akzeptanz und des Hypes befinden.

Trend Nr. 1: Operationalisierung von KI-Initiativen

Für die meisten Unternehmen ist die kontinuierliche Bereitstellung und Integration von KI-Lösungen in Unternehmensanwendungen und Workflows ein komplexes Unterfangen. 

„Im Durchschnitt dauert es etwa acht Monate, bis ein KI-basiertes Modell in einen Geschäftsablauf integriert ist und einen greifbaren Wert liefert“, sagt Shubhangi Vashisth, Senior Principal Analyst bei Gartner. „Um jedoch das Scheitern von KI-Projekten zu reduzieren, müssen Unternehmen ihre KI-Architekturen effizient einsetzen.“

Gartner geht davon aus, dass bis 2025 70 % der Unternehmen aufgrund der raschen Ausgereiftheit von KI-Orchestrierungsinitiativen über operationalisierte KI-Architekturen verfügen werden. 

Unternehmen sollten für die Operationalisierung von KI-Lösungen die Operationalisierung von Modellen (ModelOps) in Betracht ziehen. ModelOps verkürzt die Zeit, die benötigt wird, um KI-Modelle von der Pilotphase in die Produktion zu überführen, mit einem prinzipiellen Ansatz, der ein hohes Maß an Erfolg gewährleisten kann. Sie bietet auch ein System für die Governance und das Management der Nutzungsdauer aller KI (Graphen, linguistische, regelbasierte Systeme und andere) und Entscheidungsmodelle. 

Trend Nr. 2: Effiziente Nutzung von Daten, Modellen und Rechenleistung

Da Unternehmen weiterhin Innovationen im Bereich der KI durchführen, müssen sie auch alle Ressourcen – Daten, Modelle und Datenverarbeitung – effizient nutzen. 

So geht es bei der zusammengesetzten KI derzeit darum, „konnektionistische“ KI-Ansätze wie Deep Learning mit „symbolischen“ KI-Ansätzen wie regelbasiertem Denken, Graphenanalyse, agentenbasierter Modellierung oder Optimierungstechniken zu kombinieren. Das Ergebnis der Kombination dieser Techniken (neben anderen) ist ein zusammengesetztes KI-System, das ein breiteres Spektrum von Geschäftsproblemen auf effizientere Weise löst.

Unternehmen können generative AI einsetzen, um originäre Medieninhalte, synthetische Daten und Modelle von physischen Objekten zu erstellen. So wurde beispielsweise mit Hilfe der generativen AI in weniger als 12 Monaten ein Medikament zur Behandlung von Zwangsneurosen entwickelt. Gartner schätzt, dass bis 2025 mehr als 30 % der neuen Medikamente und Materialien systematisch mit generativen AI-Techniken entdeckt werden.

Hören Sie jetzt zu: Hintergrund der Studie: Der Gartner Hype Cycle 

Trend Nr. 3: Responsible AI

Je mehr die KI menschliche Entscheidungen in großem Umfang ersetzt, desto mehr verstärkt sie die positiven und negativen Auswirkungen solcher Entscheidungen. Unkontrolliert können KI-basierte Ansätze Vorurteile aufrechterhalten, die zu Problemen, Produktivitäts- und Umsatzverlusten führen. 

Während Algorithmen aus Proxy-Parametern wie typischen Frauennamen oder Postleitzahlen mit der vorherrschenden Rassendemografie auf Rasse und Geschlecht schließen können, ist ein implizites Vorurteil nur schwer zu erkennen. So könnte ein Datenwissenschaftler beispielsweise übersehen, dass die Anzahl der Klicks auf der Website eine Diskriminierung aufgrund des Alters darstellen kann. KI kann eine stereotype westliche Hochzeit perfekt einordnen, ist aber gegenüber den Hochzeiten in Indien und Afrika unaufmerksam.

In Zukunft müssen Unternehmen KI-Systeme mit Fairness und Transparenz entwickeln und betreiben und sich um die Sicherheit, die Privatsphäre und die Gesellschaft als Ganzes kümmern. 

Trend Nr. 4: Daten für KI

 

30%+

By 2025, more than 30% of new drugs and materials will be systematically discovered using generative AI techniques.

Disruptionen wie die COVID-19-Pandemie führen dazu, dass historische Daten, die vergangene Bedingungen widerspiegeln, schnell veraltet sind und viele KI- und ML-Modelle in der Produktion nicht mehr funktionieren. 

D&A- und IT-Führungskräfte wenden sich nun neuen Analysetechniken zu, die als „Small Data“ und „Wide Data“ bekannt sind. Zusammengenommen sind sie in der Lage, die verfügbaren Daten effektiver zu nutzen, indem sie entweder mit geringen Datenmengen arbeiten oder mehr Wert aus unstrukturierten, vielfältigen Datenquellen ziehen.

Gartner geht davon aus, dass bis 2025 70 % der Unternehmen verpflichtet sein werden, ihren Schwerpunkt von Big Data auf Small Data und Wide Data zu verlagern, um mehr Kontext für Analysen zu schaffen und KI weniger datenabhängig zu machen.

Empfehlenswerte Ressourcen für Gartner-Kunden:*

Hype Cycle für KI, 2021

*Achtung: Einige Dokumente stehen möglicherweise nicht allen Gartner-Kunden zur Verfügung.

Steigern Sie die Leistung hinsichtlich Ihrer unternehmenskritischen Ziele.