Künstliche Intelligenz: Bewerten wir effektiv seinen Wert für ein Unternehmen?

KI macht Unternehmen effizienter

Wie die meisten Praktiker der Datenwissenschaft wissen, ist die künstliche Intelligenz (KI) nicht neu und wurde bereits in den fünfziger Jahren von der Wissenschaft erforscht. Der eigentliche Kern der KI ist der Zweig der Mathematik im Zusammenhang mit neuronalen Netzen, die sowohl von Wissenschaftlern als auch von Praktikern der Datenwissenschaft erforscht wurden. Eine Reihe von Praktikern, darunter auch ich, haben sich mit diesen Techniken vertraut gemacht, die ein weiteres Element innerhalb des Toolkits für Informatiker wurden. Für diejenigen von uns, die mit Hilfe der Predictive Analytics das Verbraucherverhalten in Bezug auf Marketing und Risiko vorhersagen wollen, sind logistische Regressionen und Entscheidungsbäume in vielen Fällen auf etwa der gleichen Ebene wie neuronale Netze durchzuführen. In einigen Fällen, wie z.B. bei Betrug, bei dem typischerweise ein viel größeres Datenvolumen vorhanden war, überstiegen die neuronalen Netze die traditionellere Art der Modellierungstechniken.

 

Aber der Appetit auf den Einsatz von KI wurde immer wieder durch die mangelnde Erklärbarkeit gegenüber den Geschäftsinteressenten und, wie bereits erwähnt, durch die minimalen Beispiele für die überlegene Leistung im Vergleich zu den traditionelleren Techniken zunichte gemacht.

 

Also, was hat sich geändert und was hat zu all der Aufregung über die KI geführt. Um diese Entwicklung besser zu verstehen, muss man sich auf die Forschung konzentrieren. Die jahrzehntelange Forschung auf diesem Gebiet konzentrierte sich immer darauf, wie diese Werkzeuge Bilder besser klassifizieren können. In den 90er Jahren erinnere ich mich, dass ich zahlreiche Artikel aus Publikationen gelesen habe, in denen die Fähigkeit, Bilder zu klassifizieren, etwa 40%-50% betrug. In den letzten 5 Jahren hat diese Genauigkeit jedoch mittlerweile ein Niveau von 95%+ erreicht. Diese spielerische Veränderung wurde durch zwei Faktoren verursacht, wobei der erste Faktor mit der Technologie und der Art und Weise, wie Daten verarbeitet werden können, zusammenhängt.

 

Mit diesem Durchbruch musste die KI als weitere Option zur Verbesserung der Ergebnisse ernsthafter untersucht werden. Aber bedeutet das, dass wir die KI blind in alle unsere Geschäftsprozesse übernehmen sollten. Sicherlich sehen wir die Entstehung von Anwendungen zur besseren Erkennung von Betrug durch verbesserte Bilderkennung, während der verbesserte Kundenservice das Ergebnis verbesserter von der KI entwickelter Chatboxen ist. Viele weitere Anwendungen werden derzeit geprüft und es wird erwartet, dass sie eine weitere Störung für eine sich bereits verändernde Wirtschaft darstellen werden. Aber lassen Sie uns den Begriff der KI in der Welt der Vorhersage des Konsumentenverhaltens sowohl aus einem Marketing- als auch aus einem Risikoverhalten diskutieren.

 

Die Nutzung von Datenwissenschaft und Machine Learnings zur Vorhersage des Verbraucherverhaltens ist seit vielen Jahrzehnten eine ständige Geschäftsdisziplin. Der Erfolg von erfahrenen Informatikern in diesem Bereich wurde nie anhand der Fehlerquote zwischen vorhergesagtem Verhalten und beobachtetem Verhalten bewertet, sondern vielmehr daran, wie viel inkrementelle Auftrieb innerhalb eines bestimmten Modells erreicht wird. Typischerweise wurde dies durch AUC(Area Under Curve)-Ergebnisse beobachtet, die das kumulative beobachtete Verhalten (Y-Achse) innerhalb eines kumulativen Prozentsatzes der Datensätze messen, in denen diese Datensätze nach vorhergesagter Modellbewertung geordnet werden (X-Achse).

 

Also, wie würde die KI unsere Perspektive hier stören?  Einfach ausgedrückt, kann die KI eine bessere AUC oder eine ausgeprägtere Parabel liefern. Doch selbst mit einem besseren AUC könnten wir feststellen, dass unsere Geschäftsanwendung zu den Top 50% gehört, wo ein traditionelles Typenmodell tatsächlich mehr oder weniger den gleichen Auftrieb erreicht. In diesem Fall könnte es sinnvoller sein, die traditionelleren Modellierungstechniken zu übernehmen, als zu versuchen, KI-Techniken einzusetzen, die, wie bereits erwähnt, für die Geschäftsanwender nicht leicht zu erklären sind. Der wichtige Punkt ist jedoch, dass wir eine Metrik und die Bedingungen für die Erfolgsmessung definiert haben. In diesem Szenario des Verbraucherverhaltens ist die Metrik Lift, während die Bedingung das Volumen der Datensätze ist, die innerhalb der Anwendung ausgewählt werden.

 

Ein einfacher Blick auf AUC bei der Bewertung von KI als Modellierungsoption kann irreführend sein, wenn sich die Geschäftsanwendung in Richtung eines Teilsegments innerhalb dieser Bewertungsgrundlage bewegt. Wie bei allen Geschäftsinitiativen geht es darum, wie man Erfolg definiert. Sobald dies festgelegt ist, haben wir nun einen Anhaltspunkt, wie wir die Ergebnisse messen und bewerten werden.  Für erfahrene Datenwissenschaftler ist dies der spannende Teil unserer Arbeit, da dies in Wirklichkeit unser Berichtsheft ist, in dem wir nicht nur den Geschäftswert der KI bestimmen können, sondern auch den Vergleich mit anderen Ansätzen.

Schreibe einen Kommentar

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