Die Erkenntnis im Datenhaufen

Daten sammeln ist nicht schwer. Wer die Analyse des McKinsey Global Institutes aus dem Jahr 2017 liest, kommt unweigerlich zu diesem Schluss. Das Unternehmen berechnete, dass allein im Jahr 2017 mehr Daten generiert worden seien als in den 5000 Jahren davor. Weiter prognostizieren die Forscher, dass sich die Datenvolumina alle drei Jahre verdoppeln werden. Wir sitzen also auf einem veritablen Datenhaufen.

Doch was kommt nach dem Sammeln der Daten? Die oben genannte Schlussfolgerung liesse sich ergänzen: Daten sammeln ist nicht schwer, Erkenntnisse gewinnen dagegen sehr. Denn längst nicht alle Unternehmen suchen in ihrem Datenhaufen nach Erkenntnissen. Olivier Verscheure, Executive Director des Swiss Data Science Center, findet dies "faszinierend und fast ein wenig beängstigend". Gerade traditionelle Unternehmen täten gut daran, Daten als strategische Anlage zu behandeln, sagt er im Interview, wie sie hier nachlesen können. Einfach wird dies nicht: Das ganze Unternehmen müsse mitmachen, und allein mit ein paar Pilotprojekten liessen sich Datenwissenschaften nicht einführen.

Wer ein Datenprojekt plant, kommt heutzutage um Technologien wie künstliche Intelligenz (KI) und maschinelles Lernen kaum mehr herum. Doch die KI-Modelle, mit denen ein Unternehmen arbeitet, sind nur so gut wie die Daten, mit denen sie trainiert wurden.

Simone Braun, Professorin für E-Commerce an der Hochschule Offenburg, und Dan Follwarczny, Business Development Manager bei Uniserv, nennen weitere Aspekte, die eine KI möglichst erfolgreich machen. Dies fängt bereits mit der Auswahl der passenden KI-Modelle an. Wird mit echten Daten trainiert, darf der Datenschutz nicht ausser Acht gelassen werden. Mehr dazu finden Sie hier.

Mit dem Konzept der "Composite AI" befasst sich Andreas Gödde, ­Director Business Analytics bei SAS DACH. Diesen Beitrag können Sie hier nachlesen. Laut Gödde handelt es sich dabei um ein integriertes, offenes KI-Ökosystem. Unternehmen erhielten dadurch jederzeit die passenden Funktionalitäten an die Hand, um spezifische Use Cases zu adressieren, bei einem gleichzeitig geringeren Implementierungsaufwand.