Artificial Intelligence im Griff – volle Kontrolle mit AI Spurhalteassistenten

Zunächst eine Vereinbarung zur Vereinfachung: Mir ist wohl bewusst, wie unterschiedlich die Begriffe „Data Science“, „KI“, „AI“ oder „ML“ genutzt werden und dass es professionelle Erklärungen zu den Unterschieden gibt. Derzeit scheint sich die Abkürzung „AI“ – nicht unbedingt fachlich begründet, sondern eher von den Herstellern getrieben – durchzusetzen. Im Folgenden möge man mir verzeihen, wenn ich „AI“ verwende, es dient rein der Vereinfachung.

Verfolgt man die Nachrichten rund um die Entwicklung von AI, ergibt sich ein absolut heterogenes Bild, das sich mit meinen Erfahrungen aus meiner täglichen Arbeit deckt: Die Nutzung von AI, insbesondere konkret bei der Unterstützung realer Geschäftsprozesse im Unternehmen, deckt ein breites Spektrum von fast schon traditionellen Business Analytics / Intelligence Themen über Statistik bis hin zu echtem „Machine Learning“ ab, bei dem die Maschine einigermaßen autark Entscheidungen fällt oder zumindest vorschlägt.

Ein Mittel der Wahl: mit sogenannten „Proof-of-Value“ Workshops lässt sich, vor der eigentlichen Projektinvestition, der Mehrwert in einem vorgeschalteten Workshop anhand belastbarer Information bewerten. So werden echte Daten mit pragmatischen Prozessen, in einer abgeschotteten vordefinierten Umgebung mit erfahrenen Kollegen (Data Engineers, Data Scientists und Analytics Architekten) aufbereitet, analysiert, bewertet und schließlich erste Modelle gerechnet, die Aussagen bezüglich eines Use Cases zulassen. Beispiele: Bessere Response Rate im Marketing, Erkennung von Ausschuss in der Produktion, Vorbestimmung von Zahlungsverhalten im Controlling oder Vorhersage von Schadenshäufigkeiten in der KfZ-Versicherung.

Mit AI und Data Science wertvolle Informationen erkennen

Extrahieren Sie mit AI und Data Science versteckte, wertvolle Informationen aus großen Datenmengen, um so künftig datenbasierte Entscheidungen treffen zu können. Wir unterstützen Sie dabei!

Die Transparenz und Nachvollziehbarkeit von AI ist die größte Herausforderung für die Nutzung von AI. Im Zusammenhang mit fairer Beurteilung von Menschen oder menschlichem Verhalten sowieso. Im Zusammenhang mit anderen Daten würden wir konsequenterweise in absehbarer Zeit komplett den Durchblick über Zusammenhänge in den Daten verlieren, wenn wir der AI allein das Feld überließen.

Nicht ohne Grund beschäftigen sich auf höchster Ebene Experten und Politiker mit der Nutzung von AI, wie z. B. die EU mit dem neuen Rechtsrahmen für KI im April 2021.

In Watson OpenScale werden AI Modelle aus verschiedenen Quellen (innerhalb der IBM Infrastruktur, aber auch z. B. Microsoft Azure ML Studio und weitere) überwacht und die Ergebnisse einem Nutzer in einem übersichtlichen Dashboard dargestellt bzw. per Alarm aktiv gepusht.

Modelle für die automatische Erkennung von Qualität und Drift sind in der Lösung bereits enthalten und müssen nur konfiguriert werden. Für die Erkennung von Fairness muss zunächst „Fairness“ in OpenScale definiert werden. Beliebige Definitionen und Kontroll- vs. Vergleichsgruppen sind möglich.