KI selbst trainieren: Regeln gegen Lernen aus Daten
Kein Prompting-Workshop, sondern selbst programmieren: Mit diesem Versprechen startet Schleicher in 45 Minuten Druckbetankung. KI heißt für Schleicher, menschliche Intelligenz zu simulieren. Das Thema ist nicht neu, es beschäftigt die Forschung seit den 1940er- und 1950er-Jahren. Die große Revolution kam mit maschinellem Lernen, einem Teilbereich von KI. Der Unterschied: Früher schrieben Ingenieurinnen und Ingenieure Regeln, wie eine Katze aussieht. Maschinelles Lernen vergisst die Regeln und lernt aus vielen Beispielen.
Wie gut das funktioniert, zeigt ein Projekt mit Gewerkschaften. One Thousand hat aus 200.000 Mitgliedern, die gekündigt hatten, Muster gelernt. Ein Ergebnis: Die IBAN hilft vorherzusagen, wer austritt. Wer seit der Kindheit bei der Sparkasse ist, wechselt seltener als jemand mit einem Konto bei einer Direktbank. Auf diese Regel wäre niemand gekommen. Deep Learning geht noch weiter und lernt mit künstlichen neuronalen Netzen ähnlich wie das Gehirn. Darauf basieren auch Sprachmodelle wie ChatGPT.
KI-Anwendungsfälle finden mit Pain mal Data
Für den Start mit KI braucht es laut Schleicher zwei Dinge: Pain und Data. Ein Beispiel aus dem Kreis der Shareholder von One Thousand: Ein Hersteller nahtloser Stahlrohre lässt Kameras durch die Rohre fahren. Mitarbeitende schauten acht Stunden lang auf graue Bildschirme und entschieden oft unterschiedlich. Der Schmerz war klar, die Daten waren da. Also lernt eine KI aus den Aufnahmen, Defekte zu erkennen.
Der Anwendungsfall im Workshop stammt von Zalando. Beim Versand soll wirklich ein T-Shirt im Paket sein, bei Retouren wirklich zwei Schuhe. Das zu prüfen ist aufwendig, gleichzeitig gibt es jede Menge Bilddaten. Das Ziel: eine KI, die Kleidungsstücke auf Fotos erkennt.
„Und das ist Lernen aus Daten, eigentlich Lernen aus Fehlern.“
Wie lernt eine KI? Daten, Modell, Training, Test
Vier Schritte braucht jede eigene KI. Erstens eine Datenbasis, hier 60.000 Trainingsbilder und 10.000 Testbilder in zehn Kategorien, jeweils 28 mal 28 Pixel. Zweitens ein Modell: Mit der Open-Source-Bibliothek Keras entsteht in wenigen Zeilen Python ein neuronales Netz mit drei Schichten. Die erste macht das Bild flach, die letzte hat zehn Neuronen, eins pro Kategorie.
Drittens das Training. Das Netz rät zuerst zufällig, bekommt die Rückmeldung richtig oder falsch und passt die Verbindungen zwischen den Neuronen an. Schleicher vergleicht das mit einem Kind, das sprechen lernt. In fünf Epochen laufen 300.000 Bilder durch das Netz, die Genauigkeit steigt auf 78 Prozent. Viertens der Test mit neuen Bildern, wie bei einer Klausur ohne bekannte Übungsaufgaben. Wer mehr Schichten, Neuronen oder Epochen einsetzt, kommt im Workshop auf über 80 Prozent. Die beste Testgenauigkeit liegt bei 83,31 Prozent.
Datenqualität: Warum das Label zählt
Gelernt wird nur, weil zu jedem Bild ein Label gehört, im Zalando-Datensatz etwa der Hinweis, dass eine Hose zu sehen ist. Steht bei einem Schuh das Label Hose, kann das Netz die Muster nicht richtig lernen. Dasselbe gilt in HR: Ist im System eine Kündigung vermerkt, die es nie gab, gibt es beim Training Schwierigkeiten.
Mehr Komplexität ist nicht automatisch besser. Mehr Schichten und Epochen lernen tendenziell mehr Muster, dauern aber länger und kosten mehr Geld. Irgendwann lernt das Netz Bilder auswendig, statt Muster zu erkennen. Genau dafür gibt es die Testphase, die Schleicher den Moment der Wahrheit nennt.
Warum ein KI-Projekt nie nur Sache der IT ist
Reicht Zalando eine Genauigkeit von 83 Prozent? Vielleicht. Bei der Erkennung von Hautkrebs reicht sie wohl nicht. Dazu kommt das Budget: Mit 10.000 Euro mehr lassen sich weitere 100 Epochen rechnen. Und Legal muss klären, ob die Daten zum Training genutzt werden dürfen. Deshalb entscheiden Techies, Führungskräfte und Rechtsabteilung gemeinsam.
Alles im Workshop ist Open Source und läuft auch auf dem eigenen Rechner. Solchen Code kann KI heute schon sehr gut schreiben, etwa wenn du Copilot bittest, die Architektur auf über 90 Prozent zu bringen. Dein erster Schritt: Nimm einen Schmerz aus deinem HR-Alltag und prüf, ob du die Daten hast, aus denen eine KI lernen kann.
Kapitel im Mitschnitt
Häufige Fragen
Wie lernt eine künstliche Intelligenz?
Aus Daten statt aus Regeln. Das Modell rät zuerst, bekommt die Rückmeldung richtig oder falsch und passt die Verbindungen zwischen seinen Neuronen an. So lernt es aus Fehlern.
Wie finde ich gute KI-Anwendungsfälle?
Mit der Formel Pain mal Data: Es braucht ein echtes Problem und genug Daten, aus denen die KI lernen kann.
Was ist der Unterschied zwischen Trainings- und Testdaten?
Mit Trainingsdaten lernt das Modell. Testdaten hältst du von Anfang an zurück, um zu prüfen, ob das Modell Muster verstanden oder nur auswendig gelernt hat.
Speaker
Tim Schleicher
CEO / One Thousand




