Einführung
Die Nutzung von Datenwissenschaft und künstlicher Intelligenz (KI) erfordert nicht zwingend, dass man ein Datenwissenschaftler wird. Es ist jedoch entscheidend, ein Verständnis dafür zu entwickeln, was diese Technologien leisten können, wo ihre Grenzen liegen und wie man ihre Ergebnisse bewertet.
Nach mehreren Jahren der Arbeit mit Werkzeugen der Datenwissenschaft und KI ist mir aufgefallen, dass viele Menschen oft mit der Technologie beginnen, anstatt das zugrunde liegende Problem zu definieren. Sie möchten ein Modell trainieren, einen Chatbot einführen oder eine KI-Anwendung entwickeln, bevor sie klären, welche Entscheidungen sie verbessern möchten.
Für die meisten Fachleute sollte das Ziel nicht darin bestehen, jeden Algorithmus zu beherrschen, sondern ein ausreichendes Verständnis für Daten und KI zu entwickeln, um bessere Fragen zu stellen, unzuverlässige Ergebnisse in Frage zu stellen, die Grenzen dieser Systeme zu verstehen und informierte Entscheidungen zu treffen.
Dieser Artikel vereint Erkenntnisse aus einem Interview mit Iavor I. Bojinov, außerordentlicher Professor für Betriebswirtschaftslehre an der Harvard Business School, und eigenen Erfahrungen im Umgang mit Datenwissenschaft und KI. Bojinov leitet die Online-Kurse KI für Führungskräfte und Datenwissenschaft und KI für Entscheidungsfindung.
Entscheidungen zuerst definieren
Bevor ich KI einsetze, definiere ich zunächst die Entscheidung, die getroffen werden muss.
„Wir möchten KI für Kundenanalysen nutzen“ ist zu vage. Ein klareres Ziel wäre: „Wir möchten Kunden identifizieren, die möglicherweise abwandern, damit unser Retention-Team sie kontaktieren kann.“
Diese Verbindung zwischen dem Modell und einem messbaren Ergebnis sowie einer konkreten Geschäftshandlung ist entscheidend. Ein technisch fortschrittliches System hat wenig Wert, wenn es die zugrunde liegende Entscheidung nicht verbessert.
Bojinov betont einen ähnlichen Punkt. KI sollte als Eingabe in den Entscheidungsprozess betrachtet werden, nicht als Ersatz für menschliches Urteilsvermögen. Fachleute müssen die Fähigkeiten und Grenzen der KI verstehen, ihre Empfehlungen validieren und sich auf bessere Geschäftsergebnisse konzentrieren, anstatt KI um ihrer selbst willen zu übernehmen.
In seinem Interview über KI-Adoption, Vertrauen und Entscheidungsfindung erklärt Bojinov auch, dass der erfolgreiche Einsatz von KI von Vertrauen abhängt und davon, wie effektiv Organisationen diese Systeme einführen und skalieren.
Vor dem Start eines KI-Projekts sollten folgende Fragen geklärt werden: Welches Problem soll gelöst werden? Wer wird die Ergebnisse nutzen? Welche Maßnahmen folgen daraus? Wie wird der Erfolg gemessen?
Daten verstehen
Wenn ich ein Projekt in der Datenwissenschaft beginne, trainiere ich nicht sofort ein Modell. Zunächst erkunde ich die Daten.
Die explorative Datenanalyse (EDA) hilft uns, die Struktur, Qualität, Verteilungen und Beziehungen eines Datensatzes zu verstehen. Sie kann fehlende Werte, doppelte Datensätze, inkonsistente Kategorien, ungewöhnliche Beobachtungen und potenzielle Verzerrungen aufdecken.
Diese Überprüfungen sind wichtig, da Genauigkeit allein irreführend sein kann.
Angenommen, nur fünf Prozent der Kunden wandern ab. Ein Modell, das vorhersagt, dass jeder Kunde bleibt, wäre zu 95 Prozent genau, würde jedoch keinen der gefährdeten Kunden identifizieren.
Daher sollten Fachleute fragen, ob eine Kennzahl das tatsächliche Geschäftsziel widerspiegelt, anstatt sich auf eine beeindruckende Kennzahl zu verlassen.
Der neueste Artikel von HBS Online über Datenvorbereitung für Ihr KI-Modell betont ebenfalls, dass die Leistung eines Modells stark von der Qualität der zugrunde liegenden Daten abhängt. Der Artikel behandelt die Reinigung, Anreicherung, Transformation und Organisation von Daten vor der Modellentwicklung.
Daten sorgfältig vorbereiten
Echte Daten sind selten bereit für maschinelles Lernen.
Die Datenvorbereitung kann das Behandeln fehlender Werte, das Korrigieren von Formaten, das Entfernen von Duplikaten, das Transformieren von Kategorien, das Auswählen nützlicher Merkmale und das Trennen von Trainingsdaten und Evaluierungsdaten umfassen.
Fachleute sollten auch wissen, woher ihre Daten stammen, wie sie gesammelt wurden, was möglicherweise fehlt und ob frühere Entscheidungen Verzerrungen eingeführt haben.
Meiner Erfahrung nach bringt die Verbesserung der Daten oft einen größeren Nutzen, als einen einfachen Algorithmus durch ein komplizierteres Modell zu ersetzen.
Ein Modell lernt aus den Informationen, die es erhält. Wenn diese Informationen unvollständig, veraltet, inkonsistent oder voreingenommen sind, werden auch die Ergebnisse unzuverlässig sein.
Bessere Technologie kann schlechte Daten nicht vollständig kompensieren.
Das einfachste funktionierende Modell wählen
Das beste Modell ist nicht immer das neueste, größte oder teuerste.
Für strukturierte Geschäftsdaten – wie Kundenaufzeichnungen, Transaktionen, Verkaufszahlen oder Betriebsdaten – kann ein Regressionsmodell oder ein Entscheidungsbaum geeigneter sein als ein allgemeines großes Sprachmodell (LLM).
Es kann auch schneller, kostengünstiger, leichter zu erklären und einfacher zu überwachen sein.
LLMs sind nützlich, wenn die Aufgabe mit Sprache zu tun hat, wie das Zusammenfassen von Dokumenten, das Extrahieren von Informationen, das Generieren von Entwürfen oder das Analysieren von Kundenfeedback. Für Prognosen, Klassifikationen und tabellarische Daten bleibt traditionelle maschinelles Lernen möglicherweise die bessere Wahl.
Vor der Auswahl eines Modells vergleiche ich die prädiktive Leistung, die Kosten für Training und Inferenz, die Geschwindigkeit, die Skalierbarkeit, die Erklärbarkeit, die Wartungsanforderungen und die Kosten falscher Vorhersagen.
Ein leicht genaueres Modell ist nicht immer die bessere Wahl, wenn es viel teurer, schwer zu erklären oder schwierig zu warten ist.
Das Ziel ist nicht, die fortschrittlichste KI zu verwenden, sondern die zuverlässigste und kosteneffektivste Lösung für das jeweilige Problem auszuwählen.
Validierung vor dem Vertrauen
Ein Modell, das während der Entwicklung gut abschneidet, garantiert nicht, dass es in der realen Welt funktioniert.
Es sollte mit Daten evaluiert werden, die nicht zum Training oder zur Auswahl verwendet wurden. Die Evaluierungsdaten sollten auch die Kunden, Märkte und Bedingungen repräsentieren, in denen das Modell betrieben wird.
Die Validierung sollte auch nach der Bereitstellung fortgesetzt werden. Das Kundenverhalten ändert sich, Märkte verschieben sich, Datenpipelines brechen zusammen und Muster, die einst nützlich waren, können weniger zuverlässig werden.
Bojinov identifiziert schwache Validierung und Tests als häufigen Fehler. Wenn Organisationen Modelle ohne ordnungsgemäße Tests bereitstellen, können sie zu übermäßigem Vertrauen in die Ergebnisse führen.
Fachleute sollten fragen, wie ein Modell evaluiert wurde, welche Fehler es macht, ob die Testdaten repräsentativ sind und wie die Leistung im Laufe der Zeit überwacht wird.
Vertrauen sollte auf Beweisen basieren, nicht darauf, wie fortschrittlich oder sicher das System erscheint.
Kundenanalysen in Maßnahmen umsetzen
Kundenanalysen sollten mehr sein als nur ein Dashboard.
Ein Dashboard kann zeigen, was passiert ist. Ein prädiktives Modell kann schätzen, was als Nächstes passieren könnte. Ein Experiment kann helfen zu bestimmen, was eine Organisation tun sollte.
Die Vorhersage, dass ein Kunde möglicherweise abwandert, wird nur dann wertvoll, wenn das Unternehmen eine realistische Retentionsstrategie hat. Es muss dann auch messen, ob die Intervention tatsächlich funktioniert.
Fachleute sollten auch vermeiden, Korrelation mit Kausalität zu verwechseln. Ein Merkmal, das mit Kundenabwanderung assoziiert ist, ist nicht unbedingt der Grund, warum Kunden abwandern.
Hier wird experimentelles Denken wertvoll. Anstatt anzunehmen, dass eine Intervention funktionieren wird, sollten Organisationen diese testen, die Ergebnisse messen und aus den Beweisen lernen.
Das Ziel ist nicht, mehr Vorhersagen zu produzieren. Es ist, bessere Entscheidungen zu treffen.
LLMs als Assistenten betrachten
Große Sprachmodelle (LLMs) haben KI viel zugänglicher gemacht. Ich nutze sie regelmäßig für Programmierung, Recherche, Grammatikverbesserung, Informationszusammenfassung, Ideenfindung und zum Lernen neuer Dinge.
Sie helfen mir, schneller zu arbeiten und unbekannte Themen zu erkunden. Allerdings ist fließende und selbstbewusste Sprache nicht dasselbe wie faktische Genauigkeit.
LLMs können den Kontext missverstehen, sich auf veraltete Informationen stützen, Quellen erfinden, falschen Code produzieren oder Sicherheitsanfälligkeiten übersehen. Der Leitfaden von HBS Online, „Was sind große Sprachmodelle und wie funktionieren sie?“, bietet einen Überblick darüber, was Fachleute wissen sollten, bevor sie sie verwenden.
Ich vertraue ihren Ergebnissen niemals blind. Ich überprüfe und lese das, was sie produzieren, verifiziere wichtige Behauptungen, inspiziere den generierten Code, teste, ob er funktioniert, und prüfe auf Sicherheitsprobleme.
Ich betrachte ein LLM als Assistenten und nicht als unbestreitbare Autorität. Je größer die Konsequenzen einer Aufgabe sind, desto sorgfältiger sollte das Ergebnis überprüft werden.
Menschliches Urteilsvermögen einbeziehen
Laut Bojinov werden Datenkompetenz, experimentelles Denken und die Fähigkeit, KI-Ausgaben kritisch zu bewerten, zunehmend wertvoll, je weiter diese Werkzeuge verbreitet werden.
Fachleute müssen keine KI-Experten werden, aber sie sollten genügend Kenntnisse haben, um die richtigen Fragen zu stellen, Beweise zu interpretieren, schwache oder unzuverlässige Ausgaben zu erkennen und zu verstehen, wann eine Antwort vertrauenswürdig ist.
Die Parlor Room-Episode von HBS Online, „Wie Fachleute in der Mitte ihrer Karriere mit KI führen und wachsen können“, untersucht, wie Fachleute KI-Kompetenz mit ihrem bestehenden Fachwissen kombinieren können, um in einem KI-gesteuerten Arbeitsplatz Wert zu schaffen. Eine weitere Episode, „Frühe Karriereberatung für den Aufbau von KI- und menschlichen Fähigkeiten“, erörtert die Bedeutung der Entwicklung starker Fachkenntnisse, während man lernt, effektiv mit KI zusammenzuarbeiten.
Schließlich werden die Fachleute, die herausstechen, diejenigen sein, die technisches Verständnis mit Fachwissen und gesundem Geschäftssinn kombinieren können.
Fazit
Viele Unternehmen drängen darauf, KI überall zu integrieren, weil sie nicht zurückfallen wollen. Dabei geben sie möglicherweise viel Geld für APIs, Infrastruktur, Schulungen und Wartung aus, ohne zuvor zu klären, ob KI tatsächlich die richtige Lösung ist.
Ich denke, der Hype wird sich letztendlich legen.
Unternehmen werden lernen, wo KI echten Mehrwert bietet, wo Menschen unverzichtbar bleiben und wo eine einfachere und kostengünstigere Lösung ausreichend ist.
Erfolgreiche Projekte in der Datenwissenschaft und KI beginnen nicht mit dem neuesten Modell. Sie beginnen mit einem klaren Problem, zuverlässigen Daten, angemessener Bewertung, realistischen Kosten und einem Plan zur Umsetzung der Ergebnisse in Maßnahmen. WITTENSTEIN integriert KI in Produkte und Prozesse für 2026.
Das Ziel ist nicht, KI überall zu nutzen. Es geht darum, sie gezielt einzusetzen, sorgfältig zu validieren und dort anzuwenden, wo sie tatsächlich Entscheidungen verbessert.
„`
Quellen: kdnuggets
Bildquelle: KI generiert
🚀