Heute nutzen immer mehr Unternehmen das maschinelle Lernen. Es gibt jedoch immer noch viele Vorbehalte gegenüber dem maschinellen Lernen und ein Bedürfnis nach mehr Akzeptanz und Vertrauen.
Es ist allgemein anerkannt, dass dies für den langfristigen Erfolg von KI in Unternehmen entscheidend ist. Die Tatsache, dass Algorithmen zunehmend bessere Entscheidungen als menschliche Entscheidungsträger aussprechen oder letztlich treffen können, kann bei den Nutzern zu Unbehagen führen.
Daher ist es umso wichtiger, dass die Prozesse des maschinellen Lernens für die Nutzer transparent sind, damit die Mitarbeiter die Ergebnisse bewerten und ihnen vertrauen können.
Im Digital Peacemaker-Podcast gab unser CEO Mark ein großartiges Beispiel, das verdeutlicht, warum Sie sich der Möglichkeiten des Einsatzes von KI in Ihrem Unternehmen bewusst sein sollten.
Eine kleine Fallstudie
Mark verwies auf einen Artikel der ING Bank.
Sie haben eine Studie veröffentlicht, aus der hervorgeht, dass sie viele IT-Projekte haben, bei denen das Budget leider überschritten wurde.
Sie wollten die Variablen ermitteln, die zu solchen Budgetüberschreitungen führen. In welchen Umgebungen kommt es bei Projekten zu Überschreitungen, und was sind die idealen Voraussetzungen für Projekte, bei denen es nicht zu Budgetüberschreitungen kommt?
Ihre Analyse ergab, dass bei Projekten, bei denen die Kosten sehr transparent sind, die Wahrscheinlichkeit von Überschreitungen wesentlich geringer ist als bei Projekten, bei denen die Kosten nur in 2-3 Zeilen beschrieben werden.
Unerwarteterweise hatten Projekte, an denen viele Menschen arbeiteten, auch eine höhere Wahrscheinlichkeit von Budgetüberschreitungen. Dies entspricht nicht ihren ursprünglichen Erwartungen, da man davon ausgehen würde, dass bei größeren Projekten mehr Fachwissen vorhanden ist und das Problem der Budgetüberschreitung besser unter Kontrolle ist.
Auf der Grundlage dieser Erkenntnisse und zusätzlicher Datenquellen haben wir mit Hilfe des maschinellen Lernens ein Modell erstellt, das vorhersagt, ob Projekte gestrichen werden.
Zu diesem Zweck sammeln wir zunächst alle verfügbaren Daten über ein Projekt. Wir überlegen dann, welche Daten in das Modell eingegeben werden können.
Einige Daten sollten ebenfalls ausgeschlossen werden. Wenn beispielsweise ein Projektmanager für ein gescheitertes Projekt verantwortlich war, bedeutet dies nicht, dass alle Projekte, für die dieser Projektmanager verantwortlich ist, scheitern werden.
Alles in allem wurden Dutzende verschiedener Variablen eingegeben. Anschließend wurden Modelle erstellt, um festzustellen, ob ein Projekt wahrscheinlich gestrichen werden würde. So erhalten Sie einen klaren Überblick über die Wahrscheinlichkeit, ob ein Projekt abgebrochen wird, und können bessere strategische Entscheidungen treffen.
Dies wurde auch im Digital Peacemaker-Podcast besprochen. Ulrich Irnich von Vodafone brachte eine bildhafte Erklärung.
„Ich sage immer, es ist ein bisschen wie im Cockpit, wir schauen auf die Instrumente, die uns einiges sagen, wenn wir durch den Himmel fliegen, und doch liegt es an uns, zu entscheiden, ob wir rechts oder links fliegen.“
Das maschinelle Lernen sollte vielmehr als ein zusätzliches Werkzeug betrachtet werden, das objektive Entscheidungen für Unternehmen treffen kann. Je mehr Sie dann die Kontrolle „loslassen“ können, desto mehr ist dies die Bestätigung, dass Sie den Algorithmus nun ganz von selbst fliegen lassen können. Umso mehr könnte der Algorithmus also vielleicht Tätigkeiten übernehmen, die keinen direkten Mehrwert in Richtung Kunde oder Portfolio bringen.
Maschinelles Lernen kann auch unter Aufsicht erfolgen. Man schaut sich an, welche Ergebnisse der Algorithmus aussendet und sieht selbst, ob er richtig oder falsch ist und ergänzt damit sozusagen die Ergebnisse des Algorithmus.
Oder Sie lassen den Algorithmus völlig unkontrolliert laufen und sehen, was dabei herauskommt.
Wie lassen sich KI und ML richtig integrieren?
Dieses Thema wurde auch im Digital Peacemaker-Podcast behandelt. Ulrich Irnich von Vodafone gab eine gute Erklärung.
„Ich sage immer, es ist ein bisschen wie im Cockpit, wir schauen auf die Instrumente, die uns etwas sagen, wenn wir durch den Himmel fliegen, und doch liegt es an uns, zu entscheiden, ob wir rechts oder links fliegen.“
Das maschinelle Lernen sollte vielmehr als ein zusätzliches Werkzeug betrachtet werden, das Unternehmen Vorschläge unterbreiten oder sogar objektive Entscheidungen treffen kann.
Als erster Schritt zur Integration in Ihr Unternehmen kann maschinelles Lernen dazu verwendet werden, Entscheidungen und Ergebnisse zu überprüfen und Empfehlungen zu geben, um Ihre Geschäftsentscheidungen anzupassen und die Ergebnisse zu verbessern.
Mit der Zeit können automatisierte Modelle mehr Daten erhalten und selbständig „fliegen lernen“. Sie können dann lernen, die Kontrollen „loszulassen“.
Wie nutzt Uffective maschinelles Lernen?
Bei Uffective sehen wir das maschinelle Lernen als einen kompetenten Mitarbeiter, der Sie anleitet und Ihnen hilft, bessere Entscheidungen zu treffen.
Hier sind ein paar Beispiele dafür, wie Uffective maschinelles Lernen einsetzt:
- Stellen Sie das beste Team für ein anstehendes Projekt zusammen. Uffective nutzt maschinelles Lernen, um auf der Grundlage abgeschlossener Projekte vorherzusagen, welches Team für ein Projekt am besten geeignet ist. Es ist auch möglich, vorherzusagen, wie lange das Projekt dauern wird, wer zur Verfügung steht und wie lange es dauern wird.
- Mit Hilfe des maschinellen Lernens ermöglicht Uffective die Analyse des Erfolgs früherer Projekte und die Vorhersage künftiger Projektergebnisse. Auf der Grundlage dieser Daten können Sie auf Vorstandsebene bessere Entscheidungen treffen.
- Mit Hilfe des maschinellen Lernens können Sie auch die Ähnlichkeitserkennung nutzen. Sie können herausfinden, ob Kollegen bereits an ähnlichen Projekten gearbeitet haben oder gerade daran arbeiten. Dies kann Wiederholungen verhindern und Ihnen helfen, Einblicke und Erkenntnisse zu gewinnen, was Zeit, Ressourcen und Kosten spart.
Möchten Sie mehr erfahren? Kontaktieren Sie uns noch heute und erfahren Sie mehr darüber, wie Uffective Ihnen helfen kann, maschinelles Lernen zu nutzen.
