Dieser Artikel erschien ursprünglich im Namen des Forbes Technology Council, einer Community für erstklassige CIOs, CTOs und Technologie-Executives. Lesen Sie den Originalbeitrag hier.

Wenn es um künstliche Intelligenz (KI) und maschinelles Lernen geht, verändert sich die Art und Weise, wie wir Software entwickeln, grundlegend. Traditionelle Ingenieure mussten nicht darüber nachdenken, dass Software "lernen" muss, um nützlich zu sein. Wir haben die "Regeln" definiert, die wir berücksichtigen wollten, diese in die entwickelten Anwendungen fest codiert und freigegeben. Dann haben wir iteriert und sie in einem kontinuierlichen Zyklus verbessert.

Das ist bei KI anders. Anstatt Regeln in Anwendungen fest zu codieren, verlassen sich KI-Produkte auf Trainingsdaten, um zu arbeiten. Als GPS-Anwendungen zum ersten Mal auf den Markt kamen, haben sie alles verändert – Auf Wiedersehen Papierkarten! Etwa ein Jahrzehnt später hat die Navigationssoftware-App Waze diese Erfahrung erneut neu definiert. Waze hat herausgefunden, dass sie durch die Aggregierung der Daten von all ihren Benutzern nicht nur einem Benutzer sagen konnten, wohin er als nächstes gehen soll, sondern auch den schnellsten Weg dorthin und diese Empfehlungen in Echtzeit aktualisieren konnten.

Als wir klüger darin wurden, Softwareanwendungen zu entwickeln, haben wir gelernt, dass Entwicklungsmethoden wie das Wasserfallmodell nicht funktionieren, weil sie den Benutzer in der Software-Entwicklung nicht ausreichend berücksichtigen. Am Ende haben die Benutzer wahrscheinlich neue Anforderungen. Deshalb sind wir zu neuen Ansätzen übergegangen, wie sie in Büchern wie The Lean Startup berühmt gemacht wurden. Während Menschen heutzutage Konzepte wie das "Minimum Viable Product" in Frage stellen, sind die Ideen absolut richtig: Starten Sie klein und bringen Sie Ihr Produkt so schnell wie möglich in die Hände Ihrer Benutzer, damit Sie ihr Feedback erhalten und das Produkt auf dem Weg verbessern können.

KI sollte auf die gleiche Weise angegangen werden. Es ist verlockend, Jahre damit zu verbringen, das perfekte künstliche Intelligenzsystem aufzubauen, das durch riesige Mengen an perfekten Datensätzen trainiert wird. Aber seien Sie nicht überrascht, wenn das Produkt zum Zeitpunkt der Einführung komplett veraltet und irrelevant ist.

Vielleicht spiegelt Ihr Datensatz alte Praktiken wider, die keinen Sinn mehr ergeben, oder Ihr Algorithmus wurde noch nie mit einem bestimmten Idiom konfrontiert. Oder vielleicht ist die Person, von der Sie dachten, dass sie Ihr Produkt verwenden würde, nicht die, die es tatsächlich verwendet. Eine in einer Vakuumumgebung trainierte KI kann nur auf das reagieren, was sie kennengelernt hat. Ich bin fest davon überzeugt, dass man Ihren Algorithmus dort rausbringen sollte, wo er lernen, sich anpassen und verbessern kann. Hier ist, warum es in Ordnung ist, dass Ihre KI zu Beginn "dumm" ist.

Finde Deinen Fokus

Wir wissen bereits, dass KI-Tools noch nicht in der Lage sind, Menschen zu ersetzen, und wir erwarten nicht, dass sie dies in naher Zukunft können. Behalten Sie das im Hinterkopf, wenn Sie Ihre Lösung entwerfen. Machen Sie Ihren Benutzer zum Mittelpunkt Ihres Algorithmus und beschränken Sie sich absichtlich auf einen Anwendungsfall, der für diesen Benutzer wichtig ist.

Ein Beispiel hierfür ist Textio, ein auf KI basierendes Coaching-Netzwerk, das talentierte Fachleute dabei unterstützt, bessere Stellenbeschreibungen zu schreiben. Das ist eine sehr spezifische Aufgabe. Sie konzentrieren sich nicht darauf, alle zu besseren Autoren zu machen. Sie haben sich auf eine Spezialität festgelegt - Jobbeschreibungen - und sind tief eingetaucht. Die größten KI-Erfolge, die wir gesehen haben, beginnen mit einer diskreten Aufgabe und erweitern sich dann. Und je enger die Lösung fokussiert ist, desto schneller lernt die KI.

Stellen Sie das Gespenst nicht vor die Maschine

Sobald Sie Ihren Fokus gefunden haben, freuen Sie sich noch nicht zu sehr auf die Veränderung der Welt. Nur die Überlegungen zu den Dingen, die geschehen müssen, um ein KI-System (selbst ein dummes) funktionstüchtig zu machen, sind ein intensiver, erschöpfender Prozess, der Folgendes umfasst:

• Einrichten der technischen Umgebung
• Einrichten des Systems, das alle Trainingsdaten speichert
• Einrichten des sehr wichtigen Algorithmus, der die Daten trainiert und Rückmeldungen gibt

Obwohl die Cloud diese Schritte erleichtert hat, sind sie immer noch eine lästige Pflicht. Deshalb sollten Sie letztendlich den Großteil Ihrer Bemühungen darauf konzentrieren, die oben genannten Prozesse einzurichten und stabil zu machen, was es Ihnen ermöglichen wird, viel schneller voranzukommen, sobald Sie Ihr Produkt mit potenziellen Kunden testen, als wenn Sie den Großteil Ihrer Zeit damit verbringen würden, Ihre Daten zu trainieren. Wenn Sie in einer theoretischen Welt arbeiten und versuchen, Trainingsdaten ohne echte Kundenfeedbacks zu sammeln, arbeiten Sie in einem Vakuum, das Ihnen Ihre vorgefassten Annahmen zurückführt.

Bringen Sie Ihre KI vor die Menschen

Ihre Trainingsdaten sind integraler Bestandteil des Anfangsprozesses, aber um ein KI-Produkt zu entwickeln, das im Laufe der Zeit besser wird, müssen Sie den Sprung zum größten Datensatz überhaupt machen: der menschlichen Erfahrung. Und das erfordert, dass Sie in Ihr Benutzererlebnis (UX) investieren. Je besser Sie das Erlebnis bei der Verwendung Ihrer KI gestalten können, desto mehr Menschen werden es verwenden wollen, was bedeutet, dass Ihr Modell viel schneller und mit weit mehr Daten gespeist wird.

Es ist entscheidend, die Bedeutung von UX mit dem Erfolg Ihrer KI-Initiative zu verknüpfen. Leider denken die meisten Menschen nicht auf diese Weise. Sie verfangen sich in der Idee eines besseren Lebens durch Algorithmen, dass sie tendieren anzunehmen, dass KI sich um die Maschinerie dreht. Die Realität ist, dass Sie all diese Arbeit tun, damit Sie Zugriff auf Daten haben können. Aber die Daten müssen irgendwoher kommen.

Das oft vergessene Grundkonzept zu verstehen ist, dass "irgendwoher" die Menschen sind, die Ihre Software verwenden. KI funktioniert, wenn Sie sie als Partnerschaft zwischen Menschen und Maschinen behandeln. Deshalb, wenn Sie kein gutes UX haben, werden Sie nie gute KI haben. Wenn Sie nicht damit beginnen, zu sagen: "Ich werde ein System erstellen, das Menschen gerne benutzen, das einfach zu bedienen ist und das sie oft nutzen werden", dann spielt der Rest keine Rolle.

Ein Algorithmus kann immer angepasst werden. Je länger er in der realen Welt existiert, desto besser wird er. Es ist weniger wichtig, dass er von Anfang an brillant ist, als dass Sie das spezifische Problem finden, das Sie lösen möchten, und Ihre technische Umgebung bereit machen, um Daten aufzunehmen. Letztendlich ist eine clevere KI einfach eine, die funktioniert.