Daten sammeln ist einfach. Wissen, warum man sie sammelt, ist
selten.
Anna Neureiter, Data Governance Managerin bei IT Power Services,
erklärt, warum 80 Prozent der Arbeit in KI-Projekten auf
Datenaufbereitung entfällt, bevor ein Modell startet, und warum
Unternehmen trotzdem alles sammeln, was sie kriegen können, ohne
konkreten Use Case. Der Gedanke ist verlockend: Wir haben die
Daten, also sitzen wir auf einem Schatz. Die Realität: redundante
Datenberge, veraltete Bestände, KI-Projekte, die nicht wegen der
Technologie scheitern, sondern weil die Grundlage fehlt.
Mind/Machine ist der Podcast für alle, die verstehen wollen, wie
KI in der Praxis wirklich funktioniert.
Manuela Machner, KI-Expertin mit Schwerpunkt Tourismus und KMU,
und Eliot Mannoia, digitaler Psychologe, sprechen mit Expertinnen
und Experten über das, was hinter den Schlagzeilen steckt.
Was dich in dieser Folge erwartet:
Daten sind nicht das neue Gold
Daten sind eher wie ein Samen als wie Gold. Gold behält seinen
Wert. Ein Samen braucht Pflege und den richtigen Zeitpunkt. Wer
Daten fünf Jahre im Keller lagert und dann eine Ernte erwartet,
wird enttäuscht. Der Zeitaspekt wird in den meisten Unternehmen
systematisch unterschätzt.
80 Prozent Aufwand vor dem Modell-Start
Rund 80 Prozent der Arbeitszeit in KI-Projekten entfällt auf
Datenaufbereitung und Qualitätsprüfung. Viele Projekte scheitern
nicht am Algorithmus, sondern an schlechten Daten. Anna Neureiter
erklärt, warum das kein technisches, sondern ein
organisatorisches Problem ist.
Use Case zuerst, Daten danach
Der häufigste Fehler: Erst sammeln, dann überlegen, was man will.
Anna beschreibt, wie sauberes Scoping aussieht, warum Quick Wins
oft wichtiger sind als große Visionen, und was es bedeutet, alle
Beteiligten von Anfang an auf dasselbe Ziel auszurichten.
Data Literacy: Daten sind kein IT-Thema
Wenn Fachbereiche nicht wissen, was sie mit Daten anfangen
sollen, nützen auch die besten Datensätze nichts. Anna Neureiter
setzt auf Enablement: Menschen befähigen, Daten selbst zu
hinterfragen und kritisch einzusetzen.
Data Spaces und die DIO
Anna ist ehrenamtlich bei der Data Intelligence Offensive (DIO)
aktiv, die Datenaustausch in Österreich auf Basis europäischer
Standards vorantreibt. Sie erklärt, wie Unternehmen Daten
souverän teilen können, ohne die Kontrolle zu verlieren.
Häufig gestellte Fragen:
Warum scheitern so viele KI-Projekte?
Meistens nicht wegen der Technologie. Der häufigste Grund ist
eine schlechte Datengrundlage und fehlendes Scoping zu
Projektbeginn.
Was bedeutet Data Literacy?
Die Fähigkeit, Daten zu lesen, zu interpretieren und kritisch zu
hinterfragen, ohne Datenwissenschaftlerin zu sein.
Was sind Data Spaces?
Technische und rechtliche Infrastrukturen für kontrollierten
Datenaustausch zwischen Unternehmen, verankert in der
europäischen Datenstrategie.
Wie startet man ein gutes Datenprojekt?
Mit einem konkreten Use Case, nicht mit der Frage, welche Daten
man hat. Kleines Pilotprojekt, schneller Erfolg, dann skalieren.
https://www.mind-machine.at
Manuela Machner ist KI-Expertin für Tourismus und KMU, Gründerin
von KiNET.ai. Eliot Mannoia ist digitaler Psychologe und
beschäftigt sich mit den Auswirkungen von Technologie auf Mensch
und Gesellschaft - www.brandkarma.at
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.