Herausforderung: Selbstständiges Lernen

Allerdings sind hier zwei Fallstricke zu beachten: Erstens sollten die zuständigen menschlichen Experten bei der ersten Eingabe auf eine hohe Qualität achten, um die wirklich wichtigen und unwichtigen Begriffe festzulegen. Denn häufig entpuppt sich ein scheinbar wichtiger Begriff in der Realität als nicht so entscheidend. Umgekehrt können scheinbar unwichtige Begriffe entscheidend sein. Daher sollte im ersten Schritt der Experte oder die Expertin manuell die Suchergebnisse prüfen und nebenbei das Machine-Learning-System mitlaufen lassen. So kann es selbst lernen, welche Kriterien relevant sind.

Daraus ergibt sich jedoch der zweite Fallstrick: Das ML-System übernimmt beim selbstständigen Lernen mögliche unbewusste Vorurteile und Vorlieben des Experten (Unconscious Bias) oder erzeugt solche durch Begriffe, die nur zufällig mit wichtigen Stichwörtern einhergehen, aber keinen echten Zusammenhang damit haben. Wenn zum Beispiel ein Großteil der Studien aus den USA kommt, heißt das nicht, dass Studien aus anderen Ländern weniger Relevanz hätten. So entstehen möglicherweise False Negatives und False Positives. Daher sollten Unternehmen sehr sorgfältig beim Training der ML-Systeme vorgehen und sowohl die Stichwörter als auch die Ergebnisse sehr genau prüfen. Nur mit einem iterativen Prozess, der dem menschlichen Lernen gleicht, kann das System durch regelmäßiges Wiederholen und Überprüfen optimiert werden.

Zudem ist ein angemessenes Machine-Learning-Modell auszuwählen. Im Falle des Pharmaunternehmens handelt es sich um die Methode Two Class Logistic Regression, auf dessen Basis der Algorithmus die Wahrscheinlichkeit der Auswahl beziehungsweise der Treffsicherheit vorhersagt. Wenn das gewählte Modell dann verifiziert gute Ergebnisse liefert, kann das automatisierte Vorab-Screening sukzessive entfernt werden. Auf diese Weise kann man dann prüfen, ob das System auch weiterhin alle relevanten Inhalte erfasst – oder gar bislang unentdeckte Studien aufdeckt.

Herausforderung: Datenquellen

Eine große Herausforderung ist die Integration der Datenquellen. Dabei müssen Unternehmen folgende wichtige Fragen beantworten:

• Wie lassen sich die Daten in automatisierte Systeme integrieren?

• Liegen die entsprechenden Nutzungsrechte insbesondere für den automatisierten Zugriff vor?

• Was filtert der Dienstleister des Portals bereits selbst heraus?

• Wonach wird gefiltert?

• Geht durch die Filterung etwas verloren und ist „der Rest“ regelmäßig zu screenen?

• Wie sind die resultierenden Datensätze zu bewerten?

Data Analytics

Datenflut bewältigen: So funktioniert Datenmanagement für das Internet der Dinge

Eine Plattform für alle Mitarbeitenden

Da die automatisierte Analyse die menschliche Prüfung nicht ersetzt, müssen alle Mitarbeitenden sowohl über Datenquellen und Filtereinstellungen als auch über den Bearbeitungsstatus informiert sein. Ein großer Vorteil des Systems ist an dieser Stelle, dass sämtliche Schritte in einer auf Microsoft 365 basierenden Plattform ausgeführt werden. Diese integriert alle Inhalte des Portals, sodass sie sich direkt abrufen lassen. Dabei wird jede Zeile in einen Datensatz überführt. Es gibt dementsprechend keine Medienbrüche mehr, wenn die Experten auf die Übersicht, die Weiterleitung oder die gesamte Studie klicken. Diese Funktionen und Inhalte liegen alle in einer einheitlichen Anwendung vor.

Herausforderung: Mensch

Um alle Mitarbeitenden in Planung, Einführung und Nutzung der automatisierten Systeme einzubinden, ist ein dediziertes Change Management hilfreich. Dann erkennen alle Beteiligten den konkreten Nutzen für ihre tägliche Arbeit und verlieren ihre mögliche Angst, durch einen „Roboter ersetzt zu werden“. In dieser Phase sollte auch Vertrauen bei den Mitarbeitenden aufgebaut werden, dass die maschinellen Systeme keine wichtigen Ergebnisse übersehen oder Themen verwechseln. So kann das ML-System anfangs parallel zu den herkömmlichen manuellen Prozessen laufen, um die Ergebnisse vergleichen zu können und eventuelle Fehler auszubessern. Dann erkennen die Mitarbeitenden auch die Zuverlässigkeit des Systems.

Fazit

Eine automatische Analyse großer Datenmengen erfordert einen gewissen manuellen Aufwand zur Vorbereitung. Dies reicht von der Einbindung der Datenquellen über das positive oder negative Markieren von Daten bis zur Festlegung geeigneter Stichwörter. Dennoch liefert der nachvollziehbare Auswahlprozess und das Training von Machine-Learning-Systemen langfristig Erfolgsfaktoren: Bereits die Reduktion an einzelnen Mailings trägt zur Strukturierung und zum Ausbau eines gezielten Data-Analytics-Prozesses bei. So können Unternehmen künftig fundierte Entscheidungen auf einer optimierten Datengrundlage treffen.

(ID:46982991)