Wenn über den Einsatz von Chatbots, digitalen Assistenten etc. in Unternehmen diskutiert wird, darf ein Aspekt auf gar keinen Fall außer Acht gelassen werden: Nämlich das Thema Daten: Worauf es im Umgang mit Daten in Kombination mit KI ankommt, lesen Sie in folgendem Blogbeitrag.

Daten, Methoden und ihre Messbarkeit

Daten spielen in zweierlei Hinsicht eine entscheidende Rolle. Zum einen bilden sie das Grundgerüst für die Erstellung der Modelle und zum anderen auch den Maßstab an welchem die Leistung der Anwendung gemessen wird. Der Erfolg eines KI-Projekts ist eng an die vorhandenen Daten sowie die Messbarkeit der eingesetzten Methode geknüpft. Liefert ein eingesetztes Verfahren nicht gleich von Beginn an die angestrebte Genauigkeit, kann das verschiedene Ursachen haben, beispielsweise eignet sich der verwendete Algorithmus nicht für die vorliegenden Daten. Daher ist es sinnvoll verschiedene Verfahren zur Modellerstellung zu vergleichen, ihre Akkuranz zu überprüfen und verwendete Parameter zu optimieren.

Um die zukünftig eingesetzten Modelle entsprechend zu trainieren ist ein umfassendes Set an Trainingsdaten nötig. Für Machine Learning werden die Daten so aufbereitet, dass sie anhand von Markierungen und Labels bereits beinhalten, was zu erlernen ist - beispielsweise welcher Teil eines Satzes stellt eine Person, eine Organisation, ein Datum dar. Enthält diese sogenannte Ground Truth fehlerhafte und/oder unvollständige Daten können dementsprechend keine richtigen Ergebnisse erzielt werden. Konversationsanwendungen wie Siri, Alexa und Cortana ermitteln mithilfe großangelegter Analysen zur Messung der möglichen Nutzerinteraktionen die Leistungsfähigkeit ihrer Dienste und Funktionen. Diese Messmethoden eignen sich vor allem um zu gewährleisten, dass Innovationen eine gewisse Akzeptanzschwelle erreichen bevor sie eingeführt werden. Voraussetzung dafür ist ein entsprechendes Datenset, sowie automatisierte Tests um eine gewisse Menge an akzeptable Nutzerantworten sicherzustellen.

Die Evaluierung der Akkuranz sollte eine zentrale Stellung einnehmen, wenn es um die Einführung einer KI-Lösung geht und die Implementierung erst bei Erreichung der gewünschten Qualität vornehmen. Die angestrebte Genauigkeit variiert von Unternehmen zu Unternehmen und Fachbereich zu Fachbereich. Eine Akkuranz von 80% bedeutet beispielsweise, dass in 80% der Fälle korrekte Ergebnisse erzielt werden. Dabei wird wiederum in Qualität und Quantität bzw. Exaktheit und Vollständigkeit unterschieden. Entweder nur Adäquates (Qualität) oder alles /Quantität) wird erkannt. Wie umfassend, hochwertig und repräsentativ die Trainingsdaten also sind, ist entscheidend für die Qualität der Antworten und damit des Dialogs.

Entscheidende Verbesserungen können oftmals auch durch eine enge Zusammenarbeit von Entwicklern und Anwendern erzielt werden. Fachkenntnisse und Informationen der Nutzer, liefern Entwicklern wichtigen Input, den sie bei der Modellerstellung nutzen, um bestimmte Merkmale zu verwenden, neue zu generieren und diese in den Algorithmus einzuspeisen. Damit kann die Anwendung besser auf die Bedürfnisse der Nutzer abgestimmt werden.

Abbildung: Prozessmodell für Datenverständnis

Um den Aufwand der notwendigen Datenaufbereitung im Unternehmen zu minimieren, besteht ein Ansatz im sogenannten Transfer Learning. Hierbei wird auf, über allgemeine, öffentlich zugängliche Datensätze aufgebaute Modelle angeknüpft. Die Konversationsanwendung schöpft also aus einer umfassenden Knowledge Base, mit bereits indizierten Daten, Dokumenten, Sprachen, Katalogen, Fehlerfällen. Auf diese Weise lässt sich mit einer geringeren Anzahl an Unternehmensdatensätzen ein spezialisiertes Modell trainieren. Diese Methode hängt jedoch von der Art des Modells ab. Eine im Vorfeld durchgeführte Evaluierung gibt Auskunft über die Anwendbarkeit.

Wie der Überblick zeigt, ist es von Vorteil, sich mit dem Thema Daten intensiv auseinanderzusetzen, um am Ende die gewünschten Ergebnisse zu erhalten.

Haben Sie schon überlegt, wo Sie KI in Ihrem Unternehmen einsetzen könnten? Unser KI-Leitfaden für Unternehmen bietet möglicherweise einige Anregungen dazu:

Download White Paper