DATA INTELLIGENCE HUB - Für Geschäftskunden

Erleben, was verbindet.

Drei Schritte für den Erfolg mit KI

Automotive IT hat in einem Spezialbeitrag in AutomotiveIT Experten zum Thema KI befragt, „Aufräumen mit KI-Experten“ Automotive IT, Spezial: Künstliche Intelligenz (September, Ausgabe 05/2019). Prof. Dr. Christoph Schlueter Langdon vom Telekom Data Intelligence Hub erläutert die drei Schritte zum KI-Erfolg und stellt auf die besondere Bedeutung von Kausalität statt Korrelation ab.

Der richtige Kern: Hypothesen und Kausalität statt Korrelation und Zufall

„,Ohne eine Hypothese über einen Zusammenhang zwischen Ursache und Wirkung brächten Fishing-Expeditionen wenig. […] Die Statistik liefert nur Korrelationen, keine Kausalität. Ein Beispiel: Gesundheit und Wirtschaftsleistung sind positiv korreliert, aber wo soll der nächste Euro investiert werden: in Gesundheit oder Wirtschaftswachstum?‘, erklärt Schlueter Langdon.“

Schritt 1: Der richtige Start – Fokussierung durch Fragestellung

„Wichtig beim Start ist, ein Problem auf eine Fragestellung zu konkretisieren, die man mit der Datenanalyse beantworten will.“

Schritt 2: Das Kausalmodell und Hypothesen

„Dann geht es um die weitere Fokussierung durch Hypothesenbildung und Ableitung eines sogenannten Kausalmodells. ,Wenn sich das Kausalmodell nicht auf einer Serviette skizzieren lässt, dann sollte man erst gar nicht weitermachen‘, konstatiert Schlueter Langdon.“

Schritt 3: Die richtigen Daten zum Verhindern von GIGO

„Erst danach werden die richtigen Daten identifiziert, vorbereitet und schließlich analysiert. Ein weiterer eherner Grundsatz beim Einstieg in KI lautet: Alle Informationen zur Beantwortung der Frage müssen in den Daten enthalten sein, sonst droht GIGO (Garbage In, Garbage Out). ‚Kein Roheisen ohne Eisenerz im Gestein: Auch bei Daten muss vorher sichergestellt werden, dass daraus überhaupt Rückschlüsse auf das Problem möglich sind‘, so der Data- Science-Experte.“

Ohne Datenqualität keine Deep Learning Ergebnisse

„‚Gerade bei Neural Networks hängt die Güte der Ergebnisse fast ausschließlich von der Qualität der Trainingsdaten ab‘, erklärt der Data Science Experte. So entscheidet beispielsweise in sogenannten Convolutional Neural Networks (CNNs) unmittelbar die Güte der Beschriftung (Labeling) über eine erfolgreiche Analyse von Bildern. ‚Die Beschreibung der Trainingsdaten muss für jedes Objekt sehr granular sein‘, stellt der Experte fest.“

Referenzen