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.“
Andreas Dix
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!
Nous utilisons des cookies sur notre site web pour vous offrir la meilleure visite possible. Certains cookies sont nécessaires au bon fonctionnement du site, d’autres sont utilisés exclusivement à des fins de statistiques anonymes, d’autres encore permettent d'améliorer les fonctionnalités et la convivialité de notre site ou de vous proposer un contenu personnalisé en fonction de vos centres d’intérêt. Vous pouvez décider vous-même d’autoriser ou non l’utilisation des cookies statistiques, de convivialité et marketing. Vous pouvez également modifier ou retirer votre consentement à tout moment en cliquant sur « Modifier les paramètres de cookies » en bas de page du site. Pour plus informations, veuillez consulter notre Politique de confidentialité et Mentions légales.
Nécessaires
Nous utilisons des cookies nécessaires. Ces cookies sont indispensables au bon fonction-nement du site web. En particulier, ils permettent d’activer les fonctions de sécurité de notre site. Sans ces cookies, certaines parties du site ne peuvent pas fonctionner.
Pour plus d’informations sur les cookies que nous utilisons, cliquez ici.
Nom de l’outil
Cookieconsent_status
Fournisseur de l’outil
EOS Holding GmbH
Siège social du fournisseur de l’outil
Steindamm 71, 20099 Hambourg, Allemagne
Description de l’outil
Cookie nécessaire pour sauvegarder les saisies dans la bannière de consentement.
Données traitées
Aucune
Finalité du traitement de données
Conservation du consentement
Durée de conservation
60 jours
Nom de l’outil
Java Session Cookie
Fournisseur de l’outil
EOS Holding GmbH
Siège social du fournisseur de l’outil
Steindamm 71, 20099 Hambourg, Allemagne
Description de l’outil
Numéro de session généré au hasard, indispensable au fonctionnement correct du logiciel d’application.
Données traitées
Aucune
Finalité du traitement de données
Parfaite fonctionnalité du site web
Durée de conservation
Cookie de session - est supprimé dès que vous avez quitté votre navigateur
Fonctionnels
Nous utilisons des cookies fonctionnels. Ces cookies permettent d'améliorer les fonctionnalités de notre site et de faciliter votre navigation. Si vous consultez à nouveau notre site pour faire appel à nos services, il reconnaîtra automatiquement que vous nous avez déjà rendu visite.
Pour plus d’informations sur les cookies que nous utilisons, cliquez ici.
Nom de l’outil
Visitor
Fournisseur de l’outil
EOS Holding GmbH
Siège social du fournisseur de l’outil
Steindamm 71, 20099 Hambourg, Allemagne
Description de l’outil
Nous utilisons ce cookie pour vous faciliter l’utilisation de ce site web.
Données traitées
Aucune
Finalité du traitement de données
Optimisation, amélioration du service
Durée de conservation
Cookie de session - est supprimé dès que vous avez quitté votre navigateur
Nom de l’outil
NEW_Visitor
Fournisseur de l’outil
EOS Holding GmbH
Siège social du fournisseur de l’outil
Steindamm 71, 20099 Hambourg, Allemagne
Description de l’outil
Nous utilisons ce cookie pour vous faciliter l’utilisation de ce site web.
Données traitées
Aucune
Finalité du traitement de données
Optimisation, amélioration du service
Durée de conservation
1 jour
Statistiques
Nous utilisons des cookies de convivialité. Ces cookies permettent d'améliorer les fonctionnalités de notre site et de faciliter votre navigation. Si vous consultez à nouveau notre site pour faire appel à nos services, il reconnaîtra automatiquement que vous nous avez déjà rendu visite. Les saisies et paramétrages que vous avez précédemment effectués seront automatiquement reconnus et vous n’aurez pas besoin de les saisir une nouvelle fois. Par exemple, vous ne devrez pas saisir à chaque fois vos données utilisateur : celles déjà saisies précédemment vous seront accessibles lors votre prochaine visite.
Pour plus d’informations sur les cookies que nous utilisons, cliquez ici.
Nom de l’outil
nmstat
Fournisseur de l’outil
Siteimprove GmbH
Siège social du fournisseur de l’outil
Rosenheimer Str. 143 C, 81671 Munich, Allemagne
Description de l’outil
Ce cookie contient une chaîne de signes ID pour la session en cours. Il contient des informations à caractère non personnel sur les sous-pages consultées par le(s) visiteur(s) - ces informations sont utilisées pour optimiser l’expérience du/des visiteur(s).
Données traitées
Aucune
Finalité du traitement de données
Analyse, statistiques
Durée de conservation
399 jours
Nom de l’outil
AWSELB
Fournisseur de l’outil
Siteimprove GmbH
Siège social du fournisseur de l’outil
Rosenheimer Str. 143 C, 81671 Munich, Allemagne
Description de l’outil
Le cookie garantit que l’ensemble des statistiques de la même session sont saisies de manière cohérente.
Données traitées
Aucune
Finalité du traitement de données
Analyse, statistiques
Durée de conservation
Fin de session
Nom de l’outil
siteimproveses
Fournisseur de l’outil
Siteimprove GmbH
Siège social du fournisseur de l’outil
Rosenheimer Str. 143 C, 81671 Munich, Allemagne
Description de l’outil
Ce cookie est utilisé pour suivre la séquence des pages consultées par un visiteur sur le site web au cours de sa visite.
Données traitées
Aucune
Finalité du traitement de données
Analyse, statistique de site web
Durée de conservation
Cookie de session - est supprimé dès que vous avez quitté votre navigateur
Marketing
Nous utilisons des cookies marketing. Ces cookies permettent de vous proposer, lors de votre visite, un contenu personnalisé et pertinent en fonction de vos centres d’intérêt.
Pour plus d’informations sur les cookies que nous utilisons, cliquez ici.
Nom de l’outil
Facebook Pixel
Fournisseur de l’outil
Meta Platforms Ireland Limited
Siège social du fournisseur de l’outil
4 Grand Canal Square, Grand Canal Harbour, Dublin, D02, Irlande
Description de l’outil
Est utilisé par Meta pour placer de la publicité, pour mesurer et améliorer la pertinence de la publicité et pour proposer des produits publicitaires sur Meta.
Données traitées
Annonces publicitaires consultées | Pages visitées | Informations du navigateur | Informations du cookie de Facebook | ID utilisateur de Facebook | Site géographique | Informations de l’équipement | En-tête HTTP | Interactions avec publicité, services et produits | Adresse IP | Information Marketing | Données et comportement d’utilisation | ID Pixel | URL de référence | Agent utilisateur
Ce cookie est utilisé pour recevoir des rapports anonymisés sur le groupe cible du site web et pour une possible publicité ciblée notamment dans le cadre du reciblage.
Données traitées
Informations sur l’appareil, informations sur le navigateur, adresse IP, URL de référence et horodatage.