Die drei Bausteine moderner Datenanalyse

Unsere Welt besteht aus einer Vielfalt an Informationen – laut einer kürzlich erschienen Studie des Speichermedienherstellers Seagate und IDC wird die globale Datensphäre von 33 Zettabyte im Jahr 2018 auf 175 Zettabyte im Jahr 2025 anwachsen. Fast 30 Prozent der weltweiten Daten werden dabei in Echtzeit verarbeitet werden müssen.

Für das menschliche Gehirn erscheint eine solche Masse an Daten absurd und schwer zu fassen. Mit jeder technologischen Weiterentwicklung sind wir jedoch mehr und mehr in der Lage, all diese Informationen gemeinsam zu betrachten und uns ein umfassenderes Bild von der Welt zu machen. Dabei ist der Einsatz moderner Technologien unabdingbar, wenn wir diese Daten nutzen wollen. Denn nicht nur die Masse an Daten steigt, sondern auch die Rechenleistung, um diese zu verarbeiten, wie die BaFin in ihrer Studie zu Big Data und KI für Finanzdienstleistungen dargelegt hat.

Nicht zuletzt können auch die Algorithmen für Künstliche Intelligenz (KI) und Maschinellem Lernen (ML) besser trainiert werden, je mehr Daten zur Verfügung stehen. Mit Hilfe von leistungsstarken Rechnern und weit entwickelter Software können mittlerweile Datenmengen aufbereitet, verarbeitet und analysiert werden, die uns ohne technische Hilfsmittel unzugänglich wären. Doch in welchem Verhältnis stehen nun ML und KI und an welcher Stelle steht der Mensch?

Künstliche Intelligenz

Künstliche Intelligenz und Maschinelles Lernen werden häufig in einem Atemzug genannt oder sogar synonym verwendet. Es besteht jedoch ein wesentlicher Unterschied in der Zielsetzung und der daraus resultierenden Autonomie. Bei Künstlicher Intelligenz wird versucht, mit technischen Mitteln menschliche Entscheidungsstrukturen nachzuahmen. Künstliche Intelligenz, so scheint es, kann Entscheidungen treffen, die sich nicht einfach nur aus einer strickten Abfolge ergeben. Daraus resultiert häufig die Assoziation mit menschlicher Intelligenz. KI-gestützte Systeme entscheiden dabei jedoch weiterhin strikt auf Basis von Daten. Durch den Einsatz von Deep-Learning-Technologie kann die Künstliche Intelligenz jedoch dazu befähigt werden, auch außerhalb ihres ursprünglichen Einsatzgebietes Ergebnisse zu liefern. Viel zu häufig wird hierbei direkt an Untergangsszenarien ähnlich wie Matrix oder Terminator gedacht, wovon wir jedoch weit entfernt sind.

Künstliche Intelligenz wird bislang in zwei Kategorien unterteilt: Die sogenannte angewandte KI erhebt den Anspruch, sich auf einen einzelnen Aspekt zu konzentrieren. Die allgemeine KI hingegen ist theoretisch in der Lage, unterschiedliche Aufgaben zu bewältigen. Aus diesem Bereich hat sich auch das maschinelle Lernen entwickelt.

Maschinelles Lernen

Die Automatisierung von Prozessen ist der Fokus des Maschinellen Lernens. Dabei wird einem System beigebracht, aus Erfahrungen durch Verallgemeinerungen zu lernen – dies beschreibt den „lernenden Algorithmus“. Maschinelles Lernen setzt sich aus drei, aufeinander aufbauenden Teilen zusammen: dem Modell, dem Parameter, dem Lernsystem. Alle drei Komponenten zusammen ermöglichen zuverlässige und konsistente Analysen.

1. Modell: System, das Vorhersagen oder Identifikationen macht.
2. Parameter: Signale oder Faktoren, die das Modell zur Entscheidungsfindung verwendet.
3. Lernsystem: System, das die Parameter – und damit das Modell – anpasst. Dazu betrachtet es Unterschiede zwischen den Vorhersagen und dem tatsächlichen Ergebnis. Dadurch können auch Erfahrungen übertragen werden, so dass die Beurteilung zuvor unbekannter Daten ermöglicht wird.

Auf Basis dieser Mechanismen ist Maschinelles Lernen dazu in der Lage, Häufigkeiten und Korrelationen in einem oder mehreren verschiedenen Datensätzen zu finden. Die Ergebnisse können einerseits Muster, sogenannte „Patterns“ aufzeigen und damit häufig oder ständig auftretende Phänomene sichtbar zu machen. Umgekehrt können die ML-Algorithmen nach ausreichendem Training auch sogenannte „Anti-Patterns“ aufdecken und somit auf Unregelmäßigkeiten in einem Datensatz hinweisen. Diese zu interpretieren ist jedoch weitaus schwieriger und spätestens an dieser Stelle muss auch die dritte Kraft im Bunde mitwirken – der Mensch.

Menschliches Wissen

Die Fähigkeit aus Erfahrungswerten Muster zu erkennen, ist das Grundprinzip der Datenanalyse – und eine zutiefst menschliche Eigenschaft. Wir alle tun dies jeden Tag, wenn wir Empfehlungen an Freunde aussprechen, Lehrer Schüler unterrichten oder Großmütter Beziehungsratschläge verteilen. Nicht umsonst hat der ehemalige Google Data Scientist Seth Stephens-Davidowitz dies in seinem New York Times Bestseller über Big Data Analytics „Everybody lies“ als prägnantes Beispiel gebracht.

Deshalb ist und bleibt der Mensch der ausschlaggebende Faktor, wenn es darum geht, aus guten Resultaten gute Erkenntnisse zu ziehen. KI und ML sind dabei wichtige Helfer, die uns unterstützen können, den anwachsenden Berg an Daten zu bewältigen. Laut einer Studie des Instituts für Arbeitsmarkt- und Berufsforschung (IAB) sind Computer in der Lage, mindestens 70 Prozent der Tätigkeit von acht Millionen Beschäftigten in Deutschland zu erledigen. Das bedeutet, dass die Mitarbeiter wieder Zeit für ihre eigentliche Bestimmung haben und keine stupiden und repetitiven Aufgaben abarbeiten müssen. Das erhöht nicht nur die Produktivität, sondern auch die Zufriedenheit der Mitarbeiter. Auf diese Weise bekommen Mitarbeiter die Möglichkeit, mit spezieller Self-Service-Software eigenständig Daten aufzubereiten und zu analysieren; sie sind damit sogenannte Citizen Data Scientists. Hinzu kommt, dass Citizen Data Scientists Fachwissen aus den Fachabteilungen mitbringen, das sie dazu befähigt, die Ergebnisse im Kontext angemessen zu interpretieren.

Programmierfreie Plattformen befähigen nicht nur Citizen Data Scientists zur Datenanalyse, sondern tragen auch dazu bei, dass sich Datenanalyse wie ein roter Faden durch alle Unternehmensbereiche hindurchziehen kann – und nicht nur auf die IT beschränkt sein muss. Das ist ein entscheidender Faktor, wenn es um den Unternehmenserfolg geht. Denn laut einer Umfrage von Forbes Insight und EY verzeichnen Unternehmen, bei denen Datenanalyse in der gesamten Geschäftsstrategie verankert ist, wachsende Umsätze sowie höhere Margen.

Die Einbindung der Mitarbeiter ist daher nicht nur essentiell, sondern auch umso fruchtbarer, je mehr verschiedene Menschen mitarbeiten. So entkommt die Datenanalyse der IT-Experten-Blase und fördert qualitativ hochwertigere Ergebnisse zu Tage.

Für Entscheider im Unternehmen ergibt sich daraus folgendes Fazit: In jedem Unternehmen sollten Künstliche Intelligenz, Maschinelles Lernen und menschengetriebene Datenanalyse zusammengeführt werden, um das Maximum aus den zur Verfügung stehenden Daten herauszuholen. Künstliche Intelligenz, Maschinelles Lernen und menschengetriebene Datenanalyse können so zu den tragenden Säulen von Unternehmen und ihrem Erfolg werden.