Das Jahr 2023 hält für Unternehmen neue Challenges, Trends, aber auch Chancen bereit: Chatbots der nächsten Generation, europaweite KI-Regulierung sowie neuste KI-Hardwareentwicklungen – das KI-Ökosystem verändert sich derzeit sehr schnell. Und in den nächsten Jahren werden neue, auf KI basierende Geschäftsmodelle zeigen, dass sich die aktive Nutzung von Daten in Kombination mit ML-Praktiken (Machine Learning) und KI bewähren. Wer in Zukunft davon profitieren möchte, muss jetzt Daten im Unternehmen als Ressource nutzbar machen und etablieren. Wir zeigen anhand aktueller Data Science & KI Trends, was schon heute möglich ist und welche Trends uns im Jahr 2023 und darüber hinaus erwarten.

Generative KI auf dem Vormarsch

Mit ChatGPT, StableDiffusion und Co. sorgten generative KI-Modelle im letzten Jahr für Schlagzeilen – und wird weiterhin ein zentraler Data Science & KI Trend in 2023 bleiben: Google plant ein Sprachmodell, das über 400 Sprachen spricht, OpenAI arbeitet bereits an seinem neuen Sprachmodell GPT-4, Anwendungen und Tools auf Basis großer KI-Modelle sprießen nahezu aus dem Boden. Generative KI-Modelle sind in der Lage, mithilfe eines Prompts (einer Anweisung) Texte oder Bilder zu erstellen, Zusammenfassungen zu schreiben, zu analysieren oder Programmiercode zu generieren. Modelle wie ChatGPT zeigen, wie Conversational AI helfen kann, bestimmte Fragestellungen spezifischer und schneller zu beantworten.

Große KI-Modelle zu trainieren, erfordert viel Rechenleistung und große Datenmengen. Daher ist die Erstellung solcher Modelle sehr komplex. Doch zeigen ChatGPT, StableDiffusion und Co., dass generative KI-Modelle schon heute in der Lage sind, echte Mehrwerte zu schaffen. Durch generative KI-Modelle lassen sich digitale Bilder und Illustrationen erzeugen, Suchmaschinenanfragen schneller beantworten sowie komplexe Texte erzeugen oder zusammenfassen.

KI-Hardware bis zur Edge

Mit der voranschreitenden Demokratisierung und Verbreitung von KI führen mehrere Faktoren zur Verlagerung von KI-Systemen zur Edge. Data Center bieten mit schneller und massiver Hardware die Möglichkeit, KI-Modellen schneller zu trainieren und zu nutzen, haben aber aufgrund ihres festen Standorts und eingeschränkter Konnektivität entscheidende Nachteile in verschiedenen Bereichen. Die Verfügbarkeit von kleineren Modellen und Edge KI-Hardware ermöglichen es, Engpässe wie Bandbreite oder Datenspeicherungsregularien zu überwinden und erlauben so neue Anwendungen „on the Edge“ durch Konzepte wie Federated Learning.

Der Aufstieg des Edge Computing lässt einen Markt für intelligente und reaktionsschnelle Geräte in Branchen wie dem Gesundheitswesen, Finanzwesen und produzierenden Industrie entstehen. Die aufgrund des geringeren Rechenbedarfs sinkenden Kosten fördern die Etablierung von Edge AI beispielsweise in intelligenten Lagerhäusern, in der Fertigung oder bei Versorgungsunternehmen. Positive Nebeneffekte dieses Data-Trends wie beispielsweise Energieeinsparungen und Reduzierung des CO₂-Fußabdrucks führen zu mehr Nachhaltigkeit im Einsatz von KI.

Es bedarf keiner komplexen KI-Prognosemodelle, um festzustellen: Das Jahr 2023 wird eine große Herausforderung für Unternehmen. Der Einsatz von Data Analytics & Künstlicher Intelligenz birgt großes Potential bei der Bewältigung künftiger und akuter Challenges. Lernen Sie anhand von 17 bewährten Use Cases, welche Lösungen sich in der Praxis bewähren. 

Kostenfrei herunterladen

Regulation von KI-Systemen

Trotz des enormen Potentials von KI Trends gibt es immer noch komplexe rechtliche und ethische Fragen zu klären. Eine Klage in den USA gegen Microsofts KI-Programmierassistenten „GitHub Copilot“ ist ein exemplarisches Beispiel für viele weitere Fälle, die noch kommen können. GitHub führte letztes Jahr einen KI-gestützten Programmierassistenten ein, der auf große Mengen von Open-Source-Code trainiert wurde – einschließlich solcher mit Lizenzen, die die Nennung der Urheber:innen vorschreiben.

In Europa führt die zunehmende Nutzung von KI-Anwendungen zu Reaktionen und Konsequenzen seitens der Europäischen Union:  Im Rahmen des European AI Act bemüht sich die EU um Auflagen zur Entwicklung und Nutzung von KI-Anwendungen unter Einhalt europäischer Normen und Werte. Unternehmen sollten sich daher jetzt schon mit den Auflagen und Rahmenbedingungen des EU AI Act auseinandersetzen, um in Zukunft KI weiterhin produktiv nutzen zu können.

Ethical und Explainable AI

Gerade bei sicherheitskritischen Anwendungen für KI ist es schon allein aus rechtlichen und ethischen Gründen enorm wichtig, algorithmische Entscheidungen nachvollziehen zu können. Man braucht nur an autonomes Fahren, Kreditscoring oder medizinischen Anwendungen zu denken: Welche Faktoren führen zu welchem Ergebnis – und ist das auch so gewünscht? Selbst bei weniger kritischen Entscheidungen spielt die Interpretierbarkeit des Modells eine Rolle: Sei es Vertrauen zu den Vorhersagen des Modells zu schaffen oder schlicht die Gründe für den Wert einer Prognose herauszufinden.

Methoden und Tools wie LIME, SHAP, CXPlain oder Global Surrogate Models ermöglichen es, ML-Modelle erklärbarer zu machen. Dieser Data Science Trend wird in den kommenden Jahren eine entscheidende Rolle spielen und den jetzigen Umgang mit KI deutlich verändern. In vielen Bereichen spielt XAI schon heute eine wichtige Rolle – beispielsweise in der KI-basierten Schadenabwicklung für Versicherungen, beim autonomen Fahren, bei Anwendungen von KI im Gesundheitsbereich oder schlicht für die Vertrauensbildung in ein gewisses KI-Modell.

Adaptive KI-Systeme

Adaptive KI-Systeme sind – anders als herkömmliche Systeme – in der Lage, sich den Veränderungen der realen Welt anzupassen. Durch Anpassungen des Codes, gewisser Modellparameter oder Bausteine innerhalb einer MLOps-Pipeline sind diese KI-Modelle besonders flexibel einsetzbar. AutoML, Model Retraining oder anderer Mechanismen innerhalb der Laufzeit- und Entwicklungsumgebungen machen adaptive KI-Systeme anpassungs- und widerstandsfähiger gegenüber Veränderungen. Die Kombination verschiedener Methoden wie Agent-based Learning und Techniken wie Reinforcement Learning ermöglichen KI-Systemen, ihr Verhalten an veränderte reale Umstände anzupassen.

Durch das Erlernen von Verhaltensmustern aus früheren menschlichen und maschinellen Erfahrungen sowie innerhalb von Laufzeitumgebungen liefert die adaptive KI schnellere und bessere Ergebnisse. Ein einfaches Beispiel für eine adaptive KI ist ein Lernsystem, das den Lernstoff und die Lerngeschwindigkeit individuell an den Lernenden anpasst und so effektiver und effizienter fördern kann. Unternehmen, die in die Entwicklung adaptiver KI-Systeme investieren, können langfristig von ML-Modellen mit konsistenter Performance profitieren und durch MLOps-Praktiken einen kürzeren Product Lifecycle für ML-Modelle erzielen.

Wir hoffen, dass Ihnen dieser Artikel über die neuesten Data Sciene und KI Trends informative Einblicke gegeben hat. Falls Sie Interesse an der Umsetzung von Data Science und KI-Lösungen für Ihr Unternehmen haben oder weitere Fragen haben, stehen wir Ihnen gerne zur Verfügung. Kontaktieren Sie uns jederzeit für eine unverbindliche Beratung.