KI im Betriebsalltag: Warum Unternehmen ihr Datenmanagement anpassen müssen

Nach wie vor ist Künstliche Intelligenz (KI) in aller Munde. Auch für Unternehmen werden die Technologien immer essenzieller und finden im geschäftlichen Kontext zunehmend Anwendung. Das verspricht Fortschritt und mehr Effizienz, konfrontiert Analysten und IT-Verantwortliche gleichzeitig jedoch mit neuen Hürden. Otto Neuer, Regional VP und General Manager bei Denodo, erklärt, warum Unternehmen ihre Datenmanagement-Strategien optimieren müssen, um diese zu überwinden und die Vorteile von KI vollumfänglich zu entfalten.

Generative KI (GenAI) und Large Language Models (LLMs) bieten viele Vorzüge bei der Verwaltung von Unternehmensdaten. Das wissen mittlerweile auch deutsche Unternehmen und setzen die Technologien vermehrt für diese Aufgabe ein. Dabei begegnen ihnen jedoch noch häufig Probleme und Herausforderungen, wie der Denodo Data Gap Report 2023 zeigt. Allen voran bereitet die Automatisierung von Prozessen in komplexen Umgebungen Schwierigkeiten, wie 24 Prozent der Befragten angeben, aber auch die effiziente Verwaltung des stetig steigenden Datenvolumens fällt vielen Unternehmen nicht leicht (20 Prozent). Hinzukommt, dass es häufig an ausreichend qualifiziertem Personal mangelt (21 Prozent), um Hindernisse wie diese mühelos zu bewältigen. Trotzdem naht Licht am Ende des Tunnels: Damit Unternehmen weiterhin Fortschritte im Umgang mit GenAI und LLMs erzielen können, müssen sie ihren Fokus auf zuverlässiges Datenmanagement legen. Das ist Voraussetzung, um selbst fortschrittlichste KI-Projekte erfolgreich und vollumfänglich zu nutzen. Ohne eine solide Grundlage im Umgang mit Daten besteht sonst die Gefahr, fehlerhafte oder nicht-normgerechte Ergebnisse zu erzeugen.

Im Zuge der voranschreitenden digitalen Transformation setzen viele Unternehmen deshalb bereits intelligente Datenmanagementstrategien ein. Diese sind jedoch meist noch nicht hinreichend ausgereift, um auch mit den riesigen und uneinheitlichen Datenmengen fertigzuwerden, die für KI-Systeme erforderlich sind. Gefragt ist deshalb vor allem eins: Umdenken.

Neue Arten von Daten benötigen neue Ansätze

Herkömmliche Methoden wie die Batch- oder Stapelverarbeitung in Data Warehouses entsprechen längst nicht mehr den modernen Anforderungen an das Datenmanagement und stehen gerade der Arbeit mit Echtzeitdaten im Wege. Behalten Unternehmen diese Ansätze trotzdem bei, bedeutet das in der Regel auf KI-Fortschritt zu verzichten.

Um das Potenzial von Generativer KI und LLMs hingegen vollständig ausschöpfen zu können, sollten Unternehmen proaktiv in moderne und leistungsfähige Datenmanagement-Systeme investieren. Dazu bestehen bereits einige erprobte Ansätze, die sich dank innovativer Maßnahmen deutlich von herkömmlichen Methoden absetzen und altbekannte Schwierigkeiten überwinden. Zusätzlich sollten Unternehmen den Einsatz von Architekturen wie Data Mesh in Erwägung ziehen oder vermehrt Datenkompetenz-Schulungen für Mitarbeitende anbieten, um datengestützte Entscheidungsfindung zu fördern.

Dabei ist besonders letzteres entscheidend. Die Komplexität des Datenmanagements in KI-basierten Umgebungen erfordert neben ausreichend Erfahrung auch die Bereitschaft, kontinuierlich dazu zu lernen. Deshalb ist es wichtig, dass technisch weniger erfahrene Mitarbeitende und Nutzende die nötige Unterstützung und Anleitung erhalten, um versiert mit KI-Modellen arbeiten zu können.

Datendemokratisierung dank KI-Integration

Für Unternehmen, die mit der neuen Datenkomplexität allein überfordert sind, können Datenmanagement-Anbieter den nötigen Rückhalt bieten. Hier bieten sich gerade der Einsatz von Self-Service-Datenmanagement-Lösungen an, die von LLMs unterstützt werden und zusätzlich mit Natural Language Queries ausgestattet sind. Sie erlauben selbst Nutzenden ohne SQL-Kenntnisse oder speziellem Wissen über die Datenspeicherung, selbstständig und sicher auf die von ihnen benötigten Daten zuzugreifen. Zusätzlich versorgt Generative KI sie auch mit entsprechenden Erklärungen und liefert den notwendigen Kontext, um die abgefragten Datenkonzepte einfach zu verstehen. Das erleichtert nicht zuletzt auch die Zusammenarbeit im Kollegium. Denn haben alle Team-Mitglieder Zugang zu denselben Daten und stehen auf dem gleichen Kenntnisstand, können sie gemeinsam schneller fundierte Entscheidungen treffen.

Darüber hinaus kann es für Unternehmen hilfreich sein, Modelle einzusetzen, die Muster in der bisherigen Datenverwendung der Anwender erkennen und den Nutzern darauf basierend andere relevante Datenquellen vorschlagen. Dies kann in Form von Empfehlungen wie „Andere Nutzer, die sich diese Datensätze angesehen haben, befanden diese ebenfalls als nützlich“ passieren. Diese Vorgehensweisen kann dabei nicht nur Geschäftsanwendern unter die Arme greifen, sondern auch Analysten und Data Scientists in ihrer Arbeit unterstützen und auf neue Datenerkenntnisse bringen. Im Laufe der Zeit lernt die KI aus den Interaktionen und kann anhand des Feedbacks der Nutzenden seine Vorschläge und Antworten präzisieren. Insgesamt verbessern Unternehmen mit Lösungen wie diesen den Zugang zu relevanten Daten in allen Firmenbereichen, erhöhen intern ihre Transparenz und können damit schlussendlich auch ihren Endkunden bessere Dienstleitungen anbieten.

KI ethisch nutzen

 Obwohl Generative KI und LLMs zweifelsohne großes Potenzial bergen und Unternehmen beachtliche Effizienzgewinne versprechen, kann die Nutzung auch unbeabsichtigte Folgen nach sich ziehen, die es zu vermeiden gilt. Deshalb müssen sich Unternehmen auch der ethischen Risiken von KI bewusst sein und sich entsprechend auf daraus resultierende Herausforderungen vorbereiten. Um den Einsatz von KI dauerhaft ethisch vertretbar zu gestalten und präzise Ergebnisse sicherzustellen, sollten zwei Aspekte unter allen Umständen berücksichtigt werden:

• Zum einen ist das der Faktor des regulatorischen Umfelds: Da viele Organisationen international aufgestellt sind, müssen sie sowohl auf nationaler als auch internationaler Ebene regulatorische Standards erarbeiten. Das gilt auch dann, wenn keine entsprechenden Vorgaben seitens der Regierungen vorliegen und Richtlinien lediglich freiwillig von den verschiedenen Sektoren übernommen werden. In beiden Fällen fungieren Standards als wichtige Wegweiser für Unternehmen und ihre Mitarbeitenden und erleichtern den ethischen Umgang mit KI sowie die Arbeit mit der Technologie. Bis sich einheitliche Vorschriften für die Nutzung von Künstlicher Intelligenz etabliert haben, müssen Unternehmen die von ihnen verwendeten Datensätze selbstständig überwachen und die nötigen Vorkehrungen treffen, um Verzerrungen, Fehler oder sogar Urheberrechtsverletzungen im Output von KI-Systemen zu verhindern.

• Zum anderen muss auch der Zugang zu Datenquellen berücksichtigt werden: Während der Trainingsphase der KI sollte ein möglichst breiter Zugang zu vielseitigen Datenquellen gewährleistet sein. Schließlich ist eine KI nur so gut, wie die Daten, die ihr zugrunde liegen. Je umfangreicher und diverser die zu diesem Zweck genutzten Datenquellen sind, desto zuverlässiger kann das KI-Modell schlussendlich arbeiten. Deswegen sind Datenmanagementplattformen für die nahtlose Datenintegration und -bereitstellung der Grundstein für gewissenhafte KI-Architekturen.

Fazit

Seitdem Generative KI Einzug in den Geschäftsalltag erhalten hat, hat sich viel getan. Auch zukünftig werden viele weitere spannende Entwicklungen folgen, die deutlich durch den Bedarf nach Echtzeit-Daten-Insights für informative und operative Zwecke geprägt sein werden. Das verlangt von Unternehmen vor allem, dass sie ihre Datenmanagementstrategien nicht nur modernisieren, sondern auch an die Anforderungen von KI-Systemen anpassen, um Datendemokratisierung zu erreichen und eine ethische Nutzung und zuverlässigen Output sicherzustellen. Bereits heute proaktiv Veränderungen im Datenmanagement herbeizuführen, kann dabei einen entscheidenden Vorsprung für die Zukunft bedeuten.