30.07.2019 Kommentar der Deutschen Oracle-Anwendergruppe

Künstliche Intelligenz wird mittelstandstauglich

Von: Björn Bröhl

KI-Lösungen haben sich bereits in solchen Bereichen und Unternehmen etabliert, für die „Innovation ohne KI“ keine Option war. Ein wesentlicher Faktor für den möglichen erfolgreichen Einsatz liegt darin, dass die IT-Leiter die Daten so beschaffen und bereitstellen, dass die damit trainierten KI-Systeme im späteren Praxiseinsatz vernünftige Resultate liefern.

Der Schlüssel für effektive KI ist die Vorbereitung. ((Bildquelle: Thinkstock/iStock))
Björn Bröhl ist bei der Deutschen Oracle-Anwendergruppe (DOAG) in der Leitung der „Data Analytics Community“ aktiv. Im Hauptberuf ist Bröhl Marketing- und Kommunikationsleiter bei Trivadis. ((Bildquelle: DOAG))

Dabei kommt es vor allem darauf an, dass in den bereitgestellten Daten die relevante Information in Bezug auf das zu lösende Problem enthalten ist. Zusätzlich ist eine ausreichende Signalstärke eine weitere zwingende Voraussetzung: Bei „Big Data“ werden daher im ersten Schritt alle Daten gesammelt. Die primäre Herausforderung in jedem „Data Science“-Projekt besteht dann darin, die Datenmenge zu reduzieren, ohne die relevante Information zu verlieren.

Dies ist ein Artikel aus unserer Print-Ausgabe 6/2019. Bestellen Sie ein kostenfreies Probe-Abo.

Ideale Voraussetzungen bieten zum einen verfügbare technische Metadaten wie Primärschlüssel, Business-Keys oder sprechende Bezeichnungen. Es ist sinnvoll, komplexe Formate wie die „JavaScript Object Notation“, kurz JSON, in definierte Datenstrukturen zu überführen. So kann „Double Parsing“ vermieden werden; die Syntaxanalyse muss also nicht zweimal erfolgen.

Keine doppelte Syntaxanalyse

Zum anderen werden Daten aus Stammdatenpflege und Business-Datenkatalog herangezogen, um ihre Herkunft und Rolle festzuhalten. Sie sorgen für eine transparente Gestaltung der Datenflüsse. Um eine belastbare Aussage zu erreichen, wird die Datenbeschaffung oder Datenerzeugung durch eine statistische Versuchsplanung („Design of Experiment“, DoE) kontrolliert. So kann zuverlässig eine ausreichende Qualität mit minimalen Mitteln (ohne Verschwendung) erreicht werden.

Informationen zur Präzision oder Zuverlässigkeit der Vorhersage sind eine Mindestanforderung an jedes prädiktive System, also solche Systeme, die auf Basis historischer Daten zukünftige Ereignisse prognostizieren. Standardabweichungen sind für Wissenschaftler gemacht. Für Menschen in Unternehmen ist eine eindeutige, nachvollziehbare Kommunikation essentiell. Es ist hilfreich, eine sogenannte „Baloon Help“ in Anwendungen einzubauen. Verweilt ein Nutzer eine bestimmte Zeit mit dem Mauszeiger auf einer Schaltfläche, wird deren Bedeutung als Text formuliert angezeigt.

Texterkennung und Übersetzung

Der Begriff White-Box-Test (seltener auch Glass-Box-Test) bezeichnet eine Methode des Software-Tests, bei der die Tests mit Kenntnissen über die innere Funktionsweise des zu testenden Systems entwickelt werden. Oft funktionieren KI-Systeme jedoch in dem Sinne als „Black Box“, als dass für Außenstehende nicht nachvollziehbar ist, wie die Ergebnisse zustande-kommen. „Black Box“-Systeme wie neuronale Netzwerke sind aber sehr gut geeignet, um komplexe Zusammenhänge zu erlernen. Es ist allerdings schwieriger, die einzelnen Einflüsse transparent zu machen. Für eine Berücksichtigung der Rechtskonformität (z.B. DSGVO) verlangen nichtfunktionale Qualitätskriterien die Nachvollziehbarkeit von automatisierten Entscheidungsempfehlungen sowie die Freigabe personenbezogener Daten unter Berücksichtigung eines jederzeitigen Widerrufs.

Wünschenswert wäre, wenn es die Hersteller ermöglichen würden, die Alterung der gelernten Regeln mit Bezug auf den Trainingszeitpunkt automatisch zu adaptieren und die Rückmeldungen der Benutzer aufzunehmen. Das unausgesprochene Dogma jeder Prognosemethode – nur gültig, wenn sich nichts Relevantes ändert – wird so kompensiert.