efks - stock.adobe.com
Warum KI-Fachbegriffe 2023 ein Hindernis für Unternehmen sind
Künstliche Intelligenz (KI) wird unterschiedlich wahrgenommen. Vor allem KI-Begriffe sorgen bei fachfremden Anwendern für Verwirrung und behindern den Einsatz.
Künstliche Intelligenz (KI) ist überall. Sie steckt im Fernseher, im Online-Einkaufskorb und im Autoreifen. Sie ist eines der leistungsstärksten Werkzeuge für Unternehmen, um basierend auf Daten schnelle und präzise Entscheidungen zu treffen – und sie ist eine der am häufigsten missverstandenen Technologien der heutigen Zeit.
Für einen IT-Spezialisten bedeutet KI kurz gesagt ein System, das in der Lage ist, aus vorhandenen Daten Informationen zu gewinnen – das kann so einfach sein wie ein Entscheidungsbaum oder so komplex wie ein rechenintensives heuristisches Modell. Ein Fachfremder stellt sich unter KI jedoch einen Supercomputer in einem Hightech-Labor, einen dystopischen Cyborg oder einen kleinen Roboterjungen in einem unterbewerteten Steven-Spielberg-Film vor. Diese institutionalisierte Barriere zwischen Phrase und Realität ist eines der größten Hindernisse für die Einführung von Technologie, die es heute gibt.
Nennt man dasselbe KI-System jedoch Algorithmus oder Empfehlungsmaschine, dann leuchten die Augen auf – denn man beginnt es zu verstehen. So funktionieren beispielsweise Empfehlungen bei Online-Shops wie Amazon. Netflix nimmt das, was eine Person sich ansieht, und empfiehlt ihr, was sie sich als Nächstes ansehen kann. Dazu betrachtet die Plattform Daten aus vergangenen Ereignissen, um so eine zukünftige Handlung zu empfehlen. Das Problem ist, dass seit Jahrzehnten auf einen exklusiven und verwirrenden Jargon beharrt wird.
Schwierig wird es, wenn diese beiden Welten – die technische und die nichttechnische – aufeinandertreffen. Was passiert, wenn man einem nicht-technischen Mitarbeiter sagt, er solle anfangen, KI in seinem Arbeitsalltag einzusetzen? Woher kann er einen Supercomputer nehmen? Wie soll er überhaupt anfangen, etwas so Kompliziertes und Unerreichbares zu nutzen?
KI für alle
Das ist die Herausforderung, vor der die Unternehmen heute stehen. Die Werkzeuge, die sie benötigen, um wettbewerbsfähig zu bleiben und Marktstörungen durch eine bessere Datennutzung abzumildern, sind verfügbar und einsatzbereit, bleiben aber hinter Missverständnissen verborgen. Angesichts der sich verändernden globalen Wirtschaftslandschaft und der zunehmenden Notwendigkeit, Daten zu verarbeiten, um Erkenntnisse zu gewinnen, hat sich der Fachjargon von einem kleinen Ärgernis zu einer kritischen Hemmschwelle entwickelt.
Laut einer Studie von Gartner wird Datenkompetenz 2023 zu einem expliziten und notwendigen Treiber für den Unternehmenserfolg. Das bedeutet, dass der Erfolg davon abhängt, wie gut Mitarbeiter Daten verstehen können. Für viele Manager können diese datengestützten Erkenntnisse und die dafür benötigte Datenkompetenz den Unterschied ausmachen zwischen fundierten Entscheidungen und dem Risiko, von Konkurrenten abgehängt zu werden.
Früher war Data Science eine stark abgeschottete und fast unzugängliche Disziplin. Heute wissen wir, dass nicht Data Scientists, sondern Fachexperten wie Controller oder Marketing-Experten am besten in der Lage sind, aus der Datenanalyse auch wirklich Erkenntnisse zu gewinnen. Unter den Werkzeugen, die den Fachexperten zur Verfügung stehen, zählen KI und maschinelles Lernen zu den leistungsfähigsten. Trotzdem berichten Manager, dass es eine Herausforderung für das Change-Management darstellen kann, den Aufgabenbereich der Fachexperten zu erweitern. Außerdem kann das Unternehmen die Systeme, die sie dafür nutzen sollen, oft nicht richtig bereitstellen.
Die Brücke zwischen Data Scientists und Fachexperten
Unternehmen brauchen dringend hochqualifizierte Experten, die ihre eigenen Daten nutzen und ihre eigenen Fragen beantworten können. Medizinische Fachkräfte sind ein Paradebeispiel für diese Lücke in der Praxis. Mit riesigen Mengen historischer Daten ist die Branche bestens gerüstet, um wertvolle Erkenntnisse aus der Datenanalyse zu gewinnen. Leider ist sie auch ein Paradebeispiel dafür, wie die Kluft zwischen Experten und Data Scientists diese Analysen blockieren.
Zahlreiche US-amerikanische Krankenhäuser setzten zum Beispiel ein KI-System ein, um Radiologen bei der Auswertung ihrer Daten zu helfen. Das KI-Tool wurde entwickelt, um medizinische Bilder zu interpretieren und die Diagnosezeit zu verkürzen. Was Radiologen auf einem Bild suchen und wie Data Scientists ein KI-Modell aufsetzen, kann sich jedoch deutlich unterscheiden. Das KI-System lieferte Berichten zufolge Informationen, die „keinen Sinn ergaben“ und „für das, was ein Radiologe wirklich über ein medizinisches Bild wissen will, irrelevant waren“.
Diese Verständnislücke zwischen Fachexperten und Data Scientists geht in beide Richtungen:
- Data-Science-Teams können Modelle erstellen, ohne über das nötige Fachwissen zu verfügen, damit das Modell wie vorgesehen funktioniert.
- Die Fachexperten in den Abteilungen – in diesem Fall Radiologen – können aufgrund der schwer zugänglichen Technik mit ihrem medizinischen Fachwissen die Data-Science-Teams nicht richtig unterstützen.
Letztlich sind Data Scientists keine Ärzte. Und Ärzte keine Data Scientists. Mit einem hochqualifizierten Mitarbeiter, der über ausreichende Kenntnisse sowohl im Bereich Data Science als auch in der Radiologie verfügt, können Unternehmen eine Brücke zwischen beiden Seiten schlagen. Dadurch können sie Data Scientists ebenso wie Ärzte effizient unterstützen und nützlichere Ergebnisse erzielen.
Leistungsfähige Tools in die richtigen Hände geben
Die Datenanalyse muss kein hochtechnisches Unterfangen sein. Die besten Beispiele für datenbasierte Veränderungen stammen häufig von Fachexperten. Florence Nightingale nutzte zum Beispiel Gesundheitsstatistiken und Mathematik, um die medizinischen Ergebnisse zu verbessern. Sie vermittelte eine Erkenntnis, die heute offensichtlich erscheinen mag, aber nicht immer gängige Praxis war: saubere medizinische Umgebungen retten Leben. Dieser scheinbar naheliegende Gedanke, den sie in ihrer Erfahrung sammelte, hat die gesamte Gesundheitsindustrie revolutioniert.
„Die institutionalisierte Barriere zwischen Phrase und Realität ist eines der größten Hindernisse für die Einführung von Technologie, die es heute gibt.“
Alan Jacobson, Alteryx
Unsere Erfahrung können wir gar nicht zu hoch bewerten. Wenn wir Data-Science-Teams befragen, erhalten wir Antworten auf Grundlage verfügbarer Daten. Wenn wir die Experten in den Abteilungen fragen, erhalten wir Antworten mit wichtigem Kontext und Hintergrundinformationen – Details, die erst nach Jahren direkter Erfahrung sichtbar werden.
KI ist dabei ein Werkzeug wie jedes andere: Sie lässt uns mit weniger mehr erreichen. Es ist im Wesentlichen die Fähigkeit, Fachwissen zu nutzen und dessen Einsatz auf das gesamte Unternehmen auszuweiten. KI ist jedoch immer nur ein Hilfsmittel für dieses menschliche Element. Unternehmen sollten sich daher darauf konzentrieren, dass ihre Mitarbeiter die Hemmschwelle überwinden und diese produktivitätssteigernden Werkzeuge so gerne wie möglich nutzen.
Der zunehmende Wettbewerb im Jahr 2023 und darüber hinaus ist keine Frage, sondern ein Fakt. Die einzige offene Frage ist, wie Unternehmen auf die Notwendigkeit reagieren. Im exponentiellen Zeitalter, das durch ein exponentielles Wachstum der erzeugten Daten, einen Fachkräftemangel und täglich neuen Störungen gekennzeichnet ist, ist es für den Unternehmenserfolg entscheidend zu lernen, wie man mit weniger mehr erreichen kann.
Über den Autor:
Alan Jacobson ist Chief Data and Analytics Officer bei Alteryx. Er treibt wichtige Dateninitiativen voran und unterstützt die Kunden, ihre digitale Transformation zu beschleunigen. Gleichzeitig leitet er die Data-Science-Initiative des Unternehmens als Best-in-Class-Beispiel, um zu zeigen, wie ein Unternehmen den maximalen Nutzen aus seinen Daten und den darin enthaltenen Erkenntnissen ziehen kann.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
