Drei Bausteine für moderne Datenanalysen

Wie Datenanalysen, Künstliche Intelligenz und Machine Learning den Geschäftsalltag verändern

Drei Technologien sind notwendig, um die stetig wachsenden Datenmengen effektiv nutzen zu können: Datenanalyse, Künstliche Intelligenz und Machine Learning. In Kombination erlauben sie es dem Anwender, als Citizen Data Scientist mit Daten zu arbeiten, ohne unbedingt ein IT-Experte sein zu müssen.  

Die Digitalisierung hat dazu geführt, dass Unternehmen riesige Datenmengen erzeugen – zum Beispiel durch die fortschreitende Automatisierung von Produktionsprozessen in Zeiten von Industrie 4.0. Zudem können Unternehmen auf immer mehr externe Datenmengen im Internet zurückgreifen. Beispielsweise verzeichnet Google in einer Minute bis zu 3,8 Millionen Suchanfragen, gleichzeitig werden 188 Millionen Emails verschickt und 4,5 Millionen YouTube-Videos aufgerufen.

In welchem Verhältnis stehen Künstliche Intelligenz und maschinelles Lernen und welche Rolle spielt der Mensch?

Für das menschliche Hirn sind solche riesigen Datenberge schwer zu verarbeiten. Mit jeder technologischen Weiterentwicklung sind wir jedoch mehr und mehr in der Lage, all diese Informationen gemeinsam zu betrachten und uns ein umfassenderes Bild von der Welt zu machen. Dabei hilft der Einsatz moderner Technologien, denn nicht nur die Masse an Daten steigt, sondern auch die Rechenleistung, um diese zu verarbeiten.

Nicht zuletzt können auch die Algorithmen für Künstliche Intelligenz (KI) und maschinellem Lernen (ML) besser trainiert werden, je mehr Daten zur Verfügung stehen. Mithilfe von leistungsstarken Rechnern und weit entwickelter Software können mittlerweile selbst riesige Datenmengen aufbereitet, verarbeitet und analysiert werden, die ohne technische Hilfsmittel sonst unzugänglich wären. Doch in welchem Verhältnis stehen nun ML und KI und welche Rolle fällt dabei dem Menschen zu?

Intelligenz der Maschinen

Künstliche Intelligenz und maschinelles Lernen werden häufig in einem Atemzug genannt oder sogar synonym verwendet. Es besteht jedoch ein wesentlicher Unterschied in der Zielsetzung und der daraus resultierenden Autonomie. Bei Künstlicher Intelligenz wird versucht, mit technischen Mitteln menschliche Entscheidungsstrukturen nachzuahmen. 

KI, so scheint es, kann Entscheidungen treffen, die sich nicht einfach nur aus einer strickten Abfolge ergeben. Daraus resultiert die häufig genutzte Assoziation mit menschlicher Intelligenz. KI-gestützte Systeme entscheiden dabei strikt auf Basis von Daten. Durch den Einsatz von Deep-Learning-Technologie kann die Künstliche Intelligenz jedoch dazu befähigt werden, auch außerhalb ihres ursprünglichen Einsatzgebietes Ergebnisse zu liefern.

Anzeige

Künstliche Intelligenz wird bislang in zwei Kategorien unterteilt: Die sogenannte angewandte KI erhebt den Anspruch, sich auf einen einzelnen Aspekt zu konzentrieren. Die allgemeine KI hingegen ist theoretisch in der Lage, unterschiedliche Aufgaben zu bewältigen. Aus diesem Bereich hat sich auch das maschinelle Lernen entwickelt.

Wenn Maschinen lernen

Muster zu erkennen ist eine zutiefst menschliche Eigenschaft.

Die Automatisierung von Prozessen ist der Fokus des maschinellen Lernens. Dabei wird einem System beigebracht, durch Verallgemeinerungen aus Erfahrungen zu lernen – dies beschreibt den „lernenden Algorithmus“. Maschinelles Lernen setzt sich aus drei aufeinander aufbauenden Teilen zusammen: dem Modell, dem Parameter und dem Lernsystem. Erst alle drei Komponenten zusammen ermöglichen zuverlässige und konsistente Analysen.

Die erste Komponente ist das Modell, also ein System, auf dessen Basis Vorhersagen oder Identifikationen gemacht werden. Die zweite Komponente sind Parameter. Diese liefern dem Modell Signale oder Faktoren, die zur Entscheidungsfindung verwendet werden. Der dritte Baustein ist das Lernsystem, eine Lösung, die die Parameter – und damit das Modell – fortwährend anpasst. Dazu betrachtet es Unterschiede zwischen den Vorhersagen und dem tatsächlichen Ergebnis. Dadurch können auch Erfahrungen übertragen werden, sodass die Beurteilung zuvor unbekannter Daten ermöglicht wird.

Auf Basis dieser Mechanismen ist maschinelles Lernen in der Lage, Häufigkeiten und Korrelationen in einem oder mehreren Datensätzen zu finden. Die Ergebnisse können einerseits Muster aufzeigen, um damit häufig oder ständig auftretende Phänomene sichtbar zu machen. Umgekehrt können die ML-Algorithmen nach ausreichendem Training auch sogenannte „Anti-Patterns“ aufdecken und somit auf Unregelmäßigkeiten in einem Datensatz hinweisen. Diese zu interpretieren ist jedoch weitaus schwieriger und spätestens an dieser Stelle muss auch die dritte Kraft im Bunde mitwirken – der Mensch.

Menschliches Wissen ist weiterhin notwendig

Die Fähigkeit, aus Erfahrungswerten Muster zu erkennen, ist das Grundprinzip der Datenanalyse – und eine zutiefst menschliche Eigenschaft. Wir alle tun dies jeden Tag, wenn wir Empfehlungen an Freunde aussprechen oder Beziehungsratschläge verteilen. Nicht umsonst hat der ehemalige Google Data Scientist Seth Stephens-Davidowitz dies in seinem New York Times Bestseller über Big Data Analytics „Everybody lies“ als prägnantes Beispiel gebracht.

Menschen bekommen wieder Zeit für ihre eigentliche Bestimmung.

Deshalb ist und bleibt der Mensch der ausschlaggebende Faktor wenn es darum geht, aus guten Resultaten gute Erkenntnisse zu ziehen. KI und ML sind dabei wichtige Helfer, die uns unterstützen können, den anwachsenden Berg an Daten zu bewältigen. Laut einer Studie des Instituts für Arbeitsmarkt- und Berufsforschung (IAB) sind Computer in der Lage, mindestens 70 Prozent der Tätigkeit von acht Millionen Beschäftigten in Deutschland zu erledigen. 

Das bedeutet, dass die Mitarbeiter wieder Zeit für ihre eigentliche Bestimmung haben und keine repetitiven Aufgaben abarbeiten müssen. Das erhöht nicht nur die Produktivität, sondern auch die Zufriedenheit. Auf diese Weise bekommen Mitarbeiter die Möglichkeit, mit spezieller Self-Service-Software eigenständig Daten aufzubereiten und zu analysieren; sie werden zu Citizen Data Scientists. Diese bringen Fachwissen aus den Fachabteilungen mit, das sie dazu befähigt, die Ergebnisse im Kontext der Aufgabe angemessen zu interpretieren.

Datenanalyse sollte aus der IT-Experten-Blase befreit werden.

Programmierfreie Plattformen befähigen nicht nur Citizen Data Scientists zur Datenanalyse, sondern tragen auch dazu bei, dass sich Datenanalyse wie ein roter Faden durch alle Unternehmensbereiche hindurchziehen kann – und nicht nur auf die IT beschränkt sein muss. Das ist ein entscheidender Faktor, wenn es um den Unternehmenserfolg geht. Denn laut einer Umfrage von Forbes Insight und EY verzeichnen Unternehmen, bei denen Datenanalyse in der gesamten Geschäftsstrategie verankert ist, wachsende Umsätze sowie höhere Margen. Die Einbindung der Mitarbeiter ist daher nicht nur essenziell, sondern auch umso fruchtbarer, je mehr verschiedene Menschen mitarbeiten. So entkommt die Datenanalyse der IT-Experten-Blase und liefert qualitativ hochwertigere Ergebnisse.

Daher sollten in jedem Unternehmen Künstliche Intelligenz, maschinelles Lernen und menschengetriebene Datenanalyse zusammengeführt werden, um das Maximum aus vorhandenen Daten herauszuholen. Dann können KI und ML auch ihren messbaren Geschäftswert entfalten.


Über den Autor

Tom Becker ist General Manager Central & Eastern Europe beim Datenmanagement- und Analytics-Spezialisten Alteryx.

 

Das könnte Sie auch interessieren

Was meinen Sie dazu?

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Back to top button
Close