Lernen ohne Lehrer?

Wer derzeit mit dem Gedanken spielt, ein KI-Projekt im Unternehmen zu realisieren, weiß wahrscheinlich, dass das Training von Business-KI oftmals eine enge Kooperation mit einem menschlichen Trainer erfordert. Dieser muss die Künstliche Intelligenz beaufsichtigen und für unmittelbares Feedback zu ihren Ergebnissen sorgen. Beim „Supervised Learning“ beispielsweise benötigt die KI immer konkretes Feedback bezüglich ihrer Annahmen.

Man denke etwa an den Bereich der Bilderkennung: Für jedes Ergebnis – etwa: „Auf dem Foto ist ein Hund zu sehen“ – muss im Anschluss ein konkretes Feedback – sprich: „Richtig“ oder „Falsch“ – zurückgegeben werden. Nur so kann sich die KI verbessern und kontinuierlich lernen. Die Kehrseite: ein in der Praxis nicht unerheblicher Zeitaufwand für den Trainer.

Selbststudium

Besonders attraktiv im Unternehmenskontext erscheint daher die Methode des „Unsupervised Learning“, liefert sie doch Ergebnisse ohne vorausgehendes Training und arbeitet – wie der Name bereits vermuten lässt – weitestgehend selbstständig. Es geht, anders als beim Supervised Learning, nicht um eine korrekte Zuordnung von Datenelementen zu vorab definierten Kategorien. Vielmehr soll die KI anhand von statistischen Zusammenhängen bislang unbekannte Muster in den bestehenden Datensätzen zutage fördern. Beispielweise durch den Einsatz des sogenannten „t-distributed stochastic neighbor embedding“-Modells („t-SNE“) kann die KI Daten in Gruppen oder Kategorien unterteilen, indem sie den Daten dafür anhand ihrer Eigenschaften eine Position in einem Koordinatensystem zuweist und damit eine Visualisierung selbiger möglich macht.

Ein Beispiel ist im Geschäftskontext die Optimierung der Lagerhaltungsparameter, wie sie ein Kunde des ERP-Spezialisten Asseco Solutions in einem gemeinsamen Projekt mittels Künstlicher Intelligenz umgesetzt hat. Ob ein bestimmter Artikel in der Praxis besser auftragsbezogen oder lagerbezogen disponiert wird, ist zuvor nicht bekannt. Die KI analysiert den Datensatz und identifiziert selbstständig die passenden Gruppen. Den manuell äußerst zeitraubenden Prozess der Aktualisierung von Mindestbeständen, Bestellmengen oder Dispositionsarten übernimmt sie nun und erspart dem Unternehmen dadurch einiges an Zeit und Kosten.

Vorsorge statt Nachsorge

Auch das Unsupervised Learning kann jedoch seine Tücken haben, nämlich wenn die Datensätze, mit denen das System selbstständig arbeiten soll, nicht konsequent einheitlich gepflegt sind. Im konkreten Fall waren beispielsweise Wareneingänge, die unmittelbar für Aufträge weiterverwendet wurden, in der Praxis nicht im System verbucht worden, was zu einer verzerrten Repräsentation der Realität im Datensatz führte. Entsprechend war es für die KI zunächst unmöglich, Muster zu erkennen und passende Kategorien zu ermitteln.

Dies ist ein Artikel aus unserer Print-Ausgabe 11/2022. Bestellen Sie ein kostenfreies Probe-Abo.

Es bleibt also festzuhalten: Auch im Kontext des Unsupervised Learnings müssen Unternehmen Zeit investieren, um letztlich tatsächlich von einer Kosten- und Zeitersparnis durch Künstliche Intelligenz profitieren zu können. Da die KI in besonderem Maße von der Qualität der zugrundeliegenden Daten abhängig ist, kann sie nur so gut sein, wie die ihr zur Verfügung gestellte Datenbasis. Die Prämisse lautet: „Vorsorge ist besser als Nachsorge“. Ob Training beim Supervised Learning oder die Sicherstellung entsprechender Datenqualität beim Unsupervised Learning – gänzlich ohne menschliche Unterstützung funktioniert auch eine noch so selbstständige KI (bisher) nicht.

Bildquelle: Getty Images / iStock / Getty Images Plus