Zusammenarbeit von Reply mit SDA Bocconi DEVO Lab für Data Robotics

Data Robotics Lab ist ein von Reply in Zusammenarbeit mit dem DEVO Lab von Bocconi entwickeltes Innovationslabor, ein Forschungszentrum, das sich auf Themen des digitalen Wandels innerhalb der SDA Bocconi School of Management konzentriert. Das Labor positioniert sich als Kompetenzzentrum, das neue Perspektiven und wissenschaftliche Methoden der Business School mit der technologischen Expertise von Reply vereint.

Ziel dieser Zusammenarbeit ist es, einen Bezugspunkt für die Erforschung, Erprobung und Analyse von Möglichkeiten zur intelligenten Automatisierung von Geschäftsprozessen zu schaffen, wobei diese Automatisierung durch das zunehmend größere Leistungsvermögen der modernen Machine-Learning-Techniken ermöglicht wird. Diese Techniken sind ein erster Schritt in Richtung des Paradigmas der „Autonomics“ (Unternehmenssysteme, bei welchen die Technologie selbständig agiert und eine große Anzahl an Aktivitäten ausführt, die für das Funktionieren des Unternehmensorganismus essentiell sind, ohne dass spezifische menschliche Inputs erforderlich sind), und sie ermöglichen es, den Aktionsradius von herkömmlichen Lösungen der Robotik-Software (die Robotic Process Automation) auf neue und weniger strukturierte Bereiche auszuweiten.

Die Studie konzentriert sich somit auf die Perspektiven der Data Robotics bezüglich der Künstlichen Intelligenz und des Machine Learning, auf die Perspektiven bezüglich der Marktstrukturen für Softwarelösungen mit Künstlicher Intelligenz, aufr die Technologien der Künstlichen Intelligenz und deren Positionierung innerhalb der Unternehmensprioritäten (Methode HIT Radar, entwickelt von DEVO Lab in Zusammenarbeit mit MIT Design Lab) und schließlich auch auf die Perspektiven bezüglich des Panoramas hocheffizienter Geschäftsanwendungen, die von den Technologien der Künstlichen Intelligenz ermöglicht werden.

Bei der Vertiefung dieser Themen darf man es nicht versäumen, auch auf die „menschliche“ Natur der Künstlichen Intelligenz hinzuweisen. Die Techniken des Machine Learning stellen ein neues Paradigma in der Welt des Computing dar. Denn es ist eine Maschine, die das für die Lieferung eines bestimmten Outputs am besten geeignete Programm (nach Eingabe einer Reihe von „Einschränkungen“ oder Regeln) identifiziert, wobei die Maschine nicht erschöpfend programmiert werden muss, um einen bestimmten Output auszugeben. Die Lernflexibilität von Maschinen bei der „selbständigen“ Verarbeitung von Input-Daten wird bewundert und gefürchtet zugleich. Dies gilt insbesondere für Situationen, in denen mithilfe der Künstlichen Intelligenz immer mehr Entscheidungen automatisiert werden, die eine direkte Auswirkung auf das Business haben können. Dennoch liegt nach Ansicht von Data Robotics Lab die echte Problematik nicht in der Software selbst, sondern in den menschlichen Ressourcen sowie in den Prozessen, die diese Software versorgen. Als Lernmaschine, die auf Unternehmensdaten trainiert werden muss, reflektiert das Machine Learning die eingelernten Regeln der Dateninterpretation, die bei der Fütterung der Maschinen mit neuen Informationen mitgeliefert werden, sowie die Charakteristiken der Daten selbst, die der Maschine zugeführt werden.

Daraus ergeben sich zwei grundlegende Management-Problematiken:

• Algorithmische Entscheidungen: Da es Sache des Menschen ist, die Art und Intensität der Beschränkungen für die „Gedankengänge“ und das „Lernen” der Maschine zu definieren, muss man sich auch des Risikos bewusst sein, dass sich in den Bereich der Künstlichen Intelligenz auch viele Vorurteile sowie typisch menschliche, aber äußerst umstrittene Entscheidungen transferieren lassen.
• Datenqualität: Die Unternehmensdaten sind oftmals über mehrere Niederlassungen verteilt, sie sind ungeordnet und inkohärent aufgrund von Anwendungs-Updates, und sie wurden in unterschiedlichen Stadien von Mitarbeitern verschiedener Funktionen bearbeitet. Ein Unternehmen hat daher zu gewährleisten, dass in ausreichendem Maße sowohl in eine geordnete Strukturierung der Datenflüsse als auch in eine Analytik-Komponente investiert wird, so dass auch die Datenqualität als grundlegendes Element für die Güteklasse der getroffenen Entscheidungen betrachtet wird.

Auch wenn das Machine Learning im technologischen Bereich weiterhin Fortschritte macht und von immer ausgefeilteren Algorithmustechniken sowie von einer wachsenden und immer komplexeren Computerleistung unterstützt wird, so muss man dennoch vom Management aus gesehen auf Folgendes hinweisen:

• Die Künstliche Intelligenz ist keine magische Lösung, sondern eine Software, die immer nur genauso gut ist, wie die Daten, mit denen sie angelernt wird und arbeitet.
• Es besteht das Risiko des „Algorithmic Bias”, das heißt, das Risiko der Übertragung „problematischer“ Entscheidungen auf die Maschinen.
• Um die volle Effizienz der KI-Lösungen zu gewährleisten, ist eine große Investition in die Qualität von Prozessen zur Generierung und Verarbeitung von Daten erforderlich.
• Datenqualität, Kohärenz von Prozessen sowie die Analytik-Komponente sind die Haupthindernisse für die Verbreitung und Effizienz der Lösungen, die auf Machine Learning basieren.
• Das Paradigma, das in den meisten Fällen große Bedeutung erlangt, ist die Interaktion mit einem menschlichen Bediener (Human-in-the-Loop), das heißt, die Entwicklung einer Mensch-Maschine-Schnittstelle, bei der der Mensch von der Möglichkeit der Datenverarbeitung profitiert, wobei die Maschine stückweise die vom Menschen generierten Einsichten erlernt, der Mensch selbst aber auf Jahre hinaus für alle Entscheidungen letztendlich alleine verantwortlich bleibt.