Qualitätsmanagement bei kontinuierlich lernender künstlicher Intelligenz

Der Vortrag vermittelt ein praxisorientiertes Rahmenwerk bei der Bewertung von möglichen Anwendungsfällen für kontinuierlich lernende Verfahren der künstlichen Intelligenz (KI), um das Potenzial und Risiko ggü. regelbasierter Systeme im Einzelfall bewerten zu können. Die Einführung von KI verspricht die Ablösung der regelbasierten IT durch datenbasierte Entscheidungen und Prognosen. Einzelfälle und Anwendungslogik, die früher noch manuell in der entsprechenden Software hinterlegt werden mussten, können heute durch die KI und relevanten Daten erlernt bzw. trainiert werden.

Die Genauigkeit eines solchen Trainings kann durch sog. Retrainings, somit das erneute Anwenden der KI auf zusätzliche und somit insgesamt mehr Daten, kontinuierlich verbessert werden. Auf der einen Seite ermöglichen diese Retrainings bessere datenbasierte Entscheidungen bzw. Prognosen. Auf der anderen Seite beinhalten kontinuierlich lernende Verfahren das Risiko, dass neu hinzukommende Daten fahrlässig oder sogar vorsätzlich verändert wurden. Die kontinuierlich gesammelten Daten haben durch das Retraining direkten Einfluss auf die Entscheidungen und Prognosen der KI. Dies verlangt nach neuen Konzepte, die klassische Abnahmetests auf Basis eines definierten Entwicklungsstandes ablösen bzw. ergänzen.

Dieser Vortrag bietet ein praxisorientiertes Rahmenwerk, das es ermöglicht, die KI vollautomatisch auf täglich neu eingehenden Daten zu trainieren, diese zu testen und für Kunden zu releasen. Entscheider und Anwendern können mit diesem Leitfaden strukturiert beurteilen, welche Anwendungsszenarien der kontinuierlich lernende KI wirtschaftlich betrieben werden können.