Prädiktive Analytik: Inspirierende und erschreckende ethische Fragen, die durch KI aufgeworfen werden
Das Aufkommen von Spitzentechnologien, die auf künstlicher Intelligenz und maschinellem Lernen basieren, verändert die Art und Weise, wie wir arbeiten und leben. Enge KI-Technologien wie Amazons Alexa haben begonnen, die Art und Weise zu verändern, wie wir interagieren, kommunizieren, einkaufen, reisen und uns unterhalten, und werden mit der Zeit immer anspruchsvollere Anwendungsfälle entwickeln.
Analysten sagen, dass die vierte industrielle Revolution, Industrie 4.0, bereits im Gange ist, da moderne intelligente Technologie beginnt, traditionelle Fertigungsverfahren zu automatisieren. Die Industrie 4.0 automatisiert Arbeitsplätze und verlagert Arbeitskräfte, so dass Menschen gezwungen sind, sich anzupassen, da Computer nun kognitive Aufgaben bei der Arbeit übernehmen können.
Es kann jedoch nicht genug betont werden, dass selbst die besten Technologien der Welt ohne sorgfältige Abwägung ihrer Vor- und Nachteile keinen Wert haben.
Was ist prädiktive Analytik?
Predictive Analytics nutzt eine Kombination aus Datensätzen aus verschiedenen Quellen, statistischer Analyse der Daten, um Beziehungen und Korrelationen zu finden, prädiktive Algorithmen und Modelle, maschinelles Lernen und künstliche Intelligenz zu entwickeln, um zukünftige Wahrscheinlichkeiten für ein bestimmtes Ergebnis genauer vorherzusagen, Trends aufzudecken und neue Möglichkeiten zu entdecken.
Der endgültige Leitfaden für prädiktive Analysen
Jetzt herunterladenUnternehmen sammeln viele Daten, aber einen Menschen damit zu beauftragen, die Daten auf der Suche nach verwertbaren Informationen zu durchforsten, ist oft nicht praktikabel. Stattdessen kann Software eingesetzt werden, um den Menschen Antworten auf die Frage zu geben, was angesichts der aktuellen Daten wahrscheinlich passieren würde, und um ihnen zu zeigen, welche Maßnahmen sie ergreifen sollten, um dieses Ergebnis zu beeinflussen.
Predictive Analytics nutzt eine Kombination aus Datensätzen aus verschiedenen Quellen, statistischer Analyse der Daten zur Ermittlung von Beziehungen und Korrelationen, Modellierung, maschinellem Lernen und künstlicher Intelligenz, um künftige Wahrscheinlichkeiten für ein bestimmtes Ergebnis genauer vorherzusagen und Trends und Chancen aufzudecken.
Die Datenanalyse hat sich von ausgewählten, hochqualifizierten Rollen auf alle Ebenen eines Unternehmens ausgeweitet, einschließlich nichttechnischer Benutzer. Dies bedeutet, dass Unternehmen jetzt die Flexibilität haben, Daten in Arbeitsabläufen für eine Reihe von Funktionen zu nutzen, um die betriebliche Effizienz, die Produktivität der Benutzer und das Vertrauen in die Geschäftsergebnisse zu erhöhen. Die Industrie setzt Predictive Analytics ein, um Anwendungsfälle wie die Betrugserkennung im Versicherungswesen, die Risikominderung bei Finanzdienstleistungen, die Bestimmung der Wirksamkeit von Impfstoffen im Gesundheitswesen, die Bestandsverwaltung in der Lieferkette, das Verständnis des Kundenverhaltens im Einzelhandel oder die Stärkung von Computernetzwerken im Bereich der Cybersicherheit zu unterstützen. Im B2B- oder B2C-Vertrieb können Unternehmen prädiktive Analysen für Umsatzprognosen, "Was-wäre-wenn"-Szenarien und Cross-Sell- und Upsell-Möglichkeiten nutzen.
Verwendung prädiktiver Analysen in der Automatisierung
Während die Automatisierung in allen Branchen zur Steigerung von Produktion und Umfang eingesetzt wurde und wird, ist die Anwendung prädiktiver Analysen auf die Automatisierung von Arbeitsabläufen komplexer. Auch wenn Software die Grenzen des Machbaren immer weiter verschiebt, geht es bei der prädiktiven Analyse darum, die von Menschen getroffenen Entscheidungen auf ein wünschenswertes Ergebnis zu lenken, und nicht um die Ausführung einer eng definierten, sich wiederholenden Aufgabe.
Der Grad der Sicherheit einer maschinell abgeleiteten Vorhersage hängt von der Vollständigkeit und Genauigkeit der Daten ab, die zur Entwicklung und Prüfung der Vorhersagemodelle verwendet werden. So könnten beispielsweise Volkszählungsdaten verwendet werden, um Muster zu erkennen und ein Vorhersagemodell für Fahrzeugkaufentscheidungen der Verbraucher auf der Grundlage von Einkommen, geografischen Gegebenheiten und anderen demografischen Faktoren zu entwickeln; es wird jedoch nicht in der Lage sein, die Marke, das Modell oder die Farbpräferenzen der Verbraucher vorherzusagen, wenn die Volkszählungsdaten bei der Entwicklung des Vorhersagemodells nicht mit historischen Fahrzeugverkaufsdaten kombiniert werden.
Letzten Endes werden Vorhersagemodelle genau das liefern, wonach Sie gefragt haben, je nachdem, wie Sie sie trainiert haben. Es geht also um so wichtige Fragen wie die, wo und wann wir wollen, dass ein Computer eine Entscheidung trifft, die einen großen positiven Einfluss haben kann. Es gibt keine einfachen Antworten, und dies sollte eine offene Diskussion zwischen Unternehmens- und Technologieführern und -experten sein, um die Auswirkungen zu bedenken, Annahmen zu hinterfragen und zu bestimmen, wie dies die Art und Weise verändern wird, wie sie ihre Kunden bedienen.
Gesellschaftliche Auswirkungen der Technologie
Menschen sind für einige Aufgaben besser geeignet, während KI und Software zur Ergänzung anderer Fähigkeiten eingesetzt werden können. Bei der erweiterten Analytik werden maschinelles Lernen und KI zur Unterstützung der Dateneinsicht und -analyse eingesetzt, um die Fähigkeit der Arbeitnehmer zur Datenanalyse zu verbessern. Und das ist im Allgemeinen in Ordnung, aber es gibt immer noch offene moralische und sogar potenziell rechtliche Fragen, die noch geklärt werden müssen, da wir uns immer mehr auf Software stützen, die uns bei der Entscheidungsfindung hilft.
Wenn der Mensch der Technologie erlaubt, Entscheidungen zu automatisieren, sollte der Mensch immer noch beteiligt sein, um die Grenzen von Faktoren zu wahren, die sich nicht leicht durch Daten quantifizieren lassen, sowie moralische oder ethische Vorurteile, die sich nicht leicht für das maschinelle Verständnis programmieren lassen, wie Emotionen, Stimmungen oder Beziehungen.
Um bei unserem Fahrzeugbeispiel zu bleiben, stellen Sie sich ein Szenario vor, in dem ein Softwareprogrammierer einen Computer anweisen muss, zu entscheiden, ob ein autonom fahrendes Auto, das auf einen drohenden Unfall zusteuert, das Leben seiner Insassen oder das von Fußgängern außerhalb des Fahrzeugs retten soll. Wer wird gerettet? Wie werden die Prioritäten gesetzt? Basiert sie allein auf der Anzahl der Überlebenden? Dem Alter? Hat der Fahrzeughalter ein Mitspracherecht? Das sind wichtige Fragen, die uns die technologische Entwicklung aufdrängt. Und das ist nur ein Beispiel.
Es wird einige Zeit dauern, bis der Gesetzgeber mit der Ausarbeitung von Rechtsvorschriften nachkommt. Daher obliegt es den Branchenführern und Entscheidungsträgern, die Debatte anzustoßen, und zwar in einem offenen Forum, in dem die breite Öffentlichkeit von Experten vertreten wird. Angesichts des so genannten digitalen Wettrüstens, bei dem es darum geht, sich mit so viel KI und Deep Learning wie möglich einzudecken, ist es jetzt an der Zeit, die schwierigen Gespräche zu führen.
Abschließende Überlegungen
Eingebettete prädiktive Analysewerkzeuge sind ein wichtiger Bestandteil der laufenden Veränderungen bei herkömmlichen Geschäftsanwendungen. Bei den neuen Technologien geht es darum, den Menschen zu unterstützen und bessere geschäftsorientierte Entscheidungen zu treffen. Gleichzeitig gibt es umfassendere Überlegungen, die berücksichtigt werden müssen, um sicherzustellen, dass diese Fortschritte sowohl positive Auswirkungen auf die Geschäftsergebnisse als auch auf die Gesellschaft haben.
Es steht außer Frage, dass in dieser laufenden industriellen Revolution viele Überlegungen angestellt werden sollten, wobei die prädiktive Analytik in der Lage ist, maschinelles Lernen und KI zur Entscheidungsfindung zu nutzen.
Der endgültige Leitfaden für eingebettete Analytik
Jetzt herunterladen: