Data-Driven Organization – Statistik, Künstliche Intelligenz und Maschinelles Lernen
Kurz vor der Sommerpause wird es mathematisch. Im Schnelldurchlauf bekommen wir eine Auffrischung in Statistik, tauchen ein in die Welt von Künstlicher Intelligenz und Algorithmen. Faszinierend und überwältigend gleichzeitig.
Das vierte Modul von meinem CAS Data-Driven Organization hat enorm Spass gemacht, viele neue Einsichten gebracht und mich dazu animiert, tiefer in das Thema einzutauchen. Da kam das neue Heft von GEOkompakt über KI und Roboter gerade richtig – meine lehrreiche und unterhaltsame Sommerlektüre.
Das Heft bietet einen vielseitigen Einblick in den Stand der Forschung und Anwendungsbereiche. Dabei kommen sogar Biologie, Agronomie, Archäologie, Stadtplanung und Wale ins Spiel. Aber auch ethische Themen und verschiedene Ansichten darüber, wie mit Maschinen zu interagieren ist, werden beschrieben. Ausserdem enthält das Heft hilfreiche Artikel um künstliche Intelligenz besser zu verstehen.
Aber kommen wir jetzt zu den Inhalten des vierten Moduls:
Statistik
Als «leichten» Einstieg haben wir uns mit Statistik befasst und eine Auffrischung der gängigsten Kennzahlen erhalten:
- Lagekennzahlen: Mittelwert, Median und Modus
- Streuungskennzahlen: Quartile, Minimum & Maximum; Varianz & Standardabweichung
Auch die Robustheit von Kennzahlen war ein Thema. Dabei geht es darum, ob und wie sich die Kennzahl beim Hinzufügen von Ausreissern bewegt.
Diese Auswertungen dienen dazu, einen vorhandenen Datensatz zu verstehen und seine Eigenschaften besser zu erkennen. Denn es ist für alle Anwendungen wichtig, mit «guten» Daten zu arbeiten um zielführend zu sein und Wert zu generieren.
Welche Kriterien definieren gute Daten:
- Genauigkeit
- Zugänglichkeit
- Vollständigkeit
- Einheitlichkeit & Übereinstimmung
Visualisierung
Auch das Thema der Daten-Visualisierung haben wir gestreift. To tell a data story. Darum geht es und es stehen unzählige Darstellungen zur Verfügung. Dazu liesse sich viel Literatur schreiben.
Wichtig ist hier: welche Darstellung passt zu der Message, ist gut verständlich und vor allem nicht manipulativ.
Im Buch «Creating a Data-Driven Organization” von Carl Anderson sind mir zu diesem Thema zwei Sätze ins Auge gestochen:
“Selecting a chart type is central in terms of the ability to get the story across to the viewer.”
“Keep it simple. You need to strip away any clutter, any excesses, to let the data and its message shine through.”
Auf Linkedin folge ich Steve Nouri, welcher immer wieder anschauliche Visualisierungen postet. Ein Blick in sein Profil & seine Aktivitäten lohnt sich.
Künstliche Intelligenz und Maschinelles Lernen
«Künstliche Intelligenz automatisiert Kernkompetenzen unseres Verstandes. Dabei kann sie grössere Datenmengen schneller verarbeiten als das Gehirn. Dennoch ist sie bislang den grauen Zellen unterlegen: Die heutigen KI-Programme können nur jene Aufgabe bewältigen, auf die sie spezialisiert sind – sie sind Schmalspur-Experten. Unsere Gehirne hingegen sind Multitalente .
Nicht nur in ihrer Leistungsfähigkeit unterscheidet sich Künstliche Intelligenz vom Gehirn, sondern auch in ihren Methoden. Ein Computer denkt nicht – er rechnet.»
Aus: GEOkompakt – Nr. 71 – Wie funktioniert Künstliche Intelligenz? – Nora Saager
Bei der künstlichen Intelligenz gibt es die Unterscheidung in schwache und starke KI. Wobei «schwach» hier nicht im Sinne von nicht ausgereift zu verstehen ist. Schwache KI macht – bei entsprechend qualitativ gutem Training – ihre Sache sehr gut. Dies jedoch in dem Bereich, für die sie trainiert worden ist. Starke KI gleicht dann eher dem Menschen und seinem Lernen und Agieren in der Welt.
Hier eine Definition:
Schwache KI
Die schwache KI (auch als methodische KI bezeichnet) besitzt keine Kreativität und keine expliziten Fähigkeiten selbstständig im universellen Sinne zu lernen. Ihre Lernfähigkeiten sind zumeist auf das Trainieren von Erkennungsmustern (Machine Learning) oder das Abgleichen und Durchsuchen von großen Datenmengen reduziert.
Mit ihr können klar definierte Aufgaben mit einer festgelegten Methodik bewältigt werden, um komplexere, aber wiederkehrende und genau spezifizierte Probleme zu lösen.
Starke KI
Die Realisierung einer starken KI ist noch nicht in greifbarer Nähe: Die Zielsetzung des Konzeptes der starken KI ist es, dass natürliche und künstliche Intelligenzträger (bspw. Menschen und Roboter) beim Arbeiten im selben Handlungsfeld ein gemeinsames Verständnis und Vertrauen aufbauen können.
So könnte beispielsweise eine effiziente Mensch-Maschine-Kollaboration erlernt und ermöglicht werden. Ein starke KI kann selbstständig Aufgabenstellung erkennen und definieren und sich hierfür selbständig Wissen der entsprechenden Anwendungsdömäne erarbeiten und aufbauen. Sie untersucht und analysiert Probleme, um zu einer adäquaten Lösung zu finden – die auch neu bzw. kreativ sein kann.
Von: Homepage der Hochschule für angewandte Wissenschaften
Würzburg-Schweinfurt Starke versus schwache KI
Alogrithmen
Algorithmus – dies hören wir im Zusammenhang mit neuen technologischen Entwicklungen andauernd. Aber was ein Algorithmus genau macht, das ist dem Laien oft nicht klar. Schon alleine die enorme Anzahl von Algorithmen – eine Handlungsanweisung in Einzelschritten zur Lösung eines Problems – ist faszinierend.
Zum Glück gibt es Wikipedia für den neugierigen Geist. Hier ein paar spannende Links:
Wikipedia – Künstliche Intelligenz
Wikipedia – Maschinelles Lernen
Wikipedia – Liste von Algorithmen
Neuronale Netzwerke
Künstliche Neuronale Netzwerke sind ein möglicher Weg, künstliche Intelligenz zu trainieren. Dabei durchläuft eine Information mehrere Schichten mit mathematischen Formeln, um zu einem Ergebnis zu kommen. Dabei kommt es zu zahlreichen Verschachtelungen und Berechnungen, weshalb diese Vorgänge oft nicht mehr nachvollziehbar sind. Deshalb gibt es nun auch Ansätze, wie diese «black box» verständlich gemacht werden kann.
Ein Merkmal gilt für Neuronale Netzwerke wie alle anderen Trainingsmethoden für KI: sie benötigen enorm viele Daten für ihr Lernen.
Wikipedia – Künstliches neuronales Netzwerk
Der Artikel «Wie funktioniert Künstliche Intelligenz?» aus GEOkompakt Nr. 71 von Nora Saager, den ich eingangs von diesem Abschnitt bereits zitiert habe, ist eine verständliche und einsichtsreiche Lektüre. Ich kann ihn empfehlen.
Wer selber mit KI experimentieren möchte, kann dies mit Google ganz einfach tun. Es gibt auf dieser Seite auch einige Tutorials, die spannend anzusehen sind und einem die Funktionsweise näher bringen. Achtet auf die Banane:
Und was passiert nun mit mir als Mensch? Habe ich bald ausgedient?
Dazu wird es so schnell nicht kommen. Aber die Interaktion zwischen Mensch & Maschine werden weiter zunehmen. Um für diese Zukunft gerüstet zu sein, ist eine Auseinandersetzung mit den Themen wichtig. Ein kleiner Einblick gefällig, wie der eigene Job maschinell unterstützt und / oder abgelöst wird, gibt es hier:
Wird mein Job von einer Maschine abgelöst?
Das war jetzt umfangreich mit zahlreichen Verweisen auf weitere Literatur und Texte.
Wer lieber zuhört, hier noch zwei tolle Folgen beim Podcast Arbeitsphilosophen mit Kenza Ait Si Abbou zum Thema:
Viel Freude beim weiteren Entdecken.
Herzlichen Dank an Benjamin Freisberg und Nikolaus Obwegeser für die Gestaltung des vierten Moduls des CAS Data-Driven Organization.
Habt Ihr die Beiträge über die vorherigen Module verpasst? Voilà:
Data-Driven Organization: Trends & Drivers
Data-Driven Organization: Datenethik & Datensicherheit
Data-Driven Organization: Sprichst Du schon API, ETL & Co.?
Wie steht Ihr zum Thema Data-Driven Organization? Habt Ihr vertiefende Frage & Input? Ich freue mich über Feedback und Kommentare.
Es darf auch gerne eine Empfehlung für weitere spannende Themen für meinen Blog sein.
Eure Gaby
#ModernCFO
