Kommentar von Sukant Acharya, Head of Physical AI at HCLTech

Wie können Unternehmen KI implementieren ohne das Risiko einzugehen , dass diese Implementation zu Problemen und/oder Fehlern führt?

Das Streben nach Null-Risiko oder Fehlerfreiheit ist ein utopisches Ziel. Die Implementierung nützlicher Funktionen geht immer mit einem gewissen Risiko einher. Auch ohne KI sind menschliche Aktivitäten nicht frei von Fehlern, daher sollte sich der Vergleich zwischen KI-Implementierung und durch KI verursachten Fehlern eher auf die Wahrscheinlichkeit und die Auswirkungen konzentrieren. Um KI erfolgreich zu implementieren, sollten Unternehmen zunächst Risikoschwellen für jeden Anwendungsfall festlegen und die Risiken potenzieller Probleme bei der Einführung von KI verstehen. Beispielsweise hat eine falsch weitergeleitete Chatbot-Antwort nur geringe Auswirkungen, während eine Fehlklassifizierung beim autonomen Fahren fatale Folgen haben kann. Bei der Konzeption und Implementierung von Sicherheitsvorkehrungen spielt deshalb der Kontext eine wichtige Rolle.

Unternehmen sollten vier praktische Hebel einsetzen, um sowohl die Wahrscheinlichkeit eines Fehlers als auch dessen Auswirkungen im Falle eines Problems wirksam zu reduzieren.

Zunächst müssen Unternehmen eine robuste Datenbasis aufbauen und dann eine mehrschichtige Architektur anwenden, die nicht nur fortschrittliche Analysen unterstützt, sondern auch die Erkenntnisse für Endnutzer vereinfacht. Beispielsweise können ein Empfehlungsagent, ein Prüfer und ein endgültiger Entscheidungsagent miteinander verkettet werden. Regeln und Schwellenwerte auf jeder Ebene helfen dabei, Fehler herauszufiltern, die einzelne Modelle möglicherweise übersehen. Die ständig sinkenden Rechen- und Inferenzkosten machen dies zu einer praktischen Option für kritische Anwendungen.

Zweitens sollten sie den Menschen so lange einbeziehen, bis sich das System als zuverlässig erwiesen hat. KI lernt schneller als menschliche Auszubildende, doch die menschliche Aufsicht während der Anlaufphase verringert das Risiko von KI-generierten Fehlern.

Drittens müssen Unternehmen darauf achten, KI bereits in der Entwurfsphase verantwortungsvoll zu implementieren. Dies hilft, Vorurteile, die Qualität der Trainingsdaten sowie die Halluzinationsrisiken vor der Bereitstellung zu minimieren.

Schließlich sollten sich Unternehmen bei der Implementierung physischer KI auf hochpräzise Simulationen verlassen. Dazu gehören Szenarien, in denen das Modell so gestaltet, produziert, verwendet und gewartet wird, wie es vorgesehen ist, um die Leistung virtuell zu validieren, bevor es in den Live-Betrieb geht. Bei spezialisierten und sich wiederholenden Arbeiten erzielt moderne KI oft weniger Fehler als Menschen, und vernetzte Agenten lernen voneinander und von Menschen, um die Schwellenwerte für Genauigkeit und Zuverlässigkeit sehr schnell zu übertreffen. Dadurch werden sowohl die Fehlerquote als auch die Auswirkungen, wenn Fehler auftreten, drastisch reduziert.

Der Aufstieg KI-nativer Unternehmen: Erläutern Sie, warum Unternehmen von der Nutzung physischer KI zur Effizienzsteigerung dazu übergehen, sie zur Schaffung von Umsatzmodellen einzusetzen.

AI-native sollte nicht bedeuten, dass KI auf Kosten des Zwecks an erster Stelle steht, sondern dass Unternehmen KI als wesentlichen Bestandteil zur Erfüllung ihrer Kernaufgabe betrachten. Der richtige Ansatz ist, Produkt und Zweck an erste Stelle zu setzen und KI in den Mittelpunkt der Produktgestaltung, der Nutzung von Vermögenswerten und der Abwicklung von Kernprozessen zu stellen.

Die Wertschöpfung für Umsatzmodelle erfolgt an zwei Fronten. Unter dem Strich reduzieren autonome Abläufe Verschwendung, verkürzen Zykluszeiten und senken Kosten. Bei den Umsatzerlösen sind drei Hebel von Bedeutung.

Ein Hebel zielt darauf ab, schnellere und bessere Produkte herzustellen. Dazu gehören vernetzte Forschung und Entwicklung sowie Simulationen, um die Markteinführungszeit zu verkürzen und Funktionen schnell an die Nachfrage anzupassen, was zum Wachstum des Marktanteils beiträgt.

Der zweite Hebel betrifft die Massenanpassung in großem Maßstab. Vernetzte Akteure über Funktionsgrenzen hinweg in einem Unternehmen erfassen Präferenzen und Nachfragemuster in komplexen Marktdynamiken schneller und besser. Simulationen ermöglichen schnelle Was-wäre-wenn- und Wenn-was-Analysen und helfen dabei, die Angebotsseite dynamisch neu zu konfigurieren, um der individuellen Nachfrage nach Produkten und Dienstleistungen gerecht zu werden. Personalisierung wird erschwinglicher und zum Mainstream werden, was den etablierten Unternehmen der Branche ein enormes Potenzial zur Eroberung des Marktes eröffnet.

Der dritte Hebel sind intelligente Produkte, die sich selbst überwachen und selbst reparieren. Wenn Produkte intelligent werden und ihre verbleibende Lebensdauer und ihren Servicebedarf kommunizieren, können Unternehmen „Product-as-a-Service“ und andere wiederkehrende Modelle anbieten, die früher nur in wenigen Fällen funktioniert haben.

Neben diesen Hebeln sollten Sie den Menschen im Loop behalten, da menschliche Aufsicht das Vertrauen stärkt, die Modellverbesserung vorantreibt und sicherstellt, dass das Unternehmen auch bei der Skalierung der KI seinem Zweck treu bleibt. Ein KI-natives Unternehmen treibt seine Mission voran, indem es KI einbindet, um den Kundennutzen und das Wachstum zu steigern und gleichzeitig die Kosten zu optimieren.

Was sind einige Beispiele für den erfolgreichen Einsatz von Robotern und physikalischer KI in verschiedenen Branchen?

Im Gesundheitswesen und in den Biowissenschaften werden physikalische KI und Laborrobotik eingesetzt, um die Arzneimittelentwicklung in ausgewählten Programmen von Jahren auf Monate zu verkürzen. Biologie, Chemie und Hochdurchsatz-Experimente werden ebenfalls mit KI-Simulationen vereint, sodass präklinische, formulierungstechnische und klinische Studien datenreicher und effizienter werden.

Hersteller verlassen sich auf digitale Simulationen, um Produktvarianten, Personalbesetzung, Änderungen an Arbeitsplätzen und Durchsatz virtuell zu testen, und das zu einem Bruchteil der Zeit und Kosten, die für physische Prototypen anfallen würden. Automobilwerke nutzen dies, um Brownfield-Linien, die Zusammensetzung der Belegschaft und Qualitäts-Hotspots zu optimieren.

Darüber hinaus setzen Betriebsteams wahrnehmungsbasierte KI für Qualität und Produktivität ein. Bild-, Akustik- und Vibrationsdaten decken zuordenbare Ursachen in Echtzeit auf. Und Städte und große Einrichtungen nutzen ähnliche Wahrnehmungssysteme, um Feuerwerkskörper von Schüssen zu unterscheiden, riskante Menschenansammlungen zu erkennen und Warteschlangen an Flughäfen durch dynamische Spurzuweisung zu verwalten. Was diese Fälle verbindet, ist die Fähigkeit, im virtuellen Raum zu experimentieren, zu lernen und sich anzupassen, um dann mit größerer Zuversicht und geringerem Risiko in der realen Welt zu handeln.

Was sind die wichtigsten Beobachtungen und langfristigen Auswirkungen in verschiedenen Sektoren?

Kurzfristig erwarten wir eine Umverteilung von Arbeitsplätzen und einen Wandel der erforderlichen Qualifikationen. Langfristig zeigt die Geschichte, dass Produktivitätssteigerungen mit einer steigenden Nachfrage einhergehen. Infolgedessen werden die BIP-Ergebnisse positiv ausfallen, und die Beschäftigung kann mit dem Aufkommen neuer Dienstleistungen wachsen.

Die klassische lineare Wertschöpfungskette wird einer konvergierten Wertschöpfungsmaschine weichen. Intelligente Anlagen, Agenten und Menschen werden über Grenzen hinweg zusammenarbeiten, um Ergebnisse wie schnellere Problemlösungen, einen effizienten Materialfluss, weniger Qualitätsprobleme und einen besseren Service zu erzielen. Darüber hinaus werden Daten nicht mehr an funktionale Grenzen gebunden sein. Sie werden nahtlos dorthin fließen, wo sie benötigt werden, um die übergeordnete Zielfunktion der Organisation zu unterstützen.

In allen Branchen zeichnen sich mehrere Muster ab. In der Fertigung wird es Lights-out-Fabriken, autonome Lagerhäuser und eine zielorientierte Koordination geben, die Durchsatz, Qualität und Energie in Einklang bringt.

Das Gesundheitswesen wird sich auf Roboterchirurgie, Heimdiagnostik und agentengestützte Pflege ausweiten. Routinemäßige Diagnosen und Planungen werden in der Nähe des Patienten durchgeführt, wobei Ärzte Ausnahmen validieren. Im Bereich Energie und Versorgung werden wir vorausschauendes Management einsetzen, um Ausfälle zu verhindern, was die Verfügbarkeit erhöht und die Verteilungskosten senkt.

In anderen Bereichen werden gefährliche Betriebe wie Häfen, Raffinerien und Offshore-Bohrinseln von einer frühzeitigen Vorhersage von Zwischenfällen und einer koordinierten autonomen Reaktion profitieren. Auch die Zahl der Unfälle und Katastrophenrisiken dürfte mit der Verbesserung der Erkennung zurückgehen.

Mit der Weiterentwicklung der agentenbasierten und physischen KI werden Unternehmen eher auf Ergebnisse als auf Aufgaben optimieren. Mensch und Maschine werden adaptive Netzwerke bilden, die sicherer, schneller und widerstandsfähiger sind als die siloartigen Strukturen, die sie ersetzen.

Teile übersetzt mit DeepL.com (kostenlose Version)