Künstliche Intelligenz vs. Analytik

Wir zeigen Ihnen den Unterschied.

KI vs. Analytik: Wo liegen die Unterschiede?

Der Siegeszug neuer Technologien geht mit einigen Wirrungen rund um Begriffsdefinitionen einher. Dies gilt auch für die Auswertung und Interpretation von Daten. Aktuell befinden sich insbesondere die Bereiche Analytik und künstliche Intelligenz auf der Agenda von Entscheidern. Um Projekte erfolgreich umzusetzen, ist es jedoch wichtig, die Unterschiede zwischen diesen Ansätzen genau zu kennen.

 

Hypothesen vs. Training

Um die Unterschiede zwischen Analytik und KI zu verstehen, müssen wir uns zunächst mit einer Begriffsdefinition beschäftigen. Im Allgemeinen ist unter Analytik die systematische Untersuchung von Sachverhalten oder Gegenständen zu verstehen. Hierzu werden Hypothesen aufgestellt und überprüft. Mögliche Ergebnisse werden also von vorne herein als gegeben betrachtet. Mithilfe von Daten wird lediglich überprüft, ob die Hypothesen zutreffen. Die Grenze ist bei diesem Ansatz also die eigene Vorstellungskraft. Die Gewinnung völlig neuer Erkenntnisse ist kaum möglich. Davon abgesehen entsteht ein hoher Zeitaufwand.

Künstliche Intelligenz leitet vorhandene Tatsachen in den Daten hingegen selbstständig ab. Es werden also Zusammenhänge sichtbar, die im Rahmen der Analytik möglicherweise im Verborgenen geblieben wären. Die Leistungs- und Interpretationsfähigkeit der KI hängt jedoch entscheidend von den zugrunde liegenden Trainingsdaten ab. Problematisch ist in diesem Kontext die algorithmische Voreingenommenheit (sog. Algorithmic Bias). Sie entsteht, wenn menschengenerierte Daten verarbeitet werden, die naturgemäß weit verbreitete Vorurteile widerspiegeln. Möglicherweise wird die KI auch mit einseitigen Informationen, etwa aus einer bestimmten Zielgruppe, versorgt. Infolge dessen kann eine Diskriminierung von Minderheiten oder Personengruppen entstehen. Ein Beispiel wäre die Benachteiligung von älteren Bewerbern im Rahmen eines maschinellen Auswahlverfahrens.

 

Bias nicht in jedem Fall "schädlich"

Dass Daten für sich selbst sprechen, hat nicht nur Nachteile. Bias ist in vielen Fällen sogar gewollt. Ein Beispiel ist die Analyse des Bestellverhaltens von Kunden. Hier kann künstliche Intelligenz etwa selbstständig erkennen, dass Bestellungen überwiegend von Montag bis Freitag eingehen. Die Wahrscheinlichkeit, dass ein Kunde in diesem Zeitraum erneut bestellt, ist also höher. Zudem ist Bias sichtbar und erklärbar - etwa über Analysen in Tensorboard oder Shap-Values. Die Kunst besteht darin, Daten richtig zu interpretieren und die künstliche Intelligenz optimal anzupassen. Hierbei können sich Unternehmen von Trevisto unterstützen lassen.

 

Balance als zentrale Herausforderung

Fassen wir zusammen, so ist künstliche Intelligenz der Analytik überlegen, da sie ohne Hypothesen auskommt. Wichtig ist jedoch ein ausgewogenes Setup von KI-gestützten Analysen zu realisieren. Trevisto bietet verschiedene Verfahren an, um die Funktionsweise und die Reaktion von KI zu analysieren. In der Bilderkennung werden hierbei beispielsweise Bildbereiche markiert, die für eine Unterscheidung zwischen Tierarten relevant waren. Selbstverständlich müssen Vorgehensweise und Ergebnisse abhängig von der Problemstellung individuell betrachtet werden. Im Ergebnis lässt sich "Bias" signifikant minimieren, ohne jedoch die Aussagekraft der Ergebnisse zu beeinträchtigen.