Big Data, Stream Processing, KI
Hürden bei der Einführung von Stream Processing und KI
Ververica identifiziert Engpässe und erfolgskritische Zusammenhänge
Aktuell wird viel darüber diskutiert, wie künstliche Intelligenz (KI) eingesetzt werden kann, insbesondere im Hinblick auf Stream Processing und Datenströme zwischen Systemen, Endgeräten und Echtzeitanwendungen. Da die Einführung von KI im Unternehmen einen entscheidenden Punkt erreicht hat, wird deutlich, dass Stream Processing und KI oft zusammenhängen und ähnliche Herausforderungen auftreten. Wie diese konkret aussehen und gemeistert werden können, berichtet das Software-Startup Ververica (ehemals data Artisans) aus Berlin.
KI und Echtzeitdaten sind eng miteinander verwoben und werden den Unternehmen künftig massive technologische Fortschritte bringen. Analysten und Branchenkenner argumentieren, dass jedes moderne Unternehmen im Grunde genommen bereits im Datengeschäft tätig ist und KI zukünftig benötigt, um Big Data zu bewältigen und die Daten zu verarbeiten, um sie zu verstehen und wirtschaftlich zu nutzen.
Ververica sieht unterschiedliche Verbindungen zwischen Stream Processing und KI. Deren gemeinsame Nutzung bietet Unternehmen, die mit immensen Mengen von Echtzeit-Ereignissen zu tun haben, eine einzigartige Gelegenheit. Beide Technologien beinhalten verteilte Elemente, sind in logischen Einheiten organisiert und unterstützen inkrementelle Updates sowie iterative Aufgaben. Last but not least, haben beide einen asynchronen Charakter.
Eine aktuelle Studie von O'Reilly Media ergab, dass die meisten Unternehmen planen, die IT-Budgets für KI-Projekte im Jahr 2019 zu erhöhen. Konkret: Mehr als 60 Prozent der Unternehmen planen, in den nächsten zwölf Monaten mindestens fünf Prozent ihres IT-Budgets für KI auszugeben, während ein Fünftel (19 Prozent) der Unternehmen planen, einen erheblichen Teil, mindestens 20 Prozent, ihres IT-Budgets in KI zu investieren.
Die gleiche Umfrage prognostiziert eine wachsende Kluft zwischen den Branchenführern und denjenigen Unternehmen, die in Bezug auf die KI-Nutzung zurückbleiben. Dies ist in erster Linie auf Engpässe zurückzuführen, mit denen einige Unternehmen konfrontiert sind, insbesondere in den folgenden vier Bereichen:
- Datenmangel
- Fachkräftemangel
- Unzeitgemäße Unternehmenskultur
- Schwierigkeiten bei der Identifizierung relevanter Anwendungsfälle
Interessanterweise haben sowohl Stream-Verarbeitung als auch KI nicht nur die gleichen Gemeinsamkeiten, die sie in ihrer Kombination einzigartig machen. Ebenso ergeben sich nach Meinung von Ververica die gleichen Herausforderungen und Engpässe bei der Einführung der beiden Innovationen in Unternehmen. Projektverantwortliche können diese Engpässe beseitigen, indem sie die richtigen Investitionen tätigen und die notwendigen Maßnahmen im Zusammenhang mit ihrer Datenarchitektur ergreifen.
Der von den Befragten zitierte „Datenmangel“ bezieht sich entweder auf ineffiziente Daten, um das maschinelle Lernen und die KI-Modelle und -Anwendungen im Unternehmen effektiv trainieren und pflegen zu können, oder – im Falle von Daten-Streaming – auf Fragen der Datenqualität. Die Einführung einer ereignisgesteuerten Datenstrategie mit Stream Processing und Apache Flink ermöglicht es Unternehmen, ihre Daten besser zu verstehen, zu transformieren und in Echtzeit anzureichern. Sie können wertvolle Erkenntnisse aus Ereignissen gewinnen, die aus Systemen, vernetzten Geräten oder Interaktionen zwischen Websites und mobilen Anwendungen generiert werden. Dies ist der neue Ansatz, anstatt die Daten in einem Data Lake zu speichern, um dann rückwirkend zu versuchen, Erkenntnisse zu gewinnen. Die Stream-Verarbeitung mit Apache Flink ermöglicht es Unternehmen, in Echtzeit auf Informationen zu reagieren, indem KI-Modelle und -Anwendungen iterativ werden und darauf reagieren, wie sich die Welt im Moment verändert.
Die Qualifikationslücke scheint nach Meinung von Ververica ein gemeinsamer Nenner für die Einführung von KI und Stream Processing im Unternehmen zu sein. Die gleiche, bereits erwähnte O’Reilly-Studie kommt zu dem Schluss, dass die Nachfrage nach Datenwissenschaftlern, Experten für maschinelles Lernen sowie Daten- und Infrastrukturingenieuren einer der am häufigsten genannten Gründe ist, die derzeit die Einführung von KI vielerorts ausbremsen. Um dies zu verhindern, müssen Unternehmen strategische Maßnahmen ergreifen und ihre Abteilungen und Teams sowohl auf technischer als auch auf kultureller Ebene verändern. Die Einführung von KI, ähnlich wie bei der Stream-Verarbeitung, erfordert Investitionen in die Fähigkeiten der Mitarbeiter, Schulungen und eine gemeinsame Kultur innerhalb des Unternehmens. Es gilt Datensilos zu minimieren und Daten für mehrere Teams, die an verschiedenen Projekten und Anwendungen arbeiten, zugänglich zu machen. Dadurch kann die Time-to-Market und die erfolgreiche Bereitstellung erheblich verkürzt werden.
Hürden bei der KI-Einführung
Die verbleibenden beiden Hürden, die der KI-Einführung im Wege stehen, beziehen sich auf die Unternehmenskultur und das Fehlen von identifizierten Anwendungsfällen. Wie bei jeder neuen Technologie müssen Führungskräfte im Bereich des Datenmanagements und der Analytik eine offene und integrative Kultur in ihren Teams annehmen, den Status quo hinterfragen und Wege finden, um das Potenzial der Teams zu nutzen, schneller und kostengünstiger Ergebnisse zu erzielen. Stream Processing und KI können zu einem Katalysator für organisatorische Veränderungen in der IT- und Datenabteilung werden: ein Prozess, der sich von Datensilos und hierarchischen Strukturen löst und die Daten-, Betriebs- und Produktteams zusammenführt. Ziel ist es, die Zeit, die für die Produktion von Echtzeitanwendungen, KI- und maschinellen Lernmodellen oder Deep-Learning-Algorithmen benötigt wird, deutlich zu reduzieren.
Da die Akzeptanz für KI im Laufe der Zeit wächst, wird die Identifizierung relevanter Anwendungsfälle für die Technologie einfacher werden, so Ververcia. Berichten zufolge nutzen Unternehmen bereits KI, um ihren Kundenservice, ihren Betrieb sowie andere Anwendungen und Anwendungsfälle in den Bereichen Finanzen, Buchhaltung, Marketing, Werbung und nicht zuletzt F&E zu unterstützen. Führungskräfte sollten sich darauf konzentrieren, die richtigen Fachkräfte zu finden, die praxisnahe Anwendungsfälle sowohl für Echtzeitdaten als auch für KI identifizieren und diese Projekte vorantreiben können.
