Kennenlernen von Entscheidungsfindungs-Frameworks und KI-Modellen

Lernziele

Nachdem Sie diese Lektion abgeschlossen haben, sind Sie in der Lage, die folgenden Aufgaben auszuführen:

Nennen dreier Entscheidungsfindungsmodelle
Erläutern, wie man datengestützte Entscheidungs-Frameworks in der Praxis anwendet
Beschreiben der drei grundlegenden KI-Modelle und ihrer Anwendung
Erkennen von Verzerrungen und Sicherstellen von Fairness bei Daten und KI-Modellen

Werfen wir nun einen Blick auf Entscheidungsfindungsmodelle, datengestützte Frameworks und KI-Modelle – und auf die entscheidende Notwendigkeit, bei all diesen Modellen Verzerrungen und Fairness zu berücksichtigen.

Entscheidungsfindungsmodelle

Es gibt eine Vielzahl von Entscheidungsfindungsmodellen und -theorien. Diese Frameworks sollen Organisationen und Einzelpersonen helfen, besser fundierte, objektive und effektive Entscheidungen auf der Grundlage empirischer Erkenntnisse zu treffen.

Dies sind einige der wichtigsten Modelle:

Rationales Entscheidungsfindungsmodell: Bei diesem Modell wird davon ausgegangen, dass Menschen logische und konsistente Entscheidungen treffen, indem sie alle möglichen Alternativen abwägen und diejenige mit dem höchsten Nutzen auswählen. Rationalität ist der Grundpfeiler dieses Modells. Das Ziel ist hier, die bestmögliche Wahl zu treffen.

Auf der begrenzten Rationalität basierendes Entscheidungsmodell: Bei der begrenzten Rationalität erkennt man an, dass Entscheidungsträger in der Praxis häufig mit begrenzten Informationen und kognitiven Einschränkungen arbeiten. Sie treffen Entscheidungen, die "möglichst gut" sind, anstatt nach der bestmöglichen Entscheidung zu suchen.

Intuitive Entscheidungsfindung: Die intuitive Entscheidungsfindung basiert auf dem Bauchgefühl und persönlichen Erfahrungen. Sie wird häufig eingesetzt, wenn schnelle Entscheidungen notwendig sind oder nur unvollständige Informationen zur Verfügung stehen.

Datengestützte Entscheidungsfindungs-Frameworks

Datengestützte Entscheidungsfindungs-Frameworks stellen einen strukturierten Ansatz für die Entscheidungsfindung dar, der im Wesentlichen auf Daten basiert. Es gibt zwei wichtige Entscheidungs-Frameworks in der Branche:

Tool	Beschreibung
Entscheidungsbäume	Diese grafischen Darstellungen helfen Ihnen, Entscheidungsmöglichkeiten, Ergebnisse und Wahrscheinlichkeiten zu visualisieren und zu bewerten.
Pugh-Matrix	Diese Entscheidungsmatrix hilft Ihnen, mehrere Alternativen zu vergleichen, indem Sie Kriterien quantifizieren und ihre Auswirkungen bewerten.

Entscheidungsbaum

Ein Entscheidungsbaum bietet Ihnen einen systematischen Ansatz, um Auswahlen oder Entscheidungen auf der Grundlage von Kriterien zu treffen. Er bietet eine Struktur für die Bewertung verschiedener Optionen und ihrer möglichen Ergebnisse und hilft Ihnen, die beste Vorgehensweise auszuwählen. Entscheidungsbäume bestehen aus Knoten und Zweigen, wobei die Knoten Entscheidungen oder Auswahlen und die Zweige mögliche Ergebnisse oder Konsequenzen darstellen.

Ein Entscheidungsbaum kann Ihnen beispielsweise helfen, anhand der Wetterbedingungen zu entscheiden, ob Sie ein Sportspiel spielen sollen (ja oder nein). Der Entscheidungsbaum kann Ihnen zeigen, dass Sie bei sonnigem Wetter zuerst die Luftfeuchtigkeit prüfen sollten, und dass Sie bei hoher Luftfeuchtigkeit nicht spielen sollten, bei niedriger Luftfeuchtigkeit aber schon. Ist es bewölkt, lautet die Entscheidung "ja". Und so geht es weiter für verschiedene Bedingungen.

Dieses Framework wird häufig in der Wirtschaft, im Finanzwesen, im Gesundheitswesen und beim maschinellen Lernen eingesetzt, um Entscheidungsfindungsprozesse in einem Modell abzubilden und Entscheidungen auf der Grundlage von Daten und Logik zu optimieren.

Beispiel für einen Entscheidungsbaum zu der Frage, ob man ein Sportspiel spielen soll.

Pugh-Matrix

Die Pugh-Matrix, auch Pugh-Methode oder Konzeptauswahl nach Pugh genannt, ist ein Instrument zur Entscheidungsfindung, mit dem Sie mehrere Alternativen oder Optionen anhand einer Reihe von Kriterien bewerten und vergleichen können. Sie bietet einen systematischen Ansatz, um fundierte Entscheidungen zu treffen, indem verschiedene Optionen quantifiziert und in eine Rangfolge eingestuft werden. Die Methode wurde von Stuart Pugh, einem britischen Ingenieur und Designtheoretiker, entwickelt.

Die Pugh-Matrix hilft Ihnen, rationale Entscheidungen zu treffen, indem Sie mehrere Faktoren und deren relative Bedeutung strukturiert betrachten. Die folgende Pugh-Beispielmatrix zeigt Kriterien, die bei einem Basiswert von 0 beginnen, und gibt für die Alternativen jeweils an, ob diese im Vergleich zum Basiswert als positiv (+), negativ (-) oder gleich (0) bewertet werden. Diese Vergleiche werden summiert, um eine Rangfolge zu ermitteln und Lösungen zu optimieren. Diese Pugh-Methode ist ein wertvolles Tool in Bereichen wie Ingenieurswesen, Produktdesign und Unternehmensführung.

Beispiel für eine Pugh-Matrix

Diese datengestützten Entscheidung-Frameworks ermöglichen Ihnen, objektive und evidenzbasierte Entscheidungen zu treffen.

In der Logistik und im Lieferkettenmanagement können datengestützte Entscheidungs-Frameworks zur Optimierung des Warenverkehrs genutzt werden. Unternehmen können Daten zu Lagerbeständen, Nachfrageprognosen, Transportkosten und Durchlaufzeiten nutzen, um Entscheidungen über die kosteneffizientesten Versandrouten, Lagerorte und Wiederbestellpunkte zu treffen. Dies minimiert Kosten, reduziert Fehlbestände und stellt sicher, dass die Produkte die Kunden effizient erreichen.

Einführung in KI-Modelle

Werfen wir nun einen Blick auf KI-Modelle. Wie Sie bereits gelernt haben, sind künstliche Intelligenz und maschinelles Lernen (KI/ML) leistungsstarke Werkzeuge, die Ihre Entscheidungsprozesse unterstützen können.

Arten von KI-Modellen

Es gibt drei Hauptarten von KI-Modellen: beaufsichtigtes Lernen, nicht beaufsichtigtes Lernen und bestärkendes Lernen.

Modelle für beaufsichtigtes maschinelles Lernen werden mit gekennzeichneten Datensets trainiert, die den Modellen ermöglichen, zu lernen und mit der Zeit immer exakter zu werden. Es wird beispielsweise ein Algorithmus mit Bildern von Hunden und anderen Dingen trainiert, die alle von Menschen gekennzeichnet wurden, und die Maschine lernt, Bilder von Hunden selbstständig zu erkennen. Das beaufsichtigte maschinelle Lernen ist die derzeit am häufigsten verwendete Form von ML.

Bei nicht beaufsichtigtem maschinellem Lernen sucht ein Programm nach Mustern in nicht gekennzeichneten Daten. Nicht beaufsichtigtes maschinelles Lernen kann Muster oder Trends finden, nach denen Menschen nicht explizit suchen. Ein nicht beaufsichtigtes maschinelles Lernprogramm kann zum Beispiel Online-Verkaufsdaten analysieren und verschiedene Kundentypen identifizieren.

Bei bestärkendem maschinellem Lernen (auch Reinforcement Learning genannt) wird ein Belohnungssystem eingerichtet, um Maschinen durch Versuch und Irrtum darauf zu trainieren, die beste Aktion durchzuführen. Durch bestärkendes Lernen können Modelle für Spiele oder autonomes Fahren trainiert werden, indem der Maschine mitgeteilt wird, wenn sie die richtigen Entscheidungen getroffen hat, wodurch sie mit der Zeit lernt, welche Aktionen richtig sind.

Generative KI-Modelle verwenden neuronale Netze, um die Muster und Strukturen in vorhandenen Daten zu erkennen und neue Originalinhalte zu generieren. Eine der bahnbrechenden Fähigkeiten generativer KI ist die Möglichkeit, beim Trainieren verschiedene Lernansätze zu nutzen, zu denen auch nicht beaufsichtigtes oder semi-beaufsichtigtes Lernen gehören. Generative KI nutzt alle drei Lerntechniken zusammen.

Klicken Sie auf die Kacheln mit Anwendungsfällen, um zu sehen, wie diese KI-Modelle in verschiedenen Branchen bei Entscheidungsfindungsprozessen eingesetzt werden. (In der nächsten Lektion sehen wir uns diese Anwendungsfälle dann genauer an.)

Verzerrungen und Fairness in der KI

Die Integration von künstlicher Intelligenz in Entscheidungsfindungsprozesse verschiedener Bereiche hat zu beispiellosen Fortschritten bei Effizienz und Genauigkeit geführt. Da KI jedoch zunehmend zu einem integralen Bestandteil unseres Lebens wird, müssen wir uns mit der Problematik hinsichtlich Verzerrungen und Fairness in KI-Systemen auseinandersetzen. Wir können gar nicht oft genug betonen, wie wichtig es ist, Fairness zu gewährleisten und ethische Richtlinien einzuhalten. Verzerrungen, Diskriminierung und ethische Dilemmas können entstehen, wenn KI-Systeme nicht verantwortungsbewusst entwickelt und eingesetzt werden.

Erkennen von Verzerrungen und Sicherstellen von Fairness bei Daten und KI-Modellen

Als Verzerrungen bezeichnet man die Existenz systematischer und unfairer Unterscheidungen oder Präferenzen, die zu diskriminierenden Ergebnissen führen können. Das Erkennen von Verzerrungen ist der erste Schritt, um ihre Auswirkungen anzugehen und einzudämmen. Sobald Verzerrungen erkannt wurden, können Entwickler, Data Scientists und Geschäftsbenutzer Korrekturmaßnahmen ergreifen. Klicken Sie auf die einzelnen Kacheln, um zu erfahren, welche Maßnahmen Unternehmen ergreifen können, um Verzerrungen zu erkennen und Fairness in Daten und KI-Modellen zu fördern.

In dieser Lektion haben Sie verschiedene Entscheidungsfindungsmodelle, datengestützte Frameworks und KI-Modelle sowie das ethische Gebot kennengelernt, Verzerrungen zu mindern und Fairness zu fördern. In der nächsten Lektion befassen wir uns mit realen Anwendungen von KI in verschiedenen Szenarien.