Künstliche Intelligenz: Was wir heute wirklich von dem Hype erwarten können

Eines vorweg: Wenn Sie Daten sinnvoll für sich nutzen wollen, brauchen Sie keinen Hype, sondern Lösungen! Künstliche Intelligenz ist das neue Schlagwort in der Digitalisierungs-Debatte. Mit dem Schlagwort lässt sich viel Aufmerksamkeit generieren, denn wer möchte nicht ganz vorne mit dabei sein, wenn die Welt einen weiteren entscheidenden Schritt tut? Die Erwartungen sind mittlerweile riesig. Nicht zuletzt genau wegen dem großen Marketing-Hype rund um das Thema. Letztlich werden diese Erwartungen heute aber oft enttäuscht.

Letzte Woche, am Abend des 12. September, hatten wir eine rege Diskussion zum Thema Künstliche Intelligenz. Mit dabei waren Journalisten aus unterschiedlichen Bereichen, der Zukunftsforscher Sven Gabor Janszky und Dr. Frank Säuberlich aus unseren eigenen Reihen. Im Rahmen unseres ersten Teradata @DataTalk ist uns dabei aufgefallen: Es herrscht absolute Unklarheit darüber was Künstliche Intelligenz tatsächlich kann, und wie sie hinter den Kulissen wirklich funktioniert. Egal ob auf Unternehmensseite, Leserseite oder als derjenige der Texte verfasst: Bei Künstlicher Intelligenz sind die meisten im Nebel von Zukunftsvision und Realität gefangen. Schon die Abgrenzung des Themas zu anderen Datenanalyse-Bereichen ist schwer.

Zu wissen welche Analyse-Methoden hinter Künstlicher Intelligenz stecken und was sie leisten können, hilft dabei einen klaren Blick bei all den Marketing-Botschaften zu behalten, und sich dann für die Methoden zu entscheiden, die im eigenen Anwendungsfall die besten sind.

Einen solchen Einblick bietet die Blogserie von Martin Willcox & Dr. Frank Säuberlich. Sie sehen hinter den Marketing-Hype um Künstliche Intelligenz und Maschinelles Lernen, und helfen dabei die verschiedenen Analysemethoden einzuordnen. Ein Blick lohnt sich! Hier geht’s zu den Blogartikeln:

Teil 1: No, you can’t machine learn everything

Teil 2: Machine Learning goes back to Future

Teil 3: Discovery, Truth and Utility: Defining “Data Science”

Teil 4: Data Science vs. Data Engineering

Teil 5: Deep Learning: New Kid on the Supervised Machine Learning Block

Teil 6: Objectives and accuracy in machine learning

Teil 7: Occam’s razor and machine learning