Controller Magazin _ Special 13 Informationsverarbeitungs- und Interpretationskapazität werden diese Daten häufig verdichtet oder auf ausgewählte Datenbereiche eingeschränkt. Künstliche Intelligenz und maschinelles Lernen basieren dagegen auf der algorithmischen Erkennung und Nutzbarmachung von Mustern in Datenbeständen und deren Abbildung in Modellen. Das häufig genannte Forecasting stellt dabei ein mögliches, aber bei weitem nicht das einzige Anwendungsfeld des maschinellen Lernens in der Unternehmenssteuerung dar. Einsatzbereiche können u.a. sein: ▶ Generelle Vorhersage von numerischen bzw. nicht numerischen Werten: z. B. für Absatzmengen, Kosten, Zuverlässigkeit von Lieferanten, Kaufwahrscheinlichkeiten… ▶ Identifikation von Auf fälligkeiten / Ausreißern: z. B.: für die Identifikation von Sonderef fekten, auf fälligen Mustern die auf Betrug hinweisen… ▶ Identifikation von Ähnlichkeiten / Gemeinsamkeiten: z. B. für das Erkennen ähnlichen Verhaltens von Kunden, Lieferanten, Mitarbeitern… ▶ Identifikation zeitlicher Abhängigkeiten: z. B. für das Erkennen zeitlicher Zusammenhänge von Aktivitäten wie Produktkäufe, Bestellverhalten… Da Verfahren des maschinellen Lernens auf Basis großer unverdichteter Datenräume erstellt werden können, eignen sie sich u.a. sehr gut für multivariate Ursache-Wirkungsmodelle, Vorhersagen, Simulationen sowie Prescriptive Analytics. Auf dieser Grundlage können die eigentlichen tieferliegenden Ursachen besser erkannt (Schrage/ Kion 2018b) und moderne Unternehmenssteuerungsmodelle umgesetzt werden (Schrage/ Kion 2018a). Implikationen für die Rationalitätssicherung Nach Aussagen der Gartner Group glauben 40 % der CEO`s dass künstliche Intelligenz einen wesentlichen Einfluss haben wird – 79 % befürchten allerdings eine verlangsamte Umsetzung aufgrund fehlenden Vertrauens (Schmitz 2021). Die Forschung zeigt, dass dabei insbesondere folgende Aspekte von zentraler Bedeutung für die Akzeptanz von künstlicher Intelligenz sind (Ribeiro 2013, Adadi/ Berrada 2018, Arriet et. al 2020, Lockey/ Gillespie/ Someh 2021): ▶ Wie kommt das Ergebnis zustande? (Explainability) ▶ Wie gut ist das Ergebnis? (Accuracy) ▶ Wie verlässlich ist das Ergebnis? (Reliability) An dieser Stelle sollen ausgewählte Handlungsfelder skizziert werden, die – angelehnt an das Konzept der Rationalitätssicherung – dazu beitragen können, das Vertrauen in künstliche Intelligenz zu verbessern. Hierbei kann zwischen Modellentwicklung und -evaluation sowie Modellverwendung unterschieden werden, siehe Abb. 1. Prof. Dr. Andreas Seufert lehrt an der Hochschule für Wirtschaf t und Gesellschaf t Ludwigshafen und ist dort Direktor des Business Innovation Labs. Darüber hinaus ist er Direktor des Steinbeis-Transfer-Institut Business Intelligence (IBI), Leiter des Fachkreises BI / Big Data und Controlling des Internationalen Controller Verein (ICV) sowie Ambassador Xing Controlling & Analytics. In dieser Rolle koordiniert er die „Controlling & Analytics | XING Ambassador Community“, mit über 44.000 Mitgliedern.
RkJQdWJsaXNoZXIy Mjc4MQ==