KI unterstützt eher die semantische Ebene, die Erstellungsebene und die Datenmodellebene, nicht die Materialität oder Analytik. #Datenanalyse #itwelt #roundtable #bi #ki #businessintelligence #nemogmbh #COSMOCONSULT #tietoevry #bytesource #wienit #ibm Ganzer Roundtable: https://itwelt.at/news/roundtable-business-intelligence-mit-ki-die-eigenen-daten-optimal-nutzen/
source
Dauer: 00:00:54
Inhalt:
Die erste Begegnung von meinen internen und externen Kunden oder die Erwartung KI mit BI war die Täuschung. Der Grund dahinter ist ganz simpler. Da kipst du das schlechte Zahlenmaterial rein und hinten schaut im Vorcast, der in der Breite war von -1 Million bis + 1 Million, also in der Klasse nicht verwendbar, kommt dann 2,99 und die Wahrheit ist dann 300. Das heißt, das erste, was man an vielen Stellen tun muss, ist malinander dividieren. Und äh das, was KI für B tun kann oder machen kann, muss man relativ detailliert erklären. Es sind nicht aber Anwendungsfälle an der Materialität, an der Analytik, sondern es ist eher die semantische Ebene, die Erstellungsebene, die Datenmodellebene, wo ich das unterstützen kann. Und das war bei vielen Kunden am Anfang eine Enttäuschung, weil sie geglaubt haben, da kommt jetzt die Wundermaschine um die Ecke, die die Probleme löst, indem ich ihnen zwei Tata Frames gebe und sag, mach mal. Und das ist halt an der Stelle tatsächlich nicht passiert.
Management Zusammenfassung
In der Einleitung zur Implementierung von Künstlicher Intelligenz (KI) in den Bereichen Business Intelligence (BI) begegneten unsere internen und externen Kunden einer ernüchternden Realität. Die anfänglichen Erwartungen, die mit der Einführung von KI und BI verbunden waren, führten oft zu Enttäuschungen. Das zugrunde liegende Problem war simpel: Die Qualität der eingespeisten Daten war oft unzureichend.
Ein Beispiel verdeutlicht dieses Dilemma: Wenn man ungenaue Zahlen in ein prognostisches Modell einspeist, kann das Ergebnis unzuverlässig sein – in einem Fall von -1 Million bis +1 Million. Obwohl das Ergebnis eines Berechnungsprozesses 2,99 ergab, wäre die tatsächliche Wahrheit bei 300 gewesen. Dies macht deutlich, dass eine grundlegende Datenbereinigung und -validierung notwendig ist, bevor man auf KI-Lösungen vertrauen kann.
Zudem war es entscheidend, dass viele Kunden anfangs nicht realisierten, dass die Anwendung von KI nicht einfach durch das Einfüttern von Datenframes in ein System geschehen kann. KI kann nicht als Allheilmittel angesehen werden, das automatisch alle Probleme löst, nur weil man ihm die Daten zur Verfügung stellt. Die Realität ist komplizierter und erfordert eine präzisere Erklärung, was KI in Bezug auf BI tatsächlich leisten kann oder sollte.
Besonders hervorzuheben ist, dass die Möglichkeiten von KI nicht auf oberflächliche analytische Anwendungen beschränkt sind. Vielmehr sind sie in den Bereichen der semantischen Verarbeitung, der Erstellung von Modellen und der Unterstützung beim Datenmodell entscheidend. Diese tiefere Ebene der Interaktion und Anpassung ist für den erfolgreichen Einsatz von KI notwendig.
Zusammenfassend lässt sich feststellen, dass der erste Schritt zur erfolgreichen Integration von KI in BI nicht nur darin besteht, die Technologie selbst zu implementieren, sondern vielmehr in der notwendigen Begleitmaßnahme der Datenqualität und dem Verständnis der technologischen Möglichkeiten. Es gilt, realistische Erwartungen zu setzen und eine tiefgehende, analytische und semantische Auseinandersetzung mit den Daten zu fördern, um den maximalen Nutzen aus KI-Lösungen zu ziehen.
