Offenheit durch XAI bei ML-unterstützten Entscheidungen: Ein Baustein zur Optimierung von Entscheidungen im Unternehmen?
| dc.contributor.author | Lossos, Christian | |
| dc.contributor.author | Geschwill, Simon | |
| dc.contributor.author | Morelli, Frank | |
| dc.date.accessioned | 2021-06-30T13:28:56Z | |
| dc.date.available | 2021-06-30T13:28:56Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | Künstliche Intelligenz (KI) und Machine Learning (ML) gelten gegenwärtig als probate Mittel, um betriebswirtschaftliche Entscheidungen durch mathematische Modelle zu optimieren. Allerdings werden die Technologien häufig in Form von „Black Box“-Ansätze mit entsprechenden Risiken realisiert. Der Einsatz von Offenheit kann in diesem Kontext mehr Objektivität schaffen und als Treiber für innovative Lösungen fungieren. Rationale Entscheidungen im Unternehmen dienen im Sinne einer Mittel-Zweck-Beziehung dazu, Wettbewerbsvorteile zu erlangen. Im Sinne von Governance und Compliance sind dabei regulatorische Rahmenwerke wie COBIT 2019 und gesetzliche Grundlagen wie die Datenschutz-Grundverordnung (DSGVO) zu berücksichtigen, die ihrerseits ein Mindestmaß an Transparenz einfordern. Ferner sind auch Fairnessaspekte, die durch Bias-Effekte bei ML-Systemen beeinträchtigt werden können, zu berücksichtigen. In Teilaspekten, wie z. B. bei der Modellerstellung, wird in den Bereichen der KI und des ML das Konzept der Offenheit bereits praktiziert. Das Konzept der erklärbaren KI („Explainable Artificial Intelligence“ – XAI) vermag es aber, das zugehörige Potenzial erheblich steigern. Hierzu stehen verschiedene generische Ansätze (Ante hoc‑, Design- und Post-hoc-Konzepte) sowie die Möglichkeit, diese untereinander zu kombinieren, zur Verfügung. Entsprechend müssen Chancen und Grenzen von XAI systematisch reflektiert werden. Ein geeignetes, XAI-basiertes Modell für das Fällen von Entscheidungen im Unternehmen lässt sich mit Hilfe von Heuristiken näher charakterisieren. Artificial Intelligence (AI) and Machine Learning (ML) are currently considered to be effective tools to optimize business decisions by applying mathematical models. However, they are often implemented as “black box” approaches with corresponding risks. In this context, the usage of openness can create more objectivity and act as a driver for innovative solutions. Rational decisions within the company serve the purpose of gaining competitive advantages in the sense of a means-ends relationship. In terms of governance and compliance, regulatory frameworks like COBIT 2019 and legal foundations such as the General Data Protection Regulation (GDPR) must be taken into account, which require a minimum level of transparency. Furthermore, fairness aspects, which can be affected by bias effects in ML models, have also to be considered. In some aspects, such as in model development, openness is already practiced in the areas of AI and ML. However, the concept of Explainable Artificial Intelligence (XAI) is able to significantly increase potentials. Various generic approaches (ante hoc, design and post-hoc concepts) are available for this purpose, as well as the possibility of combining them with each other. Accordingly, the opportunities and limitations of XAI must be systematically reflected upon. An appropriate XAI-based model for decision making in companies can be characterized by support of heuristics. | de |
| dc.identifier.doi | 10.1365/s40702-021-00707-1 | |
| dc.identifier.pissn | 2198-2775 | |
| dc.identifier.uri | http://dx.doi.org/10.1365/s40702-021-00707-1 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/36690 | |
| dc.publisher | Springer | |
| dc.relation.ispartof | HMD Praxis der Wirtschaftsinformatik: Vol. 58, No. 2 | |
| dc.relation.ispartofseries | HMD Praxis der Wirtschaftsinformatik | |
| dc.subject | Betriebswirtschaftliche Entscheidungen | |
| dc.subject | Business decisions | |
| dc.subject | Erklärbare Künstliche Intelligenz (XAI) | |
| dc.subject | Explainable Artificial Intelligence (XAI) | |
| dc.subject | Heuristics | |
| dc.subject | Heuristik | |
| dc.subject | Machine Learning (ML) | |
| dc.subject | Maschinelles Lernen (ML) | |
| dc.subject | Offenheit | |
| dc.subject | Openness | |
| dc.title | Offenheit durch XAI bei ML-unterstützten Entscheidungen: Ein Baustein zur Optimierung von Entscheidungen im Unternehmen? | de |
| dc.type | Text/Journal Article | |
| gi.citation.endPage | 320 | |
| gi.citation.startPage | 303 |