Channel Header Channel Header
2437686

Mächtige Trias: KI, Machine Learning und menschgetragene Datenanalyse

27.06.2019 | 12:27 Uhr | Tom Becker

Jupiter, Juno und Minerva waren im antiken Rom das tonangebende Dreiergespann und waren nebeneinander sowie miteinander von höchster Wichtigkeit. Ein ähnliches Bild lässt sich zurzeit im modernen Datenzeitalter zeichnen, jedoch nicht mehr von Götterbildern, sondern von den neu entstandenen tragenden Säulen der Zukunftstechnologie: vom Menschen getragene Datenanalyse, Künstliche Intelligenz und Machine Learning.

Unternehmen und Institutionen benötigen die gesammelte Kraft des Dreiergespanns, um dem wachsenden Datenboom gemeinsam Herr zu werden. Wollten wir zum Beispiel alle Daten aus dem Internet herunterladen, bräuchten wir nach aktuellen Berechnungen 181 Millionen Jahre – und die Datenmasse wächst exponentiell. Bereits 2013 besagte IBM, dass 90 Prozent der Daten in den vorangegangenen zwei Jahren entstanden waren.

Was zeichnet Künstliche Intelligenz, Maschinelles Lernen und Datenanalyse aus? Und warum sollten Unternehmen die Potenziale dieser drei Technologien in Kombination nutzen?

Künstliche Intelligenz

Maschinelles Lernen (ML) und Künstliche Intelligenz (KI) werden in der öffentlichen Debatte oft synonym verwendet. Jedoch gibt es einen entscheidenden Unterschied: ML befasst sich mit der Automatisierung von Prozessen und dem „lernenden Algorithmus“.

KI wiederum ahmt menschliche Entscheidungsstrukturen nach und versucht, auf Basis von Daten (eigenständige) Entscheidungen zu treffen.

Den Wunsch nach menschenähnlicher Intelligenz in Robotern oder Computern gibt es allerdings nicht erst seit dem Computerzeitalter. Bereits in der antiken griechischen Mythologie soll Talos zur Verteidigung Kretas als Bronzeriese automatisch Steine auf Schiffe geworfen haben. Und auch in der Literatur finden sich schon lange vor den ersten Computern menschenähnliche „Automaten“, etwa in E.T.A. Hoffmanns „Der Sandmann“.

Heute unterteilen wir KI in zwei Kategorien: angewandte KI und allgemeine KI. Die angewandte KI fokussiert sich auf einen Aspekt. Die weniger verbreitete allgemeine KI hingehen vertritt den Anspruch, theoretisch unterschiedliche Aufgaben bewältigen zu können. Und genau in diesem Bereich hat sich das maschinelle Lernen entwickelt.

Maschinelles Lernen

ML bezeichnet ein System, dem beigebracht wird, aus Erfahrungen zu lernen. Es besteht dabei aus drei Hauptkomponenten:

1. Modell: System, das Vorhersagen oder Identifikationen macht.

2. Parameter: Signale oder Faktoren, die das Modell zur Entscheidungsfindung verwendet.

3. Lernsystem: System, das die Parameter – und damit das Modell – anpasst, indem es Unterschiede in den Vorhersagen gegenüber dem tatsächlichen Ergebnis betrachtet.

Mit diesen drei zusammenwirkenden Mechanismen ist ML in der Lage, zuverlässige und konsistente Analysen durchzuführen und aus Beispielen zu lernen sowie diese zu verallgemeinern. Hinzu kommt, dass das Lernsystem sogar Muster, Regelmäßigkeiten und Gesetzmäßigkeiten während des Lernprozesses identifiziert und speichert. Dadurch ist es in der Lage, im Anschluss die Erfahrungen zu transferieren, also auch zuvor unbekannte Daten zu beurteilen. Dabei gibt es einen Unterschied zwischen Systemen mit symbolischen Ansätzen, in denen das Wissen explizit repräsentiert wird, sowie Systemen mit nicht-symbolischen Ansätzen, in denen das Wissen implizit repräsentiert wird. Die derzeit viel diskutierten neuronalen Netze zum Beispiel erlauben keinen Einblick in die erlernten Lösungswege.

Menschgetriebene Datenwissenschaft

Das Grundprinzip der Datenanalyse ist eigentlich ganz einfach und besteht darin, aus Erfahrungswerten Muster zu erkennen und aus diesen zu abstrahieren – eine zutiefst menschliche Eigenschaft. Etwa wie die Fähigkeit einer Großmutter, aus ihrer eigenen Lebenserfahrung Beziehungsratschläge für die Entscheidungen anderer zu geben – ein prägnantes Beispiel, das der ehemalige Google Data Scientist Seth Stephens-Davidowitz in seinem New-York-Times-Bestseller „ Everybody lies “ verwendet.

Mit Hilfe von leistungsstarken Rechnern und weit entwickelter Software können mittlerweile Datenmengen verarbeitet und analysiert werden, die uns ohne technische Hilfsmittel unzugänglich wären. Waren dabei bis vor einiger Zeit noch spezielle Programmierkenntnisse notwendig, um Datenmengen zu analysieren, gibt es mittlerweile sogar für fachfremde Mitarbeiter die Möglichkeit, mit spezieller Self-Service-Software eigenständig Daten zu analysieren; sie sind damit sogenannte Citizen Data Scientists.

Programmierfreie Plattformen ermöglichen nicht nur Citizen Data Scientists zur Datenanalyse, sondern tragen auch dazu bei, dass sich Datenanalyse wie ein roter Faden durch alle Unternehmensbereiche hindurchziehen kann – und nicht nur auf die IT beschränkt sein muss.

Das ist ein entscheidender Faktor, wenn es um den Unternehmenserfolg geht, denn laut einer Umfrage von Forbes Insight und EY verzeichnen Unternehmen, bei denen Datenanalyse in der gesamten Geschäftsstrategie verankert ist, wachsende Umsätze sowie höhere Margen.

Zusammenspiel von menschgetragener Datenanalyse, ML und KI – eine mächtige Trias?

Zwar ist einiges aus den Bereichen KI und ML derzeit für die Datenanalyse noch Zukunftsmusik, allerdings wird beides bereits in Unternehmen eingesetzt und künftig noch wichtiger werden – wie nicht zuletzt das Fraunhofer-Institut in einer Studie bestätigt. KI und ML können Analysten besonders bei repetitiven und stupiden Aufgaben unterstützen. Diese oftmals sehr arbeitsintensiven und wenig anspruchsvollen Tätigkeiten kosten Unternehmen bisher viel Zeit und Geld.

KI und ML ermöglichen, langwierige manuelle Aufgabe in wenigen Sekunden zusammenzufassen und automatisch durchzuführen. Die dadurch freigewordenen Kapazitäten lassen sich sehr viel effektiver einsetzen, etwa zur Analyse großer Datenmengen oder sorgfältiger Untersuchungen. Die goldene Faustregel lautet übrigens: Je spezialisierter die Aufgaben, desto eher kann KI nützlich sein.

Wichtig für erfolgreiche Ergebnisse ist das genaue Zusammenspiel von menschgemachter Datenanalyse, KI und ML. Denn so verheißungsvoll wie die letzten beiden Technologien klingen, so haben sie gegenüber uns Menschen einen großen Nachteil: den fehlenden Kontext. Obwohl die automatisierte Analyse äußerst effektiv sein kann, ist sie inhaltsleer und bringt überhaupt nichts, wenn sie nicht verstanden wird. Der Mensch muss immer noch die gewonnenen Ergebnisse deuten, interpretieren und lesen können. Professor Dr. Martin Ruskowski vom Deutschen Forschungszentrum für Künstliche Intelligenz ließ sich deshalb unlängst auf einer Tagung sogar zu der prägnanten Beschreibung hinreißen: „ Neuronale Netze sind strohdumm und können 3,5 Milliarden Jahre Evolution niemals ersetzen “.

Deshalb kommen bei der sinnvollen und zukunftsgerichteten Datenanalyse Menschen mit der Fähigkeit des analytischen und kritischen Denkens ins Spiel. Menschen denken assoziativ und abstrakt und können Ergebnisse in den richtigen Kontext setzen sowie Erkenntnisse angemessen interpretieren. Interessanterweise sind hierbei die Citizen Data Scientists teilweise sogar besser geeignet als die eigentlichen Data Scientists, da sie das wertvolle Kontextwissen aus den jeweiligen Fachabteilungen mit sich bringen.

Unternehmen sind also gut beraten, KI, ML und menschgetragene Datenanalyse nicht isoliert zu betrachten, sondern miteinander zu verbinden, zu nutzen und zu kombinieren. Diese Trias wird so noch effektiver arbeiten können und ungeahnte Möglichkeiten entwickeln.

So wie Jupiter, Minerva und Juno zusammen das höchste Götter-Trio bildeten, so wird auch dieses Dreiergespann der Zukunftstechnologie neue Möglichkeiten bieten und zur tragenden Säule künftiger Unternehmen werden.

PC-WELT Marktplatz

0 Kommentare zu diesem Artikel
2437686