Einblicke aus Daten gewinnen: Korrelation ist nicht gleich Kausalzusammenhang

Eine interessante Betrachtung der Fallstricke beim unreflektierten Einsatz von KI, maschinellem Lernen und anderen Korrelationsmethoden ohne Fachwissen.

Wir alle haben den Hype um Big Data und KI mitbekommen: „Experten werden nicht mehr gebraucht, man muss nur seine Daten durch die Algorithmen des maschinellen Lernens oder der KI schicken, und schon geben die Computer die magische Antwort.“ Wie Nate Silver erklärt, sieht die Realität jedoch anders aus: „Die Zahlen können nicht für sich selbst sprechen. Wir sprechen für sie, wir geben ihnen eine Bedeutung.“ Nehmen wir das Beispiel der Vorhersagen für Schulprüfungen. Im Sommer 2020 verwendete die englische Regierung ein Prognosemodell, um die Prüfungsnoten für Schüler zu ermitteln. Es gab erhebliche Einwände gegen die erteilten Noten. Die Regierung schob die Schuld auf einen mutierten Algorithmus. Dabei war uns allen klar, wie ungerecht es ist, die Postleitzahl als Prädiktor für die Prüfungsleistung zu verwenden. Es lag also nicht am Algorithmus, sondern an den Fachexperten, die es versäumt hatten, den Daten und den daraus resultierenden Vorhersagemodellen Sinn und Fairness zu verleihen.

Das Webinar wird auf faszinierende Art und Weise demonstrieren, wie wichtig es ist, Fachwissen mit Datenanalysekenntnissen zu kombinieren, um möglichst hilfreiche Erkenntnisse aus unseren Daten zu ziehen. Wir skizzieren die Situationen, in denen Prognosen ausreichen, und erläutern, wie man den Datenanalysemodellierungsprozess anders angehen sollte, wenn das Ziel darin besteht, das Verständnis zu erhöhen (wie das oft in den Bereichen Forschung, Entwicklung und Produktion der Fall ist). Anhand verschiedener Beispiele erläutern wir einige grundlegende Herangehensweisen bei maschinellem Lernen, die damit verbundenen Fallstricke und wie sich irreführende Schlussfolgerungen vermeiden lassen.

Sie erfahren Folgendes:

• Wie wichtig es ist, Ihr Fachwissen, Ihre Erfahrung und Intuition zusammen mit statistischen Methoden und Verfahren des maschinellen Lernens einzusetzen.
• Wie Sie die „Black Box“ datengestützter Methoden und Algorithmen auf sichere Weise öffnen und Ihr Publikum mit einfachen, interaktiven Visualisierungen Ihrer Ergebnisse begeistern können.