Künstliche Intelligenz mit AutoML, Low-Code und No-Code (Nr. 501)

AutoML sowie Low- und No-Code versprechen eine vereinfachte Nutzung von KI, indem die erforderlichen Programmierkenntnisse bzw. der Entwicklungsaufwand reduziert werden. Diese Ansätze erleichtern somit auch KMU den Einstieg und bieten damit das Potenzial einer schnellen Verbreitung von KI-Lösungen. Ziel dieser Studie ist es zu untersuchen, ob diese Versprechen eingelöst werden.

Nach einer theoretischen Einführung werden Nutzen und Grenzen der Software-Tools erörtert. Daran anschließend werden verschiedene Produkte erfasst, um einen Einblick in den entsprechenden Markt zu geben. Eine anschließende theoretische Betrachtung der Strukturmerkmale des deutschen Mittelstands mit Auswirkung auf eine Implementierung von KI, wird durch die Auswertung einer Online-Befragung von KI-Expert:innen mit Mittelstandsbezug abgerundet.

Low-Code und No-Code in Verbindung mit AutoML erfüllen teilweise das Versprechen einer vereinfachten Zugänglichkeit zu KI-Anwendungen: Die bestehende Produktlandschaft bietet bereits ein umfangreiches Angebot an derartigen Softwarelösungen, so dass der Einsatz von Ressourcen in Unternehmen für zeitaufwändige, sich wiederholende Aufgaben reduziert werden kann. Langfristig wird die Einführung dieser Tools die Art des erforderlichen Fachwissens verändern, kann aber die Notwendigkeit von Machine Learning (ML)-Fachkompetenz nicht vollumfänglich ersetzen. Der Einsatz von ML in Unternehmen wird daher auch in Zukunft KI-Spezialist:innen und damit einen entsprechenden Know-how-Aufbau vor allem in KMU erfordern. Diese menschliche Expertise bzw. das Datenverständnis wird z.B. benötigt, um die richtigen Anwendungsfälle zu identifizieren in denen ML einen messbaren Mehrwert bietet, oder um die Nutzbarmachung dieser Modelle in den Geschäftsprozessen zu realisieren. Auch im Hinblick auf Datenschutz- und Compliance-Anforderungen sowie die Einhaltung ethischer Standards bleibt dieses Wissen weiterhin von Bedeutung.