Hybride Intelligenz

Vorteile von Hybrider Intelligenz

Vom wirtschaftlichen Standpunkt aus betrachtet, nutzen menschenzentrierte KI-Lösungen die menschliche Wissenschaft und qualitativ dichte Daten, um tieferer Bedürfnisse, Bestrebungen und Triebkräfte zu verstehen, die dem Kundenverhalten in Ihrem Markt zugrunde liegen. Erweiterte kontextbezogene Analysen kombinieren Daten und Humanwissenschaften, um spezifische Verhaltensinformationen zu liefern. Wenn Analysen auf menschliche Verhaltensweisen und Entscheidungen angewandt werden, zeigen sich Muster. Diese kontextbezogenen Analysen können verbesserte, personalisierte Kundenerlebnisse schaffen. Wenn Unternehmen genau wissen, was ihre Kunden tun und erwarten, können sie klare, fundierte Geschäftsstrategien entwickeln.

1. Informierte Entscheidungsfindung: Das Ziel menschenzentrierter KI besteht nicht darin, den Menschen zu ersetzen, sondern dessen Fähigkeiten durch eine intelligente, vom Menschen inspirierte Technologie zu erweitern. Wird die Präzision des maschinellen Lernens mit menschlichem Input und menschlichen Werten kombiniert, ermöglicht menschzentrierte KI Unternehmen (insbesondere den Menschen im Unternehmen), fundiertere Entscheidungen zu treffen und klarere Strategien und Lösungen für Herausforderungen zu entwickeln.
2. Zuverlässigkeit und Skalierbarkeit: Menschenzentrierte KI nutzt menschliche Fähigkeiten als menschliche Denker und ermöglicht die Skalierung von Ideen, um viel größere Datenanforderungen zu erfüllen. KI soll den Menschen helfen, aber ohne menschlichen Input und Verständnis kann sie nur begrenzt helfen. Mit einem auf den Menschen ausgerichteten KI-Ansatz wird ein Teil der Rechenarbeit auf die Schultern der Technologie verlagert, während der emotionale und kognitive Input des Menschen weiterhin genutzt wird. Auf diese Weise können Prozesse und Informationen in größerem Umfang genutzt werden, ohne die Datenintegrität zu beeinträchtigen oder die Ausgaben für Personal zu erhöhen.
3. Erfolgreichere Software und Produktentwicklung: Durch die Anwendung der Prinzipien der Verhaltenswissenschaft auf die Technologie mittels menschenzentrierter KI sind Entwickler und Produktdesigner in der Lage, das Verhalten und die unterbewussten Muster der Nutzer anzuzapfen, um Produkte und Dienstleistungen zu entwickeln, die zufriedenstellendere, informiertere, bereichernde und – im Falle von Unternehmen wie Instagram oder Spielen – süchtig machende Nutzererfahrungen bieten.

Während die KI-Anwendung zu Produktivitätssteigerungen beiträgt, ist es Aufgabe des Menschen, das Mensch-Maschine-System an volatile Marktbedingungen und flexible Produktionsprozesse anzupassen. Kriterien einer menschengerechten Gestaltung betreffen u. a. den Tätigkeitsinhalt und -umfang des Menschen und den Autonomiegrad der Maschine bei Entscheidungs- und Ausführungsprozessen. Dabei liegt die Entscheidungskompetenz bei ethisch relevanten Fragen grundsätzlich beim Menschen.

In erfolgreichen KI-Anwendungen gelingt es, produktions- und informationstechnisches Wissen systematisch zu verbinden, so dass sich die Effizienz von Prozessen, Maschinen und Anlagen steigern lässt. Erste betriebliche Erfahrungen zeigen, dass die Implementierung von KI-Anwendungen ein umfassendes Prozess- und KI-Wissen erfordert. Ein wichtiges Anliegen ist demnach, das über viele Jahre entstandene, domänenspezifische Erfahrungswissen der Mitarbeitenden mit KI-Funktionen zusammenzuführen. Darüber hinaus ist es wichtig, menschliche Leistungsfaktoren wie Akzeptanz, Praktikabilität und Lernförderlichkeit zu beachten. Bleiben diese Kriterien unberücksichtigt, so verringert sich das Rationalisierungspotenzial der KI-Anwendungen; dieses ist allerdings unabdingbar, wenn Unternehmen ihre Produktivität steigern wollen.

Wie hybride Intelligenz im Unternehmen implementiert wird

Den Menschen in den Kreislauf einbeziehen

Der Human-in-the-Loop-Ansatz geht Hand in Hand mit der menschenzentrierten KI. Das bedeutet, dass der Mensch während des gesamten Trainings-, Test- und Optimierungsprozesses der Erstellung eines ML-Modells beteiligt ist. So kann der Mensch beispielsweise die Trainingsdaten beschriften, die dem Modell dabei helfen, zu lernen, welche Merkmale es erkennen soll. Der Mensch kann auch die Genauigkeit der Vorhersagen des Modells überprüfen und dem Modell Feedback geben, wenn es einen Fehler macht. Mit anderen Worten: Der Mensch ist Teil einer kontinuierlichen Feedbackschleife mit dem Modell.

Inzwischen gibt es fortschrittlichere Tools, die die Zusammenarbeit zwischen Mensch und Maschine noch weiter verbessern. So können Algorithmen während des Annotationsprozesses eine erste beste Vermutung oder Hypothese für das gegebene Label liefern. Der Kommentator kann diese dann nutzen, um sein eigenes Urteil zu fällen. Die Algorithmen können auch die Beurteilungen der Kommentatoren vor der Übermittlung des Auftrags überprüfen. Diese Art von Tools ermöglicht es dem Annotator und dem Algorithmus, so zusammenzuarbeiten, dass die Genauigkeit und Effizienz der Arbeit maximiert wird.

Menschliche und algorithmische Vorurteile beachten

Das Bewusstsein für Vorurteile ist bei der KI-Entwicklung unglaublich wichtig, um sicherzustellen, dass Sie sich nicht zu sehr auf das menschliche oder maschinelle Urteilsvermögen verlassen. Denken Sie darüber nach, welche Vorurteile Ihr Team unbeabsichtigt in Ihren Algorithmus einbringen könnte, und planen Sie Schritte zur Schadensbegrenzung, um dies zu verhindern. Algorithmen können nützlich sein, um menschliche Schwachstellen zu kompensieren, aber stellen Sie sicher, dass Sie auch die Ausgabe des Modells konsequent auf Verzerrungen überwachen – Maschinen können manchmal menschliche Verzerrungen verstärken.

Vielfältige Teams bilden

Aufbauend auf dem vorherigen Punkt ist KI tendenziell weniger voreingenommen, wenn sie von unterschiedlichen Teams entwickelt wird. Homogenere Teams haben oft ähnliche blinde Flecken, Vorurteile und andere Lücken, die sich im Modell widerspiegeln könnten. Dies gilt nicht nur für Entwickler. Es ist von entscheidender Bedeutung, dass die Personen, die Sie für die Kommentierung Ihrer Daten auswählen, zumindest eine demografische und je nach Anwendungsfall auch eine geografische Vielfalt aufweisen. Dadurch wird der Prozess für eine größere Vielfalt an Meinungen geöffnet, was zu einer integrativeren KI führt.

An den Kunden denken

Der menschenzentrierte Ansatz beruht darauf, dass die menschliche Erfahrung im Mittelpunkt steht. Wenn Sie ein KI-Produkt entwickeln, soll das Endergebnis das Leben Ihrer Kunden verbessern und positiv beeinflussen. Sie möchten genau verstehen, wer Ihre Kunden sind (dazu gehören u. a. ihre demografischen Daten, ihr Hintergrund, ihre Bedürfnisse und ihr Standort) und wie sie Ihre Technologie nutzen werden. Die Einbeziehung einer Teilmenge Ihrer Endnutzer in die Test- und Validierungsprozesse der Modellerstellung kann eine gute Möglichkeit sein, ihr Feedback zu erfassen. Sie denken vielleicht, dass Ihr Produkt auf eine bestimmte Art und Weise verwendet wird, aber Sie müssen feststellen, dass die Endnutzer es ganz anders nutzen. Die einzige Möglichkeit, dies herauszufinden, ist, es direkt mit ihnen zu testen.

Autonomie mit Bedacht einsetzen

Es ist wichtig, darauf hinzuweisen, dass die Autonomie von Maschinen manchmal ihren Platz in der KI hat. Es gibt einige wenige Anwendungsfälle, in denen es ideal ist, wenn eine Maschine die volle Kontrolle über eine Entscheidung hat, insbesondere in Fällen, in denen es um die Sicherheit von Menschen geht. Ein Beispiel sind autonome Fahrzeuge. Menschliche Fahrer sind anfällig für Unfälle (jedes Jahr sterben weltweit über eine Million Menschen bei Autounfällen) und treffen am Steuer generell schlechte Entscheidungen. Völlig autonome Fahrzeuge versprechen effizientere und sicherere Entscheidungen anstelle des menschlichen Fahrers und könnten ein Anwendungsfall sein, bei dem die Autonomie in erster Linie begrüßt werden sollte. Bis dies Realität wird, könnte eine Mischung aus menschlicher und maschineller Intelligenz eine Möglichkeit sein, die Straßen für alle sicherer zu machen. Mit anderen Worten, maschinelle Autonomie kann in sensibleren Anwendungsfällen sinnvoll eingesetzt werden.

Beispiele für Hybride Intelligenz

Roboter-Autos: Selbstfahrende Autos sind ein gutes Beispiel, um den „Mensch-in-der-Schleife“ zu verstehen. Kluge Entwickler haben viele Jahre damit verbracht, Autos das autonome Fahren beizubringen. Und der technologische Stand ist heute sehr gut – aber nicht gut genug. Selbst 99 Prozent Sicherheit bedeuten immer noch, dass in 1 Prozent der Fälle Menschen sterben könnten. Der tödliche Unfall eines Tesla im Autopilot-Modus im Mai 2016 zeigte auf dramatische Weise, was das bedeuten könnte. Die meiste Zeit fährt der Autopilot allein. Aber das Auto besteht darauf, dass der Fahrer das Lenkrad festhält. Und immer dann, wenn das Sensorsystem Zweifel hegt, was gerade passiert, delegiert es die Kontrolle an den menschlichen Fahrer. Das Auto fährt tatsächlich die meiste Zeit selbständig. Aber es braucht Menschen als Retter in der Not. Und in besagtem Unfall versagte sowohl der Autopilot als auch der als Rückfallposition geplante Fahrer. Menschen sind eben schlechte Backups.

Gesichtserkennung: Facebooks Algorithmus für das Erkennen von Gesichtern funktioniert frappierend gut. Wenn ein Foto verfügbar ist, erkennt er mit 97,25 Prozent Genauigkeit die Personen auf dem Bild. Im Zweifel bittet er den Benutzer selbst, die vorgeschlagene Auswahl zu bestätigen. Ist das Vertrauen zu gering oder kann der Algorithmus das Gesicht nicht zuordnen, muss der Benutzer das Foto selbst verschlagworten. Durch diesen Dialog entsteht Information, die den Algorithmus trainiert, es künftig besser zu machen. Und je mehr Daten verfügbar werden, desto eher wird der Algorithmus die nächste Nuss knacken.

Schlaue Radiologen: Radiologen üben lange, bis sie den Schatten eines Lungenkarzinoms entdecken. Dennoch gelang das dem IBM Watson Oncology besser als jedem Spezialisten. Ein Vergleich von Mensch und Maschine zeigte: Der Algorithmus traf zu 90 Prozent die richtige Diagnose, Radiologen dagegen nur in der Hälfte aller Fälle. Also sind selbst bei maschineller Diagnose 10 Prozent der Aufnahmen unsichere Kandidaten. Und damit sind sie reif für das Abwägen durch den erfahrenen Experten. Eine andere Studie zur Diagnose von Brustkrebs zeigte, dass die Kombination von Arzt und Software die Qualität der Einzeldiagnosen übertrifft: Die Maschine entdeckte nur 92,5 Prozent der Karzinome, auch der Radiologe kam nur auf 96,6 Prozent. Beide zusammen steigerten die Trefferquote aber auf 99,5 Prozent.

Entscheidungsautomation: Wie lässt sich das Verhältnis von Mensch und Maschine systematisch beschreiben? Bereits in den 1950er Jahren beschäftigten sich Ingenieure und Wissenschaftler damit, wie zunehmende Automation das Verhältnis von Mensch und Maschine verändern würde. Deshalb stellte sich von Anfang an die Frage, wie man Automation operationalisieren könnte. Daraus entstand der Begriff von „Stufen der Automation“ („Level of Automation“), die man erklimmen müsse. Eine einzelne Stufe der Automation beschreibt, wie genau eine Aufgabe (manuell oder kognitiv) zwischen Mensch und Maschine aufgeteilt würde. In Produktionsprozessen beispielsweise definiert sich Automation als „the progressively transferring regulating and controlling functions from humans to technical systems“. Der Zweck von KI ist also die Automation des Geistes, die „Automation des Entscheidens“ lediglich eine konkrete Form, diesen Zweck zielgerichtet zu operationalisieren.