Whitepaper
Einführung in Tableau Business Science
Tableau bietet leistungsstarke Data-Science-Funktionen für Geschäftsanwender
Andrew Beers, CTO, Tableau
Kurzfassung
Dieses Whitepaper erläutert Tableau Business Science, eine neue Klasse KI-gestützter Analytics, die geschäftlichen Fachexperten die Nutzung von Data-Science-Funktionen ermöglicht.
Das Lösen geschäftlicher Probleme mithilfe von KI, Machine Learning und statistischen Methoden war lange Zeit die Sache von Data Scientists. Viele Unternehmen unterhalten kleine Data-Science-Teams, die sich mit speziellen erfolgsentscheidenden und hochgradig skalierbaren Problemen beschäftigen. Allerdings gibt es eine große Anzahl an geschäftlichen Entscheidungen, für die neben Daten Erfahrung und Fachkenntnis erforderlich sind.
Mit Business Science können Analysten und Geschäftsanwender, die den Kontext ihrer Daten kennen, erläuterbare ML-Modelle für Probleme trainieren und bereitstellen, für die kleine, spezialisierte Data-Science-Teams keine Zeit oder keine Ressourcen haben.
Tableau geht es immer darum, Menschen die Möglichkeit zu geben, für eine Analyse kontinuierlich neue Fragen zu stellen, die nächste Hypothese zu prüfen und die nächste Idee zu testen. Jetzt gehen wir dabei noch einen Schritt weiter. Wir möchten das menschliche Urteilsvermögen mit praktisch anwendbarer, ethisch vertretbarer KI erweitern, mit der heutzutage Vorhersagen für geschäftliche Probleme möglich sind. Dies gibt Unternehmen die Möglichkeit, die Entscheidungsfindung in allen Geschäftsfeldern zu beschleunigen und sicherer zu machen. Gleichzeitig lassen sich die Analytics-Anwendungsfälle erweitern und das Verständnis der eigenen Daten vertiefen.
Hindernisse für eine verbesserte Entscheidungsfindung mithilfe von KI
Mit zunehmender Vielfalt der Daten, die Unternehmen erfassen, nimmt mit beinahe ähnlicher Geschwindigkeit die Anzahl der Analytics-Anwendungsfälle zu, bei denen Daten in hilfreiche Erkenntnisse umgewandelt werden sollen. Heute gibt es eine breite Palette von Tools und spezielle Teams, die auf die Gewinnung von Datenerkenntnissen für fundierte Entscheidungen spezialisiert sind. Unternehmen sind aber bisher meist nicht in der Lage, das richtige Verhältnis von hochgradig technisch orientierten Datenexperten und den Geschäftsteams zu finden, die die praktische Erfahrung und das entsprechende Fachwissen mitbringen. Nicht jedes Unternehmen verfügt über ein Data-Science-Team oder über KI-Lösungen. Firmen mit solchen Ressourcen arbeiten oft auch nur mit einem kleinen, hochqualifizierten Team, das immer einen hohen Projektrückstau bewältigen muss.
Gleichzeitig haben vielfach Geschäftsanwender und Analysten mit Fachwissen und Geschäftsnähe nicht die Tools oder die technischen Fertigkeiten für erweiterte statistische Analysen oder für die Handhabung von ML-Projekten. Sie sind häufig von Data Scientists und ML-Praktikern abhängig, die für sie benutzerdefinierte Modelle erstellen und bereitstellen. Der Prozess dafür erfordert viel gegenseitige Abstimmung, um die Anforderungen zu ermitteln. Dies beschränkt die Agilität und verhindert schnelle Iterationen. Am Ende dieses Zyklus sind dann die Daten, mit denen das Modell trainiert wurde, oft veraltet und der ganze Vorgang muss von Neuem durchgeführt werden. In dieser Zeit müssen die Geschäftsexperten aber täglich zentrale Entscheidungen treffen, die für ein zentrales Data-Science-Teams nicht die oberste Priorität haben.
Viele unserer Kunden sind von der Anwendung von Data Science, KI und ML auf mehr Geschäftsprobleme überzeugt, es fehlen ihnen aber die entsprechenden Ressourcen und Prozesse. Zu den gängigen Anforderungen, die wir bei Unternehmen aus unterschiedlichen Branchen und Bereichen in diesem Zusammenhang feststellen, gehören:
- Reduzierung der Datenexploration und des Vorbereitungsaufwands
- Unterstützung von Analyseexperten für die Bereitstellung von Data-Science-Ergebnissen, insbesondere Vorhersagen, zu geringeren Kosten
- Mehr Zeit für Data Scientists zur Fokussierung auf komplexes Data Engineering für erfolgsentscheidende Probleme, bei denen Präzision das wichtigste Kriterium ist
- Erhöhung der Wahrscheinlichkeit funktionierender Modelle für mehr Exploration von Anwendungsfällen durch Fachexperten
- Erweiterung, Automatisierung und Beschleunigung der Analyse für Geschäftsteams und Fachexperten
- Reduzierung von Zeitaufwand und Kosten für das Bereitstellen und Einbinden von Modellen
- Förderung einer verantwortungsbewussten Nutzung von Daten und KI mit verbesserter Transparenz und Anleitungen zur Minimierung sowie Beseitigung von Verzerrungen
Hier sehen wir bei Tableau eine große Chance, Unternehmen nicht nur bei der Anwendung von Data-Science-Funktionen auf mehr Geschäftsprobleme zu unterstützen und gleichzeitig den Zielkonflikt zwischen extremer Genauigkeit und Kontrolle einerseits sowie einer schnellen Gewinnung von Erkenntnissen andererseits zu entschärfen. Wir möchten diese Erkenntnisse auch in einem Zeitraum praktisch nutzbar machen, in dem sie noch relevant sind. Durch Einbindung der Kern-KI-Technologie von Einstein Discovery von Salesforce in Tableau können wir eine neue Klasse KI-unterstützter Analytics zur Demokratisierung von Data-Science-Techniken und zur Unterstützung der Benutzer für schnellere und sicherere Entscheidungen zur Verfügung stellen. Außerdem sind wir der Meinung, dass dies ein zentraler Marktbereich für weitere Innovationen ist.
Tableau hat Visual Analytics demokratisiert und das ist auch unser Ziel für Selfservice-KI. Business Science erschließt das riesige Potenzial einer großen Anzahl an Experten, die täglich mit Daten arbeiten. Wenn diese BI-versierten Mitarbeiter erweiterte Analytics statt deskriptive Analytics nutzen sowie Vorhersagen und Empfehlungen generieren können, lassen sich umfangreichere Analysen für mehr Anwendungsfälle schneller und mit verbesserter Kooperation durchführen.
Einführung in Tableau Business Science
Was ist Tableau Business Science?
Business Science ist eine neue Klasse KI-gestützter Analytics, die es für Menschen mit Fachkenntnissen möglich macht, smartere Entscheidungen schneller und sicherer zu treffen, da nicht alle Probleme Präzision auf Kosten von Geschwindigkeit und Geschäftskontext erfordern. Business Science-Lösungen sind strikt und präzise. Sie geben aber gleichzeitig Entscheidungsträgern die Möglichkeit, das benötigte Maß an Kontrolle und Flexibilität für ihren Anwendungsfall individuell festzulegen. Bereiche, über die Benutzer die Ergebnisse selbst steuern können, sind z. B. die Auswahl und die Formatierung der Dateneingabe, die Auswahl von Variablen und die Festlegung von Schwellenwerten. Business-Experten haben die Möglichkeit, Vorgänge komplett zu automatisieren oder geführt selbst Änderungen bei der Modellerstellung vorzunehmen. Durch die Ausstattung von mehr Menschen mit kontrollierter, programmierfreier KI für Vorhersagen, Was-wäre-wenn-Szenarien und geführte Modellerstellung können Geschäftsteams mehr Analysen selbst durchführen und mehr direkt anwendbare, realitätsgerechte Modelle generieren.
Business Science demokratisiert Data-Science-Funktionen und gibt Fachexperten Einblick in die zentralen Faktoren eines Modells, ohne dass diese über Kenntnisse herkömmlicher Data-Science-Tools verfügen müssen. Mit einer geführten KI-Funktionalität für Fachexperten können Teams fortgeschrittene Analysen auf zusätzliche geschäftliche Probleme anwenden und damit schneller wie zielgerichteter wichtige Entscheidungen treffen, die aber weiterhin in das menschliche Urteilsvermögen eingebettet sind. Dabei geht es nicht um die Feinabstimmung hochpräziser Modelle, sondern um die möglichst genaue Hinführung an das Problem in der richtigen Richtung.
Wofür bietet Tableau Business Science Unterstützung?
Das Geschäftsleben ist naturgemäß kompliziert und unberechenbar. Fachwissen und die Kenntnisse der Mitarbeiter, die die Dynamik ihres Fachgebiets verstehen, sind deshalb unverzichtbar. Historische Daten sind zwar eine hilfreiche Basis, aber nicht immer ausreichend, um feststellen zu können, welche Auswirkungen veränderte Marktbedingungen auf Ihr Unternehmen in Zukunft haben werden. Die Person, die sich im jeweiligen Gebiet auskennt und im Handumdrehen tätig werden bzw. reagieren kann, ist der kritische Faktor, um sich erfolgreich in einem veränderten geschäftlichen Umfeld zu behaupten. Wenn Sie Business-Experten und Datenanalysten die Möglichkeit geben, die Vorhersagen und Erkenntnisse von ML-Modellen zu nutzen, ohne Python, statistische Methoden oder das Feinabstimmen von Algorithmen erlernen müssen, wird Ihr Team zu datenorientierten Experten.
Business Science entsteht durch Kombination von Fachwissen und Kompetenz mit historischen Daten und analytischen Erkenntnissen. In der Regel ist es wichtiger, dass man die richtige Fragestellung kennt und weiß, was aus der Antwort folgt, als über Details wie den richtigen Algorithmus Bescheid zu wissen. Oft sind diese Probleme komplizierter und nicht mit einfachen Ja-/Nein-Entscheidungen zu lösen. Fragen zur Ressourcenzuordnung, Prioritätensetzung, Personalausstattung und Logistik erfordern für die optimale datengesteuerte Entscheidung oft Business Science.
Wir kennen zahllose Szenarien, in denen Business Science der geeignete Ansatz ist und mit der sich optimale Ergebnisse für das Unternehmen erzielen lassen:
- Marketing und Vertrieb können Business Science für Lead-Bewertung, Chancenbewertung, Vorhersage der Zeitdauer bis zum Abschluss und für viele andere CRM-bezogene Anwendungsfälle nutzen, für die die meisten Data-Science-Teams zeitnah keine Kapazitäten bereitstellen können, die aber äußerst wichtig sind.
- Industrieunternehmen und Einzelhandel können von Business Science bei der Distribution und Optimierung der Lieferkette, bei der Prognose der Kundennachfrage oder bei der Prüfung von Szenarien mit neuen Produkten im Sortiment profitieren.
- Die Personalabteilung kann beispielsweise mithilfe von Business Science die Wahrscheinlichkeit bewerten, mit der ein für sie interessanter Bewerber ein Angebot annimmt. Dazu werden historische Muster analysiert und das Know-how des Personalverantwortlichen genutzt, der weiß, welcher Mix an Gehalt, vermögenswirksamen Leistungen, Sozialleistungen usw. der Qualifikation des Bewerbers angemessen ist.
- Ein Immobilienteam hat z. B. die Möglichkeit, mithilfe von Business Science zu überlegen, wo Bürofläche erworben werden soll, und zu ermitteln, wie hoch die Kosten für den Umzug von Mitarbeitern zwischen Gebäuden oder Bürostandorten ausfallen werden. In solchen Fällen ist das menschliche Urteilsvermögen besser geeignet, die richtige Abstimmung von Budgetüberlegungen und „politischen“ Aspekten zu finden, wie etwa die möglichen Folgen der Versetzung eines Mitarbeiters oder des Umzugs eines Teams.
Was spricht für Tableau Business Science?
Erfolgreiche KI-Projekte erfordern sowohl Daten- als auch Fachkenntnisse
Den Ängsten und der verbreiteten Fehleinschätzung, dass KI Menschen überflüssig macht, zum Trotz gibt es immer noch viele geschäftliche Probleme, bei denen auch die intelligentesten Maschinen nicht mit dem menschlichen Urteilsvermögen konkurrieren können. Ein Beispiel: Angenommen, eine Vertriebsabteilung nutzt Vorhersagemodelle, um die profitabelsten Cross- und Upsell-Verkaufschancen zu ermitteln. Ein Algorithmus kann dazu Vorhersagen über die Wahrscheinlichkeit generieren, dass ein Kunde kauft. Er verfügt aber nicht über das unverzichtbare Wissen der Person, die die Geschäftsbeziehung betreut. Ein Kundenbetreuer kennt die Ziele des Kunden und weiß, welche Produkte diese Ziele unterstützen. Er hat aus Erfahrungen der Vergangenheit vielleicht auch gelernt, dass eine bestimmte Lösung eher nicht zu einer Kaufvereinbarung führt.
Diese Feinheiten sind nur dem menschlichen Urteilsvermögen zugänglich und gehen über das hinaus, was ein Algorithmus allein leisten kann. Durch Verbindung von menschlichem Fachwissen, Urteilsvermögen und Kontextverständnis mit der Exaktheit, den Automatisierungsmöglichkeiten und der Skalierbarkeit maschinengenerierter Erkenntnisse können Geschäftsergebnisse verbessert werden. Ein weiteres Beispiel ist ein Einzelhandelsunternehmen, das wissen möchte, mit welchen neuen Produkten in seinen Filialen der Gewinn in einer bestimmten Region gesteigert werden kann. Geschäftsleute kennen die Faktoren wie etwa Lieferantenbeziehungen und regionale Trends sowie andere relevante qualitative Einflussgrößen, die für eine solche Entscheidung wichtig sein können – Details, die einer Maschine nicht zugänglich sind oder erfolgreich angewendet werden können.
Auch bei automatisierten Vorgängen ist es unabdingbar, dass der Mensch die Ergebnisse versteht und erklären kann. Die meisten KI-gestützten Automatisierungsprozesse nutzen mathematische Algorithmen zur Modellierung. Die damit generierten Vorhersagen und Empfehlungen müssen deshalb kontinuierlich von Menschen geprüft werden.
Unternehmen treiben einen großen Aufwand, um die Spezies der „Unicorns“ zu finden, die sowohl Kenntnisse in Data Science haben, als auch über Fachwissen verfügen. Personen mit einer solchen Qualifikation sind aber sehr dünn gesät. Es gibt in Unternehmen eine Vielzahl erfolgsentscheidender Probleme, bei denen Data-Science-Techniken die erste Wahl sind. Business Science bietet nun die Möglichkeit, viele solcher Techniken mehr Mitarbeitern zur Verfügung zu stellen, damit diese Vorhersagen direkt in ihrer Analyse nutzen können, ohne über technische Fachkenntnisse verfügen zu müssen.
Bei Business Science geht es darum, die Methode auf den Experten für das Problem abzustimmen. Wenn Data-Science-Teams neue Projekte für Geschäftsbereiche übernehmen, fehlt es ihnen oft an Kenntnissen über den Kontext und an Fachwissen. Ohne diesen Kontext müssen Data-Science-Teams viel Zeit aufwenden, um die richtigen Daten für das Problem zu ermitteln und um diese dann für die Analyse zu kuratieren, aufzubereiten und vorzubereiten. Da die Nutzung von KI und ML erheblich von Daten abhängt, ist dies grundsätzlich ein Datenproblem. Deshalb werden für das Problem, das gelöst werden soll, die richtigen Daten im richtigen Format benötigt.
Durch die Vertrautheit der Fachexperten mit den spezifischen Problemen ihrer Unternehmen und durch ihr spezielles Wissen über die Daten ihres Geschäftsbereichs sind sie dafür prädestiniert, Vorhersagemodelle in zeitnaher, effizienter und wirkungsvoller Form zu entwickeln, zu validieren und bereitzustellen.
Ein iterativer Ansatz mit kontinuierlicher Überarbeitung und wiederholter Bereitstellung spart Zeit, verringert Kosten und nutzt besondere Fertigkeiten
Die herkömmlichen Data-Science- und ML-Zyklen sind langwierig und der letzte Schritt ist oft der schwierigste und ressourcenlastigste, was Zeit, Aufwand und Kosten angeht. Die Bereitstellung und Einbindung benutzerdefinierter Modelle ist komplex und erfordert den Einsatz von Statistikern und Data Scientists, damit die Lösungen von Endbenutzern angewendet und umgesetzt werden können. Wenn z. B. Time-to-Market ein zentraler Faktor ist, optimiert die Unterstützung der Mitarbeiter für das iterative Erstellen von Vorhersagemodellen innerhalb von Tagen und Wochen – anstatt von Monaten – die Ressourcennutzung und ermöglicht einen höheren ROI.
Viele Unternehmen haben Schwierigkeiten bei der Skalierung ihrer KI-Prototypen und -Pilotanwendungen für den Einsatz in der Praxis und für eine breitere Nutzung. Sie unterschätzen auch oft die Probleme bei der Bereitstellung und Einbindung von KI in andere Systeme. Laut der Gartner-Umfrage „AI in Organizations“ (KI in Unternehmen) von 2020 werden nur 53 % der Prototypen tatsächlich bereitgestellt.
Für Geschäftsexperten, die Daten und Vorhersagen für eine fundierte Entscheidungsfindung benötigen, ist es äußerst wichtig, dass sie verschiedene Aspekte der Modellerstellung selbst steuern können und damit eine gewisse Sicherheit haben, dass die Daten für den jeweiligen Anwendungsfall geeignet sind. Dies ist insbesondere bei einem iterativen Ansatz für die Modellerstellung erstrebenswert, wenn die Vorhersagegenauigkeit Schritt für Schritt verbessert werden soll. Mit einem solchen Ansatz können die Mitarbeiter das Problem zeitnah angehen, wenn die Daten noch relevant sind. Manchmal kann schon der Versuch, ein Modell zu erstellen, dazu führen, dass ein Team an einen Punkt kommt, an dem die Daten hilfreich sind.
Mit Business Science geht es darum, einen KPI zu verbessern und nicht ein Modell bis zur maximalen Präzision zu perfektionieren. Durch einen mehr iterativen Vorgang für kontinuierliche Überarbeitung und wiederholte Bereitstellung im Gegensatz zu den herkömmlichen Data-Science-Zyklen werden mit Business Science die Hürden für die Geschäftsanwender beseitigt, sodass auch sie im Handumdrehen Modelle erstellen und Vorhersagen anwenden können. Das bedeutet, dass mehr Mitarbeiter diese erweiterten Analysetechniken produktiv und schneller nutzen sowie smartere Entscheidungen treffen können, wann und wo es erforderlich ist. Dies führt bei einem einzelnen Anwendungsfall potenziell auch dazu, dass sich erheblich Kosten einsparen und Gewinne steigern lassen.
Ein Beispiel ist die Zuweisung von Quoten. Geografische Zuweisungen und Zielsetzungen ändern sich fortwährend. Das Modell für die Quotenzuweisung eines Jahres eignet sich nicht für das Folgejahr, da sich die Ausgangsdaten für dieses Modell kontinuierlich weiterentwickeln. Und was passiert, wenn ein regionaler Vertriebsleiter sein Veto gegen das vorgeschlagene Modell einlegt, weil er die Geschäftstätigkeit in seinem Gebiet ausweiten möchte? Dies macht die Möglichkeit einer schnellen Änderung oder iterativen Weiterentwicklung des Modells so wertvoll, da damit potenziell neue Geschäftschancen ermittelt werden können, um neuen Umsatz in diesen Vertriebsgebieten zu generieren.
Wenn Analysten und Geschäftsanwender die Möglichkeit haben, Business Science sicher per Selfservice anzuwenden, können die speziellen Fertigkeiten und das Fachwissen von mehr Mitarbeitern Eingang finden. Außerdem wird damit die zentrale Rolle von Data-Science-Teams gestärkt, da sie für groß angelegte, erfolgsentscheidende Projekte entlastet werden. Mit dieser Klasse KI-gestützter Lösungen lässt sich auch eine experimentelle Umgebung für Analysten und fortgeschrittene Geschäftsanwender einrichten, in der sie neue Anwendungsfälle erkunden können, die für Data-Science-Teams nicht die oberste Priorität haben. Wenn mehr Mitarbeiter eine größere Anzahl an Anwendungsfällen bearbeiten und die Faktoren für die potenziellen Ergebnisse analysieren können, steigt die Wahrscheinlichkeit für die Bereitstellung eines funktionierenden Modells. Fachexperten haben damit die Möglichkeit, für ihren Bedarf ML-gesteuerte Modelle ohne Programmierung zu erstellen, aus denen sich erstklassige geschäftsspezifische Analytics ableiten lässt, für die keine Qualifikation als Datenexperte erforderlich ist.
Dabei ist zu beachten, dass Business Science-Lösungen zwar dazu beitragen können, die Qualifikationslücke zwischen Analysten und Data Scientists zu schließen. Sie sind aber kein Ersatz für Data Science. Data-Science-Experten werden weiter benutzerdefinierte Modelle, statistische Analysen usw. erstellen und bereitstellen. Sie werden aber auch immer öfter in Zusammenarbeit mit Geschäftsexperten die Daten validieren, die in ML-gestützten Modellen verwendet werden. Eine solche intensivierte teamübergreifende Zusammenarbeit ist für den Erfolg und die Leistungsfähigkeit dieser Lösungen weiterhin zentral.
Verantwortungsbewusste Demokratisierung von Data Science erfordert Unterstützung für die Ermittlung und Minimierung von Verzerrungen und von ethisch nicht vertretbarer Nutzung
Die Bereitstellung KI-gestützter Analytics für mehr Mitarbeiter hat viele Vorteile, birgt aber auch gewisse Gefahren. Verzerrungen liegen in der Natur von Daten und Technologien. Ohne Korrektur können sich Verzerrungen in Vorhersagen und Empfehlungen verstetigen und sogar Schaden verursachen. Gesichtserkennungstechnologie ist ein gutes Beispiel dafür, wie nachteilig sich Fehlerquellen auswirken. So hat die Verzerrung bei Trainingsdaten, Technologie und Vorhersagen z. B. negative Folgen für afroamerikanische Gemeinden. (Dies ist einer der Gründe, warum wir in unserer Richtlinie für akzeptable Nutzung die Verwendung von Gesichtserkennungstechnologie ausschließen.)
Der herkömmliche Geschäftsexperte macht sich bei seinen Analysen in der Regel keine Gedanken über diese Dinge. Als erste unterstützende Maßnahme kann mit einer detaillierten Modelldokumentation für mehr Transparenz der Faktoren hinter Vorhersagen und Empfehlungen gesorgt und das Nachverfolgen vereinfacht werden. Wenn man weiß, was Einfluss auf eine Vorhersage hatte, welche Spalten in den Daten vorhanden sind und welche Faktoren eine Rolle spielen, hilft dies bei der Ermittlung von potenziellen Verzerrungen in den Datenbeständen und Modellen.
Um eine ethisch vertretbare Nutzung von Daten und KI sicherzustellen, gibt es keine ausschließlich technische und keine flächendeckende Lösung. Es ist deshalb sehr wichtig, dass Sie Ihre Daten selbst kennen. Allerdings sehen wir uns gegenüber unseren Kunden in der Verantwortung, Schutzmaßnahmen in unsere Technologie einzubinden, mit denen sich das Problempotenzial kennzeichnen lässt. Wir möchten damit verhindern, dass unsere Kunden Verzerrungen in ihren Daten in ihre Vorhersagen übernehmen und diese dann auf neue reale Daten übertragen.
Weitere unterstützende Elemente, um solche Probleme zu vermeiden, sind beispielsweise ein integrierter Verzerrungsschutz, eine Modellüberwachung und natürlichsprachliche Erläuterungen der Variablen, die die Vorhersagen beeinflussen. Dies soll dazu beitragen, dass Anwender ethisch vertretbarere Modelle erstellen. Bei Einstein Discovery werden Benutzer dazu aufgefordert, Variablen und sensible Felder auszuwählen, die möglicherweise zu Verzerrungen und Voreingenommenheit führen, wie etwa ethnische Zugehörigkeit, Alter, Familienstand und Wohnort. Über eine Proxy-Erkennung wird auch nach korrelierten Felder in den Daten gesucht, die zu Verzerrungen führen können, wenn ein bestimmtes Feld, aber nicht das zugehörige andere Feld entfernt wird. Eine weitere wichtige Metrik sind ungleiche Auswirkungen, wenn sich z. B. die Ergebnisse des Modells nach Geschlecht oder unterschiedlichen Postleitzahlgebieten unterscheiden. In vielen regulierten Branchen werden mit dieser Metrik die Folgen von ML-Modellen geprüft und diese optimiert.
Demokratisierung von KI und ML erfordert wichtige Überlegungen und entsprechende Verantwortlichkeiten
Auf diesem Gebiet ist vieles noch in Bewegung. Deshalb ist auch noch unklar, wie sich das Umfeld ändern wird, wenn neue Technologien und Anwendungsfälle aufkommen und wenn ethische Standards und Vorschriften selbstverständlicher werden. Die KI-Technologie wird außerdem stark durch künftige Regelungen von EU-Gremien geprägt werden und wenn mehr Bundesbehörden und Bundesstaaten in den USA neue Vorschriften für künstliche Intelligenz erlassen. Vor dem Hintergrund dieses sich fortwährend weiterentwickelnden Umfelds und des Ausmaßes des Umbruchs im letzten Jahr kommt es für Unternehmen zum Moment der Wahrheit: Die digitale Transformation ist nicht länger Zukunftsmusik, sie steht buchstäblich vor der Tür. Unternehmen suchen nach Möglichkeiten, wie sie erfolgversprechend mit der aktuellen Welle von Daten- und KI-Innovationen und mit den damit verbundenen Anwendungen umgehen können – inklusive der Frage, wie sie mithilfe von KI agiler und widerstandsfähiger werden.
Business Science ermöglicht einen besseren Zugang zu Machine Learning. In den Händen der Unternehmen liegt es aber, die Entwicklung und die sichere wie ethisch vertretbare Nutzung von KI zu steuern. Tableau und Salesforce bieten die Plattform und Hilfestellungen für Einzelpersonen und Unternehmen, damit diese fundiertere und verantwortungsbewusste Entscheidungen treffen können. Der einzelne Kunde kennt seine Daten und damit das geschäftliche Umfeld, in dem KI- und ML-Lösungen angewendet werden sollen, am besten. Wir sind der Meinung, dass die Kombination leistungsstarker KI- und ML-Lösungen mit menschlichem Fachwissen die effektivste und leistungsfähigste Möglichkeit ist, die teamübergreifende Zusammenarbeit, die ethisch vertretbare Nutzung und die Anwendung von KI sowie eine schnelle Iteration erfolgreich aufeinander abzustimmen. Mit diesem am Menschen orientierten Ansatz können auch Vorhersagemodelle, Szenarioplanung, Simulation und andere Data-Science-Techniken effektiver und mit mehr Erfolg angewendet werden.
Da wir weiter innovativ an dieser Technologie arbeiten und da unsere Kunden weiter vorhandene wie neue Probleme bewältigen müssen, werden die Best Practices für Business Science zunehmen. Wir haben dazu wichtige Überlegungen zusammengestellt, die für die Einführung und Entwicklung von Business Science-Lösungen in Unternehmen in Übereinstimmung mit unseren Werten eine wichtige Rolle spielen sollten. Um das richtige Verhältnis von Zusammenarbeit, schneller Iteration und ethisch vertretbarer Nutzung zu bestimmen, sollten Unternehmen folgende Schritte vornehmen:
- Definition und verbindliche Festlegung von Rollen und Prozessen
- Festlegung von Methoden für eine erfolgreiche Zusammenarbeit
- Sicherstellung menschlicher Kontrolle der ethisch vertretbaren Nutzung und Entwicklung von KI
Definition und verbindliche Festlegung von Rollen und Prozessen
Fachexperten und Data Scientists müssen sich dieser neuen Umgebung von Selfservice-KI anpassen. Wenn Business-Science-Lösungen implementiert werden, sollten Analysten, Geschäftsanwender und Data-Science-Teams entsprechende Rollen definieren und verbindlich festlegen. Dazu gehören die jeweiligen Aufgabenstellungen, welche neuen Prozesse für einen reibungslosen und produktiven Austausch eventuell erforderlich sind, wie viel Beteiligung und Validierung von jeder Gruppe erwartet wird und vieles mehr. Wie bei anderen neuen Tools oder Prozessen ist eine Übergangszeit erforderlich, in der die neu definierten Rollen und Prozesse auf ihre Praxistauglichkeit getestet werden. Dabei ist für die Ausrichtung aller Teams auf eine erfolgreiche Nutzung ein offener Austausch erforderlich.
Festlegung von Methoden für eine erfolgreiche Zusammenarbeit
Für diesen offenen Austausch zwischen Teams müssen Möglichkeiten für eine dauerhafte Kommunikation eingerichtet werden. Möglicherweise sind bereits entsprechende Kanäle vorhanden. Diese sollten standardisiert und ihre tatsächliche Nutzung selbstverständlich werden. Dafür muss im Zuge der Implementierung von ML-Lösungen für einen größeren Personenkreis explizit gesorgt werden. Außerdem sollte es regelmäßig die Gelegenheit geben, Fragen zu stellen, Rat einzuholen, Prozesse zu validieren, echtes Feedback zu teilen usw. Dies ist für eine erfolgreiche teamübergreifende Zusammenarbeit mit KI-unterstützter Analytics entscheidend.
Sicherstellung menschlicher Kontrolle der ethisch vertretbaren Entwicklung und Nutzung von KI
Technologiegestützte Kontrollen, um Verzerrungen zu verhindern, sind hilfreich und ermöglichen mehr Personen die Gewinnung von Erkenntnissen und Vorhersagen für eine smartere Entscheidungsfindung. Dies sollten aber nicht die einzigen Prüfmethoden sein. Achten Sie darauf, dass es auch die Möglichkeit der Prüfung aller Schritte durch den Menschen gibt. Analysten und Geschäftsanwender verfügen über das Fachwissen für das Verständnis der Daten im jeweiligen Kontext. Sie kennen möglicherweise auch die potenziellen Auswirkungen der nicht ethischen Handhabung sensibler Daten. Dies setzt aber einen Mitarbeiterstamm mit Diversität voraus: Personen, die in der Lage sind, Schwachstellen oder eine diskriminierende Verwendung in den Daten zu erkennen, und die für unterrepräsentierte Bevölkerungsgruppen sprechen können, die am meisten negativ von KI-Systemen mit Verzerrungen betroffen sind. Machine Learning und menschliches Fachwissen unterstützen – in Verbindung mit erforderlichen Tools, menschlicher Prüfung, Transparenz und Überwachung auf Verzerrungen – Unternehmen bei der sicheren und ethisch vertretbaren Anwendung von KI-Lösungen.
Wenn Sie feststellen, dass Ihre Daten Verzerrungen enthalten und Ihr Modell potenziell Probleme verursacht, sollten Sie es nicht bereitstellen und auch die Entscheidungsfindung nicht automatisieren. Die Behebung von Verzerrungen in Ihren Daten ist hinsichtlich mehrerer Aspekte entscheidend. Verzerrungen können nicht nur negative Auswirkungen haben. Sie sind auch ein Anzeichen dafür, dass die Daten Fehler enthalten, die wiederum Fehler in Ihren Modellen, den Vorhersagen und den entsprechenden Entscheidungen nach sich ziehen können. Wenn Ihr Unternehmen nicht über einen internen Ethikbeirat verfügt oder nicht weiß, wie es Verzerrungen und Voreingenommenheit in den Daten beheben kann, sollten Sie Ihre Daten oder Modelle mithilfe von externen Experten gründlich auf mögliche Verzerrungen untersuchen und dann gegebenenfalls beheben. Solche Untersuchungen machen auch die potenziellen Konsequenzen deutlich, die drohen, wenn Verzerrungen nicht behoben werden. Diese externen KI-Prüfer und -Berater können durch Ihre Data-Science-Teams zusätzlich unterstützt werden.
Bei Tableau und Salesforce fühlen wir uns gegenüber unseren Kunden, Partnern und Mitarbeitern verpflichtet, Tools bereitzustellen, mit denen sich KI verantwortungsbewusst, präzise und ethisch einwandfrei entwickeln und anwenden lässt. Erfahren Sie mehr über unsere Verpflichtung zu ethisch vertretbarer KI, wie sie das „Office of Ethical and Humane Use“ von Salesforce festgelegt hat. Zur Unterstützung der Beseitigung von Verzerrungen in Ihren Daten und Algorithmen für mehr ethisch vertretbare KI-Systeme in Ihrem Unternehmen können Sie das Salesforce-Trailhead-Modul “ Verantwortungsbewusste Entwicklung künstlicher Intelligenz ausführen.
Fazit
Der Bedarf an Datenkompetenz wächst kontinuierlich und mit ihm die enormen Möglichkeiten, Mitarbeiter und Unternehmen beim Ermitteln und Lösen von Problemen effektiver zu unterstützen. Verschiedene Ansätze legen den Schwerpunkt auf die Entwicklung oder Implementierung komplett automatisierter KI-Lösungen. Ein solcher begrenzter Ansatz wird aller Wahrscheinlichkeit nach nicht den beabsichtigten Nutzen haben. Die Reduzierung oder sogar Eliminierung von menschlichem Ideenreichtum, Kontextverständnis und Fachwissen bei der Demokratisierung von KI- und Data-Science-Techniken ist nicht nur kontraproduktiv, sondern schlicht unverantwortlich.
Tableau war immer schon vom Potenzial menschlicher Fähigkeiten überzeugt. Die Erschließung dieses Potenzials ist Teil der Tableau-DNA und die Grundlage unserer branchenführenden Visual-Analytics-Plattform. Mit Tableau Business Science, unserer neuen Innovation mit KI und ML, setzen wir die Tradition der Unterstützung von Menschen mit den richtigen Tools und Funktionen fort, damit diese Fragen stellen, Erkenntnisse gewinnen und Probleme lösen können. Mit der Einführung von Einstein Discovery in Tableau, einer Business-Science-Lösung, stellen wir auf sichere Weise Machine Learning für mehr Mitarbeiter zur Verfügung und demokratisieren leistungsstarke Data-Science-Techniken, damit Menschen schneller bessere Entscheidungen treffen können.
Weitere Materialien