The AI Playbook

1. Der Einsatz von Machine Learning ist eine Frage der Geschäftstransformation, nicht nur der Technologie

Verkaufen Sie niemals KI. Stattdessen sollten Sie betriebliche Verbesserungen anpreisen, wobei Machine Learning nur als Fußnote erwähnt wird.

ML-Projekte neu denken. Anstatt sich auf die Technologie selbst zu konzentrieren, sollten erfolgreiche ML-Initiativen als Projekte zur Geschäftstransformation betrachtet werden, die ML als Werkzeug nutzen. Dieser Perspektivwechsel ist entscheidend, um die Zustimmung der Stakeholder zu gewinnen und sicherzustellen, dass das Projekt mit den Zielen der Organisation übereinstimmt.

Wertversprechen zuerst. Wenn Sie ein ML-Projekt vorstellen, beginnen Sie mit dem geschäftlichen Wertversprechen, das in Bezug auf wichtige Leistungskennzahlen (KPIs) wie Umsatzsteigerung, Kostenreduktion oder Effizienzverbesserung ausgedrückt wird. Erst nachdem Sie die potenziellen Auswirkungen auf das Geschäft dargelegt haben, sollten Sie ML als Mittel zur Erreichung dieser Ziele einführen.

Beispiel für eine Elevator-Pitch:

• Aktuelles Problem: „99,5 % unserer Direktwerbung sind ineffektiv.“
• Potenzielle Verbesserung: „Eine Erhöhung der Rücklaufquote auf 1,5 % würde 500.000 Dollar mehr Umsatz bedeuten.“
• Lösung: „ML kann Kunden gezielt ansprechen, die eher reagieren, und so den Marketing-ROI verdreifachen.“

2. Die sechs Schritte von BizML: Ein Rahmen für erfolgreiche ML-Projekte

Die sechs Schritte von BizML sind universell – sie funktionieren immer, unabhängig von Ihrer Organisationsstruktur.

BizML-Rahmen. Das Buch stellt einen sechs Schritte umfassenden Rahmen namens BizML vor, um Machine Learning-Projekte erfolgreich umzusetzen:

1. Wert: Ziel der Implementierung festlegen
2. Ziel: Vorhersageziel festlegen
3. Leistung: Bewertungsmetriken festlegen
4. Daten: Daten vorbereiten
5. Algorithmus: Modell trainieren
6. Start: Modell implementieren

Iterativer Prozess. Obwohl diese Schritte nacheinander präsentiert werden, ist es wichtig zu beachten, dass ML-Projekte oft Rückschritte und Iterationen erfordern. Jeder Schritt informiert die anderen, und Erkenntnisse, die später im Prozess gewonnen werden, können es notwendig machen, frühere Entscheidungen zu überdenken.

Wichtige Prinzipien von BizML:

• Tiefe Zusammenarbeit mit den Geschäftspartnern in jedem Schritt
• Geschäftsexperten benötigen ein semi-technisches Verständnis von ML
• Fokussierung auf Implementierung und Geschäftswert von Anfang an

3. Datenvorbereitung ist der kritischste und zeitaufwändigste Schritt

Daten sind wichtiger als der Algorithmus. Machine Learning-Algorithmen sind vielleicht der spannende, attraktive Teil – jeder möchte an dieser Party teilnehmen – aber die Verbesserung der Daten ist in der Regel der Bereich, in dem Sie den größten Nutzen erzielen.

Daten sind König. Während viele sich für die Aufregung fortschrittlicher Algorithmen interessieren, sind die Qualität und die Vorbereitung der Daten oft die entscheidenden Faktoren für den Erfolg eines ML-Projekts. Die Datenvorbereitung nimmt typischerweise 80 % der technischen Bemühungen eines Projekts in Anspruch und wird häufig unterschätzt.

Herausforderungen bei der Datenvorbereitung. Die Vorbereitung von Daten für ML umfasst mehr als nur die Organisation in einer Tabelle. Es erfordert eine sorgfältige Berücksichtigung zeitlicher Aspekte, abgeleiteter Variablen und potenzieller Verzerrungen oder Fehler in den Daten. Zu den häufigen Herausforderungen gehören:

• Abstimmung der Eingangsvariablen mit dem Zeitpunkt der Vorhersage
• Erstellung informativer abgeleiteter Variablen durch Feature Engineering
• Sicherstellung der Datenqualität und Repräsentativität
• Umgang mit Klassenungleichgewicht in der Zielvariablen

4. Die Modellleistung sollte anhand von Geschäftszielen und nicht nur an der Genauigkeit gemessen werden

Genauigkeit ist ein stumpfes Instrument. Es ist eine Sache zu wissen, dass ein Modell in 12 Prozent der Fälle falsch ist. Das entspricht der Aussage, dass es in 88 Prozent der Fälle korrekt ist; das heißt, es hat eine Genauigkeit von 88 Prozent. Aber es ist eine andere, viel hilfreichere Sache, getrennt zu analysieren, wie oft es bei positiven Fällen falsch liegt und wie oft bei negativen Fällen.

Über die Genauigkeit hinaus. Während die Genauigkeit eine häufig berichtete Kennzahl ist, kann sie irreführend sein, insbesondere bei unausgewogenen Datensätzen. Bedeutendere Metriken sind der Lift, der misst, wie viel besser das Modell im Vergleich zum Zufallsraten abschneidet, sowie geschäftsspezifische KPIs.

Übersetzung in Geschäftsauswirkungen. Der wahre Wert eines ML-Modells liegt in seiner Fähigkeit, Geschäftsergebnisse zu verbessern. Dies erfordert die Übersetzung der Leistungskennzahlen des Modells in greifbare Geschäftsauswirkungen:

• Beispiel: Betrugserkennung
  • Modellleistung: Lift von 300 für die obersten 0,2 % der Transaktionen
  • Geschäftsauswirkung: 16 Millionen Dollar jährliche Kosteneinsparungen

Wichtige Überlegungen:

• Kosten von falsch positiven vs. falsch negativen Ergebnissen
• Betriebliche Einschränkungen und Schwellenwerte
• Ausrichtung an den Geschäftszielen

5. Die Implementierung erfordert bereichsübergreifende Zusammenarbeit und Change Management

Großangelegte Veränderungen erfordern die Förderung einer inspirierenden Vision, den Aufbau von Beziehungskapital und die Aufrechterhaltung der organisatorischen Ausrichtung . . . Führungskräfte vereinen gleichzeitig einheitliche und disruptive Ideale.

Über technische Herausforderungen hinaus. Der erfolgreiche Einsatz von ML hängt oft mehr von organisatorischen und menschlichen Faktoren ab als von technischen. Es erfordert Zustimmung und Zusammenarbeit über mehrere Abteilungen und Ebenen der Organisation hinweg.

Strategien für das Change Management. Um Widerstände zu überwinden und eine erfolgreiche Akzeptanz sicherzustellen:

• Binden Sie Stakeholder frühzeitig und während des gesamten Projekts ein
• Bieten Sie Schulungen und Unterstützung für betroffene Mitarbeiter an
• Verwenden Sie Balanced Scorecards, um die Akzeptanz neuer Prozesse zu belohnen
• Beginnen Sie mit Pilotimplementierungen oder A/B-Tests, um den Wert zu demonstrieren
• Kommunizieren Sie die Vision und die Vorteile klar an alle Ebenen der Organisation

6. Echtzeitbewertung stellt Herausforderungen dar, bietet jedoch die größten Chancen

Die größten Chancen sind die schwersten zu nutzen.

Hohe Einsätze, hohe Belohnungen. Der Einsatz von ML in Echtzeit, beispielsweise zur Betrugserkennung oder zur Zielgruppenansprache, bietet oft die größten Möglichkeiten für geschäftliche Auswirkungen. Er bringt jedoch auch erhöhte Komplexität und Risiken mit sich.

Herausforderungen und Lösungen. Wichtige Überlegungen für die Echtzeiteinführung umfassen:

• Geschwindigkeitsanforderungen: Modelle müssen oft in Millisekunden bewerten

• Optimierung der Datenpipeline: Sicherstellen, dass Eingabedaten schnell verfügbar sind

• Infrastruktur: Wahl zwischen Cloud-, On-Premises- oder Hybridlösungen

• Risikominderung: Verwendung von Kontrollgruppen und schrittweisen Rollouts

• Beispiel: FICO Falcon Betrugserkennung

  • Bewertet Transaktionen in 10-30 Millisekunden
  • Verarbeitet weltweit Milliarden von Transaktionen
  • Erreicht Echtzeit-Betrugsprävention in großem Maßstab

7. Ethische Überlegungen sind bei der ML-Implementierung von größter Bedeutung

Algorithmische Verzerrung. Und wenn eine Rasse, Ethnie oder andere geschützte Gruppe häufiger durch ein Modell Ungerechtigkeit erfährt – das heißt, wenn das Modell bei einer Gruppe mehr falsch positive Ergebnisse liefert als bei einer anderen – spricht man von algorithmischer Verzerrung.

Ethisches Gebot. Da ML-Systeme zunehmend wichtige Entscheidungen beeinflussen, ist es entscheidend, ihre ethischen Implikationen und das Potenzial für Verzerrungen oder unbeabsichtigte Folgen zu berücksichtigen.

Wichtige ethische Überlegungen:

• Fairness: Sicherstellen, dass Modelle keine geschützten Gruppen diskriminieren
• Transparenz: Entscheidungen des Modells interpretierbar und erklärbar machen
• Datenschutz: Schutz der individuellen Daten, die in der Modellierung und Implementierung verwendet werden
• Verantwortung: Klare Zuständigkeit für die Ergebnisse des Modells festlegen

Strategien zur Adressierung ethischer Bedenken:

• Vielfältige Teams in der Modellentwicklung und -überprüfung
• Regelmäßige Audits auf Verzerrungen und unbeabsichtigte Folgen
• Klare Dokumentation der Einschränkungen und Annahmen des Modells
• Laufende Überwachung und Anpassung der implementierten Modelle

Zuletzt aktualisiert: July 30, 2024