Vier Situationen, in denen Sie kein Maschinelles Lernen nutzen sollten.

Maschinelles Lernen (ML) ist eine großartige Technologie. Doch muss sie wirklich immer zum Einsatz kommen? In diesem Beitrag geht es um vier Situationen, bei denen Sie kein maschinelles Lernen verwenden sollten.

Es gibt (zu Recht) einen großen Hype um künstliche Intelligenz und maschinelles Lernen (ML). Wie gesagt, daraus entstehen großartige Technologien und Anwendungsfälle. Auch in unseren Blogartikeln finden Sie viele Beispiele, die maschinelles Lernen nutzen. Doch in welchen Situationen ist kein maschinelles Lernen nötig?

Denken Sie dran, es gibt immer Ausnahmen für die kommenden Beispiele. Allerdings wird Ihr KI-Projekt vermutlich fünfmal schwieriger, wenn diese Beispiele zutreffen.

1. Keine Daten – „Kaltstartproblem”

Ohne Daten, kein maschinelles Lernen. Und mit Daten meinen wir natürlich Daten, die auf Ihr Anwendungsproblem bezogen sind. Sie wollen mit maschinellem Lernen das Wetter vorhersagen, dann brauchen Sie historische Wetterdaten. Sie möchten Ihre nächsten Verkäufe von Stammkunden vorhersagen, dann brauchen Sie historische Verkaufsdaten.

Man spricht auch von einem „Kaltstartproblem“, wenn Sie für einen Anwendungsfalls von ML keine oder nicht genügend Daten haben. Die Algorithmen und Modelle des maschinellen Lernens können daraus keine Empfehlungen generieren.

Eine mögliche Lösung wäre, wenn Sie Daten mit ähnlichen Merkmalen nutzen, sodass die Algorithmen diese auf die neue Situation übertragen. Aber auch diese müssen erst einmal vorhanden sein.

Stellen Sie sich vor, Sie launchen ein neues Produkt und möchten wissen, welcher ihrer Kunden an diesem Produkt interessiert sein könnte. Ein neues Produkt bedeutet immer keine historischen Verkaufsdaten dazu zu haben. Hier kann das Problem gelöst werden, indem Sie Daten von ähnlichen Produkten für ihr ML-System nutzen.

Ein Beispiel, bei dem Ihnen auch ML-Systeme nicht helfen können, wäre, wenn Sie komplett ohne Daten vorhersagen möchten, welche Angebote von Ihren Kunden am besten angenommen werden.

2. Der Anwendungsfall hat keine Fehlertoleranz und es steht kein Supervisor zur Verfügung.

Fast alle Systeme des maschinellen Lernens arbeiten mit Wahrscheinlichkeiten: Mit welcher Wahrscheinlichkeit ist das Tier auf dem Bild eine Katze. Mit welcher Wahrscheinlichkeit ist die gewählte Route die kürzeste. Mit welcher Wahrscheinlichkeit soll es morgen regnen und mit welcher Wahrscheinlichkeit mögen Sie den vorgeschlagenen Netflix Film.

So liegen eben auch die besten ML-Systeme mit über 90-prozentiger Genauigkeit ab und zu daneben. Das liegt in der Natur des maschinellen Lernens.

In der Anwendung muss man sich also fragen, was für ein Schaden richtet eine „nicht zutreffende Empfehlung“ an. Wenn Netflix Ihnen 9 Filme vorschlägt, die Sie super finden und einen, der Sie nicht anspricht – kein großer Schaden. Genau wie bei den Amazon Produktempfehlungen: im Prinzip ist jedes empfohlene Produkt, auf das Sie NICHT klicken, falsch. Der Schaden von nicht angenommenen Produkten? Nicht groß. Der Nutzen jedoch umso größer, denn 25% des Amazon Umsatzes kommt durch diese Empfehlungen.

Kommen wir zu Anwendungsfällen, in denen es keine Fehlertoleranz gibt. In der Medizin werden inzwischen Systeme des maschinellen Lernens angewendet, die bei der Diagnose unterstützen sollen. Und „unterstützen“ ist hier das wichtigste Wort. Die Medizin ist ein Gebiet, in welchem Fehler tödlich sein können. Und trotzdem werden ML-Systeme genutzt. Das geht nur, weil der Arzt IMMER die Kontrolle behält und die Empfehlungen des ML-Systems kontrolliert und mit anderen Faktoren abgleicht.

Wenn Sie also einen Anwendungsfall haben, der Null Fehlertoleranz zulässt und es steht Ihnen kein Fachmann zur Kontrolle (Supervisor) zur Verfügung, dann nutzen Sie besser kein maschinelles Lernen.

3. Ihre Mitarbeiter sind nicht offen für Neues

Die erfolgreichsten maschinelles Lernen Anwendungen im B2B-Bereich sind hybrid. Das heißt, Menschen verwenden eine KI-Software als Unterstützung. Ein Recommender in einem Onlineshop läuft ohne Menschen in der Mitte. Ein Vertriebsteam, welches eine Vertriebsprognosesoftware zur Priorisierung von Vertriebsaktivitäten nutzt, ist ein Beispiel für einen hybriden Einsatz von maschinellem Lernen.

Allerdings erfordert das Arbeiten mit Algorithmen auch eine Umstellung von internen Prozessen. Der Fachbegriff „Algorithmic Management“ beschäftigt sich genau mit diesem Thema: Wie sollte ein Mitarbeiter auf die Empfehlungen von Algorithmen reagieren? Welche Kontrollmechanismen sollten beachtet werden, um zu entscheiden, ob die Empfehlung angenommen oder abgelehnt wird.

Ein maschinelles Lernen System ist nur so gut, wie seine Nutzer. Eine fehlende Bereitschaft der Nutzer sich neuen Technologien zu öffnen, erschwert die Einführung von maschinellem Lernen enorm – wenn es nicht sogar daran scheitert.

4. Ihre regelbasierten Anwendungen funktionieren gut

Bei der Nutzung von maschinellem Lernen sollte immer in erster Linie der zusätzliche Nutzen zu einem bestimmten Ziel im Vordergrund stehen. Also, inwieweit kann die neue Technologie die Ziele besser erfüllen als bestehende Systeme. Wir raten davon ab maschinelles Lernen nur zu nutzen, weil es grade „inn“ ist.

Regelbasierte Anwendungen, sind Systeme mit Regeln, die von einem Menschen festgelegt wurden. Ein klassisches und einfaches Beispiel ist eine „Wenn, dann…“ Funktion von Excel: „Wenn der Kunde länger als 3 Monate nicht gekauft hat, dann markiere ihn rot“.

Viele Unternehmen analysieren Ihre Daten mit Excel Tabellen und so lange das gut funktioniert – also dem Ziel dient – und nicht zu aufwendig ist, dann braucht es kein maschinelles Lernen.

Aus unserer Erfahrung trifft das auf kleine und junge Unternehmen zu, die auch noch nicht viele Daten haben. Irgendwann stoßen regelbasierte Systeme an ihre Grenzen und dann ist maschinelles Lernen die perfekte Lösung.

BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE