Erweiterte Intelligenz

Grundidee und Bedeutung

Erweiterte Intelligenz (englisch Augmented Intelligence) bezeichnet die Zusammenarbeit von künstlicher Intelligenz und menschlichem Urteilsvermögen zur Bewältigung von Entscheidungsproblemen. Die maschinelle Intelligenz trifft dabei keine eigenen Entscheidungen. Sie unterstützt den Menschen, indem sie mithilfe von Machine-Learning-Algorithmen große Datensätze analysiert und daraus eine datengetriebene Entscheidungsgrundlage liefert. Auf dieser Grundlage kann der menschliche Anwender bessere und beschleunigte Entscheidungen treffen.

Das Konzept wird bereits in der Geschäftsanalytik (Business Intelligence), im Versicherungssektor und in anderen Dienstleistungssektoren eingesetzt. Grundsätzlich dienen die Algorithmen dazu, große Datenmengen auszuwerten und Entscheidungsgrundlagen zu erzeugen. Die Verantwortung für die Entscheidung bleibt beim Menschen.

Eine weniger verbreitete Bedeutung von Erweiterter Intelligenz ist die Erhöhung menschlicher Intelligenz durch technische Hilfsmittel. Geräte sollen dabei über eine Gehirn-Computer-Schnittstelle direkt mit dem Gehirn verbunden werden und dessen Leistungsfähigkeit erhöhen. Dieser Ansatz geht auf die 1960 veröffentlichte Publikation „Man-Computer Symbiosis“ des Psychologen und Informatikers J. C. R. Licklider zurück. Gegenwärtig ist diese Interpretation technisch nur in Ansätzen denkbar, etwa im Zusammenhang mit Neuralink. In der Zukunftsforschung gilt sie als mögliche zukünftige Technologie zur Herbeiführung der Superintelligenz und der technologischen Singularität.

Descriptive Analytics: Was ist passiert?

Descriptive Analytics beantwortet rückblickend die Frage: „Was ist passiert?“ Im Rahmen der Erweiterten Intelligenz werden historische Daten, also Daten aus der Vergangenheit, analysiert und segmentiert. Die Segmentierung wird auch Clustering genannt: Algorithmen erkennen selbstständig Zusammenhänge oder Gruppen in den Datensätzen.

Dafür werden häufig intransparente Algorithmen verwendet, die als Blackbox-Algorithmen bezeichnet werden. Ihre interne Funktionsweise ist für den Anwender nur schwer nachvollziehbar. Die Ergebnisse werden anschließend meist in Dashboards dargestellt. Die Daten können sowohl aus strukturierten als auch aus unstrukturierten Datenquellen stammen.

Diese Form der Verarbeitung wird auch unüberwachtes Lernen genannt. Dabei erhält der Algorithmus keine vorgegebenen richtigen Ergebnisse, sondern erkennt und stellt Zusammenhänge in den Daten selbstständig dar. Unternehmen wie Microsoft mit „Power BI“ und QlikTech mit „Qlik View“ bieten solche Funktionen im Rahmen ihrer Datenanalyse- beziehungsweise Business-Intelligence-Portfolios an. Kunden können damit große Datenmengen aus Cloud-Speicherdiensten sinnvoll aufbereitet darstellen lassen.

Predictive Analytics: Was wird passieren?

Predictive Analytics versucht, mit Vorhersagen die Frage „Was wird passieren?“ zu beantworten. Dazu trainieren Datenwissenschaftler intransparente Blackbox-Algorithmen mit historischen Daten. Der Algorithmus soll daraus Muster ableiten und zukünftige Ereignisse vorhersagen.

Dieses Verfahren wird als überwachtes Lernen bezeichnet. Für das Training werden meist große Datenmengen benötigt, die als Big Data bezeichnet werden. Nur mit ausreichend umfangreichen Daten sollen aussagekräftige und korrekte Vorhersagen entstehen. Diese Vorhersagen können anschließend von einem menschlichen Anwender als Entscheidungsgrundlage genutzt werden.

Bei Entscheidungen mit besonders großer Tragweite stehen solche Algorithmen in der Kritik. Ein wesentlicher Grund ist, dass ihre Ergebnisse oft nicht ausreichend erklär- und interpretierbar sind. Diese Problematik wird im Zusammenhang mit Explainable Artificial Intelligence (XAI) diskutiert. Eine fehlende Erklärbarkeit kann dazu führen, dass potenziell falsche Entscheidungsgrundlagen verwendet werden.

Predictive Analytics wird unter anderem in datenreichen Wirtschaftssektoren eingesetzt. Im Versicherungssektor veröffentlichte das US-amerikanische Unternehmen TIBCO im Jahr 2019 eine Fallstudie. Für den Versicherungsdienstleister AA Ireland wurde ein durch Machine Learning unterstütztes dynamisches Preismanagementsystem eingeführt, das optimale Preise für Versicherungsprodukte vorhersagen sollte.

Prescriptive Analytics: Welche Handlung folgt?

Prescriptive Analytics soll grundsätzlich Antworten auf drei Fragen geben: „Was wird passieren, warum wird es passieren und was sind die Implikationen bei Eintritt der Vorhersage?“ Im Zusammenhang mit Erweiterter Intelligenz überschneiden sich Prescriptive und Predictive Analytics. Der Unterschied besteht darin, dass die Vorhersage des Machine-Learning-Algorithmus um eine Handlungsempfehlung ergänzt wird.

Diese Empfehlung soll ein gewünschtes Ergebnis begünstigen oder ermöglichen. Wenn ein Unternehmen beispielsweise seine Kundenbindung verbessern möchte, muss es Entscheidungen treffen, die zu einer höheren Zufriedenheit der Kunden mit dem Produkt und dem Unternehmen führen. Der Algorithmus soll die verfügbaren Daten so analysieren, dass daraus eine passende Handlungsempfehlung entsteht, die dieses Ziel unterstützt.

Der Artikel weist darauf hin, dass dieser Abschnitt nicht ausreichend mit Belegen ausgestattet ist und Belege für Prescriptive Analytics fehlen. Die Angaben sollten daher mit geeigneten Nachweisen überprüft werden. Inhaltlich befindet sich dieser Ansatz derzeit noch im Bereich der Entscheidungsforschung.