KI, aber bitte sinnvoll 

Sicherlich wurde auch Ihrem Unternehmen der Einsatz von KI ans Herz gelegt. Dabei werden allgemeine Formeln wie „Sales, Marketing oder Recruiting ohne KI geht gar nicht mehr“ erzählt, aber wie Sie konkret Vorteile aus dem Einsatz von KI ziehen können, wie Sie nachhaltig Ihre Effizienz steigern, wie Sie aufgrund von Datenschutz, Datensicherheit und moralischen Aspekten zu beachten haben und wie Sie vorgehen müssen, wird meistens nicht betrachtet. Nur die schnöde Anwendung von KI und ihren Suchmöglichkeiten. 

Dieses Vorgehen ist aber grundsätzlich falsch, denn schon mit der ersten Anfrage über Ihre eigenen Daten werden Sie vermutlich gegen die DSGVO verstoßen haben, soweit Sie keine weiteren Vorabmaßnahmen getroffen haben. 

Die Frage stellt sich also, was Sie tun müssen, um alle Aspekte der Einführung von KI zu berücksichtigen? 

Was ist zu beachten? 

Vor der Verwendung von Künstlicher Intelligenz (KI) gibt es mehrere wichtige Fragen, die Sie beachten sollten: 

1. Zweck und Anwendungsgebiet: Klären Sie, wofür Sie die KI verwenden möchten. Unterschiedliche Anwendungen erfordern unterschiedliche Modelle und Ansätze. 

2. Datenqualität: Achten Sie auf die Qualität und Relevanz der Daten, die Sie verwenden. Verzerrte oder unvollständige Daten können zu fehlerhaften Ergebnissen führen. 

3. Datenschutz und Ethik: Stellen Sie sicher, dass Sie die geltenden Datenschutzbestimmungen (z.B. DSGVO in Europa) einhalten. Achten Sie darauf, dass keine sensiblen persönlichen Daten ohne Zustimmung verarbeitet werden. Prüfen Sie außerdem, ob das KI-Modell Vorurteile oder Verzerrungen aufweist, die zu unfairen Ergebnissen führen könnten. Es ist wichtig, dass KI-Lösungen gerecht sind. 

4. Transparenz: Seien Sie transparent über die Funktionsweise der KI, insbesondere wenn sie in Entscheidungsprozesse eingebunden ist. Nutzer sollten verstehen, wie und warum Entscheidungen getroffen werden und Sie sollten wissen, wie vertrauenswürdig die Ergebnisse Ihrer KI-Prozesse sind. 

5. Verantwortlichkeit: Klären Sie ab, wer für die Entscheidungen, die von der KI getroffen werden, verantwortlich ist. Dies ist besonders in sensiblen Bereichen wie Medizin, Recht und Finanzen wichtig. 

6. Technische Voraussetzungen: Überprüfen Sie, ob Sie die notwendige technische Infrastruktur und das Fachwissen haben, um die KI effektiv zu implementieren und zu betreiben. 

7. Regulatorische Rahmenbedingungen: Informieren Sie sich über die rechtlichen und regulatorischen Anforderungen, die für den Einsatz von KI in Ihrem Land oder Ihrer Branche gelten. 

8. Nutzerakzeptanz: Berücksichtigen Sie die Einstellung der Nutzer gegenüber KI-Technologien. Schulungen und Informationen können helfen, Bedenken abzubauen. Hierbei ist die frühzeitige Einbindung von Nutzern und das Teilen von Know-how wichtig. 

9. Kontinuierliche Überwachung und Verbesserung: Implementieren Sie Mechanismen zur kontinuierlichen Überwachung der KI-Leistungen und zur Anpassung des Modells, um sich ändernden Bedingungen gerecht zu werden. 

Nur indem Sie diese Aspekte berücksichtigen, können Sie sicherstellen, dass Sie KI verantwortungsbewusst und effektiv einsetzen. 

Festlegung der Anwendungsgebiete 

KI ist natürlich eine moderne Sache und sicherlich werden wir in Zukunft viele Anwendungsgebiete haben, bei dem uns KI unterstützen kann. Wichtig ist aber auch zu wissen, dass nicht in allen Fällen KI das sinnvolle Mittel und Maß aller Dinge ist. Sie müssen also genau betrachten, was Sie eigentlich erreichen wollen. 

Alte Prozesse durch KI-Prozesse zu ersetzen ist meistens weniger effektiv, als diese um weitere Möglichkeiten zu erweitern.  

Die Festlegung der Anwendungsgebiete für Künstliche Intelligenz in einem Unternehmen erfordert dabei eine systematische Herangehensweise: 

1. Zieldefinition: 

• Klären Sie die strategischen Ziele Ihres Unternehmens. Was möchten Sie mit KI erreichen? (z.B. Effizienzsteigerung, Kostenreduktion, Verbesserung der Kundenbindung, Automatisierung etc.) 

2. Bedarfsanalyse: 

• Analysieren Sie interne Prozesse und identifizieren Sie Bereiche mit Verbesserungspotenzial. Suchen Sie nach wiederkehrenden Aufgaben, die automatisiert werden können, oder nach Daten, die besser genutzt werden könnten. 

• Auch Bereiche, die Sie intern gar nicht abdecken können, da Ihnen das Personal oder das Know-how fehlt, könnten sinnvoll zu betrachten sein. 

3. Stakeholder einbeziehen: 

• Binden Sie relevante Stakeholder aus verschiedenen Abteilungen (z.B. IT, Marketing, Vertrieb, Produktion) ein, um unterschiedliche Perspektiven und Bedürfnisse zu berücksichtigen. 

4. Best practices: 

• Informieren Sie sich über aktuelle Trends und Best Practices in Ihrer Branche. Welche KI-Anwendungen nutzen Wettbewerber oder Branchenführer? 

• Welche KI-Tools können Sie für sich effektiv einführen? 

5. Machbarkeitsstudie: 

• Prüfen Sie die technische Machbarkeit der identifizierten Anwendungsgebiete. Verfügt Ihr Unternehmen über die notwendigen Daten, Ressourcen und Technologien? 

6. Priorisierung: 

• Priorisieren Sie die identifizierten Anwendungsgebiete basierend auf Faktoren wie potenziellem Nutzen, Kosten, Umsetzbarkeit und strategischer Relevanz. 

7. Pilotprojekte: 

• Starten Sie mit kleinen Pilotprojekten in den vielversprechendsten Bereichen, um die Effektivität der KI-Anwendungen zu testen und Erfahrungen zu sammeln. 

8. Evaluierung und Anpassung: 

• Bewerten Sie die Ergebnisse der Pilotprojekte und passen Sie Ihre Strategie entsprechend an. Lernen Sie aus den Erfahrungen und skalieren Sie erfolgreiche Projekte. 

9. Schulung und Weiterbildung: 

• Stellen Sie sicher, dass Ihre Mitarbeiter über die notwendigen Kenntnisse und Fähigkeiten im Umgang mit KI verfügen. Schulungen und Workshops können dabei helfen. 

10. Langfristige Strategie: 

• Entwickeln Sie eine langfristige KI-Strategie, die kontinuierliche Verbesserung und Innovation berücksichtigt. Halten Sie sich über neue Entwicklungen in der KI-Technologie auf dem Laufenden. 

Durch diese Schritte können Sie fundierte Entscheidungen treffen und die Anwendungsgebiete für KI in Ihrem Unternehmen gezielt festlegen und umsetzen. 

Optimierung der Datenqualität 

Die Optimierung der Datenqualität für KI-Anwendungen in einem Unternehmen ist ein entscheidender Schritt, um zuverlässige und präzise Ergebnisse zu erzielen. Hier sind einige Strategien, die Ihnen dabei helfen können: 

1. Dateninventar und -bewertung: 

• Führen Sie ein umfassendes Inventar aller verfügbaren Datenquellen durch. 

• Bewerten Sie die Datenqualität hinsichtlich Vollständigkeit, Genauigkeit, Konsistenz und Aktualität. 

2. Datenbereinigung: 

• Identifizieren Sie und beheben Sie Inkonsistenzen, Duplikate und fehlerhafte Daten. 

• Implementieren Sie regelmäßige Datenbereinigungsprozesse, um die Qualität kontinuierlich zu gewährleisten. 

3. Standardisierung: 

• Entwickeln Sie klare Standards für die Datenerfassung, -speicherung und -verarbeitung. 

• Nutzen Sie einheitliche Formate für Dateneingaben, um einheitliche Daten zu gewährleisten. 

4. Datenanreicherung: 

• Ergänzen Sie fehlende Daten durch externe Datenquellen oder durch interne Prozesse. 

• Nutzen Sie Techniken wie Data-Mining, um wertvolle Informationen aus bestehenden Daten zu extrahieren. 

5. Echtzeit-Datenvalidierung: 

• Implementieren Sie Systeme, die Daten in Echtzeit überprüfen, um Fehler sofort zu identifizieren und zu korrigieren. 

6. Schulung und Sensibilisierung: 

• Schulen Sie Mitarbeiter im Umgang mit Daten und der Bedeutung von Datenqualität. 

• Fördern Sie ein Bewusstsein für die Auswirkungen schlechter Datenqualität auf KI-Modelle und Geschäftsentscheidungen. 

7. Datenmanagement-Tools: 

• Nutzen Sie spezialisierte Datenmanagement-Software, um Datenflüsse zu überwachen und zu steuern. 

• Implementieren Sie Data Governance-Richtlinien, um die Verantwortung für die Datenqualität festzulegen. 

8. Feedback-Mechanismen: 

• Richten Sie Systeme ein, die es den Nutzern ermöglichen, Feedback zur Datenqualität zu geben. 

• Nutzen Sie dieses Feedback, um kontinuierliche Verbesserungen vorzunehmen. 

9. Dokumentation: 

• Halten Sie alle Datenprozesse und -standards gut dokumentiert. 

• Dokumentation hilft neuen Mitarbeitenden, sich schneller einzuarbeiten und bestehende Prozesse besser zu verstehen. 

10. Kontinuierliche Überwachung: 

• Implementieren Sie Monitoring-Tools, die die Datenqualität ständig überwachen. 

• Führen Sie regelmäßige Audits durch, um die Datenqualität zu bewerten und zu verbessern. 

Durch die Umsetzung dieser Strategien können Unternehmen die Datenqualität signifikant verbessern, was zu effektiveren und effizienteren KI-Modellen führt. 

Datenschutz 

Beim Umgang mit KI und Datenschutz sind mehrere wichtige Aspekte zu beachten, um die Privatsphäre von Individuen zu schützen und gesetzliche Vorgaben einzuhalten. Hier sind einige zentrale Punkte: 

1. Rechtsgrundlage: Stellen Sie sicher, dass Sie eine gültige Rechtsgrundlage für die Verarbeitung personenbezogener Daten haben, wie etwa die Einwilligung der betroffenen Personen oder die Erfüllung eines Vertrages. 

2. Datenminimierung: Verarbeiten Sie nur die Daten, die für den spezifischen Zweck erforderlich sind. Vermeiden Sie die Erhebung überflüssiger Informationen. 

3. Transparenz: Informieren Sie die betroffenen Personen klar und verständlich darüber, welche Daten gesammelt werden, zu welchem Zweck und wie lange sie gespeichert werden. 

4. Anonymisierung/Pseudonymisierung: Wo immer möglich, sollten personenbezogene Daten anonymisiert oder pseudonymisiert werden, um die Identität der betroffenen Personen zu schützen. 

5. Sicherheitsmaßnahmen: Implementieren Sie geeignete technische und organisatorische Maßnahmen, um die Sicherheit der Daten zu gewährleisten und unbefugten Zugriff zu verhindern. 

6. Auftragsverarbeitung: Wenn Sie Drittanbieter oder Dienstleister in den Datenverarbeitungsprozess einbinden, stellen Sie sicher, dass diese ebenfalls die Datenschutzvorschriften einhalten, z.B. durch entsprechende Verträge. 

7. Risikobewertung: Führen Sie eine Datenschutz-Folgenabschätzung (DSFA) durch, wenn Ihre KI-Anwendungen ein hohes Risiko für die Rechte und Freiheiten der betroffenen Personen darstellen. 

8. Benutzerrechte: Gewährleisten Sie, dass die betroffenen Personen ihre Rechte gemäß der Datenschutz-Grundverordnung (DSGVO) ausüben können, wie z.B. das Recht auf Auskunft, Berichtigung und Löschung ihrer Daten. 

9. Algorithmische Fairness: Achten Sie darauf, dass Ihre KI-Modelle fair und unvoreingenommen sind, um Diskriminierung zu vermeiden. 

10. Schulung und Sensibilisierung: Schulen Sie Mitarbeiter im Umgang mit personenbezogenen Daten und den relevanten Datenschutzvorschriften. 

11. Regelmäßige Überprüfung: Überprüfen Sie regelmäßig Ihre Datenschutzpraktiken und -richtlinien, um sicherzustellen, dass sie den aktuellen gesetzlichen Anforderungen und Best Practices entsprechen. 

Durch die Beachtung dieser Punkte können Sie helfen, den Datenschutz im Umgang mit KI zu gewährleisten und das Vertrauen der betroffenen Personen zu stärken. 

Ethische Betrachtung und Tranparenz 

Der Begriff Bias steht für verzerrte Wahrnehmung oder Interpretation von Eindrücken (Kognitive Verzerrung) oder eine systematische Fehleinschätzung aufgrund falscher Einschätzungen oder Betrachtungsmethodiken. So sind Bias und Fairness sind zentrale Themen in der Entwicklung und Anwendung von Künstlicher Intelligenz (KI). Hier sind einige wichtige Aspekte, die dabei zu beachten sind: 

1. Definition von Bias: Bias in KI bezieht sich auf systematische Fehler, die zu unfairen oder diskriminierenden Ergebnissen führen können. Dies kann durch verzerrte Trainingsdaten, algorithmische Entscheidungen oder menschliche Vorurteile verursacht werden. 

2. Quellen von Bias: 

• Datenbias: Wenn die Trainingsdaten nicht repräsentativ sind oder Vorurteile enthalten, kann dies zu verzerrten Modellen führen. Beispielsweise kann ein KI-Modell, das auf Daten basiert, die vorwiegend von einer bestimmten Bevölkerungsgruppe stammen, diese Gruppe bevorzugen. 

• Algorithmischer Bias: Bestimmte Algorithmen können von Natur aus Vorurteile verstärken, je nachdem, wie sie konstruiert oder optimiert sind. 

• Menschlicher Bias: Die Entscheidungen und Annahmen der Entwickler können unbeabsichtigt Vorurteile in das System einbringen. 

3. Fairness-Definitionen: Fairness kann auf verschiedene Weisen definiert werden, z. B. durch Chancengleichheit (gleiche Chancen für alle Gruppen), Ergebnisgleichheit (ähnliche Ergebnisse für verschiedene Gruppen) oder demographische Parität (gleiche Verteilung von Ergebnissen über verschiedene Gruppen). 

4. Messung von Bias und Fairness: Es gibt verschiedene Metriken zur Bewertung von Bias und Fairness in KI-Modellen. Dazu gehören z. B. Gleichheitsmessungen, wie Falsch-Positiv- und Falsch-Negativ-Raten für unterschiedliche Gruppen. 

5. Strategien zur Minderung von Bias: 

• Datenbereinigung: Sicherstellen, dass die Trainingsdaten repräsentativ und fair sind. Dies kann durch Diversifizierung der Datenquellen oder durch gezielte Datenanreicherung erreicht werden. 

• Bias-Tests und -Audits: Regelmäßige Überprüfung von KI-Modellen auf Bias durch Tests und Audits. 

• Fairness-optimierte Algorithmen: Entwicklung und Einsatz von Algorithmen, die speziell darauf ausgelegt sind, Fairness zu fördern und Bias zu minimieren. 

6. Transparenz und Verantwortung: Es ist wichtig, dass Entwickler und Unternehmen transparent über die verwendeten Daten, die Modellarchitektur und die Entscheidungsprozesse sind. Dies fördert das Vertrauen und ermöglicht es, Verantwortung für die Ergebnisse zu übernehmen. 

7. Regulierung und ethische Überlegungen: Gesetzgeber und Organisationen entwickeln zunehmend Richtlinien und Standards, um sicherzustellen, dass KI-Systeme fair und verantwortungsbewusst eingesetzt werden. Es ist wichtig, diese Richtlinien zu beachten und zu befolgen. 

8. Interdisziplinäre Zusammenarbeit: Die Berücksichtigung von Bias und Fairness erfordert oft interdisziplinäre Ansätze, die Fachwissen aus Bereichen wie Ethik, Soziologie, Recht und Informatik vereinen. 

Insgesamt ist es entscheidend, Bias und Fairness als kontinuierliche Herausforderungen zu betrachten. KI-Algorithmen und Auswertungen müssen also regelmäßig betrachtet werden, damit bei Bedarf Anpassungen erfolgen können, um die Integrität und Gerechtigkeit von KI-System dauerhaft zu gewährleisten. 

Dies betrifft dabei nicht nur Randgruppen. Stellen Sie sich eine Gefahranalyse bei Versicherungen vor, sodass Kunden je nach Gefahrenpotential bezahlen müssen. Da KI nicht wirklich Intelligent ist und Ergebnisse aufgrund von Datenauffälligkeiten und -zusammenhängen entstehen, Scheinkorrelationen (die eigentlich Scheinkausalitäten heißen müssten, da ja tatsächlich eine Korrelation vorliegt) aber überhaupt nicht entdeckt werden können, muss hier menschlich nachbetrachtet werden. 

Solche Scheinkorrelationen ergeben sich aus Dingen, die für überhaupt nicht miteinander in Zusammenhang stehen, aber eine parallele Entwicklung aufweisen. Das es dabei auffällig seltsame Scheinkorrelationen gibt zeigt die Seite von Tyler Vigen. Andere scheinbare Zusammenhänge lassen sich noch weniger leicht als falsch erkennen.  

(Quelle: http://www.tylervigen.com/spurious-correlations) 

Nicht nur aus ethischen Gründen, ist es daher wichtig zu verstehen, wie die Daten in KI-Berechnungen und -Auswertungen einfließen. Stellen Sie sich vor, Sei kaufen Aktien aufgrund der Apfelernte in Frankreich, nur weil diese über die letzten Jahre scheinbar in Zusammenhang standen. Wenn Geschäftsentscheidungen aufgrund solcher Scheinkausalitäten getroffen werden, kann das schnell zu Problemen führen. 

Verantwortlichkeiten 

Die Verantwortung für die Nutzung von Künstlicher Intelligenz (KI) in einem Unternehmen ist idealerweise auf mehrere Rollen zu verteilen, damit der Einsatz von Daten stets verantwortungsvoll geschehen kann.  

Jemand aus der IT sollte die wesentliche Rolle für den Einsatz von KI allgemein übernehmen und die Anforderungen an die weiteren Rollen und Nutzer definieren. Die Datenverantwortlichen verschiedener Bereiche (Personal, Finanzen, Recht, Produkte, Kundenbeziehungen, Medizin etc.) übernehmen für ihre Datenbestände die Verantwortung und definieren außerdem, wer Zugriff erhalten darf. 

Datenschutz- und Ethikbeauftragte klären die Nutzung nach regulatorischen Vorgaben und legen zusammen mit einem IT-Sicherheitsexperten auch Rollen fest. 

Wichtig in diesem Zusammenhang ist, dass KI-Modelle die Daten oft unverschlüsselt im Benutzerkontext ablegen. Alle Ergebnisse von Anfragen an die KI landen so beim Benutzer und liegen ungeschützt auf der Festplatte. Hier ist also zu klären, wer Datenzugriff erhält, von wo Anfragen gestellt werden können, wie der Nutzerkontext zu sichern ist usw. 

Technische Voraussetzungen

Da fast alle KI-Modelle in der Cloud funktionieren, ist der Erstaufwand, um die technischen Voraussetzungen zu schaffen, gering. Hier kann es aber wiederum notwendig sein festzulegen, wie Daten gespeichert werden und welche überhaupt im Zugriff sein dürfen. 

Werden KI-Algorithmen innerhalb des Unternehmens auf eigener Hardware bereitgestellt, so ist dieses System natürlich in die Hardware-Landschaft zu integrieren und entsprechend abzusichern. 

Drittens verwenden kostenlose KI-Algorithmen oftmals Ihre Daten zum Training und speichern diese. Dabei kann es sich beispielsweise auch um personenbezogene Daten handeln. 

Fazit und nächste Schritte 

Um KI sinnvoll, effizient und unter den Anforderungen von Datenschutz und Datensicherheit einzusetzen, müssen Sie eine Reihe von Vorbetrachtungen treffen. Erst nachdem Sie die Daten, Algorithmen, Verantwortlichkeiten, Sicherheit usw. geklärt haben, ist es sinnvoll KI im Hause einzusetzen, denn wenn Sie schon vorab Datenzugriffe ermöglichen, die ungewollt sind, kann dies das Vertrauen in Ihr Unternehmen zerstören, wenn dies bekannt wird. Außerdem kann es sein, dass empfindliche Strafen auf Sie zukommen, wenn Sie dem Datenschutz nicht gerecht werden. 

Alleine die Garantie durch den Anbieter, dass diese DSGVO-konforme Algorithmen verwenden, macht die Nutzung durch Ihre Mitarbeiter noch nicht DSGVO-konform. Hierbei spielen viele Faktoren eine Rolle. Alleine schon, dass Mitarbeiter auf Daten zugreifen könnten, auf die Sie nicht zugreifen dürfen, dass ggf. personenbezogene Daten unverschlüsselt im Benutzerkontext liegen oder dass durch die Ergebnisse Löschpflichten nicht eingehalten werden, reicht dafür, dass sie hierbei gegen die aktuelle Gesetzeslage in Europa verstoßen. 

Nachdem diese ganzen Fragen geklärt sind, folgt die eigentliche Implementation, mit der wir uns im folgenden Blog-Beitrag befassen werden. 

Unser Vorgehen   

Wir begleiten Sie gerne bei der Analyse und Vorbereitung Ihrer KI-Pläne, zeigen Ihnen Möglichkeiten und Herausforderungen auf und entwickeln für Sie ein KI-Konzept und einen Plan zur Implementation. Daneben erhalten Sie von uns auch OnePager für den datenschutzkonformen Umgang mit KI und eine Roadmap für weiteres Vorgehen.