Amal lehnt sich zurück und schaut auf ihr Notizbuch. Drei Seiten vollgeschrieben. Dazu vier Whiteboards voller Post-its aus dem Requirements-Workshop. Und irgendwo dazwischen stecken die Geschäftsobjekte, die sie für das neue Datenmodell braucht. „Diego", fragt sie, „wie lange hat das früher gedauert, bis du aus so einem Workshop wirklich wusstest, was modelliert werden muss?" Diego lächelt. „Früher? Manchmal eine Woche."
KI-Systeme benötigen perfekt strukturierte Daten, können aber die notwendigen Datenmodelle nicht selbst erstellen. Warum scheitert selbst die leistungsfähigste KI daran, zu verstehen, was ein "Kunde" oder ein "Produkt" in einem spezifischen Unternehmen bedeutet? Und warum ist genau diese Definitionsarbeit der Schlüssel zum Erfolg jeder KI-Implementierung?
Künstliche Intelligenz revolutioniert gerade nahezu jeden Geschäftsbereich. Doch bei aller Begeisterung für diese Technologien wird dabei oft ein fundamentales Paradox übersehen: KI benötigt hochwertige, strukturierte Daten, um überhaupt funktionieren zu können. Gleichzeitig ist ausgerechnet KI selbst nicht in der Lage, die Datenstrukturen zu schaffen, die sie zum Arbeiten braucht.
An EXASOL Webinar serie
We are back again after a long time, with a new webinar. The last one, we (Mathias and I) did together is almost four years ago. Time flies by! What's up this time?
The fictitious company FastChangeCoTM has developed a possibility not only to manufacture Smart Devices, but also to extend the Smart Devices as wearables in the form of bio-sensors to clothing and living beings. With each of these devices, a large amount of (sensitive) data is generated, or more precisely: by recording, processing and evaluating personal and environmental data.
Seite 1 von 8