Digitalisierung

Explainable Artificial Intelligence im Business-Intelligence-Umfeld

Lesedauer: 7 Minuten

02. September 2022 von Bernd Ulmann, Niklas Kikenberg und Patrick Hedfeld

Explainable Artificial Intelligence im Business-Intelligence-Umfeld
© putilov_denis / stock.adobe.com

Machine Learning (ML) hat in den letzten Jahren im Business-Intelligence-Umfeld erheblich an Bedeutung gewonnen, da die Technologie in der Lage ist, komplexe Muster in Daten zu erkennen und Entscheidungsprozesse zu automatisieren. Im Rahmen dessen kam eine Vielzahl neuer Anwendungen vor allem im Bereich Predictive Analytics auf den Markt, die auf ML-Algorithmen basieren und zur betrieblichen Entscheidungsfindung beitragen. Im AI-Gipfelpapier des Bundesverbands Informationswirtschaft, Telekommunikation und neue Medien (Bitkom) ist bereits von einer notwendigen Neujustierung bestehender betrieblicher Entscheidungsprozesse die Rede. Anlässlich dieser Entwicklungen werden Forderungen nach Nachvollziehbarkeit, Erklärbarkeit und Transparenz im Bereich Predictive Analytics lauter – Explainable Artificial Intelligence soll die Lösung…

Jetzt abonnieren:

Information und Inspiration:
Expertenwissen für Führungskräfte der Branche und Vorreiter der Wirtschaft

ERP Management

ist das führende deutsche Leitmedium für Orientierung auf dem ERP-Markt

  • betrachtet Auswahl, Einführung, Betrieb und Ablösung von ERP-Systemen
  • hilft bei allen wegweisenden IT-Entscheidungen
  • hat die smartesten Anbieter-Lösungen immer im Blick

Wählen Sie Ihr passendes Abo:

Digital
  • Zugang ERP Website
  • Exklusiver Newsletter
  • Zugang Lexikon der
    Wirtschaftsinformatik
0,00€/mtl.

 

Am beliebtesten

Expert
  • Zugang E+ Bereich
  • Exklusiver Newsletter
  • Zugang Lexikon der
    Wirtschaftsinformatik
  • E-Journal zum bequemen
    Lesen auf dem Tablet
  • Kostenloser Download von
    Marktübersichten, Checklisten
    und Vorlagen
  • Zusendung jeweils der
    neuesten
    ERP-Printausgabe
9,90€/mtl.*

* bei jährlicher Abrechnung

Professional
    • Alle EXPERT LeistungenZusätzlich:
    • Zugang GITO-Archiv mit > 5.000 Artikeln
    • Direkter Kontakt zu Autoren / Autorinnen
    • Zugang zu FACTORY INNOVATION, dem
      führenden Fachmedium für IIot, Industrie 4.0
      und Smart Factory

Für Experten der Digitalisierung

29,00€/mtl.*

* bei jährlicher Abrechnung

Advanced AnalyticsExplainable Artificial IntelligenceKünstliche Intelligenz


[1] Vgl. Boobier, Tony (2018): Advanced Analytics and AI: Impact, Implementation, and the Future of Work. New York: John Wiley & Sons. ISBN 978-1-119-39093-0. DOI 10.1002/978-1-119-39096-1; vgl. Gluchowski, Peter (2016): Business Analytics - Grundlagen, Methoden und Einsatzpotenzial, in: HMD Praxis der Wirtschaftsinformatik, Vol. 53, Nr. 3, S. 273-286. DOI 10.1365/s40702-015-0206-5.

[2] Vgl. Greasley, Andrew (2019): Simulating Business Processes for Descriptive, Predictive, and Prescriptive Analytics, Berlin: Walter de Gruyter GmbH & Co KG. ISBN 978-1-547-40069-0. DOI 10.1515/978-1-547-40069-0; vgl. Gluchowski, Peter (2016): Business Analytics - Grundlagen, Methoden und Einsatzpotenzial, in: HMD Praxis der Wirtschaftsinformatik, Vol. 53, Nr. 3, S. 273-286. DOI 10.1365/s40702-015-0206-5.

[3] Vgl. Döbel, Inga, Leis, Miriam, Molina Vogelsang, Manuel, Neustroev, Dmitry, Petzka, Henning, Riemer, Annamaria, Rüping, Stefan, Voss, Angelika, Wegele, Martin & Welz, Juliane (2018): Maschinelles Lernen - Eine Analyse zu Kompetenzen, Forschung und Anwendung, München: Fraunhofer-Gesellschaft, <https://www. bigdata-ai.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/Fraun hofer_Studie_ML_201809.pdf>(2018) [Zugriff am 2021-11-14]; vgl. Doran, Derek, Schulz, Sarah & Besold, Tarek R. (2017): What Does Explainable AI Really Mean? A New Conceptualization of Perspectives, in: arXiv CoRR (cs.AI), Vol. abs/1710.00794v1, <https://arxiv.org/pdf/1710.00794.pdf>(2017-10-02) [Zugriff am 2021-11-07]. DOI 10.48550/arXiv.1710.00794.

[4] Vgl. Kronz, Austin & Krensky, Peter (2021): Hype Cycle for Analytics and Business Intelligence, 2021, Stamford: Gartner Inc., <https://www.gartner.com /doc/reprints?id=1-275J0GM5&ct=210812&st=sb> (2021-07-29) [Zugriff am 2021-11-10].

[5] Vgl. Leukert, Bernd, Müller, Jürgen & Noga, Markus (2019). Das intelligente Unternehmen: Maschinelles Lernen mit SAP zielgerichtet einsetzen, in: Buxmann, Peter & Schmidt, Holger (Hrsg.), Künstliche Intelligenz - Mit Algorithmen zum wirtschaftlichen Erfolg, Berlin: Springer Gabler, 2. Aufl., S. 215-229. ISBN 978-3-662-61793-9. DOI 10.1007/978-3-662-61794-6; vgl. Zillmann, Mario (2015): Der Markt für Business Intelligence und Business Analytics in Deutschland, Mindelheim: Lünendonk GmbH, <https://www.board.com/sites/default/files/Lünendonk®-Marktstichprobe%202015.pdf>(2015) [Zugriff am 2022-02-13].

[6] Vgl. Bitkom (2017): Künstliche Intelligenz - Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung, Berlin: Bitkom e.V., <https://www.Bitkom.org/sites/default/files/file/import/171012-KI-Gipfelpapier-online.pdf> [Zugriff am 2021-11-21].

[7] Vgl. Arrieta, Alejandro Barredo, Díaz-Rodríguez, Natalia, Del Ser, Javier, Bennetot, Adrien, Tabik, Siham, Barbado, Alberto, Garcia, Salvador, Gil-Lopez, Sergio, Molina, Daniel, Benjamins, Richard, Chatila, Raja & Herrera, Francisco (2020): Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, in: Information Fusion, Vol. 58, S. 82-115. ISSN 1566-2535.

[8] Vgl. Fellous, Jean-Marc, Sapiro, Guillermo, Rossi, Andrew, Mayberg, Helen & Ferrante, Michele (2019): Explainable Artificial Intelligence for Neuroscience: Behavioral Neurostimulation, in: Frontiers in Neuroscience, Vol. 13, Article 1346. DOI: 10.3389/fnins.2019.01346; vgl. Gunning, David & Aha, David W. (2019): DARPA’s Explainable Artificial Intelligence Program, in: AI Magazine, Vol. 40, Nr. 2, S. 44-58. ISSN 0738-4602. DOI 10.1609/aimag.v40i2.2850.

[9] Vgl. Arrieta, Alejandro Barredo, Díaz-Rodríguez, Natalia, Del Ser, Javier, Bennetot, Adrien, Tabik, Siham, Barbado, Alberto, Garcia, Salvador, Gil-Lopez, Sergio, Molina, Daniel, Benjamins, Richard, Chatila, Raja & Herrera, Francisco (2020): Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, in: Information Fusion, Vol. 58, S. 82-115. ISSN 1566-2535.

[10] Vgl. Rudin, Cynthia (2019): Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead, in: arXiv CoRR (stat.ML), Vol. 1811.10154v3, < https://arxiv.org/pdf/1811.10154.pdf>(2019-09-22) [Zugriff am 2021-11-14], zitiert nach Arrieta, Alejandro Barredo, Díaz-Rodríguez, Natalia, Del Ser, Javier, Bennetot, Adrien, Tabik, Siham, Barbado, Alberto, Garcia, Salvador, Gil-Lopez, Sergio, Molina, Daniel, Benjamins, Richard, Chatila, Raja & Herrera, Francisco (2020): Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, in: Information Fusion, Vol. 58, S. 82-115. ISSN 1566-2535.

[11] Vgl. Arrieta, Alejandro Barredo, Díaz-Rodríguez, Natalia, Del Ser, Javier, Bennetot, Adrien, Tabik, Siham, Barbado, Alberto, Garcia, Salvador, Gil-Lopez, Sergio, Molina, Daniel, Benjamins, Richard, Chatila, Raja & Herrera, Francisco (2020): Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, in: Information Fusion, Vol. 58, S. 82-115. ISSN 1566-2535; vgl. Gunning, David & Aha, David W. (2019): DARPA’s Explainable Artificial Intelligence Program, in: AI Magazine, Vol. 40, Nr. 2, S. 44-58. ISSN 0738-4602. DOI 10.1609/aimag.v40i2.2850.

[12] Vgl. Fellous, Jean-Marc, Sapiro, Guillermo, Rossi, Andrew, Mayberg, Helen & Ferrante, Michele (2019): Explainable Artificial Intelligence for Neuroscience: Behavioral Neurostimulation, in: Frontiers in Neuroscience, Vol. 13, Article 1346. DOI: 10.3389/fnins.2019.01346; vgl. Gunning, David & Aha, David W. (2019): DARPA’s Explainable Artificial Intelligence Program, in: AI Magazine, Vol. 40, Nr. 2, S. 44-58. ISSN 0738-4602. DOI 10.1609/aimag.v40i2.2850.

[13] Mayring, Philipp (2015): Qualitative Inhaltsanalyse: Grundlagen und Techniken, 12. Aufl., Weinheim: Beltz. ISBN 978-3-407-25730-7.

[14] Vgl. Rudin, Cynthia (2019): Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead, in: arXiv CoRR (stat.ML), Vol. 1811.10154v3, < https://arxiv.org/pdf/1811.10154.pdf>(2019-09-22) [Zugriff am 2021-11-14].

[15] Lipton, Zachary C. (2017): The Mythos of Model Interpretability, in: arXiv CoRR (cs.LG), Vol. 1606.03490v3, <https://arxiv.org/pdf/1606.03490.pdf>(2017-10-02) [Zugriff am 2021-11-14].

[16] Vgl. Vollhardt, Susanne, Schmidt, Karsten, Kask, Sean & Noga, Markus (2021): Das intelligente Unternehmen: Effiziente Prozesse mit Künstlicher Intelligenz von SAP – Wie Unternehmen die hohen Erwartungen an die KI erfüllen können, in: Buxmann, Peter & Schmidt, Holger (Hrsg.), Künstliche Intelligenz - Mit Algorithmen zum wirtschaftlichen Erfolg, Berlin: Springer Gabler, 2. Aufl., S. 215-229. ISBN 978-3-662-61793-9. DOI 10.1007/978-3-662-61794-6.

[17] Vgl. Bitkom (2018): Reifegradmodell zum Digital Analytics & Optimization Maturity Index (DAOMI). Berlin: Bitkom e.V., <https://www.Bitkom.org/sites /default/files/file/import/20181018-Reifegradmodell-zum-Digital-Analytics-Optmization-Maturity-In.pdf> [Zugriff am 2022-02-21].

[18] Vgl. Poretschkin, Maximilian, Schmitz, Anna, Akila, Maram, Adilova, Linara, Becker, Daniel, Cremers, Armin B., Hecker, Dirk, Houben, Sebastian, Mock, Michael, Rosenzweig, Julia, Sicking, Joachim, Schulz, Elena, Voss, Angelika & Wrobel, Stefan (2021): KI-Prüfkatalog - Leitfaden zur Gestaltung vertrauenswürdiger Künstlicher Intelligenz, Sankt Augustin: Fraunhofer IAIS, <https://www. iais.fraunhofer.de/content/dam/iais/fb/Kuenstliche_intelligenz/ki-pruefkatalog /202107_KI-Pruefkatalog.pdf>(2021-07) [Zugriff am 2022-01-16].

[20] Vgl. AI High Level Expert Group (2020): Assessment List for Trustworthy Artificial Intelligence (ALTAI), Brüssel: Europäische Kommission. ISBN 978-92-76-20008-6. DOI 10.2759/002360; vgl. Bundesamt für Sicherheit in der Informationstechnik (2021): AI Cloud Service Compliance Criteria Catalogue (AIC4), Bonn,<https://www.bsi.bund.de/SharedDocs/Downloads/EN/BSI/CloudComputing/AIC4/AI-Cloud-Service-Compliance-Criteria-Catalogue_AIC4.pdf;jsessionid=67A76BDA9F6589F20229D6BD 6DE7C7A4.internet082?__bloLib=publicationFile&v=4>(2021-02) [Zugriff am 2022-01-16].

[20] Vgl. Ballestrem, Johannes Graf, Bär, Ulrike, Gausling, Tina, Hack, Sebastian & Oelffen, Sabine von (2020): Künstliche Intelligenz: Rechtsgrundlagen und Strategien in der Praxis, Wiesbaden: Springer. ISBN 978-3-658-30506-2. DOI 10.1007/978-3-658-30506-2.

[21] Vgl. Gunning, David & Aha, David W. (2019): DARPA’s Explainable Artificial Intelligence Program, in: AI Magazine, Vol. 40, Nr. 2, S. 44-58. ISSN 0738-4602. DOI 10.1609/aimag.v40i2.2850.

 




Das könnte Sie auch interessieren

Anbieterportal


alle Anbieter
Sharer Icon: facebookSharer Icon: TwitterSharer Icon: LindekInSharer Icon: XingSharer Icon: EnvelopeSharer Icon: Print

Wir verwenden Cookies, um die Nutzererfahrung stetig zu verbessern. Mehr Erfahren.

We use cookies to constantly improve our users’ experience. Learn more.

Essentielle Cookies

Essential Cookies

Cookie Settings
Speichert Einstellungen, die hier getroffen werden. (1 Jahr)

Cookie Settings
Saves selected settings. (1 Year)

Statistik

Statistics

Google Analytics | Google LLC | Datenschutz
Cookie von Google für Website-Analysen. Erzeugt statistische Daten darüber, wie der Besucher die Website nutzt. Alle Informationen werden anonymisiert gespeichert. (2 Jahre)

Google Analytics | Google LLC | Privacy Notice
Cookie used by Google for web site analysis. Collects statistical data on how visitors use the website. This data does not contain personal information. (2 years)