Augmented Intelligence: von Automation und Intuition

Neue Einsichten aus unterschiedlichsten Datenquellen und -formaten zu gewinnen, ist einer der entscheidenden Treiber hin zur “Unternehmenssteuerung 4.0”. Wer dabei auf einen hohen Automatisierungsgrad bauen kann, etwa beim Sammeln, Laden und Erneuern von Daten, spart zusätzlich Zeit – und kann Entscheidungen, die auf Data Analytics basieren, noch zügiger umsetzen.

Schnell kommt da der Gedanke auf, ob nicht auch Entscheidungen selbst automatisiert werden können – und deren Umsetzung. Immerhin sind Technologien, die im weiten Feld der Künstlichen Intelligenz (KI) angesiedelt sind, entweder in den Startlöchern oder bereits erfolgreich im Einsatz. Erkennung und Verarbeitung natürlicher Sprache, neuronale Systeme und maschinelles Lernen: Hier nähern sich Technologien dem menschlichen Erkennen und Verstehen in gewisser Weise an – und doch wieder nicht.

Zwar bauen lernende Technologien deutlich schneller und vollständiger Inhalte auf als ihre menschlichen Kollegen (und neigen auch nicht dazu, sie wieder zu vergessen). Auch gelangen sie anhand von Kombinatorik und Algorithmen durchaus zu Sinn. Jedoch: natürliche Intuition, gewissenhaftes Abwägen im Zweifel oder das Einbeziehen plötzlich auftauchender, ungeplanter Entscheidungsfaktoren sind nach wie vor dem Menschen vorbehalten.

Mensch und Maschine treffen sich im assoziativen Vorgehen

Moderne Business Intelligence (BI) Software orientiert sich daher nicht zufällig an der Funktionsweise des menschlichen Gehirns – ohne sie imitieren zu wollen. Die große Gemeinsamkeit ist dabei die Assoziation. Kommen Menschen aufgrund ihrer Erfahrungen, Erlebnisse und Fantasien auf mögliche oder zumindest des Nachdenkens werte Zusammenhänge, ist dies rein technologisch nicht vollständig darstellbar.

Warum? Weil die Maschine nicht nachträglich die Persönlichkeitsbildung des abwägenden Menschen “nach-trainieren” kann. Was technologisch dagegen immer besser umsetzbar ist, ist die Orientierung am assoziativen menschlichen Vorgehen beim Erfassen von Zusammenhängen im Vergleich mit anderen verfügbaren Informationen. Dabei gilt: Je komplexer und umfänglicher die Datengrundlage, umso mehr bringt die Maschine ihre Stärken ein.

Intelligente Systeme verarbeiten in Sekunden millionenfach mehr als es Menschen je möglich wäre. Die assoziative Nähe zum Menschen zeigt sich darin, dass KI-gestützte Systeme auch “Erinnerungen” an vergleichbare Datenkonstellationen in der Vergangenheit beherrschen – und “Überlegungen”, wie sich Betrachtungsgegenstände daraufhin (und möglicherweise deswegen) entwickelt haben.

Smarte Technologien erkennen möglicherweise relevante Konstellationen und agieren als dynamische Filterhilfen: Letztlich können Millionen Entscheidungsbäume betrachtet werden, ohne sich auf vordefinierten Pfaden bewegen zu müssen. Menschen finden so nicht nur Orientierung im Data Lake – sie werden auch angeregt, intuitiv weiter zu forschen. Das spricht die menschliche Originalität und Ideenfindungsgabe an. Datenbereitstellung, -aufbereitung sowie Teile der Analyse und Visualisierung können automatisiert erfolgen: schneller und vollständiger denn je, teils sogar in Echtzeit.

Sympathie oder Misstrauen sind keine digitalen Lerninhalte

Ob Entscheidungen ausnahmslos so zu treffen sind, wie es der Vergangenheitsvergleich von Unternehmensdaten und das Einbeziehen externen Datenquellen (etwa Wetter-, Verkehrs- oder soziodemografische Daten) nahelegen, vermag bislang kein Algorithmus abzuschätzen. Wenn etwa Diplomatie, Sympathie oder besonderes unternehmerisches Geschick eine Entscheidung entgegen aller maschinellen Kombinatorik begründen, ist dies einem lernenden Algorithmus oder neuronalen System kaum vermittelbar.

Kurz: Sympathie oder Misstrauen eignen sich nicht als digitale Lerninhalte. Auch echte Innovation, die auf Geistesleistungen wie Fantasie und Vorstellungsvermögen beruht, ist nicht programmierbar.

Sicher: Maschinell erzeugte Schlussfolgerungen und datenbasierte Empfehlungen, die schnell, vollständig und mit wachsendem Datenvolumen immer noch präziser von intelligenten Systemen errechnet werden, bergen enormes Potenzial. Allerdings gelangen datenbasierte Einsichten aufgrund automatisierter Prozesse erst dann zu ihrem vollen Nutzen, wenn sie beim Anwender auf echtes Datenverständnis treffen und Ideen auslösen.

Folgende Fragen sind dabei durchaus erlaubt: Was ist die Genese der Daten? Welche neuen Entscheidungsparameter können sich zeigen, die in der Systematik der lernenden Maschine nicht hinterlegt sind? Weicht die Situation am Ort der Entscheidung entgegen aller Rechenleistung doch vom vorausgesetzten Szenario ab?

Letztlich muss zur Automation in der Datenanalyse eben doch die menschliche Intuition kommen. Artificial Intelligence verhilft so dem Anwender zur Augmented Intelligence, die das Bild technologischer Konklusionen um die menschliche Kognition erweitern.

Fazit

Auch wenn Chatbots, Computer-Vision-Systeme und sämtliche Formen lernender Technologien immer schneller und präziser arbeiten: Sie sind keine “Entscheidungs-Bots”. Sie helfen dabei, schnell, komfortabel und vollständig Entscheidungshilfen zu generieren, die gemäß ihrer antrainierten, linearen Logik erstellt sind. Doch zur nachhaltigen datengetriebenen Unternehmensentwicklung gehört noch mehr. Nämlich das (automatisierte) Nutzen von Daten in Wechselwirkung mit der menschlichen Kognition und Inspiration.

Es ist ein lohnendes Ziel, die intuitive menschliche Kombinations- und Entscheidungskompetenz um jene datenbasierten Einsichten zu weiten, die intelligente Maschinen zig-mal schneller und präziser offenbaren als es der menschlichen Ratio gelingt.