Britenet - Deutschland - Checkliste für Ihre Künstliche Intelligenz
Britenet Logo
Thumbnail Image

Checkliste für Ihre Künstliche Intelligenz

Haben Sie bei der Auswahl Ihrer Künstlichen Intelligenz auch an alles gedacht? Unser Head of Business Intelligence, Herr Lukasz Nienartowicz, zeigt Ihnen die wichtigsten Punkte auf, an die Sie denken sollten.

Erstelle eine Checkliste für Künstliche Intelligenz!

Kennst du das Gefühl, du fährst in den Urlaub fährst und fragst dich direkt, ob du etwas vergessen hast? Oder wenn du in einem Supermarkt Schlange stehst und überlegst, ob du vielleicht noch etwas kaufen solltest? Solche und ähnliche Dilemma kann man vermeiden, wenn man Checklisten im Voraus erstellt. Die Checkliste muss alle notwendigen Produkte oder alles, was wir für die Reise brauchen, beinhalten. Das ist eine einfache Lösung, die uns Ruhe und Sicherheit gibt.

Die Chacklisten-Technik eignet sich nicht nur für einfache, alltägliche Aufgaben wie das Einkaufen. Stellen wir uns vor was passiert, wenn wir uns auf eine viel schwierigere und anspruchsvollere Reise begeben wollten. Und was ist, wenn dies eine Tour ist, auf die wir unsere Versicherungsgesellschaft mitnehmen? Wenn wir an die Grenze zwischen Wirtschaft und Wissenschaft gehen. Wenn wir Künstliche Intelligenz in unsere Organisation einführen. Wie sieht eine solche Checkliste dann aus?

Bewusstsein

Was muss ganz oben auf unserer Liste stehen? Ich denke, dass „Bewusstsein“ das wichtigste Wort hier ist. Im Zeitalter der Künstlichen Intelligenz müssen wir sicher sein, dass die wichtigsten Stakeholder aus den Bereichen Operations und Technik darüber im Klaren sind, was Machine Learning (die weniger populäre Bezeichnung für Künstliche Intelligenz) ist. Man muss verstehen, was die Stärken und Schwächen der Algorithmen sind. Und man muss auch bewusst sein, dass das Wort „science“ nicht zufällig die Phrase „Data Science“ bildet. Machine Learning ist keine Zauberei. Viele Modelle werden nie nutzbar, weil sie nicht wirksam genug sind. Und daran ist niemand schuld. Manchmal sind keine geeigneten Muster in den Daten zu finden, damit der Algorithmus sie lernen kann. Deswegen müssen wir von Anfang an das Risiko der Niederlage im Hinterkopf behalten. Kalkulieren wir es in den Business-Case ein, denn auf der anderen Seite des T-Kontos haben wir Möglichkeiten, die Rentabilität, die Marge und andere wichtige Indikatoren, die uns die KI gibt, zu erhöhen.

Daten

Wenn wir schon dessen bewusst sind, auf welche Tour wir uns begeben, müssen wir sicher sein, dass wir genug Kraftstoff im Tank haben. Der Kraftstoff für Algorithmen der Künstlichen Intelligenz sind Daten. Hier gibt es aber drei Schlüsselaspekte. 

  1. Die Menge, weil Algorithmen gierig sind. In der Zeit von Big Data ist das, sowohl in der Versicherungsbranche als auch in anderen Bereichen, nicht mehr ein Problem. Oft haben wir eine Menge Daten. Und hier kommt der zweite wichtige Aspekt: 
  2. Algorithmen brauchen eine große Menge passende Daten, die zur analytischen Form verarbeitet wurden. Es reicht nicht aus, Daten aus einigen Quellen zu verbinden und dann schnell zusammenzufügen. Dies bedarf eines ganzen Prozesses, der aus diesen in verschiedene Systeme aufgeteilten Rohdaten eine kohärente und analytisch verarbeitete Quelle schafft, die für Algorithmen des maschinellen Lernens geeignet ist.
  3. Wenn man über Daten spricht, darf man ihre Qualität, den dritten Schlüsselaspekt, nicht vergessen. Kurz gesagt kann man annehmen, dass das Modell des maschinellen Lernens genauso effektiv sein wird wie hoch die Qualität der Daten ist, die es erhält. Anders gesagt, wenn die Daten am Eingang von schlechter Qualität sind, dann sind sie am Ausgang des Modells von genauso schlechter Qualität.

Team

Um sich auf die Gipfel der Künstlichen Intelligenz zu begeben, braucht man ein geeignetes Team. Ein solches Team braucht mindestens vier Expertenprofile. Der erste Experte ist ein Data Science-Analytiker, dessen Aufgabe es ist, die Geschäftsprozesse und Daten zu verstehen und danach dieses Wissen dem Rest des Teams zu vermitteln. Die zweite Person im Team ist ein Dateningenieur, der dafür verantwortlich ist, die Qualität der Daten zu sichern und die Daten so vorzubereiten, dass sie analysierbar sind. Der dritte Experte ist ein Data Science-Programmierer. Es ist seine Aufgabe, ein Modell des Machine Learnings auszuwählen und zu lehren, das endgültig die dem Team gestellte Aufgabe lösen wird. Der letzte Mitglied des Teams ist ein Architekt für Umgebungen des Machine Learnings. Seine Aufgabe ist die Vorbereitung von der…

Architektur

... Architektur. Interessanterweise bereitet dieser Bereich, obwohl er nicht der schwierigste ist, den Organisationen viele Probleme. Warum? Weil er einfach oft ausgelassen wird. Und wir sprechen hier nicht nur über den polnischen Markt, im Allgemeinen befindet sich die Entwicklung von guten Praktiken im Bereich des Aufbaus von Produktionsumgebungen für Modelle des Machine Learning in einem frühen Stadium der Standardisierung. Wenn wir ein Modell haben, dann starten wir es einfach auf dem Server. Für den Einsatz der Künstlichen Intelligenz ist es jedoch notwendig, eine IT-Umgebung zu entwerfen und aufzubauen, die es uns ermöglicht, erstellte Modelle zu starten und zu verwenden. Wegen ihrer Komplexität und der zyklischen Notwendigkeit, sie zu nutzen und zu lehren, ist eine Umgebung erforderlich, die sich schnell skalieren lässt, aber auch zu einem kleinen Maßstab zurückkehren kann, um keine unnötigen Kosten zu verursachen. Auf der anderen Seite benötigt ein Modell von uns die Bereitstellung der Eingabedaten, den Empfang des Ergebnisses, die Behandlung möglicher Fehler und die Speicherung seines Verhaltens in Logos. In anderen Worten müssen wir uns darum kümmern - wie um ein kleines Kind das versucht ein Puzzle zu lösen.

Prozess

Am Ende unserer Checkliste eigentlich eine Frage: Werden die Geschäftsprozesse in unserer Versicherungsgesellschaft den Einsatz von Algorithmen der Künstlichen Intelligenz zulassen? Wenn nicht, dann ist das schlimmer für diese Prozesse. Man muss berücksichtigen, dass sich die bisherigen Prozesse, IT-Systeme und die Art und Weise, wie Menschen arbeiten durch den Einsatz der Künstlichen Intelligenz wahrscheinlich ändern müssen. Solche Entscheidungen, ob der bestehende Geschäftsprozess beibehalten werden soll, während die Effektivität des Modells beschränkt oder seine Anwendung sogar unmöglich gemacht wird, kommen heute recht häufig vor. Es lohnt sich, solche Dilemma in einem möglichst frühen Stadium des Projekts zu erkennen, um das Risiko einer späteren Katastrophe zu verringern.

Entscheidung

Meiner Meinung nach wird die Rolle der Künstlichen Intelligenz, verstanden als Modelle, die Menschen dabei unterstützen, schwierige Entscheidungen zu treffen oder bei einer ganzen Masse viel einfacherer Entscheidungen sogar ersetzen, sehr schnell wachsen. Warum? Weil wir im Geschäftsleben Entscheidungen anhand Informationen treffen wollen, die wir aus unserer Umgebung erhalten. Das Problem besteht darin, dass es immer mehr Daten gibt, die wir zu Informationen verarbeiten müssen, aber unsere Möglichkeiten und die vorhandene Zeit immer noch begrenzt sind. Und hier können sich die Algorithmen für maschinelles Lernen als hilfreich erweisen. Auf der anderen Seite ist die Zeit der ersten Aufregung um die Künstliche Intelligenz vorbei. Wir kennen ihre Möglichkeiten und Grenzen immer besser. Deswegen ermutige ich alle, sich jetzt mit dem Thema vertraut zu machen. Und vergesst die Checkliste nicht! Die Liste wird euch helfen, unnötigen Stress zu vermeiden und dafür zu sorgen, dass alles wie geplant verläuft.

DEEL DIT

RECENTE ARTIKELEN

Was lehrt uns die Tankstelle über Datenqualität?

2021-04-23
News

Wie verliert man Kunden und schreckt Menschen ab?

2021-03-30
News

Daten sind Gold

2021-03-19
News