Aspekte der Mensch-Maschine-Interaktion bei Machine-Learning-Systemen

von Nitin Kumar

Machine-Learning-Systemen
In meinem letzten Blog-Artikel wurde der Lebenszyklus von Machine Learning (ML)-Modellen vorgestellt, der verschiedene Schritte bei der Realisierung eines ML-Projekts definiert. Heute möchten wir dir helfen, die Art des ML-Anwendungsfalls, den du entwickelst, im Hinblick auf die Interaktion mit Menschen zu klassifizieren. Die Kenntnis und Befolgung dieser Klassifizierung wird dir und deinem Unternehmen in allen Schritten eines ML-Modellzyklus helfen.

Hier sind die fünf Möglichkeiten, wie ein ML-Algorithmus (im Folgenden auch als "KI" bezeichnet) mit Menschen interagieren kann [1].

1. AI entscheidet und implementiert ("Automator"-Schema) - Bei dieser besonderen Form der Interaktion wird davon ausgegangen, dass die Einbindung von Menschen den Prozess nur verlangsamen würde; folglich erledigen die ML-Algorithmen fast die gesamte Arbeit. Sie müssen Zugriff auf alle Daten und den Kontext haben. Zwei Beispiele, für die dieser Ansatz geeignet sein könnte, und die beide auf die Verwaltung von Lebensmittelgeschäften anwendbar sind, sind Ausverkaufspreise für unverkaufte und bald ablaufende Bestände sowie personalisierte Kundenrabatte.

2. KI entscheidet, Mensch implementiert ("Entscheider"-Schema) - Hier erfasst KI den Kontext und trifft die Entscheidungen, dann implementiert der Mensch die beibehaltene Lösung. Wenn ein Kunde beim Online-Lebensmitteleinkauf Produkte auswählt, die nicht vorrätig sind, kann ein ML-Algorithmus historische Daten nutzen, um Alternativen vorzuschlagen. Menschen können die Qualität der Vorschläge vor der Lieferung überprüfen. Ein anderes Beispiel: Ein KI-Algorithmus kann Fehler in Produktionsanlagen identifizieren, dann führt ein Mensch die Reparatur durch. Diese Kategorie kann als Entscheider bezeichnet werden.

3. KI empfiehlt, Mensch entscheidet ("Recommender"-Schema) - Bei Google Maps empfiehlt ein KI-Algorithmus mehrere Optionen zum Erreichen eines Ziels, dann wählt ein Mensch eine aus. Als weiteres Beispiel kann ein KI-Algorithmus vorschlagen, welche Produkte zu kaufen sind, um den Bestand eines Lebensmittelgeschäfts aufzufüllen; wenn er keinen Zugriff auf die Lieferkette hat, trifft der Filialleiter die endgültige Bestellentscheidung.

4. KI generiert Erkenntnisse, Mensch trifft Entscheidungen ("Beleuchter"-Schema) - Hier unterstützen Erkenntnisse aus KI-Insights die kreative Seite des Menschen. Ein KI-Algorithmus für eine Lebensmittelkette könnte beispielsweise Einkaufsmuster erkennen, die für geografische Standorte einzigartig sind, und daraus Empfehlungen für Händler zu möglichen standortspezifischen Merkmalen erstellen. Als weiteres Beispiel kann ein KI-Algorithmus den zukünftigen Bedarf an Arbeitskräften erhellen, worauf sich Personalverantwortliche stützen können, um einen Wettbewerbsvorteil zu erlangen.

5. Mensch generiert, KI wertet aus ("Evaluator"-Schema) - In allen bisherigen Fällen ging der Fluss von der KI zum Menschen. Hier machen wir es umgekehrt: Der Mensch generiert Hypothesen, die KI testet sie. Das wichtigste Beispiel ist die Technologie der "digitalen Zwillinge", bei der Menschen in einem Unternehmen viele Szenarien auf der Grundlage eines digitalen Modells eines Assets (z.B. einer Produktionsanlage) erstellen; die KI dient dann dazu, diese Szenarien zu simulieren und zu bewerten. Andere Beispiele für das Bewertungsschema betreffen das Testen von seltenen Szenarien: für Online-Shops, die Bewertung der Auswirkungen einer Pandemie wie Covid-19; für Katastrophenhilfsorganisationen die Bewertung der Auswirkungen von Wirbelstürmen anhand historischer Daten.

Organisationen, die ML erfolgreich einsetzen, um das Wachstum voranzutreiben, beziehen alle fünf oben beschriebenen Modi in ihre Geschäftsprozesse ein. Für effektive Benutzertests und für eine erfolgreiche Integration der Machine-Learning-Prozesse in die Geschäftsabläufe ist es wichtig, dass ML-Praktiker wissen, welches der fünf Schemata jeweils angewendet wird.

Dieser Artikel wird dir, so hoffe ich, bei diesem Identifikationsprozess helfen. Um ein tieferes praktisches Verständnis für die Anwendung von Data Science in der Industrie zu erlangen, nimm an einem unserer Vertiefungsprogrammen teil: KI für Führungskräfte, Data Science oder Machine Learning.

Möchtest du mehr über die Constructor Academy und technikbezogene Themen lesen? Dann finde hier weitere spannende Blogbeiträge.

Mehr Infos
Blog