Fachthemen
Trendstudie: Die Zeichen der Zeit erkennen

KI und Machine Learning: Unternehmen erkennen (langsam) die Zeichen der Zeit

„Genau drei Viertel (75 Prozent) der Umfrageteilnehmer setzen derzeit noch keine Methoden aus dem Bereich Künstliche Intelligenz und Machine Learning im Management von Kunden und Interessenten ein. Im Vergleich zum Vorjahr (83 Prozent) ist dieser Anteil deutlich gesunken.“

So lautet eines der Ergebnisse der aktuellen von Uniserv durchgeführten Trendstudie Kundendatenmanagement. Je nachdem, ob man dem Thema Künstliche Intelligenz und Machine Learning positiv oder kritisch gegenübersteht, wird man auch dieses Ergebnis unterschiedlich beurteilen. Auf der einen Seite ist der Prozentsatz derer, die sich mittlerweile mit dem Thema auseinandersetzen, deutlich gestiegen (+ 8 Prozentpunkte), auf der anderen Seite beschäftigt sich die große Mehrheit der befragten Unternehmen noch überhaupt nicht mit dem Thema.

KI ist nicht gleich KI

Sprachassistenten wie Alexa oder Siri, Konzepte für autonomes Fahren wie das Google Car oder Chatbots auf großen E-Commerce-Portalen sind derzeit nur einige Beispiele für den Einsatz von künstlicher Intelligenz, die die größte Öffentlichkeitswirksamkeit erzielen. Darüber hinaus gibt es im Unternehmensbereich eine ganze Reihe von Anwendungsbeispielen für den Einsatz Künstlicher Intelligenz, die zwar weniger öffentlichkeitswirksam sind, den Unternehmen aber deutliche Vorteile bei Prozessgeschwindigkeit und -Effizienz vermitteln.

Dabei setzen Unternehmen immer häufiger auf Verfahren, die unter den Oberbegriff ‚prädiktive Analysen (Predictive Analytics)‘ fallen. Dies bestätigen auch die Ergebnisse der Trendstudie Kundendatenmanagement 2019 (vgl. nachfolgende Grafik):


Algorithmen erstellen dabei auf der Grundlage historischer Daten Prognosen für die zukünftige Entwicklung von Geschäftsprozessen oder Kundenbeziehungen. Dies hilft beispielsweise dem Finanzsektor beim Schadensmanagement und dem Erkennen betrügerischer Aktivitäten (z.B. Geldwäsche). Smart Factory-Konzepte in Produktion und Fertigung nutzen diese Technologie heute bereits im Bereich Wartung (Predictive Maintenance). Dabei berechnen Algorithmen Ort und Zeit für die nächsten Wartungs- oder Instandhaltungsarbeiten bzw. alarmieren proaktiv vor dem Ausfall einer bestimmten Maschine oder Anlage.

In Marketing und Vertrieb unterstützen Predictive Analytics-Verfahren heute bereits bei der Planung von Marketing- und Vertriebskampagnen. 

Ohne richtige Daten keine richtigen KI-Entscheidungen

Auch im Bereich Predictive Analytics zeigt sich einmal mehr die Bedeutung qualitativ hochwertiger Daten. Der bei diesem Verfahren eingesetzte Algorithmus durchläuft zu Beginn ein Training in Form eines so genannten „überwachten Lernens“. Dabei lernt er anhand einer ihm vorgegebenen Trainingsdatenmenge, zwischen „richtig“ und „falsch“ zu unterscheiden. Das Gelernte wendet er dann zukünftig als Grundlage für seine Analysen an.
Sind die Trainingsdaten nun aber schlecht, lernt der Algorithmus zwangsläufig das Falsche – und wendet dieses falsche Wissen dann auch für seine Prognosen an. Die Folge: Die Prognosen sind falsch.

"It's like when you see a skyscraper: You're impressed by the height, but nobody is impressed by the foundation. But make no mistake, it's important. You have to have good data management to take advantage of AI." Mit dieser Aussage bestätigt Akshay Tandon, Vice President und Head of Strategy and Analytics bei der Firma LendingTree Inc., einem amerikanischen Online-Finanzdienstleister, die zentrale Bedeutung qualitativ hochwertiger Kundendaten, wenn es für Unternehmen darum geht, die Vorteile von Künstlicher Intelligenz im Bereich Predictive Analytics – und nicht nur dort -  voll auszuschöpfen. Für die Bereiche Marketing und Vertrieb beispielsweise bedeutet dies, dass ein erfolgreicher Einsatz von KI/ML für die Planung zukünftiger Kampagnen erst möglich ist, wenn es gelingt, sich einen 360-Grad-Blick über den Kunden zu verschaffen und die im Unternehmen verfügbaren „Big Data“ in „Smart Data“ zu verwandeln.

Zusammenfassend lässt sich sagen, dass Künstliche Intelligenz wahrlich kein Zukunftsthema mehr ist. Die KI-Basisalgorithmen sind vorhanden. Es bedarf lediglich des Zusammenbringens von KI- und Domain-Wissen, um Anwendungen intelligenter und effizienter zu machen. Daten und ihre Qualität haben in diesem Kontext eine besondere Bedeutung. Das wird oft vergessen bzw. vernachlässigt. Die Daten müssen insbesondere als KI-Trainingsdaten von angemessener Qualität sein.

Datenethik: Der Mensch entscheidet, was die Maschine lernt

Ein Thema allerdings, das im Zusammenhang mit Künstlicher Intelligenz immer wieder zur Sprache kommt und dabei trotzdem vielfach etwas an den Rand gedrängt wird ist das Thema ‚Datenethik‘. Selbst wenn man die großen Potentiale sieht, die Künstliche Intelligenz bietet, muss dennoch kritisch hinterfragt werden, welche rechtlichen und vor allem ethischen Fragen dabei zu beachten sind. KI-Kritiker zeichnen dabei häufig ein Bild, bei dem die Maschine bereits das Denken übernommen hat und damit auf der Grundlage rein künstlicher Intelligenz Einfluss auf das Leben des Menschen nimmt. Beispiele, die dieses Schreckensszenario untermauern, gibt es bereits. Dr. Michael Feindt, Professor am KIT und Gründer/CEO von Blue Yonder, hat es in seinem Vortrag anlässlich der AIxIA Anfang Oktober 2019 treffend formuliert: „'Wherever you look into data you see prejudice. [...] It is our decision to fight against unfairness.'

So gab bereits Im Jahr 2016 der New Yorker Supreme Court Lehrern Recht, die geklagt hatten, weil sie sich von einer KI-basierten Lehrerbewertungssoftware ungerechtfertigt schlecht beurteilt fühlten. Unter anderem stellten Ermittler fest, dass die Software eine Fehlerquote von 35 Prozent aufwies, da ihre Wertschöpfungsanalyse Kriterien wie Klassengröße und Fähigkeiten der Kinder nicht berücksichtigt hatte. Auch an diesem Bespiel zeigt sich die bereits erwähnte Abhängigkeit von KI-Analyseergebnis und zu Grunde liegenden Daten, aber natürlich auch der Programmierung des Algorithmus selbst.

Ein weiteres Beispiel für die Gefahren einer „entfesselten“ KI nennt Tesla Gründer Elon Musk in einem Interview für den ebenfalls 2016 erschienenen Werner Herzog-Film Wovon träumt das Internet (Lo and Behold)“: Nehmen wir an, eine KI wird beauftragt, den Wert eines Anlageportfolios zu maximieren. Nehmen wir außerdem an, dass der Programmierer der KI nicht eindeutig festgelegt hat, wie dieses Ziel erreicht werden soll. Dann könnte die KI zum Beispiel in Rüstungsfirmen investieren und zur Wertsteigerung des Portfolios im schlimmsten Fall einen Krieg provozieren.

Aus diesen Beispielen wird klar wie wichtig es ist, Datenethik als wichtiges Kriterium beim Einsatz von Künstlicher Intelligenz zu definieren. Die Bundesregierung hat dazu mit der Datenethikkommission ein eigenes Gremium etabliert, dessen Aufgabe es ist, „auf der Basis wissenschaftlicher und technischer Expertise ethische Leitlinien für den Schutz des Einzelnen, die Wahrung des gesellschaftlichen Zusammenlebens und die Sicherung und Förderung des Wohlstands im Informationszeitalter zu entwickeln.“

Rechtliche Vorgaben wie die DSGVO schützen darüber hinaus die Privatsphäre des einzelnen und zeigen den Unternehmen, die Daten erfassen, deutliche Grenzen auf. Gleichzeitig sind Unternehmen gut beraten, wenn sie sich nach einer unternehmensweit einheitlichen und vor allem auch selbst gewählten und selbst aufgestellten Corporate Digital Responsibility richten. Denn Unternehmen nutzen nicht nur Chancen durch den Einsatz von KI und ML. Sie gewinnen vor allem dann, wenn Sie mit KI, Daten und Ergebnissen ethisch umgehen, sprich sensibel, transparent, verantwortungsvoll und compliant. Kunden bzw. Geschäftspartner wissen das zu schätzen. Sie hinterlassen ihre Daten in der Regel eher bei denjenigen Unternehmen, die damit – ethisch – umzugehen wissen. Somit wird Datenethik neben aller Regulatorik und Selbstverpflichtung zu einem nicht unwesentlichen Erfolgs- und damit Wettbewerbsfaktor.

Uniserv und KI/ML – Dr. Simone Braun im Interview

Uniserv beschäftigt sich bereits seit längerem intensiv mit dem Thema Künstliche Intelligenz/Maschinelles Lernen. In einem Podcast-Interview zu den Ergebnissen der Trendstudie Kundendatenmanagement 2019 bewertet Dr. Simone Braun, Head of Business Development bei Uniserv, die eingangs zitierten Umfrageergebnisse. Darüber hinaus erläutert sie nochmals den Zusammenhang zwischen dem Erfolg von Predictive Analytics-Prognosen und der Qualität der dabei zugrunde gelegten Daten. Abschließend wagt sie eine Prognose über die zukünftige Zusammenarbeit zwischen Mensch und Maschine.

Weitere Informationen zum Thema Predictive Analytics auf Grundlage belastbarer Daten finden Sie auf der Uniserv Webseite.