KI im Bewerbungsprozess erzeugt Misstrauen

Neue Normalität hinterfragen?

Längst findet sich auch im Alltag des OttoNormalverbrauchers eine Vielzahl von KI-Anwendungen: Zu Hause oder im Auto werden digitale Sprachassistenten genutzt, Streamingdienste machen Empfehlungen auf Basis einer KI und selbst die meisten Smartphone-Fotos werden von der KI optimiert. Lösungen, die das Leben eines jeden einfacher gestalten.

Eine Entwicklung, die auch vor HR-Abteilungen keinen Halt macht. Schon heute können Lernplattformen auf Basis der Nutzung den Usern Vorschläge zu weiteren Lernangeboten machen. KI kann aber auch in Form einer Entscheidungshilfe für Personalverantwortliche eingesetzt werden: So kann KI dabei helfen, das Skillset eines Unternehmens zu analysieren und so Empfehlungen ableiten. Außerdem können KI-Anwendungen Bewerbungen analysieren und so die Basis für Personalentscheidungen bieten. KI kann hier Arbeitsschritte erleichtern, aber auch die Lernerfahrung der Mitarbeiter verbessern.

Hierbei stellt sich allerdings auch ein Problem: Wenn wir immer mehr Aufgaben der KI anvertrauen, müssen wir auch davon ausgehen können, dass diese keine falschen Entscheidungen trifft. Gerade hier lassen Berichte von Anwendungen der KI, die mit diskriminierenden Äußerungen Rede von sich machen, allerdings keine positiven Assoziationen zu. Diese Betrachtungsweise wird der KI allerdings nicht gerecht. Sie untergräbt den Nutzen, den KI für Unternehmen und Menschen haben kann.

Wie KI funktioniert und wie sie zu ihrem Bias kommt

Die Schuld hierfür allein der Technologie zu geben, kann allerdings nicht der richtige Weg sein. Vielmehr muss schon bei der Entwicklung der KI und schlussendlich sogar bei den Anwendern angesetzt werden. Doch dazu müssen zunächst die Grundlagen einer KI verstanden werden, um so nachvollziehen zu können, wie sie ihren Bias entwickeln kann. Jede KI simuliert menschliche Intelligenz. Mit dieser können Computersysteme Aufgaben erfüllen, die zuvor noch von Menschen durchgeführt werden mussten. Dabei ist der Aufbau von KI-Systemen im Grundsatz immer sehr ähnlich. Jede künstliche Intelligenz, egal ob einfacher Chatbot oder komplexes System zur Steuerung eines Autos, benötigt einen riesigen Datensatz zum Training – dieser wird auch Bibliothek genannt. Innerhalb dieses Datensatzes sucht die KI dann mithilfe von Algorithmen und statistischen Methoden nach Zusammenhängen. Anhand dieser kann die KI Muster erkennen, aufgrund derer sie Entscheidungen fällen kann. Hierbei werden sog. neuronale Netze aufgebaut. Diese kann man sich als eine Art Nachbildung der Verbindungen zwischen den Neuronen im menschlichen Gehirn vorstellen. Neuronale Netze bilden die Basis einer KI. Sie können durch die Verknüpfung der Neuronen eine parallele Informationsverarbeitung ermöglichen und nichtlineare Abhängigkeiten der Ursprungsinformationen durch selbst erlernte Erfahrungsdaten ableiten.

KI-Learning

Um eben diese neuronalen Netze aufbauen zu können, gibt es verschiedene Arten des Lernens einer KI.

• Dabei versteht man unter dem Oberbegriff Machine Learning alle Lernprozesse, die mithilfe von selbst-adaptiven Algorithmen vollzogen werden. Diese Algorithmen haben unter Zuhilfenahme besonders großer Bibliotheken die Möglichkeit, eigenständig zu lernen und sich auch ohne äußere Eingriffe verbessern zu können.
• Währenddessen das Deep Learning als ein Teil des Machine Learning verstanden werden muss. Deep-Learning-Systeme verfügen über eine besonders hohe Anzahl an Schichten im neuronalen Netz, dadurch können diese Netze trotz geringer menschlicher Vorarbeit hohe Datenmengen verarbeiten und so genauere Ergebnisse ableiten.

Darüber hinaus unterscheidet man noch zwischen den verschiedenen Arten, wie eine KI ihre neuronalen Netze aufbaut. Dabei wird unterschieden zwischen

• Supervised Learning,
• Unsupervised Learning und
• Reinforcement Learning.

Je nach Anwendungsfall bieten die einzelnen Lernmethoden unterschiedliche Vor- und Nachteile. Machine-Learning-Algorithmen im Supervised Learning lernen mithilfe von Daten, die mit einem Label versehen sind. Ein Label ist gleichzusetzen mit der Lösung der Aufgabe. Anhand dieser Datensätze und zugehörigen Label versucht die KI mithilfe von statistischen Berechnungen, Zusammenhänge und Muster zu erkennen, um diese später anwenden zu können. Supervised Learning ist besonders für die Text- oder Objekterkennung, aber auch für die Erstellung von Prognosen anwendbar.

Anders dagegen das Unsupervised Learning, hierbei benötigt der Algorithmus keine Label. Die KI ist quasi auf sich allein gestellt und soll anhand einer Bibliothek eigenständig eine Clusterung der Daten vornehmen. Anders als beim Supervised Learning sind beim Unsupervised Learning die Ergebnisse nicht von Anfang an klar. Das Ziel ist es, in den zur Verfügung stehenden Daten bisher unbekannte Muster zu erkennen und daraus Regeln abzuleiten. Diese Methode eignet sich vor allem zur Visualisierung großer Datenmengen (Big Data), aber auch zur Segmentierung von bspw. Kunden oder Märkten.

Dagegen steht das Reinforcement Learning, welches deutlich komplexer als die eben angeführten Arten ist. Diese Art des Lernens könnte man mit dem Prinzip „Zuckerbrot und Peitsche“ beschreiben: Die KI bewegt sich als „Agent“ in einer „Umwelt“, in dieser muss die KI die richtigen Schlüsse ziehen, da sie sonst nicht weiterkommt. Durch die Konsequenzen ihrer Entscheidungen lernt sie, welcher Weg der Richtige ist und kann so Zusammenhänge erkennen. Reinforcement Learning ist vor allem für personalisierte Empfehlungen und komplexere KI-Anwendungen wie fahrerlose Autos anwendbar.

Dabei lässt sich allgemein ableiten, was eine KI schon heute gut kann: darunter u. a. das Lösen von spezifischen, klar definierten Problemstellungen. Aber auch die Clusterung großer Mengen unstrukturierter Daten. Auch Prognosen kann eine KI treffen, solange sie auf analysierten Daten basieren. Darüber hinaus kann KI relativ problemlos Prozesse reproduzieren und sie so anhand erkannter Muster optimieren. Schwer hingegen fällt es KI, über eine klar definierte Aufgabe hinaus zu agieren oder Aufgaben ohne Kontextwissen zu lösen. Ein weiteres Problem der KI ergibt sich daraus, dass wir die Entscheidungsfindung einer KI nicht einfach nachvollziehen können. Was auch damit zusammenhängt, dass eine KI auch heute noch Probleme damit hat, logische und komplexe Argumentationen zu verfassen. Sie kann so zwar eine „Meinung“ annehmen, diese allerdings nicht erklären,da diese „Meinung“ lediglich auf den Mustern basiert, die die KI in den zur Verfügung gestellten Daten gefunden hat.