Gartner und Bitkom zu KI und Big Data

5 Trends von Gartner zu KI und Big Data

Gartner hat zentrale Trends analysiert, die die Zukunft von Data Science und Machine Learning (DSML) prägen sollen. Laut dem Marktforschungsunternehmen wächst die Branche derzeit rasch, weil Daten für das Fortschreiten der Künstlichen Intelligenz (KI) immer wichtiger werden. Vor allem verlagert sich der Fokus der Investitionen auf generative KI-Anwendungen.

»Mit der schnellen Verbreitung von Machine Learning in allen Branchen wandelt sich Data Science und Machine Learning. Der Fokus verschiebt sich von Vorhersagemodellen hin zu einer breiteren, dynamischeren und datenzentrierten Disziplin. Dieser Wandel wird durch die Begeisterung für generative KI noch verstärkt. So entstehen zwar potenzielle Risiken, aber auch viele neue Möglichkeiten und Anwendungsfelder für Data Scientists und Unternehmen«, so Peter Krensky, Director Analyst bei Gartner.

Trend 1: Cloud-Daten-Ökosysteme

Als ersten Trend im Bereich Data Science und Machine Learning listet Gartner jedoch die weitere Cloud-Entwicklung: Datenökosysteme entwickeln sich von eigenständiger Software oder gemischten Bereitstellungen hin zu vollständigen Cloud-nativen Lösungen. Gartner geht davon aus, dass bis 2024 50 Prozent der neuen Systemimplementierungen in der Cloud auf einem zusammenhängenden Cloud-Daten-Ökosystem basieren werden und nicht auf manuell integrierten Punktlösungen.

Gartner empfiehlt Unternehmen, Datenökosysteme auf der Grundlage ihrer Fähigkeit zu bewerten, verteilte Datenherausforderungen zu lösen sowie auf Datenquellen außerhalb ihrer unmittelbaren Umgebung zuzugreifen und diese zu integrieren.

Trend 2: Edge-KI

Die Nachfrage nach Edge-KI steigt, um die Verarbeitung von Daten am Entstehungsort zu ermöglichen und Unternehmen dabei zu helfen, Erkenntnisse in Echtzeit zu gewinnen, neue Muster zu erkennen und strenge Datenschutzanforderungen zu erfüllen. Edge-KI hilft Unternehmen außerdem, die Entwicklung, Orchestrierung, Integration und Bereitstellung von KI zu verbessern.

Gartner prognostiziert, dass bis 2025 mehr als 55 Prozent aller Datenanalysen durch tiefe neuronale Netze am Ort der Erfassung in einem Edge-System stattfinden werden, während es 2021 noch weniger als 10 Prozent waren. Unternehmen sollten die Anwendungen, das KI-Training und Inferencing identifizieren, die für den Wechsel zu Edge-Umgebungen in der Nähe von IoT-Endpunkten erforderlich sind. Inferencing ist ein wesentlicher Bestandteil vieler Anwendungen der künstlichen Intelligenz, einschließlich Spracherkennung, maschinellem Übersetzen, Robotik und Diagnose von medizinischen Bildern. Es ermöglicht künstlichen Intelligenzsystemen, auf Grundlage von vorhandenem Wissen und Daten auf neue Situationen zu reagieren und Entscheidungen zu treffen. Wird beispielsweise ein Hundebild gezeigt, das das KI-Modell nicht kennt, kann es aufgrund seines angelernten Wissens ableiten, dass es sich bei dem abgebildeten Tier um einen Hund handelt.

Trend 3: Verantwortungsvolle KI

Verantwortungsvolle KI macht KI zu einer positiven Kraft und nicht zu einer Bedrohung für die Gesellschaft und für sich selbst. Sie umfasst viele Aspekte der richtigen geschäftlichen und ethischen Entscheidungen bei der Einführung von KI, die Unternehmen oft unabhängig voneinander angehen, wie geschäftlicher und gesellschaftlicher Wert, Risiko, Vertrauen, Transparenz und Verantwortlichkeit.

Gartner empfiehlt Unternehmen, einen risikoadäquaten Ansatz für die Bereitstellung von KI-Werten zu wählen und bei der Anwendung von Lösungen und Modellen vorsichtig zu sein. Kunden sollten sich von den Anbietern versichern lassen, dass sie ihre Risiko- und Compliance-Verpflichtungen einhalten, um Unternehmen vor potenziellen finanziellen Verlusten, rechtlichen Schritten und Reputationsschäden zu schützen.

Trend 4: Datenzentrierte KI

Datenzentrierte KI bedeutet eine Abkehr von einem modell- und codezentrierten Ansatz hin zu einer stärkeren Datenorientierung, um bessere KI-Systeme zu entwickeln. Lösungen wie KI-spezifisches Datenmanagement, synthetische Daten und Data Labelling Technologies zielen darauf ab, viele Herausforderungen in Bezug auf Daten zu lösen, darunter Zugänglichkeit, Volumen, Datenschutz, Sicherheit, Komplexität und Umfang.

Der Begriff »Data Labelling Technologies« (Technologien zur Datenbeschriftung) bezieht sich auf die Prozesse und Technologien, die verwendet werden, um Daten zu annotieren oder zu beschriften, sodass sie von KI-Algorithmen leichter verarbeitet und verstanden werden können. Datenbeschriftung ist ein wichtiger Schritt in der Entwicklung von KI-Modellen, da diese Modelle normalerweise auf großen Mengen an korrekt beschrifteten Daten trainiert werden müssen, um gute Ergebnisse zu erzielen.

Die Verwendung generativer KI zur Erstellung synthetischer Daten ist ein Bereich, der schnell wächst und die Beschaffung von realen Daten erleichtert, damit maschinelle Lernmodelle effektiv trainiert werden können. Gartner sagt voraus, dass bis 2024 60 Prozent der Daten für KI synthetisch sein werden, um die Realität und Zukunftsszenarien zu simulieren und die KI zu entschärfen – im Vergleich zu 1 Prozent im Jahr 2021.

Trend 5: Beschleunigte KI-Investitionen

Die Investitionen in KI werden sich weiter beschleunigen, sowohl bei Unternehmen, die Lösungen implementieren, als auch bei Branchen, die durch KI-Technologien und KI-basierte Unternehmen wachsen wollen. Gartner prognostiziert, dass bis Ende 2026 mehr als 10 Milliarden US-Dollar in KI-Startups investiert werden, die sich auf Basismodelle stützen – große KI-Modelle, die auf riesigen Datenmengen trainiert wurden.