# 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.

Einer Prognose von zufolge werden die weltweiten Ausgaben für künstliche Intelligenz im Jahr 2026 voraussichtlich 2,59 Billionen US-Greenback erreichen, was einem Anstieg von 47 % gegenüber dem Vorjahr entspricht Gartner. Diese Zahl spiegelt eine Aufwärtskorrektur gegenüber früheren Schätzungen von Gartner aufgrund der steigenden Nachfrage nach KI-Infrastruktur und Agententools wider.

Die aktualisierte Prognose stellt eine Steigerung gegenüber Gartners Prognose vom Dezember 2025 dar, die die weltweiten KI-Ausgaben auf 2,52 Billionen US-Greenback schätzte, was einem Wachstum von 44 % gegenüber dem Vorjahr entspricht. Die Überarbeitung unterstreicht die steigende Nachfrage von Unternehmen und Regierungen nach KI-Fähigkeiten, trotz Bedenken hinsichtlich der kurzfristigen Kapitalrendite.

Die KI-Infrastruktur, zu der Server, Beschleuniger, Speicher, Energiesysteme, Kühlung und der Bau von Rechenzentren gehören, macht mehr als die Hälfte der gesamten KI-Investitionen aus. KI-Dienste folgen als zweitgrößte Kategorie, wobei KI-Software program im Jahresvergleich um etwa 60 % wächst. Laut Gartner werden die Ausgaben für agentische KI in Software program im Jahr 2026 voraussichtlich um 141 % auf quick 202 Milliarden US-Greenback steigen und bis 2027 die Ausgaben für Chatbots und Assistenten übertreffen.

Für den Ausgabenschub sind vor allem große Technologieunternehmen verantwortlich. Amazon, Microsoft, Alphabet und Meta haben ihre Investitionsprognosen für 2026 bei den Gewinnmitteilungen für das erste Quartal im April gemeinsam auf etwa 725 Milliarden US-Greenback angehoben, was einem Anstieg von etwa 100 Milliarden US-Greenback im Vergleich zu früheren Schätzungen entspricht.

Microsoft plant, in diesem Jahr 190 Milliarden US-Greenback für Investitionen bereitzustellen, während Alphabet seine Prognose auf 180 bis 190 Milliarden US-Greenback revidierte. Metas Prognose wird nun auf bis zu 145 Milliarden US-Greenback angepasst, Amazons Schätzung bleibt bei etwa 200 Milliarden US-Greenback. Microsoft und Meta nannten steigende Komponentenkosten als einen Faktor, der zu ihren erhöhten Ausgabenprognosen beitrug.

Dieser Ausgabenschub wird sich voraussichtlich negativ auf den freien Cashflow auswirken. Der kombinierte freie Cashflow der vier Technologiegiganten wird im dritten Quartal voraussichtlich auf rund 4 Milliarden US-Greenback sinken und damit den tiefsten Stand seit einem Jahrzehnt markieren, da die Kapitalinvestitionen das Umsatzwachstum übersteigen. Schätzungen zufolge wird Amazon in diesem Jahr etwa 10 Milliarden US-Greenback an Bargeld verbrauchen.

Gartner geht davon aus, dass der breitere KI-Markt bis 2027 potenziell 3,3 Billionen US-Greenback und bis 2029 4,7 Billionen US-Greenback erreichen wird, was einer durchschnittlichen jährlichen Wachstumsrate von 33 % in diesem Zeitraum entspricht.

---

Hervorgehobener Bildnachweis

Die Wahrheit ist niemals perfekt. Von wissenschaftlichen Messungen bis hin zu menschlichen Anmerkungen, die zum Ausbilden von tiefen Lernmodellen verwendet wurden, hat die Grundwahrheit immer ein gewisses Maß an Fehlern. ImageNet, wohl am besten kuratiertes Bilddatensatz hat 0,3% Fehler bei menschlichen Anmerkungen. Wie können wir dann Vorhersagemodelle anhand solcher fehlerhaften Beschriftungen bewerten?

In diesem Artikel untersuchen wir, wie Fehler in Testdatenbezeichnungen berücksichtigt werden, und schätzen die „wahre“ Genauigkeit eines Modells.

Beispiel: Bildklassifizierung

Nehmen wir an, es gibt 100 Bilder, die entweder eine Katze oder einen Hund enthalten. Die Bilder werden von menschlichen Annotatoren gekennzeichnet, von denen bekannt ist, dass sie eine Genauigkeit von 96% (Aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ) haben. Wenn wir einen Picture-Klassifizierer für einige dieser Daten trainieren und feststellen, dass es eine Genauigkeit von 90% für einen Maintain-out-Set (Aᵐᵒᵈᵉˡ) hat, wie lautet die „wahre“ Genauigkeit des Modells (Aᵗʳᵘᵉ)? Zuerst ein paar Beobachtungen:

1. Innerhalb der 90% der Vorhersagen, dass das Modell „richtig“ wurde, wurden einige Beispiele möglicherweise falsch gekennzeichnet, was bedeutet, dass sowohl das Modell als auch die Grundwahrheit falsch sind. Dies verbessert künstlich die gemessene Genauigkeit.
2. Umgekehrt können einige innerhalb der 10% der „falschen“ Vorhersagen tatsächlich Fälle sein, in denen das Modell richtig ist und das Label der Bodenwahrheit falsch ist. Dies entfällt künstlich die gemessene Genauigkeit.

Wie sehr kann die wahre Genauigkeit angesichts dieser Komplikationen variieren?

Reichweite der wahren Genauigkeit

Die wahre Genauigkeit unseres Modells hängt davon ab, wie seine Fehler mit den Fehlern in den Bodenwahrheitsbezeichnungen korrelieren. Wenn sich die Fehler unseres Modells mit den Grundwahrheitsfehlern perfekt überschneiden (dh das Modell ist in genau genauso falsch wie menschliche Label), ist seine wahre Genauigkeit:

Aᵗʳᵘᵉ = 0,90 – (1–0,96) = 86%

Alternativ ist, wenn unser Modell als menschliche Label (perfekte destructive Korrelation) genau das Gegenteil falsch ist, seine wahre Genauigkeit lautet:

Aᵗʳᵘᵉ = 0,90 + (1–0,96) = 94%

Oder allgemeiner:

Aᵗʳᵘᵉ = aᵐᵒᵈᵉˡ ± (1 – aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ)

Es ist wichtig zu beachten, dass die wahre Genauigkeit des Modells sowohl niedriger als auch höher sein kann als die gemeldete Genauigkeit, abhängig von der Korrelation zwischen Modellfehlern und Grundwahrheitsfehlern.

Probabilistische Schätzung der wahren Genauigkeit

In einigen Fällen werden die Ungenauigkeiten zwischen den Beschriftungen zwischen den Beispielen zufällig verteilt und nicht systematisch auf bestimmte Etiketten oder Regionen des Merkmalsraums voreingenommen. Wenn die Ungenauigkeiten des Modells unabhängig von den Ungenauigkeiten in den Etiketten sind, können wir eine genauere Schätzung seiner wahren Genauigkeit ableiten.

Wenn wir Aᵐᵒᵈᵉˡ (90%) messen, zählen wir Fälle, in denen die Vorhersage des Modells mit dem Bodentwahrheitsbezeichnung übereinstimmt. Dies kann in zwei Szenarien passieren:

1. Sowohl das Modell als auch die Bodenwahrheit sind korrekt. Dies geschieht mit der Wahrscheinlichkeit aᵗʳᵘᵉ × aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ.
2. Sowohl das Modell als auch die Bodenwahrheit sind (auf die gleiche Weise) falsch. Dies geschieht mit Wahrscheinlichkeit (1 – aᵗʳᵘᵉ) × (1 – aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ).

Unter der Unabhängigkeit können wir dies als:

Aᵐᵒᵈᵉˡ = aᵗʳᵘᵉ × aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ + (1 – aᵗʳᵘᵉ) × (1 – aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ)

Wenn wir die Begriffe neu anordnen, bekommen wir:

Aᵗʳᵘᵉ = (Aᵐᵒᵈᵉˡ + aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ – 1) / (2 × aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ – 1)

In unserem Beispiel entspricht dies (0,90 + 0,96–1) / (2 × 0,96–1) = 93,5%, was im Bereich von 86% bis 94% liegt, den wir oben abgeleitet haben.

Das Unabhängigkeitsparadox

Wenn wir Aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ als 0,96 aus unserem Beispiel einstecken, bekommen wir

Aᵗʳᵘᵉ = (aᵐᵒᵈᵉˡ – 0,04) / (0,92). Lassen Sie uns dies unten zeichnen.

Seltsam, nicht wahr? Wenn wir davon ausgehen, dass die Fehler des Modells mit Grundwahrheitsfehlern nicht korreliert sind, ist die wahre Genauigkeit A ᵗʳᵘᵉ immer höher als die 1: 1 -Zeile, wenn die gemeldete Genauigkeit> 0,5 beträgt. Dies gilt auch dann, wenn wir unterscheiden aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ:

Fehlerkorrelation: Warum Modelle oft dort kämpfen, wo Menschen tun

Die Unabhängigkeitsannahme ist entscheidend, aber in der Praxis oft nicht. Wenn einige Bilder von Katzen sehr verschwommen sind oder einige kleine Hunde wie Katzen aussehen, sind sowohl die Grundwahrheits- als auch die Modellfehler wahrscheinlich korreliert. Dies führt dazu, dass Aᵗʳᵘᵉ näher an der unteren Grenze (aᵐᵒᵈᵉˡ – (1 – aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ)) als die Obergrenze liegt.

Im Allgemeinen sind Modellfehler in der Regel mit Grundwahrheitsfehlern korreliert, wenn:

1. Sowohl Menschen als auch Modelle haben mit den gleichen „schwierigen“ Beispielen zu kämpfen (z. B. mehrdeutige Bilder, Randfälle)
2. Das Modell hat die gleichen Verzerrungen gelernt, die im menschlichen Kennzeichnungsprozess vorhanden sind
3. Bestimmte Klassen oder Beispiele sind für jeden Klassifikator, Menschen oder Maschine von Natur aus mehrdeutig oder herausfordernd
4. Die Etiketten selbst werden aus einem anderen Modell generiert
5. Es gibt zu viele Klassen (und damit zu viele verschiedene Arten, falsch zu sein)

Greatest Practices

Die wahre Genauigkeit eines Modells kann sich erheblich von seiner gemessenen Genauigkeit unterscheiden. Das Verständnis dieses Unterschieds ist für die ordnungsgemäße Modellbewertung von entscheidender Bedeutung, insbesondere in Bereichen, in denen das Erhalten perfekter Grundwahrheit unmöglich oder unerschwinglich teuer ist.

Bei der Bewertung der Modellleistung mit unvollständiger Grundwahrheit:

1. Durchführen Sie gezielte Fehleranalyse: Untersuchen Sie Beispiele, in denen das Modell mit der Grundwahrheit nicht einverstanden ist, um mögliche Grundwahrheitsfehler zu identifizieren.
2. Betrachten Sie die Korrelation zwischen Fehlern: Wenn Sie die Korrelation zwischen Modell- und Grundwahrheitsfehlern vermuten, liegt die wahre Genauigkeit wahrscheinlich näher an der unteren Grenze (aᵐᵒᵈᵉˡ – (1 – aᵍʳᵒᵘⁿᵈᵗʳᵘᵗʰ)).
3. Erhalten Sie mehrere unabhängige Anmerkungen: Mehrere Annotatoren können dazu beitragen, die Genauigkeit der Grundwahrheit zuverlässig zu schätzen.

Abschluss

Zusammenfassend haben wir das gelernt:

1. Der Bereich möglicher wahrer Genauigkeit hängt von der Fehlerrate in der Grundwahrheit ab
2. Wenn Fehler unabhängig sind, ist die tatsächliche Genauigkeit häufig höher als für Modelle besser als zufällige Probability
3. In realen Szenarien sind Fehler selten unabhängig, und die wahre Genauigkeit liegt wahrscheinlich näher an der Untergrenze

Invoice Gates trat kürzlich mit Jimmy Fallon in der Tonight Present auf. Sie sprachen über seinen neuen Buch -Quellcode, seine Kindheit und 50 Jahre Microsoft. Aber der mächtigste Teil des Gesprächs battle die Zukunft, insbesondere den Aufstieg der KI und das, was es für unsere Jobs bedeutet. Gates teilte seine Gedanken auf eine Weise mit, die hoffnungsvoll, aber ehrlich battle. Er glaubt, dass AI die Welt auf große Weise verändern wird und schneller als wir erwarten. Er sprach auch über Jobs, die KI in naher Zukunft nicht ersetzen kann. Schauen wir sie uns an.

Das neue Zeitalter der reichlichen Intelligenz

Laut Gates treten wir in ein Zeitalter ein, in dem die Intelligenz dank KI zugänglich und reichlich zugänglich wird. Er verglich es mit der Rechenleistung, die einst kostspielig battle, aber schließlich billig und weit verbreitet wurde.

Die Ära, in die wir gekommen sind, ist eine Artwork Imaginative and prescient, dass das Laptop teuer battle und im Grunde genommen frei wurde. Die Ära, die wir gerade erst anfangen, ist, dass Intelligenz selten ist… und mit KI wird das im nächsten Jahrzehnt frei werden.

Diese Verschiebung könnte zu unglaublichen Fortschritten in Bereichen wie Medizin, Bildung und psychischer Gesundheit führen, die seit langem unter den Mangel an qualifizierten Fachleuten gelitten haben.

Behebung des globalen Mangel an Gesundheits- und Bildungsmangel

Gates betonte, wie KI dazu beitragen kann, den systemischen Mangel im Gesundheitswesen und die Bildung zu beheben, indem sie die Artwork von Kenntnissen und Erkenntnissen, die Sie von einem erstklassigen Arzt oder Lehrer erwarten würden, nachbilden können.

Toller medizinischer Rat, großartige Nachhilfe… es löst Probleme, als hätten wir nicht genug Ärzte oder Fachkräfte für psychische Gesundheit.

Er sieht dies als besonders vielversprechend für unterversorgte Regionen an, in denen KI Lösungen in Maßstab und zu minimalen Kosten anbieten kann, was bisher unvorstellbar ist.

Lesen Sie auch: 8 zukünftige Vorhersagen von Jensen Huang, die wie Sci-Fi klingen

Wird KI Jobs ersetzen? Gates sagt: Für einige, ja

Natürlich gibt es mit einem solchen Potenzial auch Herausforderungen. Gate hat es nicht selbstbezogen – viele Jobs, bei denen es darum geht, Dinge herzustellen, Waren zu bewegen oder sogar Lebensmittel zu steigern, könnten in Zukunft automatisiert werden.

Nicht für die meisten Dinge “, witzelte Gates, als er gefragt wurde, ob Menschen noch benötigt wären.„ Im Laufe der Zeit werden diese Probleme im Grunde genommen gelöst.

Dies deutet auf eine große Veränderung der Belegschaft hin. Wenn KI einen Großteil der Arbeit erledigt, müssen wir neu definieren, wie Produktivität und Beschäftigung aussehen – möglicherweise zu kürzeren Arbeitswochen oder neuen Arten von Wertschöpfung.

Jobs AI kann (noch) nicht ersetzen: Die menschliche Berührung ist immer noch wichtig

Trotz des Hype um AI glaubt Gates, dass es Kategorien von Arbeiten gibt, in denen Menschen wesentlich bleiben werden – zumindest auf absehbare Zeit. Hier sind 5 Jobs, die nicht bald von der KI übernommen werden können:

1. Fachkräfte für psychische Gesundheit: Während KI Unterstützungswerkzeuge anbieten kann, sind menschliches Einfühlungsvermögen, kulturelles Verständnis und emotionale Nuance in der Therapie und Beratung immer noch unersetzlich.
2. Kreative Künstler und Künstler: Schriftsteller, Musiker, bildende Künstler, Comedians – während KI Stile imitieren kann, fehlt es die Tiefe, die persönlichen Erfahrungen und die kulturelle Spontanität, die wirklich bedeutungsvolle Kunst vorantreiben.
3. Fachhandel (Elektriker, Klempner, Mechaniker): Jobs mit praktischen, unvorhersehbaren Problemlösungen in der physischen Welt bleiben für Roboter und KI schwierig, insbesondere außerhalb der kontrollierten Umgebungen.
4. Führungskräfte & Strategen: CEOs, Unternehmer, Organisatoren der Gemeinschaft, Rollen, die Imaginative and prescient, ethische Entscheidungsfindung und navigierende Komplexität des Menschen beinhalten, werden immer einen Menschen an der Spitze erfordern.
5. Pädagogen (insbesondere frühkindliche und spezielle ED): Das Unterrichten, insbesondere für kleine Kinder oder Schüler mit besonderen Bedürfnissen, beinhaltet Vertrauen, soziale Modellierung und emotionale Intelligenz, die KI nicht authentisch replizieren kann.

„Wir werden nicht zusehen, wie Laptop Baseball spielen„, Scherzte Gates und erinnerte uns daran, dass einige menschliche Erfahrungen einfach unersetzlich sind.

Lesen Sie auch: 6 Erkenntnisse von Andrew Ng, warum die Codierung unerlässlich ist

Endnote

Das Gespräch von Invoice Gates mit Jimmy Fallon battle mehr als eine nostalgische Reise durch seine Vergangenheit-es battle ein klarer Blick auf die Zukunft. Während KI die Industrien verändern und neu definieren wird, wie die Arbeit aussieht, glaubt Gates, dass der menschliche Geist – unsere Kreativität, Empathie und Resilienz – zentral bleiben wird.

Additionally ja, die Zukunft wird anders sein. Aber es gehört uns immer noch.

Sehen Sie sich das vollständige Interview hier an

Ein Bericht des Finanzinformations- und Analysedienstes S&P World weist darauf hin, dass die Blockchain-Technologie bei mehreren Risiken helfen kann, die mit dem Einsatz künstlicher Intelligenz (KI) verbunden sind. Der S&P World-Bericht mit dem Titel „Krypto und KI: Die Zukunft des Internets gestalten“ stellt fest, dass durch Blockchain die Bedenken hinsichtlich der weit verbreiteten Einführung von KI erheblich gemildert werden können.

Zu den im Bericht genannten Risiken gehören Datenschutz, Zensur, Rechenschaftspflicht und Datenrückverfolgbarkeit. Obwohl der Bericht diese Bedenken hervorhebt, ist S&P World davon überzeugt, dass KI Vorteile bietet, von denen die Benutzer langfristig profitieren werden.

Die Anwendungen der Blockchain-Technologie sind im Bereich der Kryptowährungen leicht zu erkennen. Als eine der beliebtesten Anwendungen der Blockchain-Technologie wird Krypto häufig als Tauschmittel für Zahlungen verwendet und kann grenzüberschreitende Transaktionen problemlos vereinfachen. Darüber hinaus diversifizieren Anleger ihre Portfolios, um einzigartige digitale Vermögenswerte aufzunehmen, die wahrscheinlich stark ansteigen werden. Benutzer können finden Kommende Meme-Münzen mit einzigartigen Vorteilen, die mit zunehmender Akzeptanz voraussichtlich zunehmen werden. Diese Akzeptanz wird in der Regel durch aufregende Vorteile wie unübertroffene Geschwindigkeit, dezentrale Governance für die Einbindung der Gemeinschaft und Belohnungen durch Abstecken und Ertragslandwirtschaft vorangetrieben.

Die Unveränderlichkeit der Blockchain

Während Kryptowährungen die am weitesten verbreitete Anwendung der Blockchain sind, berichtet S&P World, dass sich diese Wahrnehmung allmählich ändert. Laut der BerichtMehrere Unternehmen haben erkannt, dass die Technologie zur Lösung eines breiten Spektrums von Bedenken und Problemen eingesetzt werden kann. Dies ist vor allem auf die Unveränderlichkeit der Blockchain zurückzuführen, da das Ledger eine permanente und mit einem Zeitstempel versehene Aufzeichnung aller von ihm verarbeiteten Transaktionen führt. Dieser Datensatz ist bereits ab der ersten Transaktion nachweisbar.

Die Unveränderlichkeit kann KI-Modellen dabei helfen, Transparenz und Compliance aufrechtzuerhalten. Mithilfe der Blockchain kann jeder KI-Modelle und die zu ihrem Coaching verwendeten Informationen problemlos überprüfen, insbesondere wenn es sich bei der Blockchain um ein skalierbares Netzwerk mit hohem Durchsatz und minimalen Transaktionsgebühren handelt. Diese Transparenz wird sicherstellen, dass das Drawback der Rechenschaftspflicht gelöst wird. Wenn es öffentliche Aufzeichnungen gibt, die authentifiziert werden können, wären Regulierungsbehörden und Gesetzgeber eher bereit, Richtlinien zu erstellen, die die Entwicklung und Einführung von KI unterstützen, da die Einhaltung leicht durchgesetzt werden kann.

Bestätigung der Herkunft der KI-Trainingsdaten

Da KI-Modelle auf Daten trainiert werden, ist die Herkunft wichtig. Es ist wichtig zu bestätigen, woher die Daten stammen, die ein Modell verwendet, und ob sie korrekt sind.

Neben der Genauigkeit ist auch die Autorisierung ein Drawback. Da die KI-Nutzung explosionsartig zugenommen hat, haben mehrere Unternehmen den ChatGPT-Ersteller OpenAI verklagt, weil er ihre Kreationen ohne Erlaubnis verwendet hat. Letztes Jahr wurde beim US-Bezirksgericht für den nördlichen Bezirk von Kalifornien eine Sammelklage eingereicht beschuldigt OpenAI und Microsoft haben illegale Internet-Scraping-Praktiken eingesetzt, um Daten zu sammeln, die zum Trainieren ihrer Modelle verwendet werden. In der Klage wurden mehrere Produkte genannt, darunter ChatGPT-3.5, ChatGPT-4.0, Vall-E und Dall-E.

Ein weiteres Drawback besteht darin, dass KI-Modelle auch zur „Halluzination“ neigen, d. h. wenn sie falsche, irreführende oder anderweitig falsche Antworten geben. Um der Halluzination auf den Grund zu gehen und das Drawback zu lösen, müssen bestimmte Dateneingaben überprüft und sichergestellt werden, dass die Daten in keiner Weise manipuliert wurden. Mithilfe der Blockchain-Technologie können diese Eingaben bestätigt und sichergestellt werden, dass die Daten unverändert bleiben.

Privatsphäre und Zensur

Datenschutz ist eines der größten Probleme bei der weit verbreiteten Nutzung von KI. Benutzer und Regulierungsbehörden sind besorgt über die mit der KI geteilten Daten und deren Verwendung. Jeden Tag geben Benutzer beliebter KI-Instruments wie ChatGPT, Gemini und Meta AI Tausende von Eingabeaufforderungen ein, die je nach der vom Instrument oder Chatbot erwarteten Anfrage persönliche oder smart Daten enthalten können. Es gibt auch virtuelle KI-Assistenten, die mit sensiblen Datenströmen gefüttert werden, um bestimmte Aufgaben auszuführen. Während all dies für die Benutzer von Vorteil ist, ist die Endpunkt der geteilten Daten ist ein Drawback.

S&P World glaubt, dass der Einsatz der Blockchain-Technologie zur Dezentralisierung der Datenkontrolle ein sicherer Weg zur Lösung dieses Issues wäre. Beispielsweise können mehrere Instruments eingesetzt werden, um die Sammlung und Nutzung von Informationen zu überwachen und schließlich intelligente Verträge auszulösen, die vorbeugende Maßnahmen ergreifen oder verdächtige Transaktionen oder Übertragungen vollständig stoppen.

Durch die Blockchain-Technologie könnte die Verhinderung von Zensur viel einfacher sein als gedacht. Da dezentrale Netzwerke bereits auf Hunderte oder Tausende von Knoten verteilt sind, ist die grundlegende Architektur der Blockchain bereits resistent gegen Zensur. Daher könnte jeder als falsch gekennzeichnete Inhalt unabhängig überprüft werden, indem die Quelle seiner Schulung zurückverfolgt und die umstrittenen Daten überprüft werden. Dies erleichtert Organisationen und Körperschaften dies KI integrieren in ihre Prozesse einbinden, ohne sich Gedanken über externe Zensur machen zu müssen.

---

Hervorgehobener Bildnachweis: Freepik

Minddrifteine neue Datengenerierungsplattform und Group für Fachexperten aus allen Branchen zur Erstellung hochwertiger Datensätze für eine sichere, genaue und verantwortungsvolle KI-Entwicklung, feiert ihren Begin mit der Veröffentlichung eines „KI und die Belegschaft”-Bericht, der über 1.000 Amerikaner befragte.

Mit Berichten, die alle hochwertigen Daten erschöpfen 2026Von Menschen erzeugte Daten sind für die Langlebigkeit der KI von entscheidender Bedeutung. Allerdings ergab die Umfrage gemischte Ergebnisse, die darauf hindeuten, dass es hinsichtlich der Schnittstelle zwischen menschlichem Engagement und KI ein empfindliches Gleichgewicht gibt.

Die Forschung von Mindrift folgt der von Microsoft und LinkedIn Bericht was 66 % der Führungskräfte fand würde nicht Stellen Sie jemanden ohne KI-Kenntnisse ein. Da KI-Kenntnisse immer wichtiger werden, kann die Schulung großer Sprachmodelle den Mitarbeitern die nötige Erfahrung vermitteln, um mit KI ausgestattet zu werden.

Zu den wichtigsten Erkenntnissen gehören:

• KI ist nicht nur schlecht: 63 % der befragten Personen sind optimistisch, dass KI mehr Arbeitsplätze schaffen kann, und der Prozentsatz ist sogar noch höher (95 %!), wenn es um die aktive Schulung von KI-Modellen geht
• Es besteht ein Mangel an Verständnis darüber, wie KI-Modelle trainiert werden: Nur 14 % der Befragten wissen genau, wie KI-Modelle trainiert werden, und weniger als die Hälfte verfügt über ein grundlegendes Verständnis, was darauf hindeutet, dass Aufklärung erforderlich ist, um eine breitere Akzeptanz zu erreichen
• Die Leute wollen ihren Hut in den Ring werfen: Mehr als die Hälfte (58 %) der Befragten äußerten Interesse am Coaching von KI-Modellen, was eine Offenheit gegenüber der Technologie signalisiert, aber auch einen Bedarf an mehr Dialog darüber signalisiert

Melden Sie sich kostenlos für insideBIGDATA an Publication.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insidebigdata/

Folge uns auf Fb: https://www.fb.com/insideBIGDATANOW