Maximierung der Vorteile von Daten und KI

Dayle Hall:  

Hallo und herzlich willkommen zu unserem neuesten Podcast für Automating the Enterprise. Ich bin Ihr Gastgeber, Dayle Hall, der CMO von SnapLogic. Dieser Podcast soll Unternehmen Einblicke und Best Practices vermitteln, wie sie ihr Unternehmen integrieren, automatisieren und transformieren können.

Unser heutiger Gast ist ein angesehener Daten- und Analyseführer. Tatsächlich wurde er 2021 als einer der fünf führenden Analytiker in Australien ausgezeichnet. Seine Mission und sein Engagement waren schon immer, die Zukunft Australiens durch die verantwortungsvolle Nutzung von Daten und Analysen zu gestalten. Bitte begrüßen Sie zum Podcast Dr. Alex Antic, den Geschäftsführer der Dr. Alex Antic Group. Alex, herzlich willkommen zum Podcast.

Alex Antic:

Vielen Dank, Dayle. Es ist mir eine große Freude, heute mit Ihnen zu sprechen.

Dayle Hall:

Ja, genau. Bevor wir anfangen, Alex, denke ich, dass es für unsere Leser interessant wäre, denn ich bin mir nicht sicher, ob die Leute genau wissen, was Sie da unten machen und was die Gruppe ist, also warum fangen wir nicht mit ein paar Hintergrundinformationen über Ihre Organisation an, was Sie tun, wo Sie arbeiten und wie Sie eigentlich zu diesem Schwerpunkt Ihrer Karriere gekommen sind.

Alex Antic:  

Sicher. Ich betreibe ein Beratungs- und Schulungsunternehmen, das sich auf Datenwissenschaft und KI konzentriert. Ich arbeite mit Organisationen des öffentlichen und privaten Sektors und auch mit der Wissenschaft zusammen. Es macht mir also großen Spaß, in allen Sektoren zu arbeiten, in denen ich in der Vergangenheit gearbeitet habe, und diese Erfahrungen zu nutzen, um Organisationen dabei zu helfen, den Einsatz von Daten und Analysen so auszurichten, dass sie strategische Ergebnisse erzielen und wirklich etwas bewirken und verändern können.

Die Beratungsarbeit kann von Projekt zu Projekt sehr unterschiedlich sein, und ich genieße die Variabilität der Kunden, mit denen ich zusammenarbeite. An einem Tag sitze ich in einem Beratungsgremium und spreche mit dem Vorstand, und am nächsten Tag arbeite ich vielleicht mit Leuten, die auf niedriger Ebene programmieren, und versuche, mir Erkenntnisse darüber zu entlocken, warum ein bestimmtes Projekt nicht in die Richtung geht, in die es gehen sollte, und zwar auf der Grundlage der verwendeten Technologie oder der Probleme, vor denen es steht.

Und bei den Akademikern - ich war früher selbst Akademiker - denke ich, dass der eigentliche Schlüssel für das langfristige Überleben der Akademiker die Integration mit der Industrie, dem öffentlichen und privaten Sektor insgesamt ist, um sicherzustellen, dass beide Seiten zusammenarbeiten können. Ich habe gesehen, dass dies manchmal scheitert. Ich habe gesehen, dass die unterschiedlichen Anreize auf beiden Seiten dies zu einer großen Herausforderung machen. Es macht mir also wirklich Freude, mit den Gruppen, mit denen ich zusammenarbeite, etwas zu bewirken, und ich genieße das sehr.

Dayle Hall:

Und hatten Sie - was Ihren Hintergrund, Ihr Studium und Ihre frühe Karriere angeht - schon immer ein Interesse an Daten und Analysen, oder haben Sie eine Gelegenheit gesehen? Offensichtlich gibt es hier einen sehr techniklastigen Hintergrund, wie haben Sie damit angefangen?

Alex Antic:

Das ist nun schon eine ganze Weile her. Und ich wünschte, ich könnte sagen, dass ich eine magische Einsicht hatte. Im Grunde genommen hatte ich von klein auf ein echtes Interesse an der Mathematik und ihrer Fähigkeit, der Welt durch logisches Denken mit Hilfe verschiedener quantitativer Techniken und Problemlösungen einen Sinn zu geben. Und gerade als Computer zum Mainstream und zur Norm in unserem täglichen Leben wurden, dachte ich, dass ein Studium der Mathematik und der Informatik an der Universität nicht nur von Vorteil wäre, sondern auch Spaß machen würde. Ich wusste nicht genau, wie vorteilhaft das sein würde, wenn man bedenkt, wo wir heute mit Data Science und AI stehen. Das war der eigentliche Grund für meinen Wechsel von Mathematik und Informatik zu reiner Mathematik und angewandter Mathematik und danach zu Datenwissenschaften.

Der letztendliche Übergang zu den Datenwissenschaften, wie wir sie heute kennen, fühlte sich völlig natürlich an, da er sich auf all die Schulungen stützte, die ich bereits in Mathematik, Statistik und Programmierung erhalten hatte. Im Laufe der Zeit habe ich dann die Leidenschaft entwickelt, dieses Wissen mit anderen zu teilen. Und es hat ihnen wirklich geholfen, mit ihren Daten und Analysen etwas zu bewirken, die den Menschen heutzutage so viel leichter zugänglich sind.

Dayle Hall:

Das stimmt. Nun, wie Sie habe auch ich das Gefühl, dass mein Einstieg in diese Branche schon sehr lange her ist. Aber wenn ich jetzt zurückblicke und daran denke, wie wir anfangen, über Big Data zu sprechen, und uns ansehen, was wir jetzt mit Predictive Analytics und der Cloud-Data-Warehousing-Branche usw. haben, dann ist es einfach erstaunlich, wie Daten zu einem so zentralen Bestandteil von so ziemlich allem geworden sind. Und was mich wirklich interessiert, ist, wie Sie bereits erwähnt haben, die Organisationen, in denen Sie arbeiten, also Bildung, öffentlicher Sektor, Privatsektor. Die Menschen haben ähnliche Denkprozesse, wenn es darum geht, wie man Datenanalysen einsetzt. Und natürlich sind die Herausforderungen unterschiedlich, das ist mir klar. Aber sehen sie sich das an und sagen: Okay, wir wollen mehr aus unseren Daten machen, aber wir wissen einfach nicht, wo wir anfangen sollen? Sind die Herausforderungen ähnlich? Oder sind die Herausforderungen in den drei verschiedenen Sektoren - Bildung, öffentlicher und privater Sektor - sehr unterschiedlich?

Alex Antic:

Gute Frage. Ich denke, kurz gesagt, es gibt viele Gemeinsamkeiten. Viele Menschen stehen vor denselben Herausforderungen: Wir sitzen auf diesem riesigen Datenberg und haben einige spezifische strategische Ziele, die wir anstreben. Wie kommen wir eigentlich von der Aufnahme und Speicherung dieser Daten zu ihrer Analyse und zu einem Ergebnis, das uns hilft, bessere Entscheidungen zu treffen? Manche Leute glauben, dass es die Entscheidungsfindung einfacher macht. Ich glaube nicht, dass das unbedingt der Fall ist. Ich denke, dass die Verwendung eines datengesteuerten Paradigmas wirklich hilft, bessere Entscheidungen zu treffen, vorausgesetzt, man hat alles auf die bestmögliche Weise getan.

Ich denke, es gibt viele gemeinsame Herausforderungen und eine Menge gemeinsamer Fallstricke und Fehler, die die Menschen auf ihrem Weg machen. Ja, wir können einige davon besprechen. Aber es geht wirklich darum, dass die Leute verstehen, wie ich meine Datenanalyse grundlegend auf die strategischen Ziele meines Unternehmens ausrichte. Ich glaube, wenn das nicht gelingt, haben die Leute Probleme, wenn sie sich davon abwenden. Sie lassen sich zu sehr vom Hype und der Technologie an sich leiten, anstatt sie als Mittel zum Zweck zu betrachten.

Dayle Hall:

Und wie viele der Organisationen, mit denen Sie zusammenarbeiten, arbeiten an verschiedenen Arten von Projekten? Kommen sie mit dem Gefühl zu Ihnen, dass sie mehr tun können? Oder haben sie bestimmte Anwendungsfälle oder Probleme, die sie zu lösen versuchen? Ich habe diese Frage gestellt, weil wir im Laufe dieses Podcasts eine Reihe von Leuten befragt haben, und ich höre am häufigsten, dass der Erfolg des Einsatzes von KI bei der Nutzung von Daten und beim Treffen besserer Entscheidungen in der Regel dann größer ist, wenn sie mit dem Gedanken beginnen, dass wir versuchen, diesen Anwendungsfall oder dieses Geschäftsproblem oder diese Herausforderung zu lösen. Stimmt das also mit dem überein, was Sie hören? Und raten Sie Unternehmen, sich darüber im Vorfeld Gedanken zu machen?

Alex Antic:  

Der Erfolg in diesem Bereich hängt zu 100 % davon ab, dass man versteht, was das Geschäftsproblem ist, und dann feststellt, ob Daten und/oder Analysen Teil der Lösung sind, oder ob die Politik und die Menschen etwas ganz anderes sind. Oft wird alles miteinander vermischt, so dass ich manchmal das Gefühl habe, dass ich mich mit Datenpolitik statt mit Datenwissenschaft beschäftige. Also ja, ich stimme dieser Aussage voll und ganz zu.

Wenn jemand zu mir kommt, ein Kunde zu mir kommt und sagt: "Hier sind meine Daten, was können Sie mir dazu sagen? Dann wende ich mich an ihn und sage: "Wir müssen darüber reden, und zwar eher aufklärend, damit Sie verstehen, was Datenwissenschaft und KI sind und was nicht. Und lassen Sie uns über Ihre Geschäftsprobleme sprechen. Sprechen Sie mit mir nicht über Lösungen und Daten. Ich möchte nur hören, was Ihre Probleme sind, und dann können wir uns der Frage widmen, ob die Daten und die Technologie, die Ihnen zur Verfügung stehen, tatsächlich dabei helfen, oder ob wir überdenken müssen, was Sie tun, denn ich bin sehr unabhängig von der Technologie, die ich verwende. Es geht darum, maßgeschneiderte Lösungen für den Kunden zu entwickeln, je nachdem, worauf er Zugriff hat oder was er möglicherweise kaufen möchte, und dann mit anderen Organisationen zusammenzuarbeiten, um den bestmöglichen Nutzen zu erzielen. Das alles wird von geschäftlichen Problemen angetrieben. Man sollte Daten und Technologie nie getrennt oder für sich allein betrachten. Man kann sie nicht isoliert betrachten.

Dayle Hall:

Ist irgendeiner der Sektoren, über die Sie sprechen, weiter als andere? Man könnte meinen, dass vielleicht die Technologieunternehmen oder die Leute, die Sie dort beraten, weiter sind, weil sie es eher gewohnt sind, mit neuer Software umzugehen und andere Prozesse einzuführen. Finden Sie aber auch, dass die Regierung im Bildungsbereich weiter ist, weil sie möglicherweise mehr Mittel dafür aufwenden kann oder will? Sind einige von ihnen den anderen voraus, was die Nutzung dieser Art von Daten und Analysen angeht?

Alex Antic:

Ja und nein, es kommt darauf an, was Sie mit "voraus" meinen. Wenn sie Daten und Analysen nutzen, um ihre spezifischen Probleme zu lösen, dann denke ich, dass sie ganz vorne mit dabei sind. Jeder steht vor anderen Herausforderungen und wird von anderen Anreizen angetrieben. Für die Regierung geht es also sehr stark um das soziale Wohl. Und sie müssen sich an strenge Rahmenbedingungen und politische Vorgaben halten, was die Dinge ein wenig langsamer und schwieriger machen kann. Aber das ist verständlich, denn als Bürger der Regierung haben wir hohe Erwartungen an die Daten, die wir weitergeben, und daran, wie die Daten verwendet werden. Es gibt strenge Vorschriften und Gesetze, die das regeln. Und selbst einfache Dinge, relativ einfache Dinge wie der Austausch von Informationen zwischen verschiedenen Behörden und Abteilungen, um Ihnen Dienstleistungen und einen Mehrwert zu bieten, können sehr schwierig sein.

Der private Sektor, wenn man an den Big Bang denkt, die großen Tech-Unternehmen, Facebook, Apple usw., sind aus technischer Sicht wahrscheinlich allen anderen voraus, da sie Zugang zu riesigen Datenmengen haben. Sie können also Dinge wie Deep Learning wirklich in großem Maßstab durchführen, während für viele Unternehmen Deep Learning nicht wirklich im Vordergrund steht. Sie verfügen nicht über genügend Daten oder haben manchmal nicht den Bedarf. Es sind wirklich die einfachen Lösungen, die einen großen Nutzen bringen können. Es geht wirklich darum, Prozesse zu automatisieren und zu verbessern, die Effizienz zu steigern. Ich glaube, dass viele Unternehmen im Moment wirklich versuchen, das richtig hinzubekommen, die richtigen Grundlagen zu schaffen, Rechte für die Datenverwaltung zu bekommen und die richtigen Leute in den richtigen Rollen zu haben. Dabei helfe ich ihnen viel mehr als bei der Entwicklung einer groß angelegten, rein technischen Lösung, was ich sehr gerne tue, aber ich glaube, bei vielen Kunden, mit denen ich zusammenarbeite, gibt es weniger Bedarf dafür als dafür, die richtigen Grundlagen zu schaffen und ihnen dabei zu helfen, zu verstehen, wie man in diesem Bereich wirklich erfolgreich sein kann.

Dayle Hall:

Genau. Lassen Sie uns nun ein wenig über die Organisationen sprechen, mit denen Sie zu tun haben, und darüber, wie Sie sie möglicherweise beraten. Wie sieht also ein erfolgreiches, nachhaltiges Data-Science-Programm oder -Projekt innerhalb einer Organisation aus? Und wie beraten Sie diese, ich sage mal, Einrichtungen, denn es gibt ja Unternehmen, Hochschulen oder Regierungen, was raten Sie ihnen für den Anfang? Wie sehen ihre Organisationen aus?

Alex Antic:

Ja, das ist ein guter Punkt. Ich denke, eines der ersten Dinge, die sie verstehen sollten, ist, was Datenwissenschaft eigentlich ist. Ich glaube, dass es da draußen viele Fehlinformationen und Missverständnisse gibt. Meiner Erfahrung nach verfügen viele dieser leitenden Angestellten nicht unbedingt über die Datenkompetenz, die ich mir bei vielen C-Suite-Datenverantwortlichen wünschen würde. Ich denke, das ist ein Bereich, der sich noch entwickeln wird.

Anfangs habe ich versucht, den Gedanken zu vermitteln, dass Datenwissenschaft die Wissenschaft des Wandels ist. Und da gibt es zwei Schlüsselelemente. Da ist zum einen der wissenschaftliche Teil, also der Begriff der Erforschung und der Unsicherheit. Und dann ist da noch der Wandel, bei dem es wirklich um Veränderungen in einer Organisation geht. Das kann für viele Unternehmen sehr schwierig sein, weil sie sich auf die Tatsache konzentrieren, dass es nur um Technologie geht. Wir kaufen einfach irgendeine Software, stellen ein paar Datenwissenschaftler ein und plötzlich geschieht das Wunder.

Schnell wird ihnen klar, dass das gar nicht so einfach ist, vor allem dann nicht, wenn Sie ein langfristiges Projekt zur Umstrukturierung Ihrer Organisation durchführen, bei dem Sie wirklich datengesteuert vorgehen müssen. Um also sicherzustellen, dass Ihre Entscheidungsfindung durch evidenzbasierte Daten und Analysen unterstützt wird, müssen Sie sich wirklich zu einer langfristigen, strategischen Initiative rund um den Wandel verpflichten. Und das ist eine weitere Sache, die viele nicht verstehen, nämlich dass es nicht unbedingt eine schnelle Sache ist, keine schnelle Lösung, sondern eine langfristige Investition.

Eines der Hindernisse - oder besser gesagt zwei Hindernisse, die ich als die zwei Rs bezeichne - für Unternehmen, die sich schwer tun, ist die Risikoaversion. Sie haben in vielerlei Hinsicht so viel Angst davor, neue Dinge auszuprobieren und mit Ungewissheit umzugehen, dass sie nicht wirklich in Innovation im eigentlichen Sinne investieren. Und das andere, das andere R, ist der Widerstand gegen Veränderungen. Sie sind so sehr in ihren alten Gewohnheiten verhaftet, dass auch hier die Angst sie zurückhält. Sie wissen nicht wirklich, wie sie darüber hinausgehen, wie sie die Wahrnehmung der Datennutzung verändern und die richtige Kultur in ihren Organisationen schaffen können.

Wenn ich also versuche, sie zu beraten, konzentriere ich mich auf die drei "T", wie ich sie nenne. Es geht um Vertrauen, Technologie und Gespräche. Beim Vertrauen geht es also wirklich um Menschen und Kultur. In erster Linie geht es um die richtige Führung, z. B. auf der Ebene des Chief Data Officer oder etwas Ähnlichem. Ich denke, in den meisten Organisationen, mit denen ich zusammengearbeitet habe und in denen ich erlebt habe, dass die Dinge wirklich gut laufen oder wirklich schwierig sind, lag es an der Unterstützung oder dem Mangel an Unterstützung durch die oberste Führung, und das kann ein echter Deal Breaker sein. Ich glaube wirklich, dass es von oben nach unten geht. Wenn man die Dinge von unten nach oben vorantreibt, hat man einen langen Weg vor sich. Ich habe das schon so oft scheitern sehen, und ich habe es in der Vergangenheit selbst erlebt. Daher ist die Unterstützung durch die Führungsebene meiner Meinung nach absolut entscheidend für den Erfolg im Allgemeinen. Und dazu gehört auch die richtige Unternehmenskultur, auf die wir später noch näher eingehen können.

Und das hängt auch davon ab, dass sie über die richtige Datenkompetenz verfügen, dass sie verstehen, was Daten sind, dass sie wissen, wie sie ihren Mitarbeitern Fragen stellen können, dass sie zumindest auf konzeptioneller Ebene verstehen, wie man die vorhandene Technologie nutzen kann, um die strategischen Ziele zu erreichen. Und was den menschlichen Aspekt betrifft, so geht es in erster Linie um interdisziplinäre Teams und nicht nur um das traditionelle Team von Technikfreaks, die in einer Ecke sitzen und ihr eigenes Ding machen. Sie müssen wirklich in das gesamte Unternehmen integriert werden und sich bewusst sein, wie und was sie tun, um den strategischen Erfolg zu fördern.

Dayle Hall:

Das ist sehr interessant. Und mir gefällt das Konzept, dass es von jemandem kommen muss, der höher in der Organisation angesiedelt ist, der sich hinter die Dinge wie den Widerstand gegen Veränderungen stellt und die Risikoscheu überwindet, die man meiner Meinung nach generell bei jeder Art von Veränderung braucht. Wir haben darüber gesprochen. Wenn wir versuchen, Geschäfte abzuschließen, geht es darum, wer der Champion in Ihrer Organisation ist. Das ist sehr ähnlich.

Gibt es dabei auch eine kulturelle Herausforderung? Natürlich glaube ich fest daran, dass die Kultur eines Unternehmens von den Führungskräften ausgeht. Und das dringt nach unten durch, und die Leute nehmen das auf und tragen es weiter. Aber wie sehr - nicht nur die Führungskraft, sondern auch der kulturelle Aspekt der Organisation - ist ein treibender Faktor für, sagen wir, zukünftigen Erfolg. Selbst wenn Sie jemanden beraten haben, muss es etwas länger dauern, und es ist keine schnelle Lösung, Sie werden nicht sofort großartige Ergebnisse erzielen, aber wie spielt die Kultur dabei eine Rolle?

Alex Antic:  

Ich greife das oft zitierte Zitat von Peter Drucker auf, dass die Kultur die Strategie zum Frühstück isst. Ich denke, das trifft zu 100 % auf den Bereich der Daten und der Analytik zu.

Dayle Hall:

Mein CEO benutzt das wahrscheinlich einmal im Monat. Er wird diese Folge des Podcasts also lieben.

Alex Antic:

Das ist gut zu hören, denn ich habe zu oft erlebt, dass sich Unternehmen auf ihre Strategie konzentriert haben. Eine Strategie ist absolut vorrangig, insbesondere eine Datenstrategie. Und ich frage sie immer, ob sie eine Strategie haben, die ihre Geschäftsstrategie unterstützt, um eine symbiotische Beziehung zu haben und wirklich miteinander verflochten zu sein. Ich spreche gar nicht oft genug über Kultur. Das kommt sehr selten zur Sprache. Manchmal kommt jemand zu mir und sagt: Wir wissen, dass wir eine schlechte Datenkultur haben, können Sie uns helfen, das zu ändern? Und das ist ein großartiges Gespräch, das man führen kann. Sie haben erkannt, wo es einen großen Engpass und eine große Chance gibt, etwas zu ändern.

Aufgrund meiner Erfahrungen als Angestellter und als Berater bin ich der festen Überzeugung, dass die Kultur über den Erfolg in diesem Bereich entscheiden kann, und zwar nicht nur, wenn es darum geht, wie man investiert und versucht, mit Hilfe von Datenwissenschaft und -analyse strategische Ergebnisse zu erzielen, sondern auch, wenn es darum geht, die richtigen Mitarbeiter zu gewinnen und zu halten, was, wie ich bei vielen Organisationen in jedem Sektor durch COVID und nach COVID feststelle, in vielerlei Hinsicht schwierig wird. Und ich denke, dass die Kultur wirklich das ist, was Ihre Mitarbeiter hinter dem stehen lässt, was Sie zu tun versuchen und wie Sie versuchen, Ihren Kunden, Ihren Klienten, den Bürgern, was auch immer der Fall ist, einen Mehrwert zu bieten.

Es lohnt sich auf jeden Fall, in die richtige Kultur zu investieren, in deren Mittelpunkt Daten stehen und die den Mitarbeitern dabei hilft, zu verstehen, wie sie Daten nutzen können, um ihre Arbeit einfacher zu machen, mehr Spaß zu haben und letztendlich mehr Nutzen für das Unternehmen, die Organisationseinheit zu erzielen. Und ich denke, dass diese beiden Punkte des Scheiterns, die Risikoaversion und der Widerstand gegen Veränderungen, die Organisation wirklich zurückwerfen können, weil sie nicht erkennen, wie wichtig dieses kulturelle Element ist. Aber wie Sie sich vorstellen können, ist es eines der am schwierigsten zu verändernden Elemente. Es ist eine große Herausforderung.

Dayle Hall:

Ja, das kann ich mir vorstellen. Und wie ich schon sagte, ich denke, es ist - ich bin sicher, Sie sehen beide Seiten, ich bin sicher, Sie sehen eine sehr starke Kultur, die dahinter stehen kann. Und ich bin mir sicher, dass Sie auch die andere Seite sehen: "Oh, das könnte ein Problem werden. Wenn Sie eine Organisation sehen, bei der Sie das Gefühl haben, dass es Widerstand gegen Veränderungen geben wird oder dass die Kultur vielleicht noch nicht bereit dafür ist, was raten Sie ihnen dann im Allgemeinen? Was könnten sie Ihrer Meinung nach tun, um sich darauf vorzubereiten oder ein wenig offener zu sein?

Alex Antic:

Ja. Speziell in Bezug auf die Datenkultur?

Dayle Hall:

Ja, ja.

Alex Antic:  

Ich denke, zunächst einmal geht es, wie wir bereits erwähnt haben, darum, dass die oberste Führungsebene das Konzept einer datengesteuerten Kultur wirklich unterstützt und verkörpert. Man muss also entweder diese Unterstützung haben oder versuchen, die Einstellung zu ändern, was eine Herausforderung sein kann. Wenn es also Widerstände gibt, geht es oft darum, sie in Datenkompetenz zu schulen und ihnen dabei zu helfen, zu verstehen, was Daten, Analytik und KI wirklich bedeuten, was sie in ihrem spezifischen Bereich tun, was einige ihrer Kollegen tun und welche Risiken sie eingehen, wenn sie nicht wirklich in sie investieren.

Die Frage, die ich mir oft stelle, lautet: Wie sehen die besten Praktiken in diesem Bereich aus, was machen meine Konkurrenten, Kollegen, Mitarbeiter, und wie kann ich das in einer Weise umsetzen, die wirklich zu meinem Unternehmen passt, anstatt einfach jemanden zu kopieren und blind zu investieren? Ich denke, solche Fragen bedeuten für mich, dass sie sich darüber Gedanken gemacht haben. Und sie stellen wirklich intelligente Fragen in Bezug auf die Frage: "Wir wollen etwas verändern, wie können wir das tun?

Darüber hinaus versuche ich, mit ihnen eine Kultur zu diskutieren, die im Wesentlichen auf den Begriffen Innovation und Experimentieren, dem wissenschaftlichen Teil, über den wir vorhin gesprochen haben, aufbaut. Ich gebe den Mitarbeitern die Freiheit, die Werkzeuge und den Zugang zu den Menschen, die sie brauchen, um neue potenzielle Lösungen zu erforschen, an die ich nie gedacht hätte, indem ich ihre Geschäftsziele mit neuen und aktuellen Technologien, die es möglicherweise gibt, verbinde. Sie könnten also mit natürlicher Sprachverarbeitung auf eine Weise arbeiten, an die sie nie gedacht haben. Vielleicht haben sie erkannt, dass sie all diese handschriftlichen Notizen oder Textinformationen haben, die sie nie wirklich erforscht haben, weil Menschen das nicht wirklich können. Sie können nicht so skalieren, dass sie alles in einer vertretbaren Zeit durchgehen können.

Wir setzen Computer Vision ein, um einige andere Probleme zu lösen, an die ich noch nie gedacht habe. Letztendlich läuft es auf das hinaus, was wir bei der Gründung von Unternehmen immer wieder gehört haben: schnell scheitern, billig scheitern, aber auch ausprobieren und dabei jede Menge lernen. Ich glaube, da ist viel Wahres dran. Es geht darum, den Mitarbeitern die Möglichkeit zu geben, Dinge auszuprobieren. Und wenn es nicht funktioniert, ist das auch in Ordnung, aber man sollte das nicht gleich als Scheitern bezeichnen. Dann werden die Leute etwas innovationsresistenter, sie halten sich zurück, stellen nicht so viele Fragen, und das ist schlecht. Sie müssen den Status quo in Frage stellen und sich fragen, warum nicht schon früher etwas getan wurde.

Dann kommt es auf die Zusammenarbeit an. Die Menschen müssen zusammenarbeiten. Wie ich bereits sagte, sollten Datenwissenschaftler und IT-Mitarbeiter nicht vom Unternehmen isoliert sein. Sie müssen sehr stark in die Geschäftsabläufe integriert sein. Sie müssen also in der Lage sein, starke Arbeitsbeziehungen zwischen verschiedenen Gruppen zu fördern. Ich glaube, dass Zusammenarbeit und Vielfalt in diesem Bereich so wichtig sind, vor allem wenn wir später über verantwortungsvolle und ethische KI sprechen, dass die Menschen noch nicht wirklich erkannt haben, wie wichtig Vielfalt und Einbeziehung im umfassenden Sinne sind.

Und dann ist da noch der Gedanke des Datenaustauschs, aber auch des Informationsaustauschs darüber, was gescheitert ist, was funktioniert hat und was man daraus gelernt hat. Sie wollen, dass diese Informationen nicht nur von einem Kernteam geteilt werden. Ich denke, das sind die Kernpunkte, um die richtige Kultur zu schaffen.

Dayle Hall:

Ja, das stimmt. Sie haben etwas Interessantes über Zusammenarbeit gesagt. Und ich möchte nicht näher auf die Pandemie und die Auswirkungen auf das Leben aller eingehen. Ich glaube, jeder ist es leid, über die Auswirkungen auf unser aller Leben zu sprechen. Es war einschneidend, und ich denke, dass wir immer noch damit zu kämpfen haben. Ich denke, das Leben hat sich sehr verändert. Aber wenn Sie über diese Art von Projekten sprechen und sicherstellen wollen, dass die IT-Abteilung und das Data-Science-Team mit dem Rest der Organisation, den Geschäftsbereichen, dem E-Team und so weiter, dem Führungsteam zusammenarbeiten, wie haben Sie dann gesehen, dass diese Arbeit während der Pandemie fortgeschritten ist oder sich entwickelt hat? Und gibt es eine Chance für uns - hat das die Dinge für uns erschwert oder hat es neue Möglichkeiten eröffnet? Denn ich denke, dass Zusammenarbeit für mich der Schlüssel ist. Und ich glaube, dass die Zusammenarbeit schwieriger ist, wenn man nicht mit jemandem im Büro zusammensitzt. Was haben Sie in und um Ihr Unternehmen herum gesehen?

Alex Antic:

Ich habe beide Seiten gesehen. Ich habe erlebt, wie manche Leute damit zu kämpfen haben, dass sie nicht so viel Zeit für persönliche Gespräche haben. Ich glaube, es gibt immer noch diese vorherrschende Erwartung der Führungskräfte, dass, wenn sie einen nicht arbeiten sehen können, sie Zweifel daran haben, wie hart man als Mitarbeiter arbeitet. Aber ich denke, dass die Ergebnisse in den meisten Organisationen für sich selbst sprechen. Und viele, mit denen ich zusammengearbeitet habe, haben erkannt, dass es so viele Tools und Möglichkeiten gibt, virtuell und online zusammenzuarbeiten, dass dies kein Hindernis sein sollte, dass es nicht über Erfolg oder Misserfolg des Unternehmens entscheiden sollte. Es geht wirklich darum, wie man seine Mitarbeiter unterstützt und ihnen Vertrauen einflößt, damit sie ihre Arbeit machen können, aber auch die nötige Unterstützungsstruktur erhalten. Und das kann von Person zu Person unterschiedlich sein. Introvertierte und extrovertierte Menschen haben ein anderes Paradigma, was ihre Arbeitsweise und ihre Arbeitsmethoden angeht.

Es geht also wirklich darum, die unterschiedlichen Bedürfnisse des Einzelnen zu unterstützen und jeder Gruppe, wenn wir sie in zwei getrennte Gruppen aufteilen wollen, das Gefühl zu geben, dass sie geschätzt wird und dass ihre Bedürfnisse erfüllt werden. Und ich denke, dass man heutzutage über virtuelle Plattformen so viel tun kann, um dies zu fördern. Das ist jetzt weniger ein Thema. Ich glaube, dass viele Organisationen nach dem COVID auf diese Teilzeitbasis umsteigen. Und das ist vielleicht die endgültige Art und Weise, wie wir arbeiten. Aber ich denke, es geht darum, beiden Gruppen dabei zu helfen, so zu arbeiten, wie es für sie am besten ist. Das ist wirklich der Kern der Sache. Und das kann von Organisation zu Organisation unterschiedlich sein. Ich glaube nicht, dass es viel komplizierter ist, wenn man sich darauf einstellt, was die Mitarbeiter brauchen, um ihr Bestes zu geben, und wenn man das unterstützt.

Dayle Hall:

Ja. Und haben Sie bei der Vielzahl von Organisationen, mit denen Sie arbeiten, gesehen, dass die Möglichkeit, Daten und Analysen zu nutzen, den Menschen geholfen hat, produktiver zu sein? Hat es dazu beigetragen, dass die Mitarbeiter erfolgreicher oder sogar zufriedener sind, weil sie Zugang zu Daten haben und so erfolgreicher sein können? Weil ich mit... Ich habe das Gefühl, dass ich ständig neue Mitarbeiter anwerben muss. Da es so viele Möglichkeiten gibt, denke ich, dass der Kampf um die Talente während der COVID stärker geworden ist, da es so aussah, als ob die Leute nicht umziehen wollten. Ich glaube, die Leute wollen umziehen. Ich frage mich nur, ob die Möglichkeit, diese Art von Daten zu nutzen, um den Menschen zu helfen, erfolgreicher zu sein, dazu beiträgt, die Menschen zu halten? Werden die Leute zu anderen Stellen wechseln, weil sie bessere Daten und KI-Modelle haben, weil sie wissen, dass sie erfolgreicher sein können?

Alex Antic:

Das ist eine fantastische Frage, Dayle. Ich denke, dass es zunächst einmal wichtig ist, alle Mitarbeiter, auch diejenigen, die nicht jeden Tag direkt mit Daten und Analysen zu tun haben, für die Daten zu begeistern, über die Sie als Organisation, als Unternehmen verfügen, und dafür, wie sie genutzt werden können, um die Wirkung und den Wandel für Sie zu fördern. Ich denke, das ist wirklich der Kern, damit die Leute verstehen, was Daten und Analysen tun können, was sie tun können und wie sie eine Rolle spielen können, entweder eine große oder eine kleine Rolle, je nachdem, was ihre spezifische Rolle und Verantwortung ist.

Dazu gehört auch, ihnen die Freiheit und die Verantwortung zu geben, Daten in verwertbare Erkenntnisse umzuwandeln, und ihnen zu zeigen, dass das, was sie tun, in die umfassenderen strategischen Ergebnisse integriert ist. Das ist meiner Meinung nach absolut entscheidend. Und ein Teil davon ist die Demokratisierung von Daten in Ihrem Unternehmen, die Bereitstellung von Daten für alle, die sie benötigen, und die Unterstützung bei der Überlegung, wie sie Daten besser nutzen können, um ihre eigenen Aufgaben und das Unternehmen direkter zu unterstützen.

Und Sie haben Recht, es ist sehr schwierig, wichtige Mitarbeiter zu gewinnen und zu halten, vor allem im technischen Bereich. Ich glaube, es wird immer schwieriger. Es herrscht ein Krieg um Talente. Und wenn man bedenkt, wie sehr manche Unternehmen mit der richtigen Unternehmenskultur zu kämpfen haben, über die wir vorhin gesprochen haben, und mit verschiedenen anderen Elementen, kann es anfangs schwierig sein, die richtigen Leute zu gewinnen. Aber wenn man sie einmal gewonnen hat, wie kann man sie dann langfristig halten, was auch immer heutzutage langfristig ist. Ich weiß es nicht. Als ich meine Karriere begann, waren es Jahre. Jetzt wird es in Monaten gemessen. Ich bin mir nicht mehr sicher.

Dayle Hall:

Sicher. Dem stimme ich zu.

Alex Antic:

Sie verstehen das. Ich denke, ein Teil davon ist, dass der Senior Data Leader, nicht unbedingt der CTO, sagen wir, eine Art Mid-Level-Data-Leader, der meiner Meinung nach tatsächlich der Dreh- und Angelpunkt vieler dieser Organisationen ist, der Dreh- und Angelpunkt ist, weil er es ist, der die Geschäftsprobleme in technische Lösungen umsetzt. Letztendlich versuchen sie, beide Seiten, die geschäftliche und die technische Welt, miteinander zu verbinden. Ich denke, das ist eine der Rollen, die am schwierigsten zu besetzen sind. Aber wenn man das richtig macht, können diese Leute wirklich einen großen Unterschied machen.

Datenverantwortliche müssen also in der Lage sein, Top-Talente anzuziehen, und sie müssen in der Lage sein, Leute zu überprüfen. Manche Kunden fragen: "Wir brauchen Datenwissenschaftler und leitende Angestellte im Bereich Daten und Analysen, aber wir haben selbst keinen Hintergrund. Wir haben nie mit ihnen gearbeitet und sie eingestellt. Woher sollen wir wissen, nach wem wir suchen sollen? Viele Leute klingen auf dem Papier gut, aber wie wir wissen, reden sich manche Leute ein bisschen zu viel ein. Wie können wir also testen, wie gut sie wirklich sind? Jemanden zu haben, der in der Lage ist, sein Fachwissen dort einzubringen, wo man es braucht, ist meiner Meinung nach absolut unerlässlich. Und es macht mir immer wieder Spaß, mit Kunden zusammenzuarbeiten, wenn sie feststellen, dass sie nicht über die entsprechenden Fähigkeiten verfügen und wir deshalb Hilfe brauchen. Ich denke, das ist wirklich wichtig, denn wenn sie das nicht richtig hinbekommen, kann das auf beiden Seiten zu Tränen führen.

Dieser leitende Datenverantwortliche muss meiner Meinung nach wirklich selbst eine technische Glaubwürdigkeit haben. Wenn die Mitarbeiter diese Person googeln, haben sie eine gewisse Präsenz, haben sie einen, ich schätze mal, ausreichenden technischen Hintergrund, so dass sie selbst denken, ich möchte mit dieser Person zusammenarbeiten, ich denke, ich kann von ihr lernen, sie versteht meine Welt und was ich tue, sie hat praktische Erfahrungen gesammelt, Sie können mir helfen, sie können auch helfen, auf einer tieferen technischen Ebene zu prüfen, was ihre Mitarbeiter tun, sie können ihnen Karriereberatung geben, sie können sie technisch unterstützen und ihnen helfen, das, was sie tun, mit der allgemeinen Strategie der Organisation in Einklang zu bringen, damit sich die Mitarbeiter wertgeschätzt fühlen.

Eine wirklich wichtige Aufgabe, die von sehr erfahrenen Führungskräften oder Leuten, die nicht aus diesem Bereich kommen, oft übersehen wird, ist die Suche nach den richtigen Problemen, die es zu lösen gilt. Sie finden die richtigen Probleme, die es zu lösen gilt, und zwar nicht irgendein Problem, sondern Probleme, die einen Wert haben, die ein strategisches Ergebnis haben und die sie quantifizieren und zeigen können: Schauen Sie, Sie haben in diese Fähigkeit investiert, und so haben wir mit Ihnen einen Wert entwickelt.

Und dazu gehört auch die Fähigkeit, eng mit Unternehmensleitern und Führungskräften zusammenzuarbeiten. Sie müssen in der Lage sein, die Welt der Wirtschaft zu verstehen, unabhängig davon, in welchem Bereich sie arbeiten. Und sie müssen verstehen, wie man diese tragfähigen Geschäftsprobleme in messbare technische Ergebnisse umsetzt. Ich denke, der Schlüssel zum Erfolg in diesem Bereich ist diese mittlere Ebene, auf der sie beide Seiten abdecken. Ja, ich denke, das ist absolut entscheidend.

Dayle Hall:

Ja. Ich denke, es ist ein sehr - es scheint ein unwichtiger Punkt zu sein, aber es ist sehr wichtig, die richtigen Probleme zu lösen. Und damit sind wir wieder bei den Anwendungsfällen und so weiter. Aber ich denke, es gibt Organisationen - ich meine, wenn Sie sich die neueste MarTech-Landschaft ansehen, gibt es 8.000 MarTech-Unternehmen. Die meisten von ihnen geben wahrscheinlich an, dass sie in irgendeiner Form KI oder datengesteuerte Verfahren einsetzen. Ich denke, wenn Sie eine Technologie oder einen Prozess einsetzen oder wirklich mehr mit Daten machen wollen, ist es der richtige erste Schritt, die richtigen Geschäftsprobleme zu lösen.

Und dann gibt es Leute wie Sie und andere, dann gibt es Software und Technologien, die Sie einsetzen können, um das Beste daraus zu machen, aber beginnen Sie immer mit dem geschäftlichen Anwendungsfall und stellen Sie sicher, dass - wie Sie sagten, was es für Ihr Unternehmen löst - es die richtigen Dinge sein müssen. Und wenn Sie dann eine Führungspersönlichkeit dahinter haben, jemanden, der etwas davon versteht und der die Leute inspirieren kann, werden Sie mehr Erfolg mit Ihren Initiativen haben.

Alex Antic:

Ganz genau. Und die Zustimmung der Führungskräfte zu erhalten, was für viele Unternehmen schwierig sein kann, um die laufende Finanzierung für den Übergang von einem Proof-of-Concept zu einer vollwertigen Produktionslösung zu erhalten. Also ja, auf jeden Fall.

Dayle Hall:

Kommen wir zum letzten Thema, bei dem es um verantwortungsvolle KI, KI-Ethik und so weiter geht. Ich habe das Gefühl, dass wir zwar schon eine ganze Weile über KI und die Nutzung von Daten sprechen, aber die ethischen Aspekte werden aus den richtigen Gründen immer häufiger diskutiert. Und ich glaube, dass es viele Dinge gibt, die die Leute nicht verstehen, was KI-Ethik eigentlich bedeutet und warum sie wichtig ist. Bevor wir also auf ein paar Einzelheiten eingehen: Wenn Sie jemandem das Prinzip der verantwortungsvollen KI und der KI-Ethik beschreiben würden, wie würden Sie das jemandem beschreiben, der sich diesen Podcast anhört und vielleicht denkt: Oh, davon habe ich schon gehört, aber was bedeutet das? Wie würden Sie es beschreiben?

Alex Antic:  

Um ehrlich zu sein, würde ich es ganz einfach halten, nämlich dafür sorgen, dass der Mensch im Mittelpunkt Ihrer Lösung steht. Wenn man ein System entwickelt, das Technologie einsetzt, muss man verstehen, welche Auswirkungen das auf den Endnutzer haben kann. Man muss bedenken, dass diese Technologie hochskaliert ist, dass nicht eine Person eine Entscheidung trifft, die eine kleine Gruppe von Menschen betrifft, sondern dass es sich um eine Lösung handeln kann, die Tausende oder Millionen von Menschen betrifft. Wie kann man sicherstellen, dass dies auf ethische, faire und gerechte Weise geschieht?

Und dann, je nach Bereich, spreche ich wahrscheinlich über spezifische Dinge, die damit zusammenhängen. Aber ich denke, es geht wirklich um Fairness oder darum, dass jeder, so denke ich, eine gleichberechtigte Position bei der Entscheidungsfindung einnimmt und sicherstellt, dass er das Recht hat, einige dieser Entscheidungen zu hinterfragen. Sie haben ein gewisses Maß an Transparenz, so dass sie verstehen, dass diese Entscheidung, die über mich getroffen wurde, z. B. bei der Kreditwürdigkeitsprüfung oder was auch immer häufig verwendet wird, auf der Grundlage der Informationen, die Sie über mich gespeichert haben, getroffen wurde. Und können Sie mir im Grunde beweisen, dass es sich um eine faire und gerechte Entscheidung handelt, die getroffen wurde, und nicht um eine verschleierte? Ich denke, das ist wirklich der Kern der Sache.

Dayle Hall:

Ja, das stimmt. In einem der anderen Podcasts, die ich gemacht habe, habe ich mit einem Unternehmen gesprochen, das sich mit dem Personalwesen befasste. Und das war eines der Dinge, die sie bei der Suche nach Technologien für die Personalabteilung in Betracht zogen. Sie waren sich zwar darüber im Klaren, dass KI hilfreich sein kann, aber wenn der Anbieter, den sie ins Auge fassten, nicht erklären konnte, wie der Algorithmus funktioniert, wie die KI arbeitet, wo die Daten sind, wie sie verwendet werden, und es sich nicht um eine Blackbox für das Marketing handelt oder es einfach nur Magie ist, wenn er es nicht erklären konnte, dann wollten sie nicht mit diesem Anbieter zusammenarbeiten, weil die Gefahr, dass man sich einfach darauf verlässt, dass eine Technologie das Richtige tut und die Daten auf die richtige Weise sammelt, einfach zu groß ist, und zwar in allen Bereichen, aber besonders im Personalwesen. Wie Sie sagten, betrifft es den Einzelnen.

Wie kann man sich also davor schützen? Woran sollten Unternehmen denken, wenn sie diese Art von Initiativen ins Auge fassen, um sicherzustellen, dass zum Beispiel Daten auf die richtige Art und Weise gesammelt und verwendet werden? Wie beraten Sie Ihre Kunden?

Alex Antic:  

Ein guter Punkt. Und ich denke, es gibt viele verschiedene Aspekte, über die wir sprechen können, denn es ist eine sehr wichtige Frage. Und ich stimme voll und ganz mit ihrer Ansicht überein, dass ein gewisses Maß an Transparenz und Verständnis in Bezug auf die Art und Weise, wie Entscheidungen getroffen werden, erforderlich ist.

Ich halte es für wichtig, dass die Gruppen, mit denen ich zusammenarbeite, sich zunächst fragen, warum sie überhaupt Daten erheben? Welche Daten brauchen Sie? Wofür werden Sie diese Daten sofort verwenden? Und welche Verfahren können Sie in der Folgezeit nutzen? Und wenn Sie auf der anderen Seite stehen, was würden Sie davon halten, wenn diese Daten für diese Zwecke verwendet würden? Ich meine, sind Sie damit einverstanden? Gibt es irgendwelche potenziellen Probleme oder Fragen, die Sie haben?

Einigen Gruppen, mit denen ich zusammenarbeite, sage ich: Sammelt nicht einfach Daten um ihrer selbst willen, nicht nur aus ethischen Gründen, sondern ihr braucht auch qualitativ hochwertige Daten, die für euren Zweck geeignet sind. Man kann nicht einfach irgendwelche Daten nehmen und sie wie von Zauberhand in eine Blackbox werfen und schon hat man eine Lösung. Ich sehe viele Missverständnisse. Daher halte ich es für wichtig, sich auf die sichere Erfassung und Speicherung dieser Daten zu konzentrieren, mit übergreifenden klaren ethischen Richtlinien darüber, was erfasst werden kann und warum es erfasst und verwendet wird. Außerdem können die spezifischen Richtlinien und Rahmenwerke die Verwendung der Daten vorschreiben, allerdings in Abhängigkeit von dem angestrebten Ergebnis. Das könnte der Datenabgleich und die De-Identifizierung für die gemeinsame Nutzung von Daten sein. Aber alles muss im Rahmen der Vorschriften und der Gesetzgebung geschehen, und nur das, was richtig ist.

Ich denke also, dass es für Unternehmen wichtig ist, über die End-to-End-Pipeline und den Lebenszyklus von Daten nachzudenken, um herauszufinden, was sie sammeln, wie sie es speichern, wofür es verwendet wird, wann die Daten gelöscht werden, wie jemand Daten löschen kann, welche Metadaten um sie herum gesammelt und gespeichert wurden, wie es mit Data-Governance-Prozessen aussieht. Ich denke, das sind alles wichtige Aspekte und nicht nur, dass wir Daten sammeln und ein Ergebnis haben und uns nicht um all die grauen Stellen am Rande kümmern. Ich meine, wenn es um die ethische und verantwortungsvolle Nutzung von KI geht, sind sie absolut entscheidend, um am Ende verantwortungsvolle Lösungen zu haben.

Dayle Hall:

Das stimmt. Und Sie haben vorhin etwas erwähnt. Sie erwähnten ein Wort, das heute offensichtlich sehr aktuell ist, und ich möchte über die Verwendung des Konzepts der verantwortungsvollen KI und der ethischen KI zum Schutz vor Vorurteilen sprechen. Und Sie erwähnten die Vielfalt. Wie schützt man sich also speziell im Zusammenhang mit Diversität und verantwortungsbewusster KI? Sobald man sich ziemlich sicher ist, dass wir die Daten auf die richtige Art und Weise erfassen, finde ich es toll, was Sie gesagt haben, dass man sicherstellen muss, dass die Leute verstehen, warum und wie sie Daten erfassen und wie sie verwendet werden. Aber wie schützt man sich dann vor Voreingenommenheit? Und welche Rolle spielt die Vielfalt bei der Diskussion über Voreingenommenheit?

Alex Antic:

Sicher. Und ich werde ein wenig über das Regelwerk sprechen, das ich zu verwenden pflege, um auf hohem Niveau zu zeigen, wie man verantwortungsvolle KI in Bezug auf Voreingenommenheit auch in diesem Kontext entwickelt. Zunächst einmal ist es wichtig, dass das Unternehmen den geschäftlichen Kontext versteht, in dem es arbeitet, und was Voreingenommenheit für es bedeutet. In der Regel geht es bei Voreingenommenheit um Bereiche, die sich manifestieren und zu ungerechten Ergebnissen führen können. Aber oft verstehen viele Unternehmen nicht wirklich, wie es dazu kommen kann. Ist es Teil der Daten, die sie zum Trainieren eines maschinellen Lernmodells verwendet haben? Ist es ein Teil der Daten, die sie zufällig speichern? Liegt es an den Menschen, die die Analyse und die Entscheidungsfindung durchführen, die möglicherweise - Menschen sind natürlich voreingenommen. Geht es darum, dass sie ihre eigene Voreingenommenheit in Bezug auf die Daten, die sie gesammelt haben, und die Art und Weise, wie sie sie analysiert haben, einbringen?

Zunächst einmal geht es darum, zu verstehen, wie sich Voreingenommenheit einschleichen kann. Wie erkennt man Vorurteile? Man wird sie nie beseitigen können, aber wie kann man sie erkennen und versuchen, mit ihnen zu arbeiten? Und wie definieren Sie dann - erstellen Sie eine Definition für Ihre Organisation in Bezug auf die Frage, wie voreingenommen diese Daten sind, und wie können wir versuchen, das zu beheben? Womit können wir uns anfreunden? Einige Leute werden sich zu mir umdrehen und sagen: Sehen Sie, Menschen sind voreingenommen. Wenn KI lediglich die menschliche Voreingenommenheit widerspiegelt, warum ist das dann ein Problem? 

Und ich glaube, es gibt zwei wirklich wichtige Aspekte, die die Menschen verstehen müssen. Der erste ist der Maßstab. Modelle können, wie wir bereits erwähnt haben, weitreichende Auswirkungen haben. Sie können Voreingenommenheit in einer Weise verstärken und aufrechterhalten, wie es ein einzelner voreingenommener Mensch in Bezug auf die Nutzung dieser Technologie niemals tun könnte. Aber sie haben auch das Potenzial, uns zu erlauben, uns hinter unseren moralischen Verpflichtungen zu verstecken und unmoralische Urteile zu rechtfertigen. Wenn also der Leiter einer Bank sagt: "Ich weiß, dass das Modell, das wir erstellt haben, sehr voreingenommen war, z. B. für Frauen statt für Männer, und so etwas kommt oft vor, oder für eine Minderheitengruppe, was auch immer, dann liegt es an den Modelldaten, nicht an mir als CEO oder Leiter der Organisation. Sie können mir nicht die Schuld geben. Ich denke, das ist - offensichtlich - nicht das, was er tun kann. Das ist also der Punkt, an dem ich gesehen habe, wie Leute versucht haben, das zu umgehen.

Wir können Vorurteile zwar nicht völlig beseitigen, aber wir können darauf hinarbeiten, sie zu verstehen, sie zu erkennen und sie dann in diesen skalierbaren Systemen zu verringern. Es gibt also drei Dinge, die meiner Meinung nach getan werden können, zumindest auf einer hohen Ebene, die ich die drei Ds nenne. Für mich dreht sich alles um zwei und drei: Daten, Entdeckung und Vielfalt. Bei den Daten geht es also wirklich darum, die Daten sowohl aus technischer Sicht als auch aus der Perspektive des jeweiligen Bereichs zu verstehen. Das ist entscheidend, um zu verstehen, wie Voreingenommenheit in die Daten eingebettet ist und ob die Daten, die man sammelt, fair und repräsentativ für die Gruppe sind, der man eigentlich eine Lösung und einen Nutzen bieten will. Es geht darum, die Daten selbst zu verstehen, da Informationen ein technologisches Widget sind, und auch um den breiteren geschäftlichen Kontext, was die Daten und Informationen, die Sie sammeln, tatsächlich tun und bedeuten. Auch hier ist die Zusammenarbeit zwischen Technikern und Geschäftsleuten, die Experten auf diesem Gebiet sind, unerlässlich, um die Zusammenhänge zu verstehen.

Beim nächsten D geht es dann wirklich um die Entdeckung. Ich meine, wie wird Fairness und Voreingenommenheit eigentlich definiert? Wenn Sie mit drei verschiedenen Unternehmen sprechen, stoßen Sie auf unterschiedliche Definitionen. Wird Fairness beispielsweise auf der Grundlage der Eingaben des Modells oder der Ergebnisse des Modells definiert? Wie definieren Sie, ob das Modell fair ist? Sind es die Daten, die Sie eingegeben haben, oder die Daten, die am anderen Ende der von Ihnen erstellten Lösungen herausgekommen sind? Wann halten Sie es für fair genug, um ein Modell einzusetzen? Welchen Maßstab legen Sie dabei an? Und wie stellen Sie sicher, dass die von Ihnen gesammelten Daten so gespeichert werden, dass die Privatsphäre gewahrt bleibt? Ist das Modell erklärbar? Das ist die Frage, die häufig auftaucht. Sie sprachen vorhin von der Transparenz, wie das Modell funktioniert.

Aber dann stellt sich die Frage: Wem ist es zu erklären? Einem Entwickler? Jemandem, der versucht, das Modell zu debuggen? Dem Manager des Teams? Dem Geschäftsführer? Einem Wirtschaftsprüfer? Für den Kunden? Ich meine, es gibt verschiedene Ebenen der Erklärbarkeit. Was für mich erklärbar ist, wird sich sehr von dem unterscheiden, was für Sie erklärbar ist. Es gibt also immer diesen Kompromiss zwischen Fairness und Genauigkeit, vor allem bei den Modellen des maschinellen Lernens, die jongliert und akzeptiert werden müssen. Und das ist eine Nuance, die meiner Meinung nach einige Leute auf hohem Niveau übersehen. Das kann ziemlich schwierig sein.

Für mich geht es also letztlich darum, dass KI-Systeme uns dabei unterstützen, bessere Entscheidungen zu treffen. Aber es liegt wirklich an uns, Fairness, Moral, Privatsphäre, Transparenz und Erklärbarkeit zu definieren. Ich denke, die Zukunft liegt in der Zusammenarbeit von Menschen und Maschinen, um die Gesellschaft voranzubringen, und nicht in der Abhängigkeit von Maschinen mit KI. Es geht wirklich um diese Integration und die Arbeit in dieser Mensch-Maschine-Beziehung, die meiner Meinung nach der Kern ist.

Dayle Hall:

Ja, das stimmt. Nun, ich habe das Gefühl, dass wir noch viel mehr reden könnten. Und ich würde gerne irgendwann in der Zukunft eine weitere Folgeuntersuchung durchführen und vielleicht ein bisschen mehr auf die Einzelheiten eingehen. Aber ich denke, Sie haben mir jetzt schon so viele Anregungen gegeben. Was ich an diesen Podcasts so liebe, Alex, ist, dass ich immer darüber nachdenke, welche Dinge die Zuhörer mitnehmen könnten, welche Dinge sie gelernt haben. Und ich fühle mich schlauer, wenn ich mit dir rede. Ich weiß also, dass [es ein guter Podcast ist], richtig?

Einige der Dinge, über die Sie gesprochen haben, sind meiner Meinung nach unglaublich wertvoll. Stellen Sie sicher, dass Sie verstehen, was Sie erfassen und warum aus der Datenperspektive, denken Sie wirklich über die Voreingenommenheit nach, die darin enthalten ist, und stellen Sie sicher, dass Sie damit arbeiten, damit sie sich nicht verewigt. Man kann sie nicht beseitigen, aber wenn man sie identifiziert, ist es einfacher, mit ihnen umzugehen. Mir gefällt das Konzept der guten Führungspersönlichkeit, die die Leute dafür begeistern kann, vor allem dann, wenn man versucht, die Daten zu demokratisieren: Wenn die Leute dahinter stehen, haben sie einen größeren Nutzen, aber sie werden auch ein besseres Gefühl dabei haben, wie sie die Daten nutzen, um Leute anzuziehen und zu halten. Ich glaube, dass die Menschen in Zukunft bei Unternehmen bleiben oder ihnen beitreten wollen, weil sie über ein sehr solides Datenmodell verfügen.

Ich finde es gut, dass Sie über die Zusammenarbeit zwischen der IT-Abteilung, den Datenwissenschaftlern und dem Rest des Unternehmens gesprochen haben. Ich denke, das ist der Schlüssel. Und mir gefiel Ihr Konzept der Datenpolitik, wie Sie sagten. Ich habe das noch nie jemanden sagen hören. Aber Datenpolitik ist ein neuer Begriff. Es geht also nicht nur um Datenermittlung und Datenanalyse, sondern um die Politik, die damit verbunden ist.

Aber mein Lieblingszitat, und wenn es etwas gibt, das ich aus diesem Podcast mitnehme, und das wäre meine Überschrift, ist das, was Sie über KI und Ethik gesagt haben, nämlich sicherzustellen, dass der Mensch im Mittelpunkt der Lösung steht. Ich denke, das ist ein hervorragender Weg, um über KI, verantwortungsvolle KI, nachzudenken und auch darüber, wofür wir in Zukunft Daten nutzen werden.

Das war also ein toller Podcast. Ich weiß es zu schätzen, dass Sie daran teilgenommen haben. Dr. Alex Antic, vielen Dank, dass Sie bei diesem Podcast mitgemacht haben.

Alex Antic:

Vielen Dank, Dayle. Es war mir ein großes Vergnügen.

Dayle Hall:

Das war's für diese Folge von Automating the Enterprise. Wir sehen uns bei der nächsten Folge wieder.