#17 - Doktor KI

Diesmal: Eine KI ist akkurater bei der Erkennung von Tumoren? Und die Frage was HR eigentlich bedeutet.

Nach einer Ausgabe mit überwiegend positiven Vibes, ist es diesmal wieder etwas kritischer geworden.

Was vermag die KI im Gesundheitswesen zu leisten? Dazu gibt es neue Studien. Und warum Personalabteilungen mal ihre Bezeichnung hinterfragen sollten, all’ das findet ihr in dieser Ausgabe der Datenwirtschaft!

Viel Spaß dabei!

KI im Gesundheitswesen – geh doch lieber zum Arzt

Im Gesundheitswesen wird die KI schon länger als ein Heilsbringer gehandelt. Gerade bei bildgebenden Verfahren erhofft man sich Unterstützung. Immer wieder werden Beispiele aus der Radiologie hervorgehoben. Tumore erkennen? Kann eine KI viel besser als der Radiologe. Dachte man. 

Eine neue Studie zeigt jetzt leider das Gegenteil auf. Forscher der Universität in Warwick haben die Genauigkeit von einer KI erkannten Brustkrebserkrankung untersucht. Das Ergebnis zeigt: Von 36 KI-Systemen waren 94 % weniger genau als ein Radiologe. Arbeiten zwei oder mehr Radiologen zusammen, sind 100 % der KI-Systeme weniger genau. 

Somit kann man vorerst sagen, dass Dr. Google nur zweite Wahl sein sollte, bei der Diagnose.

Apple sieht das natürlich anders. Das iPhone soll die ultimative Gesundheitswaffe werden. Allem Anschein nach forscht Apple daran, mit dem iPhone Anzeichen zur Erkennung von Depressionen und kognitivem Verfall zu finden. Mutig. Anders als beim EKG der Apple Watch ist das Potenzial einer negativen (psychologischen) Auswirkung auf den Patienten erheblich größer. Wenn ein EKG daneben lag, ist es weniger traumatisch, als wenn mir mein Telefon sagt, du bist depressiv. Wird jeder damit sofort zum richtigen Arzt gehen? Ich persönlich glaube eher nicht, denn leider ist das noch immer ein Tabuthema in unserer Gesellschaft. 

Der HR-Sortier-Roboter

Immer wieder wird behauptet, dass KI im HR unterstützen und mächtig entlasten kann. Wer schon einmal eine Stelle ausgeschrieben hat, sagen wir mal Data Scientist, weiß, welche Flut an Bewerbungen auf jemanden einschlägt. Gute wie schlechte. Darunter auch Bewerbungen, bei denen man sich fragt, warum hat man sich mit der Stellenbeschreibung so viel Mühe gegeben? Das Sortieren der Bewerber ist müßig und macht einen irgendwann mürbe. Bis dahin hat man noch nicht einmal mit einer Kandidatin gesprochen. 

Kann das nicht die KI machen? Das denken sich auch 99 % der Fortune 500 Firmen und 75 % von US-amerikanischen Arbeitgebern. Sie nutzen automatische Scanner zum Aussortieren. Im Prinzip eine hervorragende Idee. Wie sollte es anders sein, eine Studie zeigt: Funktioniert nur so semi-gut. 

In Zeiten des Fachkräftemangels ist es nicht klug, große Mengen an potenziellen Kandidaten vorab auszusortieren, denn auch gut geeignete Kandidaten werden von dem Sortier-Roboter gnadenlos herausgeworfen. Sei es wegen ungenauer Formulierung der Fähigkeiten oder einfach, weil das trainierte Modell einfach schlechte Daten als Grundlage hatte. Das Thema ist weitreichend bekannt. Shit in, Shit out.

Nicht anständiger verhält es sich bei einer KI, mit der Amazon versucht den Fahrstil der Fahrer zu bewerten. Zu viele Fehler? Weniger Lohn! 

Jetzt kann man denken, dass damit die Sicherheit für alle größer wird. Andererseits häufen sich aber auch die Meldungen, dass so manch einer wegen Nichtigkeiten Abzüge bekommt. Die größte Frage ist, welche Trainingsdaten liegen zugrunde? Wer hat die Regeln für Amazon-Gerechtes Fahren aufgestellt. Und kann man eigentlich perfekt fahren, wenn der Algorithmus darauf bedacht ist Lohnabzüge (oder besser: Ersparnisse für die Firma) zu generieren. Disclaimer: Das ist eine Hypothese meinerseits und macht Amazon natürlich nicht. 

Also liebe Personal-Beauftragten: Bleibt dabei, mit den Menschen zu sprechen und benutzt keine undurchsichtigen KI-Tools, um Bewerberinnen oder Mitarbeiterinnen zu bewerten. Und nennt euch nicht Human Resources, denn das führt zu solchen Auswüchsen. Wenn die Abkürzung HR wichtig ist, nennt euch Human Relations und macht genau das: Arbeitet an der menschlichen Beziehung untereinander.

Links gegen die Langeweile

Ein Gesicht skizzieren und das neuronale Netz macht daraus ein Richtiges. Sketch a Face!

Schöner Artikel, der verständlich beschreibt, warum nicht immer gleich ein Machine Learning Modell auf alles geworfen werden muss: Start without ML!

Und wer endlich Machine Learning Modell selbst entwickeln möchte, kann das hier lernen: Made With ML!