{"id":82216,"date":"2022-04-11T04:00:00","date_gmt":"2022-04-11T08:00:00","guid":{"rendered":"https:\/\/www.applause.com\/blog\/warum-ml-projekte-scheitern\/"},"modified":"2025-07-21T11:30:37","modified_gmt":"2025-07-21T15:30:37","slug":"warum-ml-projekte-scheitern","status":"publish","type":"post","link":"https:\/\/www.applause.com\/de\/blog\/warum-ml-projekte-scheitern\/","title":{"rendered":"Deshalb scheitern Projekte zum maschinellen Lernen"},"content":{"rendered":"

Deshalb scheitern Projekte zum maschinellen Lernen<\/h1>\n

Gib mal \u201ek\u00fcnstliche Intelligenz wird\u201c in eine Suchmaschine ein. Es folgen Vorschl\u00e4ge wie \u201edie Welt ver\u00e4ndern\u201c, \u201ebald alles ver\u00e4ndern\u201c und \u201edie Gesch\u00e4ftswelt in den n\u00e4chsten 10 Jahren umkrempeln\u201c. Wenn du weitersuchst, f\u00e4llt schnell auf, dass KI und maschinelles Lernen den Fortschritt nicht nur antreiben, sondern auch Grundbestandteil des Erfolgs sind. In einer\u00a0Studie von Accenture<\/a>\u00a0gaben 85 % der F\u00fchrungskr\u00e4fte in kapitalintensiven Branchen an, ihre Wachstumsziele nur mit der Skalierung von KI erreichen zu k\u00f6nnen.<\/p>\n

Gleichzeitig deuten\u00a0Forschungen von MIT Sloan<\/a>\u00a0darauf hin, dass die Kluft zwischen Organisationen, die erfolgreich Daten aus Datenwissenschaft gewinnen, und solchen, denen das nicht gelingt, weiter w\u00e4chst. Wir wissen, dass Datenwissenschaft und maschinelles Lernen die treibende Kraft hinter KI-Anwendungen sind, da KI durch Datenverarbeitung lernt, unsere Welt zu interpretieren und wie gew\u00fcnscht zu reagieren. Wenn KI merkliche Auswirkungen auf Unternehmen und deren Kunden haben soll, brauchen Unternehmen eine neue Herangehensweise an maschinelles Lernen.\u00a0Im MIT Technology Review wird geschlussfolgert<\/a>: \u201eWir trainieren KIs grundlegend falsch.\u201c<\/p>\n

Zahlreiche Artikel in Publikationen wie\u00a0Towards Data Science<\/a>\u00a0und\u00a0Open Data Science<\/a>\u00a0suchen mit der Lupe und einem ger\u00fcttelten Ma\u00df Fach-Chinesisch nach den genauen Gr\u00fcnden f\u00fcr das Fehlschlagen von Projekten zum maschinellen Lernen. Das ist prima f\u00fcr Datenwissenschaftler. Hilft aber dem Unternehmen nicht, das wissen m\u00f6chte, warum der teure Konversationsassistent oder die umfassende Personalisierungskampagne gefloppt sind.<\/p>\n

Sehr wahrscheinlich lag es nicht an einer falschen Herangehensweise an Datenversionierung oder Modellbereitstellung. Die meisten Projekte zum maschinellen Lernen schlagen fehl, weil Unternehmen schon mit den falschen Ressourcen, Erfahrungen oder Strategien starten. Der\u00a02021 State of AI Report<\/a>\u00a0von McKinsey best\u00e4tigt dies. Unternehmen, die sowohl Kern- als auch KI-Best-Practices befolgen sowie effizienter und effektiver in KI investieren als ihre Mitbewerber, sehen unter dem Strich die besten Ergebnisse.<\/p>\n

F\u00fcnf h\u00e4ufige KI-Fehler von Unternehmen<\/strong><\/h3>\n

Bei unserer Arbeit an ML-Projekten f\u00fcr einige der gr\u00f6\u00dften Unternehmen der Welt konnte Applause ein Muster g\u00e4ngiger Fehler identifizieren, die Effizienz reduzieren, Kosten steigern und zu Verz\u00f6gerungen f\u00fchren und an denen Projekte zum maschinellen Lernen schlie\u00dflich scheitern.<\/p>\n

H\u00e4ufiger Fehler Nr. 1: Fehleinsch\u00e4tzung der f\u00fcr das Training der ML-Algorithmen notwendigen Ressourcen<\/strong><\/h4>\n

Der erste Grund f\u00fcr das Scheitern von Projekten zum maschinellen Lernen sind schlecht vorbereitete und ausgestattete Unternehmen. Dimensional Research zufolge stellen sich Projekte zum maschinellen Lernen in 8 von 10 Unternehmen schwieriger als erwartet heraus, weil sie den Aufwand f\u00fcr das richtige Training der Modelle untersch\u00e4tzen. Das ist auch der Grund f\u00fcr die geringe Anzahl an Datenwissenschaftsprojekten, die es in die Produktion schaffen: Ohne ein klares Verst\u00e4ndnis der notwendigen Ressourcen und Expertise scheitern Unternehmen entweder an un\u00fcberwindbaren Hindernissen oder verbrennen ihr Budget ineffizient. Meist wird der Aufwand f\u00fcr den Erwerb der richtigen Trainingsdaten untersch\u00e4tzt \u2013 damit sind wir schon beim zweiten h\u00e4ufigen Fehler.<\/p>\n

H\u00e4ufiger Fehler Nr. 2: Verlassen auf Datenbroker f\u00fcr Trainingsdaten von der Stange<\/strong><\/h4>\n

Unternehmen haben keine Probleme mit dem Erwerb von Trainingsdaten. Schlie\u00dflich gibt es zahlreiche Datenverk\u00e4ufer, die riesige Mengen Trainingsdatenartefakte zu niedrigen Preisen verkaufen. Der Grund f\u00fcr das Fehlschlagen von Projekten zum maschinellen Lernen ist, dass Unternehmen Schwierigkeiten haben,\u00a0hochwertige<\/em>\u00a0Trainingsdaten zu erwerben.<\/p>\n

Wenn ein Unternehmen Daten von der Stange kauft, sind diese nicht spezifisch genug f\u00fcr die Anforderungen seines Projekts zum maschinellen Lernen. Verdeutlichen wir das am Beispiel eines Online-Anbieters von Fitnesskursen, der einen digitalen Personal Trainer (PT) erstellt. Damit der PT schlechte Haltung erkennen und Verbesserungen vorschlagen kann, muss er mit Daten trainiert werden, die \u00fcber Bilder von Personen in verschiedenen \u00dcbungshaltungen hinaus gehen. Er muss auch Personen in unterschiedlichen Ersch\u00f6pfungszust\u00e4nden erkennen, in unterschiedlicher Kleidung und mit verschiedenen Fitness- und Erfahrungsleveln.<\/p>\n

Vorgefertigte Trainingsdatens\u00e4tze bringen noch viele andere Probleme mit sich, beispielsweise:<\/p>\n

    \n
  • \n

    Es gibt keine Garantie, dass die Daten Alter, Geschlecht, Ethnien, Akzente usw. ausgewogen darstellen, um Bias zu vermeiden.<\/p>\n<\/li>\n

  • \n

    Die Daten wurden entweder gar nicht kommentiert oder auf eine Weise, die f\u00fcr den Algorithmus keinen Sinn ergibt.<\/p>\n<\/li>\n

  • \n

    Die Daten wurden nicht auf Compliance mit den Datenstandards globaler KI-Regularien wie dem EU-Gesetzesentwurf \u00fcber K\u00fcnstliche Intelligenz gepr\u00fcft.<\/p>\n<\/li>\n

  • \n

    Unternehmen k\u00f6nnen nicht sicher sein, dass die richtigen Datenschutz- und Sicherheitsma\u00dfnahmen eingehalten wurden, und erhalten keine Hinweise zum zuk\u00fcnftigen Schutz der Datenintegrit\u00e4t.<\/p>\n<\/li>\n<\/ul>\n

    Um Projekte zum maschinellen Lernen wirklich erfolgreichen umzusetzen, sollten Unternehmen erw\u00e4gen, Trainingsdaten nicht einfach zu\u00a0beschaffen<\/em>, sondern vielmehr zu\u00a0verlesen<\/em>.<\/p>\n

    H\u00e4ufiger Fehler Nr. 3: Untersch\u00e4tzen des Ausma\u00dfes der konstanten Iterationen bei der KI-Entwicklung<\/strong><\/h4>\n

    Der Kauf von Daten bei Anbietern wirkt sich nicht nur auf die Qualit\u00e4t der Trainingsdaten aus, sondern verkompliziert auch den Rest des KI-Trainingsprozesses deutlich.<\/p>\n

    Das Trainieren von ML-Algorithmen ist keine einmalige Sache. L\u00e4uft das Training einmal, m\u00fcssen die Entwickler st\u00e4ndig \u00c4nderungen an den erhobenen Daten anfordern, da sich die Anforderungen des Datenmodells nach und nach kl\u00e4ren. Der Grund ist folgender: Das Training eines KI-Algorithmus ist so, als ob man Lebensmittel einkauft und gleichzeitig kocht. Du denkst, du hast alles, aber wenn du anf\u00e4ngst, f\u00e4llt dir auf, dass etwas fehlt. Etwas anderes muss ausgetauscht werden, weil sonst das Verh\u00e4ltnis nicht stimmt. Du musst dein Rezept st\u00e4ndig entsprechend anpassen.<\/p>\n

    Beim maschinellen Lernen wei\u00df man meist erst, welche Daten genau erforderlich sind, nachdem der Trainingsprozess begonnen hat. Vielleicht ist der Trainingsdatensatz zu klein oder es gab ein Problem bei der Datenerhebung. Viele Datenbroker befolgen strenge Erg\u00e4nzungsrichtlinien \u2013 oder bieten gar nicht die M\u00f6glichkeit, Bestellungen zu \u00e4ndern \u2013 sodass KI-Entwickler mit nicht nutzbaren Daten dasitzen oder gezwungen sind, einen neuen Trainingsdatensatz mit den neuen Anforderungen zu kaufen. Dieser h\u00e4ufig auftretende Engpass treibt bei vielen Unternehmen die Kosten in die H\u00f6he, verschleppt Termine und reduziert die Effizienz. Daran scheitern schlie\u00dflich die Projekte zum maschinellen Lernen.<\/p>\n

    H\u00e4ufiger Fehler Nr. 4: Qualit\u00e4tssicherung nicht integriert<\/strong><\/h4>\n

    Unternehmen in allen Branchen vers\u00e4umen es h\u00e4ufig, in allen Phasen des Produktentwicklungsprozesses Qualit\u00e4tssicherung vorzunehmen. Sie gilt f\u00e4lschlicherweise als nettes Add-on, als Formalit\u00e4t mit der gepr\u00fcft wird, ob das Produkt richtig funktioniert, und wird nicht als Werkzeug wahrgenommen, mit dem das Produkt iterativ optimiert werden kann.<\/p>\n

    Ein Grund f\u00fcr das Scheitern von Projekten zum maschinellen Lernen ist diese angesichts der Realit\u00e4ten der KI-Entwicklung untragbare Einstellung zur Qualit\u00e4tssicherung. Anders als bei der traditionellen Softwareentwicklung werden Bugs hier nicht mit einem simplen Update beseitigt. Fehler, die in der Qualit\u00e4tssicherungsphase auffallen, k\u00f6nnen nur durch aufw\u00e4ndiges Umarbeiten des gesamten Prozesses behoben werden. Funktioniert deine KI nicht planm\u00e4\u00dfig, liegt das h\u00f6chstwahrscheinlich an einem Problem mit den Trainingsdaten oder die Trainingsdaten haben das Modell in die falsche Richtung gelenkt. In jedem Fall wird man an den Anfang zur\u00fcckgeworfen und muss neue Trainingsdatenartefakte zusammenstellen.<\/p>\n

    Unternehmen, die nicht in jeder Phase der KI-Entwicklung die Ergebnisse validieren, machen sich selber zus\u00e4tzliche Arbeit. Unternehmen sollten den Algorithmus nicht mit einem gigantischen Datensatz trainieren und dann die KI testen, sondern iterativ trainieren und testen. Eine agile, integrierte Herangehensweise an die Tests tr\u00e4gt dazu bei, unn\u00f6tige Ausgaben zu reduzieren, Bearbeitungszeiten zu beschleunigen und die Ressourcen effizienter zuzuweisen.<\/p>\n

    H\u00e4ufiger Fehler Nr. 5: Fehlen regelm\u00e4\u00dfiger Pr\u00fcfungen<\/strong><\/h4>\n

    Der letzte Grund daf\u00fcr, warum Projekte zum maschinellen Lernen scheitern ist, dass Unternehmen zu fr\u00fch Erfolge feiern.<\/p>\n

    KI-Projekte sind nie wirklich fertig. Selbst wenn ein KI-Erlebnis alle Erwartungen an Genauigkeit und Performance vollst\u00e4ndig erf\u00fcllt, wurde es nur mit Daten trainiert, die die heutige Gesellschaft abbilden. Der Algorithmus hat gelernt, Entscheidungen auf der Basis von Meinungen, Dialogen und Bildern zu treffen, die sich bereits \u00e4ndern. Denke nur an Anwendungen zur Verarbeitung nat\u00fcrlicher Sprache: Die k\u00f6nnen nur kommunizieren, weil sie mal mit echten Konversationen mit Menschen trainiert wurden. Angesichts der Tatsache, dass alleine in der englischen Sprache j\u00e4hrlich 5.400 neue W\u00f6rter entstehen, ist klar, dass diese Anwendungen schnell an Genauigkeit verlieren.<\/p>\n

    Wenn KI-Erlebnisse f\u00fcr die Kundschaft praktisch bleiben sollen, m\u00fcssen sie laufend neu trainiert werden, da sich soziale Einstellungen, technologische Entwicklungen und Terminologie \u00e4ndern.<\/p>\n

    So sicherst du den Erfolg von Projekten zum maschinellen Lernen<\/strong><\/h3>\n

    Die Unternehmen brauchen eine programmatische Herangehensweise an die KI-Entwicklung. Die einzelnen Phasen des Prozesses d\u00fcrfen nicht als getrennte Projekte betrachtet werden, sondern sollten von den Unternehmen als Teile eines ganzheitlichen Programms gesehen werden. Die KI-Entwicklung ist ein iterativer, agiler Prozess, bei dem Teams nicht in Silos arbeiten d\u00fcrfen, sondern gemeinsam unter der Leitung eines f\u00fcr den Programmerfolg verantwortlichen Programmleiters.<\/p>\n

    Lade unser Whitepaper \u201eBuilding a Global ML\/AI Data Collection & Quality Program\u201c herunter, um zu erfahren, wie dein Unternehmen eine programmatische Herangehensweise an die Schaffung von wirklich n\u00fctzlichen KI-Erlebnissen entwickelt.<\/p>\n<\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"

    In diesem Artikel: 5 Hauptgr\u00fcnde f\u00fcr das Scheitern von ML-Projekten und wie Unternehmen sie vermeiden.<\/p>\n","protected":false},"author":42,"featured_media":70380,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"categories":[282],"tags":[920],"resource-industry":[],"resource-solution":[1167,1180],"resources\/types":[1244],"class_list":["post-82216","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-unkategorisiert","tag-artificial-intelligence","resource-solution-ai-training-testing","resource-solution-kuenstliche-intelligenz-trainieren-testen","resource-type-blogs-de"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/posts\/82216","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/users\/42"}],"replies":[{"embeddable":true,"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/comments?post=82216"}],"version-history":[{"count":0,"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/posts\/82216\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/media\/70380"}],"wp:attachment":[{"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/media?parent=82216"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/categories?post=82216"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/tags?post=82216"},{"taxonomy":"resource-industry","embeddable":true,"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/resource-industry?post=82216"},{"taxonomy":"resource-solution","embeddable":true,"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/resource-solution?post=82216"},{"taxonomy":"resource-type","embeddable":true,"href":"https:\/\/www.applause.com\/de\/wp-json\/wp\/v2\/resources\/types?post=82216"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}