Was Fachleute laut Harvard Enterprise College On-line über Knowledge Science und KI wissen sollten

# Einführung

Sie müssen kein Datenwissenschaftler werden, um von Datenwissenschaft und künstlicher Intelligenz (KI) zu profitieren. Sie sollten jedoch verstehen, was diese Technologien leisten können, wo sie versagen können und wie ihre Ergebnisse zu bewerten sind.

Nachdem ich mehrere Jahre lang mit Datenwissenschafts- und KI-Instruments gearbeitet habe, ist mir aufgefallen, dass Menschen oft eher mit der Technologie als mit dem Downside beginnen. Sie möchten ein Modell trainieren, einen Chatbot einführen oder eine KI-Anwendung erstellen, bevor sie entscheiden, welche Entscheidung sie verbessern möchten.

Für die meisten Profis sollte es nicht das Ziel sein, jeden Algorithmus zu beherrschen. Es sollte darum gehen, genügend Daten- und KI-Kenntnisse zu entwickeln, um bessere Fragen zu stellen, unzuverlässige Ergebnisse zu hinterfragen, die Grenzen dieser Systeme zu verstehen und fundierte Entscheidungen zu treffen.

Dieser Artikel fasst Erkenntnisse aus meinem Interview mit zusammen Iavor I. Bojinovaußerordentlicher Professor für Betriebswirtschaftslehre an der Harvard Enterprise College, und meine eigene Erfahrung in der Arbeit mit Datenwissenschaft und KI-Instruments. Bojinov ist Co-Leiter der HBS-On-line-Kurse „AI for Leaders“ und „Knowledge Science and AI for Choice Making“.

# Beginnend mit der Entscheidung

Bevor ich KI einsetze, definiere ich zunächst die Entscheidung, die getroffen werden muss.

„Wir wollen KI für Kundenanalysen nutzen“ ist zu weit gefasst. Ein klareres Ziel wäre: „Wir möchten Kunden identifizieren, die möglicherweise abwandern, damit unser Retention-Crew sie kontaktieren kann.“

Dies verbindet das Modell mit einem messbaren Ergebnis und einer echten Geschäftsaktion. Ein technisch fortschrittliches System hat wenig Wert, wenn es die zugrunde liegende Entscheidung nicht verbessert.

Bojinov macht einen ähnlichen Punkt. KI sollte als Enter für die Entscheidungsfindung und nicht als Ersatz für Urteilsvermögen betrachtet werden. Fachleute müssen ihre Fähigkeiten und Grenzen verstehen, ihre Empfehlungen validieren und sich auf bessere Geschäftsergebnisse konzentrieren, anstatt KI um ihrer selbst willen einzuführen.

In seinem HBS On-line-Interview: KI-Einführung, Vertrauen und EntscheidungsfindungBojinov erklärt außerdem, dass die erfolgreiche Einführung von KI vom Vertrauen abhängt und davon, wie effektiv Unternehmen diese Systeme einführen und skalieren.

Bevor Sie ein KI-Projekt starten, fragen Sie, welches Downside es lösen wird, wer die Ergebnisse nutzen wird, welche Maßnahmen folgen und wie der Erfolg gemessen wird.

# Zuerst die Daten verstehen

Wenn ich ein Knowledge-Science-Projekt beginne, trainiere ich nicht sofort ein Modell. Ich beginne mit der Untersuchung der Daten.

Die explorative Datenanalyse (EDA) hilft uns, die Struktur, Qualität, Verteilungen und Beziehungen eines Datensatzes zu verstehen. Es kann fehlende Werte, doppelte Datensätze, inkonsistente Kategorien, ungewöhnliche Beobachtungen und potenzielle Verzerrungen aufdecken.

Diese Überprüfungen sind wichtig, da Genauigkeit allein irreführend sein kann.

Angenommen, nur fünf Prozent der Kunden verlassen das Unternehmen. Ein Modell, das vorhersagt, dass jeder Kunde bleiben wird, wäre zu 95 Prozent genau, würde aber keinen der gefährdeten Kunden identifizieren.

Fachleute sollten sich daher fragen, ob eine Kennzahl das tatsächliche Geschäftsziel widerspiegelt, anstatt sich auf eine beeindruckend aussehende Bewertung zu verlassen.

Der neueste Artikel von HBS On-line, Datenvorbereitung für Ihr KI-Modell: Bedeutung und Greatest Practicesbetont außerdem, dass die Leistung eines Modells stark von der Qualität der dahinter stehenden Daten abhängt. Der Artikel behandelt das Bereinigen, Anreichern, Transformieren und Organisieren von Daten vor der Modellentwicklung.

# Sorgfältige Aufbereitung der Daten

Reale Daten sind selten für maschinelles Lernen bereit.

Die Datenvorbereitung kann den Umgang mit fehlenden Werten, das Korrigieren von Formaten, das Entfernen von Duplikaten, das Umwandeln von Kategorien, das Auswählen nützlicher Funktionen und das Trennen von Trainingsdaten von Bewertungsdaten umfassen.

Fachleute sollten auch wissen, woher ihre Daten stammen, wie sie gesammelt wurden, was möglicherweise fehlt und ob frühere Entscheidungen zu Verzerrungen geführt haben.

Meiner Erfahrung nach bringt die Verbesserung der Daten oft einen größeren Nutzen als das Ersetzen eines einfachen Algorithmus durch ein komplizierteres Modell.

Ein Modell lernt aus den Informationen, die es erhält. Wenn diese Informationen unvollständig, veraltet, inkonsistent oder voreingenommen sind, sind die Ergebnisse ebenfalls unzuverlässig.

Bessere Technologie kann schlechte Daten nicht vollständig ausgleichen.

# Auswahl des einfachsten Modells, das funktioniert

Das beste Modell ist nicht immer das neueste, größte oder teuerste.

Für strukturierte Geschäftsdaten – wie Kundendaten, Transaktionen, Verkaufshistorie oder Betriebsdaten – ist ein Regressionsmodell oder Entscheidungsbaum möglicherweise besser geeignet als ein universelles Massive Language Mannequin (LLM).

Es kann auch schneller, kostengünstiger, einfacher zu erklären und einfacher zu überwachen sein.

LLMs sind nützlich, wenn es bei der Aufgabe um Sprache geht, etwa das Zusammenfassen von Dokumenten, das Extrahieren von Informationen, das Erstellen von Entwürfen oder das Analysieren von Kundenfeedback. Für Prognosen, Klassifizierungen und tabellarische Daten bleibt traditionelles maschinelles Lernen möglicherweise die bessere Choice.

Bevor ich ein Modell auswähle, vergleiche ich Vorhersageleistung, Trainings- und Inferenzkosten, Geschwindigkeit, Skalierbarkeit, Erklärbarkeit, Wartungsanforderungen und die Kosten falscher Vorhersagen.

Ein etwas genaueres Modell ist nicht immer die bessere Wahl, wenn es viel teurer, schwer zu erklären oder schwer zu warten ist.

Das Ziel besteht nicht darin, die fortschrittlichste KI einzusetzen. Es geht darum, die zuverlässigste und kostengünstigste Lösung für das Downside zu wählen.

# Validieren, bevor Sie vertrauen

Ein Modell, das während der Entwicklung intestine funktioniert, garantiert nicht, dass es in der realen Welt funktioniert.

Es sollte anhand von Daten ausgewertet werden, die nicht zum Trainieren oder Auswählen verwendet wurden. Die Bewertungsdaten sollten auch die Kunden, Märkte und Bedingungen darstellen, unter denen das Modell betrieben wird.

Die Validierung sollte nach der Bereitstellung fortgesetzt werden. Das Kundenverhalten ändert sich, Märkte verschieben sich, Datenpipelines brechen zusammen und Muster, die einst nützlich waren, können an Zuverlässigkeit verlieren.

Bojinov identifiziert schwache Validierung und Assessments als einen häufigen Fehler. Wenn Unternehmen Modelle bereitstellen, ohne sie ordnungsgemäß zu testen, können sie sich zu sehr auf die Ergebnisse verlassen.

Fachleute sollten sich fragen, wie ein Modell bewertet wurde, welche Fehler es macht, ob seine Testdaten repräsentativ sind und wie seine Leistung im Laufe der Zeit überwacht wird.

Vertrauen sollte durch Beweise entstehen, nicht dadurch, wie fortschrittlich oder sicher das System erscheint.

# Kundenanalysen in die Tat umsetzen

Kundenanalysen sollten mehr als ein Dashboard sein.

Ein Dashboard kann zeigen, was passiert ist. Ein Vorhersagemodell kann abschätzen, was als nächstes passieren könnte. Ein Experiment kann dabei helfen, herauszufinden, was eine Organisation dagegen tun sollte.

Die Prognose, dass ein Kunde möglicherweise abwandert, ist nur dann sinnvoll, wenn das Unternehmen über eine realistische Bindungsstrategie verfügt. Anschließend muss gemessen werden, ob die Intervention tatsächlich funktioniert.

Fachleute sollten außerdem vermeiden, Korrelation mit Kausalität zu verwechseln. Ein mit der Kundenabwanderung verbundenes Merkmal ist nicht unbedingt der Grund, warum Kunden das Unternehmen verlassen.

Hier wird experimentelles Denken wertvoll. Anstatt davon auszugehen, dass eine Intervention funktioniert, sollten Organisationen sie testen, das Ergebnis messen und aus den Erkenntnissen lernen.

Das Ziel besteht nicht darin, mehr Vorhersagen zu treffen. Es geht darum, bessere Entscheidungen zu treffen.

# LLMs als Assistenten behandeln

Große Sprachmodelle (LLMs) haben die KI viel zugänglicher gemacht. Ich verwende sie regelmäßig zum Codieren, Recherchieren, Verbessern der Grammatik, Zusammenfassen von Informationen, Generieren von Ideen und Lernen von etwas Neuem.

Sie helfen mir, schneller zu arbeiten und unbekannte Themen zu erkunden. Eine fließende und sichere Sprache ist jedoch nicht dasselbe wie sachliche Genauigkeit.

LLMs können den Kontext falsch verstehen, sich auf veraltete Informationen verlassen, Quellen erfinden, falschen Code produzieren oder Sicherheitslücken übersehen. HBS On-line-Leitfaden, Was sind große Sprachmodelle und wie funktionieren sie?bietet einen Überblick darüber, was Geschäftsleute verstehen sollten, bevor sie sie verwenden.

Ich vertraue ihrer Leistung nie blind. Ich überprüfe und lese noch einmal, was sie produzieren, überprüfe wichtige Behauptungen, inspiziere generierten Code, teste, ob er funktioniert, und überprüfe, ob es Sicherheitsprobleme gibt.

Ich behandle einen LLM als Assistenten und nicht als unbestreitbare Autorität. Je größer die Konsequenzen einer Aufgabe sind, desto sorgfältiger sollte ihr Ergebnis überprüft werden.

# Das menschliche Urteilsvermögen auf dem Laufenden halten

Laut Bojinov werden Datenkompetenz, experimentelles Denken und die Fähigkeit, KI-Ergebnisse kritisch zu bewerten, mit zunehmender Verbreitung dieser Instruments immer wertvoller.

Fachleute müssen keine KI-Experten werden, aber sie müssen fließend genug sein, um die richtigen Fragen zu stellen, Beweise zu interpretieren, schwache oder unzuverlässige Ergebnisse zu erkennen und zu verstehen, wann einer Antwort vertraut werden kann.

HBS Onlines Wohnzimmer Folge, Wie Berufseinsteiger mit KI führen und wachsen könnenuntersucht, wie Fachleute KI-Kenntnisse mit ihrem vorhandenen Fachwissen kombinieren können, um an einem KI-gesteuerten Arbeitsplatz Mehrwert zu schaffen. Noch eine Folge, Ratschläge für den Berufseinstieg zum Aufbau von KI und menschlichen Fähigkeitenerörtert, wie wichtig es ist, starkes Fachwissen zu entwickeln und gleichzeitig zu lernen, effektiv mit KI zusammenzuarbeiten.

Letztendlich werden diejenigen herausragen, die technisches Verständnis mit Fachwissen und fundiertem unternehmerischem Urteilsvermögen verbinden können.

# Letzte Gedanken

Viele Unternehmen beeilen sich, überall KI einzuführen, weil sie nicht ins Hintertreffen geraten wollen. Dabei geben sie möglicherweise viel Geld für APIs, Infrastruktur, Schulung und Wartung aus, ohne vorher zu fragen, ob KI tatsächlich die richtige Lösung ist.

Ich denke, der Hype wird sich irgendwann legen.

Unternehmen erfahren, wo KI einen echten Mehrwert bietet, wo Menschen weiterhin unverzichtbar sind und wo eine einfachere und kostengünstigere Lösung ausreicht.

Erfolgreiche Knowledge-Science- und KI-Projekte beginnen nicht mit dem neuesten Modell. Sie beginnen mit einem klaren Downside, zuverlässigen Daten, einer angemessenen Bewertung, realistischen Kosten und einem Plan zur Umsetzung der Ergebnisse in die Tat.

Das Ziel ist nicht, KI überall einzusetzen. Es geht darum, es bewusst einzusetzen, sorgfältig zu validieren und dort anzuwenden, wo es Entscheidungen wirklich verbessert.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.