Künstliche Intelligenz (KI) sollte das Allheilmittel für eine ganze Reihe von unternehmerischen Missständen sein, aber sie liefert nicht immer positive, umsetzbare Ergebnisse.
Warum ist das so? Immer mehr Unternehmen nutzen in ihren Abläufen derzeit KI, Machine Learning (ML) oder Data Analytics, doch der geschäftliche Nutzen dieser Implementierungen will sich nicht so recht einstellen.
Es gibt eine Vielzahl von Gründen, warum KI sich eher langsam durchsetzt als gleich einen Siegeszug anzutreten.
Den Menschen fällt es schwer zu verstehen, wofür KI eigentlich eingesetzt wird und wo ihre Grenzen liegen. Für diese Missverständnisse sind bisweilen die Medien mitverantwortlich, mit einer sensationsheischenden oder auch stark vereinfachten Berichterstattung. Diese Mythen der Data Science werden jedoch auch von vielen verbreitet, die behaupten, dass sie wissen, worüber sie sprechen.
8 Mythen über KI
1. KI löst all Ihre Probleme auf magische Weise.
KI verspricht Großartiges: Umsatzsteigerung, Kostensenkung, Erkennung von Betrug, bevor er überhaupt passiert, und die Abnahme all Ihrer repetitiven und monotonen Aufgaben. Doch Unternehmen, die mit riesigen Erwartungen an KI und ML herangehen, stellen oft fest, dass die Realität hinter den Erwartungen zurückbleibt.
KI sollte ein schrittweiser, inkrementeller Prozess sein.Unternehmen sollten mit Projekten wie der Verbesserung von Prozessen und der Steigerung der Kundenzufriedenheit oder auch der Automatisierung von Geschäftsprozessen beginnen. Im Laufe der Zeit können die wachsenden Fähigkeiten und das Verständnis von KI genutzt werden, um die großen finanziellen Herausforderungen anzugehen.
Denken Sie auch an das Pareto-Prinzip: 80 % der Ergebnisse lassen sich mit 20 % des Aufwands erreichen. Es ist nicht erforderlich, sich mit kleinsten Details und Problemen zu befassen, die keine messbaren Ergebnisse liefern. Damit belasten Sie nur Ihre Systemressourcen – und Ihre Beschäftigten.
2. Machine Learning simuliert die menschliche Denkweise.
Menschen sind komplexe Wesen und unser Gehirn ist unglaublich kompliziert. Wir nutzen ständig Heuristik, sprich: „Faustregeln“, die auf unserer jahrelangen Erfahrung basieren. Wir lernen Stereotypen, die es uns ermöglichen, schnelle Urteile zu fällen, die aber nicht unbedingt richtig sind.Es ist nicht wünschenswert, dass Computer wie Menschen denken, denn die menschliche Denkweise ist durchaus fehlerbehaftet.
In Wahrheit geht es bei Machine Learning um die Ableitung von Prognosen aus Daten. Ohne hochwertige Daten sind die Ergebnisse nicht objektiv.
Garbage In = Garbage Out, oder: Wenn vorne Müll rein geht, kommt hinten Müll raus
Wenn die Daten Verzerrungen enthalten, erlernt Machine Learning diese und die Annahmen des Teams.Warum ist das wichtig? Verzerrungen in Algorithmen, in Daten und im Team können zu messbaren Verlusten für das Unternehmen führen.
So nutzen Banken beispielsweise KI, um zu entscheiden, wem sie Kredit gewähren. Wer stellt ein Risiko dar? Wer wird den Kredit mit höherer Wahrscheinlichkeit rechtzeitig zurückzahlen?Wir wissen, dass viele Daten verzerrt sind, weswegen darauf basierendes Machine Learning ebenfalls fehleranfällig ist.
Historisch gesehen wurden Hypotheken von Männern aufgenommen. Frauen, die Kredite beantragten, wurden regelmäßig aus Gründen zurückgewiesen, die nichts mit ihren finanziellen Mitteln oder ihrer Fähigkeit zur Begleichung des Kredits zu tun hatten. Bei einer Analyse dieser Daten kommt KI nicht zu dem Ergebnis: „Das Bankensystem ist historisch betrachtet patriarchalisch“, sondern zu folgendem: „Kreditanträge von Frauen werden häufiger abgelehnt, daher sollten auch Hypothekenanträge von Frauen abgelehnt werden.“Erinnern Sie sich an das Kreditkarten-Fiasko von Apple, die einem Mann einen 20 Mal höheren Kreditrahmen einräumte als seiner Ehefrau?
Tatsächlich stellen Frauen in jeder Hinsicht ein geringeres Kreditrisiko dar als Männer. Frauen zahlen Kredite pünktlich ab und geraten seltener in Verzug. Wenn eine Bank also fehlerbehaftetes ML einsetzt, verleiht sie einerseits Geld an Männer mit höherem Risiko und lässt sich andererseits die Einkünfte entgehen, die Frauen mit niedrigem Risiko bieten.
Und außerdem ist die diskriminierende Ungleichbehandlung von Personen aufgrund ihres Geschlechts gesetzlich verboten. Es verstößt gegen das Gesetz, die Kreditwürdigkeit vom Geschlecht abhängig zu machen. Doch die geschlechtsblinde Kreditvergabe diskriminiert Frauen.
ML-Lernprozesse basieren häufig auf Daten, die fehlerhaft, verzerrt und alles andere als objektiv sind. Meist sind die Fehler nicht offenkundig, sondern Feinheiten und Näherungswerte in den Daten, mit denen sie trainiert werden.
3. KI funktioniert per Plug & Play.
Angesichts all der SAAS-Programme und großen Versprechen von Softwareunternehmen könnte man meinen, dass KI kinderleicht sei. Man braucht nur Daten einzugeben, und die Maschinen analysieren sie in Windeseile und geben aus, was man wissen möchte.Und das ohne jegliche Programmierkenntnisse!
Doch selbst wenn Beschäftigte das Programm verstehen, ist eine Menge Vorbereitung erforderlich.
Datenbereinigung: Es gibt Daten – und es gibt gute Daten. Es ist sinnlos, riesige Datenmengen einzuspeisen, wenn sie falsch, unvollständig oder einer zu kleinen Stichprobe entnommen sind oder wenn sie vollkommen falsche Informationen erfassen.
Das Ergebnis des Prozesses verstehen: Wenn Unternehmen oder Kundinnen bzw. Kunden sagen, dass sie eine Bohrung haben möchten, wissen gute Data Scientists, dass sie eigentlich ein Loch meinen.Und nicht nur das: Sie wissen auch, ob die Daten diese Informationen liefern können.
Fachkenntnisse: Tatsache ist, dass der Data-Science-Branche Fachkräfte fehlen. Es gibt einfach nicht genug gute Data Analysts und Data Scientists. Es mangelt an geschulten und erfahrenen Personen, und das schränkt die Effektivität und Einführung von KI auf dem Markt ein.Unternehmen haben (oder finden) keine qualifizierten Data Scientists und lagern Aufgaben daher an externe Anbieter aus. Doch die Beauftragung von externen Anbieter:innen ist nur eine kurzfristige Lösung. Für exakte Ergebnisse ist Fachwissen äußerst wichtig.
4. Machine Learning prognostiziert die Zukunft
Das stimmt. Wenn die Zukunft genauso verläuft wie die Vergangenheit.ML wird auf Basis von historischen Daten trainiert und erstellt Prognosen auf Grundlage der Theorie, dass genau das Gleiche wieder passieren wird.
Bei ML geht es aber um mehr als nur das Treffen von Vorhersagen.Sie können ML verwenden, um geschäftliche Einblicke zu erlangen, Prozesse zu vereinfachen, neue Produkte oder Funktionen hinzuzufügen – und für Prognosen.Wo liegt der Nutzen, wenn Sie ML nicht verwenden, um das Verhalten Ihrer Geschäftsentscheidungen zu ändern?
5. Prognosen werden im Laufe der Zeit automatisch besser.
Zum Erstellen von Prognosen nutzt ML verschiedene Algorithmen, die so genannten Modelle.Von dem Augenblick an, in dem Sie ein Modell produktiv einsetzen, verschlechtert es sich. Das liegt daran, dass sich Daten und Umgebung ändern können – und Menschen sich definitiv ändern. Ein Modell hingegen bleibt unverändert. Aus diesem Grund müssen Modelle vom ersten Moment an immer wieder trainiert werden, oder es müssen neue, passendere Modelle verwendet werden.
Die Verschlechterung der Modelle ist auf Datendrift zurückzuführen.Dieser Zustand liegt vor, wenn der Gegenstand der Prognose durch das Modell sich aufgrund unvorhersehbarer Variablen ändert. Wenn Sie beispielsweise den Umsatz in einem Ladengeschäft prognostizieren, müssen auch andere Variablen berücksichtigt werden, wie zum Beispiel das Wetter, bevorstehende Feiertage und Aktivitäten der Konkurrenz.
Bei einem System zur Diagnose von Hautkrebs liegt beispielsweise ein Konzeptdrift vor, wenn Hautkrebserkrankungen aufgrund von unbekannten Variablen übersehen werden. Das Gerät erkennt erhöhte Ränder, unregelmäßige Formen und Veränderungen im Laufe der Zeit, die den Arzt auf den Verdacht auf Krebs aufmerksam machen. Wenn die Maschine jedoch die Hautfarbe nicht berücksichtigt (aufgrund von Sonneneinstrahlung oder ethnischer Zugehörigkeit), kommt es zu falsch negativen Ergebnissen.
Ein weiteres Problem, an denen Modelle leiden, ist die Verallgemeinerung bzw. Verschiebung von Kovariaten. Wenn Daten, die zum Trainieren eines Modells verwendet werden, aus einer bestimmten Population stammen, etwa einem westlichen, wohlhabenden Land, dann passen sie für diese Datengruppe sehr gut. Für andere Gruppen und unbemerkte Daten bedeutet dies hingegen, dass die Prognosen ungenau sind, da sie sich nicht gut verallgemeinern lassen.
Es müssen Maßnahmen getroffen werden, um eine Verschlechterung des Modells zu verhindern. Nach der Bereitstellung muss die Leistung der ML überwacht werden. Wenn sich das Modell verschlechtert, strukturieren Sie es neu oder versuchen Sie es mit einem anderen, besser geeigneten Modell. Möglicherweise müssen neue Funktionen hinzugefügt oder Parameter geändert werden. Dies wird als kontinuierliches Lernen (Continuous Learning) bezeichnet. Wenn Prognosen genau sein müssen, müssen sie überprüft und angepasst werden.
6. Bei Machine Learning geht es darum, eine höhere Genauigkeit zu erzielen.
Genauigkeit ist gut, aber für sich genommen noch kein Indiz für Leistungsfähigkeit. Ein Modell mit einer Genauigkeit von 51 % könnte die Lottozahlen richtig vorhersagen, und Sie gewinnen zehn Millionen. Ein Modell mit einer Genauigkeit von 99 % kann einen betrügerischen Kreditantrag mit einem falsch negativen Ergebnis bewerten – und zu hohen Verlusten führen.
ML beruht auf Wahrscheinlichkeiten, nicht auf Gewissheiten.
Ähnlich wie die ständige Neubewertung von Modellen müssen auch Ergebnisse auf Präzision überprüft werden. Wie ist das Verhältnis von falsch negativen zu falsch positiven Ergebnissen? Welchen Geschäftswert haben diese Fehler? Wie viele mögliche Umsätze haben Sie verloren?Ist das System womöglich nicht differenziert genug, und Sie überlasten Ihre Beschäftigten im Vertrieb mit zu vielen Leads, oder drehen sie Däumchen, weil das System zu pingelig ist und zu viele Leads ablehnt?
7. KI und ML ersetzen Menschen.
Ja, und der Himmel stürzt uns allen auf den Kopf.Jedes Mal, wenn es eine große, bedrohliche Veränderung gibt, geraten Menschen in Panik, dass sie ihren Arbeitsplatz verlieren könnten.Das erzeugt Widerstand gegen die Einführung von KI, da die Leute sich streuben, um sich gegen Arbeitsplatzunsicherheit zu wehren.Laut einer Studie erwarten 38 % der Menschen, dass Technologie in den nächsten drei Jahren Arbeitsplätze vernichten wird.Es wird prognostiziert, dass bis 2030 bis zu 20 Millionen Arbeitsplätze im Fertigungssektor an Roboter verlorengehen. Das sind beängstigende Zahlen.
Tatsächlich aber ergänzen und erweitern KI und ML die Tätigkeiten von Menschen.
Sie übernehmen langweilige, sich wiederholende Aufgaben und ermöglichen es den Menschen, kreative, unvorhersehbare und komplexere Aufgaben zu erledigen.KI und Menschen sollten Hand in Hand arbeiten, um den heutigen Arbeitsplatz positiv zu verändern.
Wir können auf die Industrielle Revolution zurückblicken, um zu sehen, was die Zukunft für die KI-Revolution bereithält. Diese tiefgreifende Umgestaltung fast sämtlicher Arbeitsbedingungen im 18. und 19. Jahrhundert hat nicht zu einem langfristigen Verlust von Arbeitsplätzen und zu Elend geführt.Menschen finden immer neue Arbeitsplätze (wenn auch oft nach einer Phase schmerzhafter Anpassungen). Die Angst vor Massenarbeitslosigkeit ist unbegründet.
KI wird zwar zum Verlust von bestimmten Arbeitsplätzen führen, doch es ist zu erwarten, dass dies durch die Schaffung neuer Arbeitsplätze in einer stärkeren, wohlhabenderen Wirtschaft ausgeglichen wird.
Es ist unbestreitbar, dass Automatisierung und KI Arbeit und Leben verändern werden.Doch werden diese Veränderungen größtenteils positiv sein.
8. Je mehr Daten, desto besser für Machine Learning.
Garbage in = Garbage out.Wenn Sie irrelevante Informationen bzw. unbereinigte oder falsche Daten einspeisen, schlägt sich das in den Ergebnissen nieder. Nicht ohne Grund sagen Data Scientists, dass etwa 50 % ihrer Tätigkeit darin bestehen, Daten zu bereinigen.
Aus fehlerhaften Daten kann selbst die cleverste Maschine keine Erkenntnisse gewinnen.
Die Vorteile von Data Science könnten enorm sein
Das wiederum ist kein Mythos. All die Verheißungen von Data Science lassen sich realisieren, wenn sie richtig angepackt wird. Schneller, besser, stärker, der Superheld von Unternehmen.
Um KI auf Unternehmensebene nutzen zu können, ist allerdings ein besseres Verständnis davon erforderlich, was KI leisten kann und wo sie nicht nützlich ist. Andernfalls ist es nur ein weiteres der 80 % der Data-Science-Projekte, die nie zustande kommen.Damit sich Ihre Investitionen in Data Science rentieren, müssen Sie realistisch einschätzen, wozu KI in der Lage ist, und sie gezielt auf wohldefinierte Projekte mit hochwertigen Daten anwenden.Das klingt zwar nicht so verlockend (und einfach) wie „Leg' los und sag' die Zukunft voraus“, aber es ist eine weitaus erfolgreichere Strategie, um das zu bekommen, was KI leisten kann.
Für Sie empfohlen
Wenn Sie mehr wissen möchten, lesen Sie Mit den sieben Mythen über Machine Learning aufräumen.