Читать книгу Data Science - Michael Zimmer - Страница 28

Data Science und KI wird von vielen Vendoren in praktisch alle Branchen ungeachtet von Kosten-Nutzen-Analysen als Allheilmittel verkauft. Vermeintlich ungeahnte neue Möglichkeiten tun sich den Unternehmen hier auf und ihre Überfülle verstellt oft einen realistischen Blick auf die Herausforderungen, die sie mit sich bringen⁶:

 Ein maschinell lernender Algorithmus wertet historische Daten aus – er wird aus schon beschrittenen Wegen den besten herausfinden, mehr jedoch nicht.

 Über die Zuverlässigkeit und Treffsicherheit des Algorithmus bestimmt die Qualität der ihm zugeführten Daten.

 Die Möglichkeiten dieser Technologie voll auszuschöpfen gelingt nur, wenn folgende Parameter erfüllt sind:gute Infrastruktur,inhaltliche Kompetenzen,effiziente Arbeitsprozesse, die schnelles iteratives Testen und Weiterentwickeln ermöglichen, undrichtige, vollständige Dokumentation.

 Daten unterliegen rechtlichen Bestimmungen – sie entsprechend pflegen zu können erfordert klare Datenmanagementprozesse und -verantwortlichkeiten.

 Ohne zuverlässige Methode für die Skalierung in produktiven Systemen wird auch das beste Vorhersagemodell wenig nützlich sein.

 Es gibt kein Perpetuum mobile – Ressourcen und Infrastrukturen müssen so eingerichtet sein, dass regelmäßige Qualitätschecks und Retrainings gesichert sind.

Ein maschinell lernender Algorithmus verspricht nicht weniger als automatisierte und eigenständige Lösungen. Auf Basis der ihm zur Verfügung stehenden Daten erkennt er selbsttätig Muster und kann Ableitungen bilden. Durch diese variantenreichen Kombinationen wird neues Wissen kreiert. Doch genau hier ist auch seine entscheidende Grenze – denn neues Wissen ist nicht gleichbedeutend mit neuen Ideen. Menschliche Kreativität hat sich bisher noch nicht in Algorithmen nachbilden lassen und so ist echte Innovation gegen die Möglichkeiten maschinellen Lernens, sprich gegen Optimierungen, abzugrenzen.⁷

Es schließt sich eine weitere Problematik an. Die Qualität der Ergebnisse, die der Algorithmus ausgibt, ist nur so gut wie die Qualität der Daten, mit denen er arbeitet. Jeder Fehler, jede Inkonsistenz, jede Schwachstelle wird weitergegeben und führt zu fehlgeleiteten, verzerrten Ausgaben, die im schlechtesten Fall falsche Entscheidungen nach sich ziehen. Automatisierung und intelligente Systeme bergen eine trügerische Sicherheit, die nie unterschätzt werden darf und daher umso mehr zu gewissenhafter Datenarchitektur und Datenmanagement anhalten sollte. Eine wesentliche Anforderung bei der Implementierung eines maschinell lernenden Algorithmus besteht in der Bereitstellung und im Aufbau von zuverlässigen und leistungsfähigen Infrastrukturen, Prozessen und Kompetenzen. Sie bedingen nicht nur eine stabile Skalierbarkeit und ein dauerhaft reibungsloses Operieren, sondern auch die Einhaltung und Gewährleistung rechtlicher Bestimmungen.