Wie Künstliche Intelligenz richtig trainiert wird.
Richtig programmiert, kann Künstliche Intelligenz dem Menschen viel Arbeit abnehmen. Allerdings gibt es auch Pannen. Immer dann, wenn mit falschen Daten trainiert wird. Doch wie lernt KI, das Richtige zu tun?
- Wer einen selbst lernenden Algorithmus mit falschen Daten trainiert, riskiert Pannen.
- „Nur saubere Daten verhindern, dass Maschinen fehlerhafte Entscheidungen treffen.“
- Messbare Erfolge bei EOS: ein um elf Prozent höherer Zahlungseingang dank Einsatz von KI.
Was passieren kann, wenn man einen selbst lernenden Algorithmus mit falschen Daten trainiert, hat die Fotofilter-App Faceapp mit ihrem „Hotness“-Filter gezeigt, einer Art Attraktivitätsfilter. Vor zwei Jahren wurden aus dunkelhäutigen Porträtierten plötzlich weiße Menschen. Der Grund für die Hautveränderung: Die Künstliche Intelligenz (KI) war nur mit einem Datensatz kaukasischer hellhäutiger Gesichter trainiert worden. Wären beim Training alle ethnischen Gruppen berücksichtigt worden, hätte es die Panne nicht gegeben.
Benachteiligung durch schlechte Daten.
Einer, der weiss wie man KI-Systeme richtig trainiert, ist Andreas Dix vom Team Data Science bei EOS in Deutschland. Der Data-Spezialist trainiert Maschinen für Prozesse, die sich wiederholen und aufwendig sind. „Nur saubere Daten verhindern, dass Maschinen fehlerhafte Entscheidungen treffen.“
„Wir müssen ganz genau wissen, wo die Zusammenhänge liegen, damit die Künstliche Intelligenz aufgrund unseres Trainings richtig funktioniert.“
Ein Weg, um diese Pannen zu vermeiden, ist die richtige Datenexploration. Das bedeutet, dass man hypothesenfrei an den Datensatz herangeht. Also neutral, ohne unbestätigte Annahme. Danach versucht der Experte herauszufinden, was in dem Datensatz an verwertbaren Informationen steckt. Sind Variablen darin, die gar keine Streuung haben? Oder sind Variablen darin, die zu viele fehlende Werte haben? Diese Daten sollten ausgeschlossen werden, da sie einen falschen Einfluss haben können. „Wir müssen ganz genau wissen, wo die Zusammenhänge liegen, damit die Künstliche Intelligenz aufgrund unseres Trainings richtig funktioniert“, weiss Dix.
Intelligent programmieren.
Die Machine-Learning-Algorithmen benötigen saubere Daten, um Strukturen zu erkennen und Schlüsse zu ziehen. „Die Regeln und Bedingungen, die vom Algorithmus während des Trainings aufgestellt wurden, dürfen nicht zu spezifisch sein, weil sie dann keinerlei Wert haben, um wirklich etwas vorauszusagen. Man spricht dann von Überanpassung. Besser wäre eine Generalisierung, also weniger spezifische Strukturen zu finden, und dadurch eine gute Genauigkeit zu erzielen, unter anderem basierend auf neu gewonnenen Daten.“ Erreichen kann man das etwa durch Optimieren von Hyperparametern des Algorithmus und durch mehr Trainingsdaten.
Vollautomatische Forderungen.
Bezogen auf die Inkassoarbeit bei EOS bedeutet das, dass KI zum Beispiel die beste nächste Aktivität voraussagt. Konkret werden die Daten, die bis zu diesem Zeitpunkt über die Forderung und die säumigen Zahlerinnen und Zahlern im System vorhanden sind, gesammelt, aggregiert und aufbereitet. Erst dann werden alle Modelle mit diesen Daten angefragt, um vorherzusagen, wie erfolgreich jede Inkassoaktivität für diese Forderung zu diesem Zeitpunkt sein wird. Oder um es deutlicher zu sagen: Wie viel Zahlungseingang EOS erwarten kann. Letztlich wird die Aktivität, die nach Anwendung aller Kriterien als am besten bewertet wurde, vom Inkassosystem ausgeführt.
Messbarer Erfolg.
Tatsächlich gibt es schon messbare Erfolge dank KI bei EOS zu vermelden. „Bei EOS in Deutschland setzen wir das datengetriebene KI-System D3, Data Driven Decisions, produktiv ein. Wir lassen damit den Inkassoprozess steuern und haben einen etwa zehn Prozent höheren Zahlungseingang als zuvor. Dadurch erzielen wir ein rund fünf Prozent höheres Ergebnis nach Aktivitätskosten im Vergleich zum bisherigen Verfahren der Forderungsverarbeitung“, sagt Dix.
Menschliche Intelligenz steht über allem.
Bei der Frage, ob Menschen in den Abläufen irgendwann überflüssig werden können, weil Lernprogramme sich verselbstständigen, hält der Data-Spezialist kurz inne. „Ich denke, am Ende sind Systeme mit Künstlicher Intelligenz immer eine hilfreiche Ergänzung für den Menschen. Über allem aber steht immer der Mensch, der kontrolliert und wichtige Entscheidungen trifft.“ Schliesslich muss es ja am Ende der Mensch sein, der die Maschine mit den richtigen Daten füttert.
Weitere Informationen? Melden Sie sich gerne bei uns!
Photo credits: Achim Multhaupt
Explorez davantage EOS
