Bloß keine Algorithmen aus den 70-ern

Kreative Data Scientists statt sturer "Daten-Fachidioten"

Für effiziente Big-Data-Analysen braucht es laut Dr. Michael Allgöwer von B.telligent moderne Algorithmen und kreative Data Scientists – und keine sturen "Daten-Fachidioten".

Michael Allgöwer, B.telligent

Michael Allgöwer, Leiter Competence Center Data Science bei B.telligent

IT-DIRECTOR: Herr Allgöwer, glaubt man den Marketing-Aussagen der Software-Anbieter, reicht allein die Anschaffung von Big-Data-Tools aus, um Unternehmen mittels vorausschauender Analysen auf die Erfolgsspur zu bringen. Inwieweit ist eine solche Einschätzung realistisch oder doch viel zu kurz gegriffen?
M. Allgöwer:
Ihr revolutionäres Potential kann diese Software nur in den Händen kreativer Menschen entfalten, deren Horizont über das rein Technische hinausreicht. Diese Revolution ist mit viel Arbeit verbunden. Die meisten Software-Hersteller sprechen außerhalb ihrer Marketingbroschüren durchaus offen darüber.

IT-DIRECTOR: An welchen Stellschrauben müssen die Verantwortlichen tatsächlich drehen, damit der Einsatz von Big-Data-Analyse-Software das Unternehmen entscheidend voranbringen kann?
M. Allgöwer:
Wenn man Daten analysieren möchte, sollte man erst einmal welche haben. Klingt banal, ist aber für viele Unternehmen ein Haupthindernis, die ihre Daten nicht systematisch sammeln und aufbereiten.

IT-DIRECTOR: Generell sind Analysen bzw. deren Ergebnisse immer nur so gut wie die Algorithmen, die ihnen zugrundeliegen. Wer in den Anwenderunternehmen sollte die Erstellung von Algorithmen übernehmen?
M. Allgöwer:
Sehr viele Unternehmen arbeiten mit Algorithmen, die in den sechziger oder siebziger Jahren des letzten Jahrhunderts entwickelt wurden. Oft lohnt es sich, moderne Algorithmen überhaupt erst einmal sinnvoll anzuwenden, bevor man Neues entwickelt. Es gibt allerdings Situationen, in denen neue Algorithmen ausgesprochen sinnvoll und lohnend sind. Um sie zu entwickeln, braucht es eine enge Zusammenarbeit von Fachverantwortlichen, Data Scientists und IT; aus diesem Dreieck jemanden auszulassen ist eine recht sichere Vorbereitung für einen Misserfolg.

IT-DIRECTOR: Inwieweit kann dabei sichergestellt werden, dass Fachabteilungen eigene Big-Data-Analysen erstellen können, ohne auf das Fachwissen spezieller „Data Scientists“ angewiesen zu sein?
M. Allgöwer:
Bessere Software kann dafür sorgen, dass weniger technische Kenntnisse notwendig sind. Analytische Fähigkeiten kann sie nicht ersetzen. Wenn man ohne Data Scientists auskommen möchte, muss man sich daher entweder auf sehr einfache Fragestellungen konzentrieren oder die analytischen Fähigkeiten der Fachanwender ausbauen.

IT-DIRECTOR: Wie lassen sich aus den durch Big-Data-Analysen ermittelten Mustern und Zusammenhängen konkrete Erkenntnisse ziehen? Und im nächsten Schritt gar konkrete Handlungsempfehlungen ableiten?
M. Allgöwer:
Indem man sich von vornherein darüber im Klaren ist, für welche geschäftlichen Entscheidungen man nach Mustern und Erkenntnissen sucht. Ein guter Data Scientist ist darum kein "Daten-Fachidiot", sondern erarbeitet sich ein tiefes Verständnis der geschäftlichen Zusammenhänge.

IT-DIRECTOR: Ein Bereich von Data Science umfasst Methoden wie Machine Learning oder Deep Learning. Was genau verbirgt sich dahinter?
M. Allgöwer:
Das ist das methodische Handwerkszeug, das man braucht, sobald man nicht mehr nur die Vergangenheit zahlenmäßig erfassen möchte, sondern die Zukunft vorhersagen und verstehen möchte. Wenn man also nicht mehr nur fragt „Wie viele Kunden hatte ich am Monatsanfang?“, sondern wissen möchte, wie viele es im nächsten und übernächsten Monat sein werden und was die Auslöser dieser Entwicklung sind, dann braucht man Machine Learning und verwandte Methoden.

IT-DIRECTOR: Inwieweit braucht man in Zeiten von künstlicher Intelligenz und selbstlernenden Algorithmen den Menschen überhaupt noch?
M. Allgöwer:
Die Frage ist monentan eher, in welchen Nischen künstliche Intelligenz überhaupt schon praktisch einsetzbar ist. Das sind immer noch sehr spezielle Anwendungen.

IT-DIRECTOR: Warum sind „intelligente, selbstlernende Maschinen“ den Menschen überlegen – wie häufig in der IT-Branche kolportiert wird?
M. Allgöwer:
Mehr oder weniger intelligente Algorithmen sind vor allem dort überlegen, wo aufgrund extrem umfangreicher Datengrundlagen Prognosen zu treffen sind. Das liegt daran, dass es menschlichen Experten in der Regel schwerfällt, bei einer Fülle von Daten die einzelnen Indizien richtig zu gewichten. Allerdings setzt diese Überlegenheit viel menschliche Arbeit voraus, die vorher in ein gutes Prognosemodell für die jeweilige Situation geflossen ist.

IT-DIRECTOR: Welche Gefahren und Risiken setzt man sich aus, wenn man selbstlernenden Algorithmen blindlings vertraut? Können Sie ein Beispiel nennen?
M. Allgöwer:
Microsoft hat kürzlich eine künstliche Intelligenz namens Tay ins Netz gestellt, mit der man in normaler Sprache Small Talk betreiben kann, und die dabei nebenbei lernen sollte, menschliches Gesprächsverhalten nachzuahmen. Allerdings hat Microsoft nicht damit gerechnet, dass sich die Leute einen Spaß daraus machen würden, die künstliche Intelligenz im Gespräch mit extrem sexistischen und rassistischen Äußerungen zu füttern. Die künstliche Intelligenz hat das prima gelernt und fleißig nachgeplappert. Am Ende wurde es Microsoft zu bunt, und sie haben Tay vom Netz genommen.

©2020Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok