KI und Machine Learning eignen sich für bestimmte Probleme 6 wichtige Skills für die praktische Einführung von KI und ML

Ein Gastbeitrag von Joshua Goldfarb * Lesedauer: 5 min

Anbieter zum Thema

An Künstlicher Intelligenz und Machine Learning (AI/ML) kommt heute niemand mehr vorbei. Doch für welche spezifischen Probleme eignen sie sich tatsächlich?

Gewisse Problemstellungen eignen sich besonders gut für generative KI und Machine-Learning
Gewisse Problemstellungen eignen sich besonders gut für generative KI und Machine-Learning

Die aktuellen Diskussionen rund um Künstliche Intelligenz sind oft recht allgemein gehalten. Doch bei KI/ML handelt es sich nicht um generische Lösungen, sondern Werkzeuge zur Lösung spezieller Probleme. Nur dann sind sie effektiv. Häufige konkrete Einsatzszenarien, für die sich KI und ML ungeachtet des bösartigen oder gut gemeinten Zwecks eignen, sind zum Beispiel:

Automatisierte Angriffe

Bot-Netzwerke dienen oft als Basis für automatisierte Angriffe, die in Unternehmen zu verschiedenen Risiken führen. Dazu zählen Verluste durch Betrug, Manipulationen von Daten und Anwendungen, Rufschädigung, Datendiebstahl sowie höhere Kosten für Infrastruktur, Performance und Support.

Um automatisierte Attacken zu erkennen und abzuwehren, muss man den Unterschied zwischen menschlichem und automatisiertem Datenverkehr verstehen. Dies mag einfach klingen, ist aber in der Praxis schwierig, da es eine Vielzahl verschiedener Techniken wie KI/ML erfordert. Nur im Zusammenspiel gelingt die Unterscheidung von unerwünschtem automatisiertem und legitimem menschlichem Datentraffic.

Betrug

Insbesondere für Unternehmen, die viele Online-Transaktionen durchführen, stellt Betrug ein zunehmendes Problem dar. Zwei häufige Varianten sind Kontoübernahme und betrügerische Kontoeröffnung. Im ersten Fall übernimmt ein nicht autorisierter Nutzer ein bestehendes Konto mit Hilfe kompromittierter Anmeldedaten, Man-in-the-Browser (MITB), Social Engineering oder anderer Methoden. Im zweiten Fall eröffnet ein Betrüger ein neues Konto mit gestohlenen oder künstlich hergestellten personenbezogenen Daten.

Für die zuverlässige Erkennung von Betrug, ohne zahlreiche Fehlalarme zu erzeugen, bedarf es mehr als einer regel- und signaturbasierten Methode. Es ist erforderlich, die Absicht des Nutzers während der Interaktion mit der Online-Anwendung zu verstehen. Dies umfasst den Einsatz von KI/ML, um das Verhalten des Nutzers, die Geräteeigenschaften und das Netzwerk, von dem aus er sich verbindet, zu analysieren.

API-Sicherheit

Ein weiterer konkreter Einsatzbereich für KI/ML ist API-Sicherheit. Unternehmen müssen häufig neue Technologien einsetzen, um sich schnell verändernde Marktanforderungen zu erfüllen. Das umfasst unter anderem die Entwicklung kundenorientierter Anwendungen und APIs. Diese wurden in einigen Fällen vor ihrer Freigabe nicht ausreichend gesichert. In anderen Fällen mangelt es an einer ordnungsgemäßen Inventarisierung und Verwaltung. All dies führt zu Anfälligkeiten und Schwachstellen in Anwendungen und APIs.

Mit KI/ML lassen sich unbekannte, nicht inventarisierte oder nicht verwaltete APIs entdecken und durch die richtige Art der Authentifizierung schützen. Zudem überprüft sie, ob sensible Daten in Anfragen und Antworten enthalten sind. Und sie kann sicherstellen, dass es keine offenen Schwachstellen gibt.

6 technische Fähigkeiten nötig

Die praktische Einführung von KI/ML scheitert aber oft an Budgetbeschränkungen, veralteten Betriebsmodellen und fehlenden Fachkräften. Darüber hinaus mangelt es bestehenden Unternehmensarchitekturen häufig an der notwendigen Flexibilität, Skalierbarkeit, Sicherheit und Beobachtbarkeit. Um bei der digitalen Transformation voranzukommen, müssen Unternehmen über folgende sechs wichtigen technischen Fähigkeiten verfügen:

  • 1. Dynamische IT-Infrastruktur: Herkömmliche Architekturen basieren auf festen, statischen Ressourcen und Standorten. Eine moderne IT-Infrastruktur muss dynamisch und in der Lage sein, Ressourcen über Rechenzentren, Clouds und Edge-Umgebungen hinweg zu nutzen.
  • 2. Daten und Erkenntnisse: Digitale Unternehmen skalieren ihre Datenarchitekturen und brechen Datensilos auf, um genauere und zuverlässigere Erkenntnisse zu gewinnen. Dies unterstützt Automatisierung und Entscheidungen in Echtzeit.
  • 3. App und App-Bereitstellung: Unternehmen müssen Anwendungen häufiger und dynamischer bereitstellen, um den sich ändernden Geschäftsbedingungen gerecht zu werden. Dabei steigt der Druck für bessere Performance, da Nutzer höhere Erwartungen an digitale Angebote stellen.
  • 4. Beobachtbarkeit und Automatisierung: Durch Beobachtbarkeit und Automatisierung lassen sich Ressourcen freisetzen. So können sich Unternehmen auf Innovationen konzentrieren, statt auf die Aufrechterhaltung bestehender Geschäftsprozesse.
  • 5. Site Reliability Engineering (SRE): Mit Hilfe von SRE-Ansätzen im Betrieb lassen sich Daten und Automatisierung optimal nutzen. So können Unternehmen schneller reagieren und häufiger neue Funktionen bereitstellen.
  • 6. Sicherheit: Unternehmen müssen Sicherheitsgefahren auf jeder Ebene der digitalen IT-Architektur erkennen und beseitigen. Dabei ist das ideale Gleichgewicht zwischen Security und Performance zu finden.

Unternehmen noch nicht sehr weit

Anhand dieser sechs technischen Fähigkeiten hat der kürzlich erschienene Digital Enterprise Maturity Index Report von F5 den aktuellen Stand untersucht. Demnach haben nur 4 Prozent der Unternehmen den höchsten Reifegrad als digitale „Macher“ erreicht. Bei den restlichen Unternehmen gehören die durch Digitalisierung hervorgebrachten Technologien noch nicht zum Kern der Geschäftsabwicklung.

Das Ergebnis ist nicht überraschend. Denn die enorme Breite und Tiefe der für Aufbau und Betrieb eines KI-fähigen Unternehmens erforderlichen technischen Fähigkeiten sind enorm. Deshalb ist es auch kein Wunder, dass in Schlüsselsektoren wie Finanzdienste, Gesundheitswesen oder Produktion kein einziges Unternehmen als digitaler „Macher“ eingestuft wurde.

Finanzwesen

Im Finanzsektor gilt das Hinzufügen einer neuen Schnittstelle für Apps oder digitale Dienste oft als Modernisierung. Aber dahinter befinden sich viele traditionelle Technologien und Prozesse. Dies liegt vorwiegend an drei Gründen: Mögliche Fehler bergen kostspielige Risiken, die Modernisierung bestehender Infrastrukturen und Anwendungen ist sehr aufwändig, zudem verhindern strenge Vorschriften oft mögliche technische Innovationen.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Softwareentwicklung und DevOps

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Trotz der starken Regulierung wissen Finanzdienstleister jedoch, dass bei einem größeren Risiko auch eine höhere Belohnung winkt. So treiben sie den Einsatz von KI/ML in Bereichen wie Prozessautomatisierung, Compliance, Risikomanagement oder Betrugserkennung voran.

Gesundheitssektor

Neben dem Finanzsektor ist das Gesundheitswesen eine der am stärksten regulierten und kontrollierten Branchen. Schließlich geht es hier um Menschenleben. Die digitale Transformation ist daher kein Wettlauf.

Aufgrund des Fachkräftemangels suchen erste Gesundheitsdienstleister aber nach Möglichkeiten, wie KI die Anzahl der Patienten pro Pfleger oder Arzt erhöhen kann, ohne die Qualität der Behandlung zu beeinträchtigen. Einige Anbieter setzen auf Large Language Models, um den Zeitaufwand für die Aktualisierung von Patientenakten zu reduzieren. Andere wollen die visuelle Modellierung von KI nutzen, um Hunderte von hochauflösenden Video-Streams auf mögliche Veränderungen beim Zustand der Patienten zu überwachen.

Herstellung

Obwohl kein Fertigungsunternehmen als digitaler „Macher“ eingestuft wurde, ist laut State of Application Strategy Report 2022 IT/OT der aufregendste Technologietrend. Die Produktion war schon immer Vorreiter bei der Einführung von Technologien, die zu größerer Effizienz führen. Digitalisierung bildet da keine Ausnahme. So treibt sie im Rahmen von Industrie 4.0 und IIoT den Einsatz von Automatisierung, die Erfassung von Telemetriedaten und die Einführung von Zero-Trust-Ansätzen zur Sicherung entfernter Anlagen voran.

Fazit

Joshua Goldfarb
Joshua Goldfarb
(Bild: F5 Networks)

Die Vorteile der digitalen Transformation sind unbestritten. Generative KI ist dafür eine von vielen bahnbrechenden Technologien. Wenn Unternehmen sie nicht nutzen, werden sie im Wettbewerb zurückbleiben. KI/ML sollte dabei für spezifische Herausforderungen angewendet werden. Dann profitieren Unternehmen auch auf einzigartige Weise davon.

* Joshua Goldfarb ist Security and Fraud Architect bei F5.

(ID:49650645)