Egal, wie KI arbeitet – Hauptsache, das Ergebnis stimmt!
Die Blackbox KI lässt sich nicht immer aufschrauben. Wie der Algorithmus bei seiner Arbeit vorgeht, ist daher oft intransparent. Aber es lässt sich nachvollziehen, ob das Ergebnis stimmt. Intelligente Programme wie beispielsweise Text-Classifier haben anhand einer großen Anzahl an Trainingsdaten gelernt, ihre Entscheidungen zu treffen. Über die Berechnung statistischer Wahrscheinlichkeiten sind sie in der Lage, Vorschläge zu machen, was die eine oder andere Aussage im Text bedeuten könnte. Anwender sollten das aber so hinnehmen, wie es gemeint ist: Der Classifier macht Vorschläge, trifft aber keine endgültigen Entscheidungen.
Zum jetzigen Stand von KI ist es deshalb unerlässlich, dass Menschen die Vorschläge oder Empfehlungen von Algorithmen überprüfen und notfalls auch verifizieren, was im Sinne eines "Lifelong Learnings" auch der kontinuierlichen Verbesserung der Treffergenauigkeit des Algorithmus dient. Dazu ist es auch möglich, über die Zeit nutzerbasiertes Feedback zu den Vorschlägen des Text-Classifiers zu schulen und so die Texterkennungsmodelle kontinuierlich zu verbessern.
Von der Stange oder maßgeschneidert?
Alle großen Cloud-Anbieter wie Google, Microsoft, Amazon oder SAP bieten Tools zur Textklassifizierung an. Für standardisierte Aufgaben eignen sich die Werkzeuge von der Stange allemal, weil sie ohne lange und aufwändige Konfiguration oder gar Programmierung implementiert werden können. Aufgrund ihrer Herkunft aus dem angelsächsischen Sprachraum können sie ihre Stärken vor allem bei der Klassifizierung englischer Texte ausspielen.
Je spezieller aber die Anforderungen an das Textverständnis, an den Business Case oder an das (zum Beispiel deutsche) Sprachniveau sind, desto eher ist Anwendern allerdings zu eigenen, maßgeschneiderten Lösungen zu raten. Doch auch dafür werden von den genannten Herstellern Services, Plattformen und Tools angeboten: Cognitive Services von Microsoft etwa, TensorFlow von Google oder PyTorch von Facebook. Mit solchen Tools lassen sich dann praxisfertige KI-Services konfigurieren oder selbstständig implementieren – und, ganz wichtig, speziell auf den Business Case hin trainiert sowie anschließend in die IT-Infrastruktur des Unternehmens integriert.
Faktor Mensch in Zeiten der Digitalisierung
Wenn Maschinen oder, wie hier, Algorithmen die Tätigkeiten übernehmen, die bisher von Menschen ausgeführt wurden, stellt sich zwangsläufig auch die Frage nach den Folgen für die menschliche Arbeit. Algorithmen, Text-Classifier schaffen einen Teil der menschlichen Arbeit ab. Genau betrachtet, handelt es sich dabei allerdings sicher nicht um den beliebtesten Teil: Das Sortieren und Klassifizieren von Texten ist eine monotone Arbeit. Wichtig festzuhalten bleibt: Menschliche Arbeitskraft wird damit nicht überflüssig, sondern verlagert sich. Algorithmen entlasten Mitarbeiterinnen und Mitarbeiter von in diesem Fall stumpfsinniger Arbeit und schaffen Raum für anspruchsvollere Tätigkeiten.
Diesen Aspekt zu betonen und zu definieren, worin die anspruchsvollere Arbeit besteht, muss Teil eines jeden Automatisierungsprojekts via Text-Classifier sein. Das kann eine organische Veränderung sein, die zum Beispiel an der Kundenschnittstelle die menschliche Arbeitskraft für qualifizierte Beratungsleistungen aufwertet, oder auch eine Tätigkeit beim fortlaufenden Training von Algorithmen.
Vollständig autark jedenfalls werden auch gut trainierte Text-Classifier in naher Zukunft und auf Dauer nicht arbeiten. Und selbstverständlich können das auch völlig andere Aufgaben sein, die den Mitarbeitern nach entsprechender Fort- und Weiterbildung eröffnet werden. Am Ende ist der erfolgreiche Einsatz von Automatisierungen mit KI eben auch eine Frage eines sorgfältigen Change-Managements.