Thought Leadership
Mit der generativen KI stellen Unternehmen höhere Erwartungen an ihre Daten- und KI-Initiativen. Gleichzeitig kostet eine schlechte Datenqualität mindestens 30 Prozent des Umsatzes.
Die Bedeutung von Data Governance kann im heutigen dynamischen Kontext nicht übersehen werden – sie ist ein notwendiges Erfordernis für die Umsetzung von KI-Initiativen. Gute KI geht mit guten Daten einher. Ohne eine angemessene Governance können Unternehmen keine guten Daten gewinnen. Da bei der industriellen KI so viel auf dem Spiel steht, sind schlechte Daten kein Erfolgsrezept: Das Versprechen der KI lässt sich nicht durch eine verkürzte Governance realisieren.
Die Branche muss neu definieren, was Governance im Zeitalter der generativen KI für sie bedeutet – und einen umfassenden Ansatz einführen, der bei der Datenverwaltung beginnt und sich auf die gesamte Entwicklung von KI erstreckt. Der Begriff Data Governance ist jedoch so unscharf geworden, dass Unternehmen Schwierigkeiten haben, zu definieren, was er für sie bedeutet und wie sie einen Mehrwert für das Unternehmen schaffen können. Noch dazu stellt sich die Frage, wie der Begriff sich von Compliance-Initiativen unterscheidet.
Data Governance wirkt sich auf jede Facette eines Unternehmens aus und ist für die wichtigsten Stakeholder, insbesondere diejenigen mit KI-Anwendungen wichtig. Dies lässt sich am Lebenszyklus eines Produkts, den Prozessen und den Menschen, deren Arbeit von einer starken Data-Governance-Strategie beeinflusst werden, am besten nachvollziehen.
Bessere Kundenerlebnisse schaffen
Wenn die Data Governance eng mit dem Datenmanagement verzahnt wird, lässt sich das Szenario eines Gerätausfalls durch schlechte Datenqualität verhindern. Die Durchsetzung strenger Datenintegritätsprüfungen bei jedem Schritt ist von entscheidender Bedeutung. Dies hilft Unternehmen dabei bessere Entscheidungen zu treffen, die Produkte in einem optimalen Betriebszustand zu halten und das beste Kundenerlebnis zu bieten.
Agile Lieferketten orchestrieren
Gute Data Governance-Praktiken fördern die Zusammenarbeit, anstatt sie zu behindern. Sie stellen sicher, dass jeder über die richtigen Daten verfügt, um genauere Aussagen treffen zu können. Ein starker, zuverlässiger Datenaustausch zwischen internen und externen Beteiligten liefert genauere und aussagekräftigere Analysen. Andernfalls erstellt jede Funktion ihre eigene Version der Realität, anstatt sich ein vollständigeres Bild des Unternehmens zu machen. Um eine robuste und nachhaltige Lieferkette aufzubauen, müssen sich Unternehmen noch stärker auf Data Governance konzentrieren, die sich nahtlos in ihr gesamtes Unternehmen und Ökosystem einfügt.
Intelligentere Fertigung mit gesteuerter KI
KI-Systeme in der Fertigungsindustrie werden für die Entscheidungsfindung hauptsächlich auf unstrukturierten Daten von Sensoren, Bildern, Videos, Texten, Dokumenten und komplexen Systemen trainiert. Bei geschäftskritischen Anwendungsfällen, die sich auf Sicherheit, Qualität und Produktivität auswirken, können die Kosten für schlechte Vorhersagen viel Budget verschlingen. Die Branche braucht einen umfassenden Governance-Ansatz, der bei der Datenverwaltung beginnt und sich auf die gesamte Entwicklung von KI erstreckt.
Bessere Produkte mit umfassender Datenermittlung und -abgrenzung
Ein wichtiger Anwendungsfall der generativen KI besteht darin, die Struktur der Daten kontinuierlich zu erlernen, um sich an die einzigartige Organisationsstruktur eines Unternehmens anzupassen. Ein Bereich, der davon profitieren wird, sind technische Simulationen und Prozesse, um Daten aus realen Umgebungen zu nutzen. Wiederholende Aufgaben in Designprozessen lassen sich dann rationalisieren und eine stärkere Datenzusammenarbeit zwischen disziplinübergreifenden Teams fördern.
Demokratisierung von Daten und KI mit effektiverer Governance
Eine wirksame Daten- und KI-Governance führt zu besseren Entscheidungen, und zwar auf jeder Stufe der Wertschöpfungskette und in jedem Winkel des Unternehmens. Die folgenden fünf Fragen sollten sich Führungskräfte stellen, um dies zu erreichen.
1. Datenqualität: Die Daten in der Branche werden immer unstrukturierter und vielfältiger (Anwendungen, IoT-Geräte, Telemetrie, Bilder/Videos usw.). Wie skaliert das Unternehmen seine Datenkuratierungsprozesse und stellt inmitten dieser zunehmenden Komplexität hochwertige Datenprodukte für ein breiteres Spektrum von Nutzern bereit?
2. Governance von KI: Die meisten KI-Arbeiten finden im Bereich unstrukturierter Daten statt. Ist die Strategie des Unternehmens auf die Governance von Werkzeugen in der End-to-End-Entwicklung von KI ausgerichtet (z. B. Funktionen, Modelle, unstrukturierte Daten)?
3. Zusammenarbeit: Es besteht ein ständiger Bedarf an der Demokratisierung von Informationen für mehrere Abteilungen: Marketing, Aftersales, Betrieb, Fertigung, F&E und sogar externe Geschäfts- und Lieferkettenpartner. Wie ermöglicht der Governance-Ansatz des Unternehmens dieses Maß an Zusammenarbeit mit internen und externen Interessengruppen?
4. Sicherheit: Die Landschaft der vertraglichen, rechtlichen, behördlichen und branchenspezifischen Praktiken im Zusammenhang mit KI wird immer umfangreicher. Welche Maßnahmen lassen sich ergreifen, um sicherer zu demonstrieren, dass die Nutzung von Daten und KI im Unternehmen mit den Erwartungen des Marktes und der Branche übereinstimmt?
5. Reproduzierbarkeit: KI unterstützt zeitkritische Entscheidungen, die zu greifbaren, realen Ergebnissen in Bezug auf Sicherheit, Zuverlässigkeit, Effizienz und Produktivität führen. Wie gewinnt das Unternehmen angesichts der zunehmenden Innovationsgeschwindigkeit und Komplexität der Modelle einen umfassenderen Überblick über die gesamte Datenkette, um die Erklärbarkeit und Reproduzierbarkeit seiner KI-Systeme im Laufe der Zeit zu verbessern?
Shiv Trisal, GTM Director Global Manufacturing & Energy bei Databricks, www.databricks.com
