Dutzende Studien haben bereits die Adoptionsrate von KI in Unternehmen untersucht. Die überwiegende Mehrheit kommt zum gleichen Ergebnis: Unternehmen haben das großen Optimierungspotential erkannt, setzen KI-Systeme aber trotzdem fast nie im operativen Regelbetrieb ein. Diese Diskrepanz spiegelt sich auch in einer Umfrage von Maddox AI wider und kann in fünf Punkten zusammengefasst werden
Grund 1: Kosten
56 Prozent der Teilnehmer nennen hohe Kosten als einen Hauptgrund, warum sie heute keine KI-Systeme einsetzen. Obwohl KI-Systeme bei vielen Anwendungsfällen z.B. mit weniger Programmierungsaufwand als klassische regelbasierte AOI-Systeme auskommen, scheinen mögliche Anwender die laufenden als auch die initialen Investitionskosten zu scheuen.
Grund 2: Fehlende Expertise
Da die wenigsten Firmen über ein großes Team an KI-Experten verfügen, sehen 51 Prozent fehlende Expertise als Herausforderung. Zusätzlich laden viele KI-Bedieneroberflächen Fachfremde nicht unbedingt zum Testen ein. Die richtige Learning-Rate einstellen, die Anzahl der Trainingsepochen festlegen – alle diese Themen durchdringt man selbst mit einer zweiwöchigen Schulung nicht. Damit KI-Systemen der Durchbruch gelingt, muss jeder Qualitätsmanager ein KI-System bedienen können, ohne dafür gleich zum KI-Experten zu werden.
Grund 3: Annotieren der Daten
36 Prozent der Teilnehmer benennen einen zu hohen Annotationsaufwand als Umsetzungshemmnis. Zwar versprechen Anbieter bereits mit 20 bis 30 Gut-Bildern, Modelle zu entwickeln – komplexere Inspektionsaufgaben lassen sich mit diesen Ansätzen allerdings nicht lösen. Der aktuell vielversprechendste Ansatz, um den Annotationsaufwand zu minimieren, ist eine datenzentrierte KI. Datenzentrierte KI optimiert nicht die eigentlichen KI-Algorithmen (modellzentriert), sondern verbessert die Datenqualität und somit die Grundlage der KI-Modelle. 50 konsistent annotierte Bilder sind für den Lernprozess der KI deutlich wertvoller als 500 flüchtig annotierte Bilder. Dieser Fokus auf eine saubere Datenbasis führt oftmals zu signifikanten Performance-Verbesserungen (siehe Bild 2).
