Vollautomatisierung, Arbeitsteilung oder intelligente Unterstützung?

3 Betriebsvarianten für KI - und wann welche geeignet ist.

15
Minuten Lesezeit
30.1.2021

Erfahren Sie, welche Betriebsvarianten Sie für KI-gestützte Anwendungsfälle nutzen können, und wie Sie hierdurch die Komplexität und Kosten für ein Projekt frühzeitig besser abschätzen können. Zu jeder Variante wird ein Praxisbeispiel genannt.

Wenn wir im Folgenden über KI schreiben, beziehen wir uns dabei auf das Themengebiet Supervised Learning.

Key Takeaways

  • Genau wie ein Mensch kann auch eine KI - so trainiert sie auch sein mag - fehlerhafte Prognosen erzeugen. Über die korrekte Wahl der Betriebsvariante lässt sich steuern, wie autonom eine KI arbeiten kann.
  • Bei einer Vollautomatisierung übernimmt die KI die (Teil-)Aufgabe gänzlich; für Prozesse, in denen Fehlprognosen immense Kosten verursachen, sollte diese Variante nur mit höchster Sorgfalt eingesetzt werden.
  • Eine Arbeitsteilung sieht vor, dass die KI bei unsicheren Prognosen (etwa bei einer Konfidenz der Prognose unter 90%) einen Menschen in den Prozess einbindet, welcher diesen dedizierten Fall bearbeitet (“Human-in-the-Loop”).
  • In der intelligenten Unterstützung arbeiten Mensch und Maschine grundlegend zusammen an jedem Fall. Die KI unterstützt etwa durch die Priorisierung der Fälle, oder auch durch eine “zweite Meinung” zu einem Fall.
  • Grundlegend steigt der Datenaufwand - und somit die Projektkomplexität - mit wachsender Autonomie des KI-Modells. Wo möglich sollte mit intelligenter Unterstützung oder Arbeitsteilung begonnen werden, um potenziell zur Vollautomatisierung zu gelangen.


Fehler sind menschlich; wie sieht das bei KI aus?

“Wie teuer wäre es, wenn eine KI im Prozess eine Fehlprognose macht? Wie viel Wert würde eine KI wiederum durch eine korrekte Prognose erzeugen?”

Diese Fragen spielen eine große Rolle bei der Planung und Umsetzung eines KI-Projekts. Mit KI soll oftmals die Interpretationsfähigkeit eines Menschen in einer dedizierten Aufgabe abgebildet werden; so lernten KI-Systeme etwa bereits, Hautkrebs auf Bildern zu erkennen, indem diese Systeme zuvor auf tausenden Trainingsbildern gelernt hatten. Die Ergebnisse waren beeindruckend.

Nichtsdestotrotz können (und werden) KI-Systeme - genau so wie auch hocherfahrene ExpertInnen wie z.B. DermatologInnen - Fehler in der Prognose machen. Fehler sind menschlich, und wenn KI-Systeme Menschen nachahmen sollen, ist diese Folgerung unausweichlich: KI-Systeme machen auch Fehler.

Der Grad, zu dem diese Fehler negative Auswirkungen haben, ist entscheidend für die benötigte minimale Prognosegüte einer KI, und dementsprechend auch für die Betriebsvariante. In einem folgenden Artikel werden wir genauer darauf eingehen, wie mittels ROI-Berechnung die “Break-even Genauigkeit” berechnet werden kann.

Vollautomatisierung

Wenn Fehler keine großen Kosten oder sonstige negativen Auswirkungen verursachen, oder nur sehr selten auftreten, kann eine erfolgreich trainierte KI eine Aufgabe vollständig übernehmen. Ein häufiger Benchmark ist hier die Human Performance: Ist die KI besser in der Aufgabe als etwa ein Mensch mit Fachexpertise?

Ein vielfach aufgebrachtes Beispiel für eine Vollautomatisierung ist Level 5 des autonomen Fahrens. Da hier Fehler (wie etwa ein Zusammenstoß mit einem anderen Auto oder Lebewesen) enorm hohe, nicht nur monetäre, Kosten verursachen können, dürfen Fehler nur im aller seltensten Fall auftreten. Dabei sieht man jedoch auch, dass ein Human Performance Benchmark nicht immer ausreicht: Selbst wenn ein KI-System hier besser performt, hätten viele FahrerInnen noch ein schlechtes Gefühl dabei, die Kontrolle vollständig an den Computer abzugeben.

KI-Projekte, in denen eine Vollautomatisierung das Ziel ist, gehören nahezu ausnahmslos zur höchsten Komplexitätsstufe. 

Arbeitsteilung

In leicht abgeschwächter Form gibt es auch die Arbeitsteilung. Diese Variante entspricht gewissermaßen dem Pareto-Prinzip: 20% des Aufwands führen zu 80% der Ergebnisse. Es wird akzeptiert, dass eine KI nicht jeden Fall selbstständig bearbeiten kann, sondern auch gelegentlich einen Menschen um Hilfe bitten muss. Praktisch sieht das so aus, dass jede Prognose einer KI mit einer Konfidenz bemessen wird. Wie sicher ist sich die KI bei einem konkreten Fall? 99% Konfidenz? 90% Konfidenz? Oder ist sich das Modell gänzlich unsicher und müsste raten?

Hierfür wird ein Konfidenz-Schwellwert eingerichtet, ab dem die KI den konkreten Fall an einen Menschen abgeben muss. Der Mensch muss somit nur noch in komplizierten Situationen eingreifen, und kann einen großen Teil der Arbeit an den Computer abgeben. Da in diesem System der Mensch fester Bestandteil ist, wird häufig vom “Human-in-the-Loop” gesprochen. Vorteil hierbei ist, dass im laufenden Prozess weitere Trainingsdaten für die KI entstehen: Fallbearbeitungen, die ein Mensch durchführt, kann die KI nutzen, um kontinuierlich zu lernen und dadurch auch später komplexere Sachverhalte korrekt einzuschätzen.

Anwendungsfälle für Arbeitsteilungen lassen sich in zahlreichen Domänen finden. Beispielhaft möchten wir die Bearbeitung von eingehenden Anfragen darstellen: Eine KI kann Anfragen etwa in Themengebiete einteilen, und ggfs. dadurch automatisiert Aktionen ableiten. Ist sich die KI unsicher bei einer Anfrage, erhält einer der menschlichen KollegInnen eine Nachricht, und bearbeitet die Anfrage selbst.

Schön am Beispiel der Arbeitsteilung ist, dass hier die erforderliche minimale und initiale Prognosegüte recht gering sein kann, da die KI auch im laufenden Betrieb noch lernt, und bei Unsicherheit ein Mensch informiert wird.

Intelligente Unterstützung

Ein Sonderfall der Arbeitsteilung existiert in Form der intelligenten Unterstützung. Hierbei bearbeitet der Mensch jeden konkreten Fall, die KI behält aber gewissermaßen einen Blick über die Schulter. Ist die KI etwa der Ansicht, der Mensch würde grundlegend falsch liegen, oder eine wichtige Information übersehen, erhält der Mensch einen Hinweis.

Hier eignet sich die KI zur Hautkrebs-Diagnose wiederum als Beispiel: Die Wahrscheinlichkeit, dass sowohl etwa eine Ärztin und eine KI im Zusammenspiel einen Tumor übersehen, ist - sofern beide in der Regel korrekte Diagnosen erstellen - verschwindend gering.

Jede dieser Varianten kann zu Beginn einer Inbetriebnahme im Shadow Mode laufen; hierbei werden die Prognosen des KI-Modells nur geloggt, jedoch noch nicht verwendet. Dies ist insbesondere dann hilfreich, um zu überprüfen, ob sich das Modell im laufenden Betrieb wie erwartet verhält.

Sie sehen, es gibt verschiedene Möglichkeiten KI im Betrieb einzusetzen. Je autonomer die KI, desto höher muss der Anteil korrekter Prognosen sein. Bei den Varianten der Arbeitsteilung als auch der intelligenten Unterstützung bieten sich prinzipiell Möglichkeiten, auch im laufenden Betrieb weitere Trainingsdaten für die KI zu sammeln. Sofern möglich, ist es daher oftmals sinnvoll, mit einer der Varianten einzusteigen.

Nächste Artikel

In den nächsten Wochen werden wir weitere Inhalte zu angewandter KI in unseren Blog Posts veröffentlichen, z.B:

  • Wie wird eine “Break-even Genauigkeit” berechnet?
  • Welche Use Cases gibt es in Domänen wie der Logistik, Medizin oder im Handel?
  • Was sind die wesentlichen Bestandteile eines KI-Systems?

Wenn Sie prinzipiell an KI interessiert sind und mit uns erarbeiten möchten, wie KI bei Ihren Herausforderungen weiterhelfen kann, kontaktieren Sie uns gerne!