Anzeige
Anzeige
Kommentar

Mit Kanonen auf Spatzen: Warum es nicht immer KI-Technologie sein muss

Künstliche Intelligenz kann uns in vielen Bereichen weiterhelfen. Sie kann aber auch großen Schaden anrichten. Unser Gastautor erklärt, warum mehr KI nicht immer die beste Lösung ist.

Von Dr. Scott Zoldi
3 Min.
Artikel merken
Anzeige
Anzeige

Künstliche Intelligenz muss programmiert und trainiert werden. (Bild: Willyam Bradberry / shutterstock)

Viele von uns standen bestimmt schon einmal im Stau und haben über die Unsinnigkeit großer Offroad-Fahrzeuge im Stadtverkehr sinniert. Ist der Fahrer ein Förster, der sich nur in den Stop-and-go-Verkehr verirrt hat oder ein Mensch, der seinen Wagen als Statussymbol sieht? Egal, was man von der Debatte an sich halten mag, zeigt sie uns eines: Nicht immer ist größer oder mehr auch besser. Diese Erkenntnis ist auch im Bereich von künstlicher Intelligenz (KI) und Machine-Learning wichtig. Denn während uns KI in vielen Bereichen helfen kann, ist ein „zu viel“ nicht immer gut.

Jurassic Park und künstliche Intelligenz

Anzeige
Anzeige

Aber grade in der Datenwissenschaft wird oft und gerne mit Kanonen auf Spatzen geschossen. Das lässt sich nicht zuletzt auf die weit verbreiteten und beliebten Wettbewerbe in der Data-Science-Welt zurückführen.

Das wohl prominenteste Beispiel ist Kaggle, eine Community für Datenwissenschaftler, in der regelmäßig neue Data-Science-Denksportaufgaben gestellt werden. Abseits der Konzernzugehörigkeit (Kaggle gehört zu Google) sollte man vor allem beachten, welches Mindset den Teilnehmern auf solchen Plattformen antrainiert wird. Denn die Teilnehmer möchten natürlich gewinnen. Und dabei kommt schnell die Idee auf, möglichst viel Analytics Power in die Lösung der Aufgabe zu stecken. Ganz nach dem Motto: „Viel hilft viel!“

Anzeige
Anzeige

Treffen Datenwissenschaftler aus der theoretischen Welt aber auf praktische Business-Probleme, ist der Kulturschock oft groß. Denn in der Realität sind Ressourcen für große Datenherausforderungen oft rar – sei es nun die Datenbasis oder auch die nötige Rechenleistung.

Anzeige
Anzeige

Und eine noch viel wichtigere Frage steht plötzlich im Raum: Wie geht man verantwortungsvoll mit KI und Machine-Learning-Modellen um? Denn plötzlich geht es nicht mehr nur um den Sieg in einem Wettbewerb. In der Business-Welt werden reale Entscheidungen mit echten Datensätzen getroffen. Sind diese Daten verzerrt oder gibt das Modell diskriminierende Entscheidungen aus, ist nicht einfach nur das Siegertreppchen verfehlt. Im schlimmsten Fall nehmen durch die Modelle getroffenen Entscheidungen massiv negativen Einfluss auf das Leben von Menschen. Dessen müssen sich Datenwissenschaftler immer bewusst sein. Nicht, dass Ian Malcolm mit seinem ikonischen Satz aus „Jurassic Park“ auch in der Welt künstlicher Intelligenz Recht behält: „Ihre Wissenschaftler waren so sehr mit der Frage beschäftigt, ob sie es können oder nicht, dass sie nicht darüber nachgedacht haben, ob sie es überhaupt sollten.“

Explainable first, predictive second!

Die gute Nachricht: Eigentlich ist der ethische Einsatz von KI relativ simpel. Solange nur Modelle genutzt werden, die vollständig nachvollziehbar und interpretierbar sind, kann an jedem Punkt sichergestellt werden, dass die Ergebnisse ethisch einwandfrei sind.

Anzeige
Anzeige

Datenwissenschaftler dürfen hier nicht der Versuchung erliegen, höhere Analytics Power auf Kosten der Interpretierbarkeit des Modells zu implementieren. Dieses Konzept lässt sich mit „Explainability first, predictive power second“ beschreiben. Zu Umsetzung in der Praxis sind dafür drei Punkte wichtig:

  1. Datenwissenschaftler müssen in der Lage sein, das Modell zu interpretieren, anstatt es nur zu erklären. Das bedeutet, dass sie Algorithmen wählen müssen, die diese Transparenz und Interpretierbarkeit des Machine-Learning unterstützen.
  2. Datenwissenschaftler dürfen sich nicht auf die Vorhersagekraft der Modelle konzentrieren. Ihr Fokus muss darauf liegen, zu verstehen, was die Modelle antreibt, wie sie funktionieren und wie sie zu ihren Entscheidungen kommen. Erst auf dieser Basis sollte die Vorhersagekraft gemessen werden.
  3. Diese Modelle müssen dann ohne Verlust der Interpretierbarkeit so gestaltet und genutzt werden, dass sie die passende Performance für den Anwendungsfall erbringen.

Von essenzieller Bedeutung ist es also, die Grenze der Interpretierbarkeit nicht zu überschreiten. Denn die Probleme werden schnell enorm, wenn die Datenwissenschaftler ihre Modelle nicht mehr bis ins Detail verstehen. Wer nicht weiß, wie Entscheidungen im Modell getroffen werden, weiß nicht, wie gut die Vorhersagekraft des Modells tatsächlich ist.

Viel schwerer wiegt aber die ethische Dimension. Ohne detailliertes und umfangreiches Wissen über die eigenen Modelle und deren Entscheidungsfindung kann niemand genau sagen, ob sie verzerrt oder gar diskriminierend sind. Wie schon angesprochen geht es hier ganz schnell um mehr als nur den Sieg bei einem Wettbewerb. Hier geht es um die Lebenswirklichkeit von Menschen, auf die KI und Machine-Learning-Modelle gegebenenfalls Einfluss nehmen. Und je öfter das Wettbewerbs-Mindset in der Praxis angewendet wird und selbst kleinste Probleme mit massiver Analytics Power gelöst werden, desto schwieriger wird es, die Modelle auch weiterhin umfassend zu verstehen.

Anzeige
Anzeige

Was es also braucht, ist angemessene KI an den passenden Stellen. Angemessen bedeutet hierbei, dass die KI robust, erklärbar, ethisch und überprüfbar sein muss. Diese Prinzipien dürfen in der realen Welt nie aufgegeben werden.

Fast fertig!

Bitte klicke auf den Link in der Bestätigungsmail, um deine Anmeldung abzuschließen.

Du willst noch weitere Infos zum Newsletter? Jetzt mehr erfahren

Anzeige
Anzeige
Kommentare

Community-Richtlinien

Bitte schalte deinen Adblocker für t3n.de aus!
Hallo und herzlich willkommen bei t3n!

Bitte schalte deinen Adblocker für t3n.de aus, um diesen Artikel zu lesen.

Wir sind ein unabhängiger Publisher mit einem Team von mehr als 75 fantastischen Menschen, aber ohne riesigen Konzern im Rücken. Banner und ähnliche Werbemittel sind für unsere Finanzierung sehr wichtig.

Schon jetzt und im Namen der gesamten t3n-Crew: vielen Dank für deine Unterstützung! 🙌

Deine t3n-Crew

Anleitung zur Deaktivierung
Artikel merken

Bitte melde dich an, um diesen Artikel in deiner persönlichen Merkliste auf t3n zu speichern.

Jetzt registrieren und merken

Du hast schon einen t3n-Account? Hier anmelden

oder
Auf Mastodon teilen

Gib die URL deiner Mastodon-Instanz ein, um den Artikel zu teilen.

Community-Richtlinien

Wir freuen uns über kontroverse Diskussionen, die gerne auch mal hitzig geführt werden dürfen. Beleidigende, grob anstößige, rassistische und strafrechtlich relevante Äußerungen und Beiträge tolerieren wir nicht. Bitte achte darauf, dass du keine Texte veröffentlichst, für die du keine ausdrückliche Erlaubnis des Urhebers hast. Ebenfalls nicht erlaubt ist der Missbrauch der Webangebote unter t3n.de als Werbeplattform. Die Nennung von Produktnamen, Herstellern, Dienstleistern und Websites ist nur dann zulässig, wenn damit nicht vorrangig der Zweck der Werbung verfolgt wird. Wir behalten uns vor, Beiträge, die diese Regeln verletzen, zu löschen und Accounts zeitweilig oder auf Dauer zu sperren.

Trotz all dieser notwendigen Regeln: Diskutiere kontrovers, sage anderen deine Meinung, trage mit weiterführenden Informationen zum Wissensaustausch bei, aber bleibe dabei fair und respektiere die Meinung anderer. Wir wünschen Dir viel Spaß mit den Webangeboten von t3n und freuen uns auf spannende Beiträge.

Dein t3n-Team

Kommentar abgeben

Melde dich an, um Kommentare schreiben und mit anderen Leser:innen und unseren Autor:innen diskutieren zu können.

Anmelden und kommentieren

Du hast noch keinen t3n-Account? Hier registrieren

Anzeige
Anzeige