Ein Sprichwort sagt "A Fool with a tool is still a fool". Wenn wir das ein wenig abstrahieren, können wir die Begriffe ersetzen und kommen wieder zu einer aktuellen und höchst zutreffenden Erkenntnis. Sagen wir "A KI without data is still a stupid robot", oder so ähnlich. Will sagen: Wir dürfen nicht erwarten, dass Künstliche Intelligenz einen Mangel an Daten oder deren Qualität ausgleichen kann. Da hat sich in den letzten Jahrzehnten auch nichts geändert: Solange ich mich erinnern kann empfehlen renommierte Beratungshäuser die Beschäftigung mit Daten, deren Bereitstellung und Qualitätssicherung.
Also alles nicht neu, oder doch? Neu ist, dass die Mängel heute nicht mehr so offensichtlich sind, zum Teil aber auch der geradezu naive Glaube an die Allmacht eines Sprachmodells über die Unzulänglichkeiten hinwegtäuscht. Was an den Daten unbrauchbar, widersprüchlich, lückenhaft oder falsch zugeordnet ist soll irgendein Algorithmus retten. An dieser Stelle geschieht ein Wunder, möchte man meinen. Aber es geschieht eben nicht.
In seinem Buch "Charakter ist kein Handicap" stellt Rupert Lay die Frage, was passieren muss, damit man einlenkt, seine Meinung ändert, zur Einsicht kommt. Dies wundervoll universelle Frage möchte ich hier auf die Priorisierung der Datenqualität loslassen. Was, liebe Entscheider, muss denn passieren, damit ihr erkennt, dass Datenqualität kein Schmuck am Nachthemd ist, sondern die Basis für alle auf Daten beruhenden Entscheidungen?
Egal, ob wir Prozessketten aufbauen, Kundengruppen identifizieren, Strategien entwickeln oder Entwicklungen priorisieren: Ohne verlässliches Datenmaterial geht es nicht. Da helfen keine automatisierten Workflows, intelligente Roboter, mehrdimensional Grafiken. Was vorne nicht stimmt kann hinten nicht zum richtigen Ergebnis führen. Und selbst die mühselige und aufwändige Arbeit der Verbesserung und Ergänzung ist bestenfalls ein Schritt in die richtige Richtung. Entscheidend ist, schon bei der Quelle anzusetzen und nicht zu sparsam mit Prüfungen zur Plausibilität, Dubletten und Vollständigkeit umzugehen.
Nicht allein, dass die Korrekturkosten am Anfang des Lebenszyklus eines Datensatzes relativ gering sind, hier kann man ohne übergroßen Aufwand mit modernen Methoden viel Arbeit durch Computer erledigen lassen. Eine unscharfe Suche in der Datenbank, ein Vergleich mit ähnlichen Datensätzen, die Validierung oder Einschränkung eingegebener Daten zum Beispiel bei einer Datumswahl können viel Müll vermeiden. Wer dann noch weitere künstliche oder menschliche Qualitätssicherer einsetzt, Erfahrungswerte in Regeln überführt und Querchecks einbaut kann schnell ein Niveau erreichen, das Mitbewerber neidisch macht.
Nächste Ausbaustufe ist die regelmäßige Kontrolle der Daten, Aktualisierung, allerlei Kreuz- und Querchecks zur Lebenszeit des Datensatzes. Ist noch alles plausibel, haben sich nach Informationen aus anderen Systemen möglicherweise Änderungen ergeben? Lässt sich aus einem Briefwechsel ableiten, dass der Kunde umgezogen ist, ohne dass der Bearbeiter dies in den Stammdaten nachgezogen hat?
Und die Beerdigung? Sie wird gerne völlig unterschätzt. Grundsätzlich kann man verlorene Kunden in einer separaten Datenbank vorhalten, aber für aktuelle Entscheidungen sollte man sich auf den tatsächlichen Stand beziehen. Was nicht mehr gebraucht wird muss weg, zumindest durch eine Markierung als ruhend erkennbar sein. Simple Maßnahme, aber wichtig. Im erweiterten Sinne gilt nämlich auch für die Arbeit der KI das Need-to-know-Prinzip. Der Bot soll nur das wissen und in seine Ergebnisse einfließen lassen, was er wissen muss und sinnvolle Basis ist.
Also, liebe Manager: Glaubt nicht an himmlische Möglichkeiten der KI, glaubt lieber an die allgegenwärtige Bequemlichkeit der Mitarbeiter, die geringe Halbwertszeit ursprünglich korrekter Daten und die Notwendigkeit des regelmäßigen Aufräumens. Da steckt in so manchem Vorgang noch viel vom Kleinkind, das lieber spielen als lernen möchte und lieber Spielzeug aus dem Schrank holt, als dorthin zurückzuräumen.
*
Abonniere den Kanal "Eckhards Blog By Dr.-G." auf WhatsApp
[Weitere Blogs: Dienstliche Glossen, Feingeistiges]







