Datenqualität als Erfolgsfaktor für Künstliche Intelligenz

Datenqualität als Erfolgsfaktor für Künstliche Intelligenz

Künstliche Intelligenz ist nur so gut wie die Daten, mit denen sie trainiert wird. Dieser Grundsatz klingt simpel, wird in der Praxis aber erstaunlich oft unterschätzt. Unternehmen investieren Millionen in leistungsfähige Algorithmen, hochmoderne Infrastruktur und spezialisierte Fachkräfte – und scheitern dann an einem Problem, das weit weniger glamourös ist: mangelnde Datenqualität.

Garbage In, Garbage Out – ein zeitloses Prinzip

Das Prinzip «Garbage In, Garbage Out» ist so alt wie die Informatik selbst. Für KI-Systeme hat es jedoch eine besondere Brisanz. Während ein klassisches Softwareprogramm bei fehlerhaften Eingaben in der Regel offensichtlich falsche Ergebnisse liefert, können KI-Modelle auf Basis schlechter Daten Resultate produzieren, die auf den ersten Blick plausibel wirken – aber systematisch verzerrt oder schlicht falsch sind.

Ein Bilderkennungssystem, das mit einseitig zusammengestellten Trainingsdaten arbeitet, wird bestimmte Objekte oder Personen nicht korrekt erkennen. Ein Sprachmodell, das mit fehlerhaften Texten trainiert wurde, wird diese Fehler reproduzieren und verstärken. Die Konsequenzen reichen von harmlosen Unannehmlichkeiten bis hin zu gravierenden Fehlentscheidungen in sensiblen Bereichen wie Medizin, Finanzwesen oder Justiz.

Was bedeutet Datenqualität konkret?

Datenqualität ist kein eindimensionales Konzept. Sie umfasst mehrere Dimensionen, die alle gleichermassen relevant sind:

• Vollständigkeit: Sind alle relevanten Datenpunkte vorhanden, oder gibt es systematische Lücken?
• Korrektheit: Entsprechen die Daten der Realität? Wurden sie fehlerfrei erfasst und übertragen?
• Konsistenz: Sind die Daten über verschiedene Quellen und Zeiträume hinweg widerspruchsfrei?
• Aktualität: Bilden die Daten den aktuellen Stand ab, oder sind sie veraltet?
• Relevanz: Sind die gesammelten Daten tatsächlich für die jeweilige Fragestellung geeignet?
• Repräsentativität: Bilden die Daten die Realität in ihrer ganzen Breite ab, oder sind bestimmte Gruppen oder Szenarien über- bzw. untervertreten?

Jede dieser Dimensionen kann, wenn sie vernachlässigt wird, die Leistungsfähigkeit eines KI-Systems massgeblich beeinträchtigen.

Die versteckten Kosten schlechter Daten

Viele Organisationen unterschätzen die wirtschaftlichen Auswirkungen mangelhafter Datenqualität. Die Kosten manifestieren sich auf verschiedenen Ebenen:

• Nacharbeit und Korrektur: Fehlerhafte Modelle müssen neu trainiert werden, was Zeit und Rechenressourcen kostet.
• Fehlentscheidungen: KI-gestützte Entscheidungen auf Basis schlechter Daten können zu finanziellen Verlusten, Reputationsschäden oder rechtlichen Konsequenzen führen.
• Vertrauensverlust: Wenn KI-Systeme wiederholt unzuverlässige Ergebnisse liefern, sinkt die Akzeptanz bei den Nutzenden – und damit der Wert der gesamten Investition.
• Bias und Diskriminierung: Verzerrte Daten führen zu verzerrten Modellen, was ethische und regulatorische Risiken mit sich bringt.

Die aufwändigste und teuerste Phase eines KI-Projekts ist selten die Modellentwicklung selbst – sondern die Aufbereitung, Bereinigung und Validierung der Daten. Erfahrungsgemäss entfallen bis zu 80 Prozent des Gesamtaufwands auf diese vorbereitenden Schritte.

Datenqualität als strategische Aufgabe

Datenqualität ist keine rein technische Herausforderung, die an die IT-Abteilung delegiert werden kann. Sie ist eine strategische Aufgabe, die auf Führungsebene verankert sein muss. Erfolgreiche Unternehmen setzen auf eine umfassende Data-Governance-Strategie, die klare Verantwortlichkeiten, Prozesse und Standards definiert.

Dazu gehören unter anderem:

• Data Stewardship: Dedizierte Verantwortliche, die für die Qualität bestimmter Datenbereiche zuständig sind.
• Automatisierte Qualitätsprüfungen: Systeme, die Daten bei der Erfassung und Verarbeitung kontinuierlich auf Fehler, Inkonsistenzen und Anomalien überprüfen.
• Dokumentation und Metadaten: Eine lückenlose Dokumentation der Datenherkunft, Verarbeitungsschritte und Qualitätsmerkmale (Data Lineage).
• Regelmässige Audits: Periodische Überprüfungen der Datenbestände, um Qualitätsprobleme frühzeitig zu erkennen und zu beheben.
• Schulung und Sensibilisierung: Mitarbeitende auf allen Ebenen müssen verstehen, welchen Einfluss ihre Arbeit auf die Datenqualität hat.

Der Schweizer Kontext

Für Unternehmen in der Schweiz kommen zusätzliche Aspekte hinzu. Die Mehrsprachigkeit stellt besondere Anforderungen an die Datenqualität bei Sprachverarbeitungssystemen. Zudem erfordern das Schweizer Datenschutzgesetz (DSG) und branchenspezifische Regulierungen wie jene der FINMA einen besonders sorgfältigen Umgang mit Daten. Qualität und Compliance gehen hier Hand in Hand.

Auch die föderale Struktur der Schweiz mit ihren unterschiedlichen kantonalen Regelungen und Datenformaten kann zu Inkonsistenzen führen, die bei der Entwicklung von KI-Systemen berücksichtigt werden müssen.

Fazit: Zuerst die Daten, dann die Algorithmen

Wer in Künstliche Intelligenz investiert, sollte den grössten Teil seiner Aufmerksamkeit und seiner Ressourcen auf die Datenqualität richten. Der beste Algorithmus der Welt kann aus schlechten Daten keine guten Erkenntnisse gewinnen. Umgekehrt können bereits einfache Modelle auf Basis hochwertiger, sorgfältig kuratierter Daten beeindruckende Ergebnisse liefern.

Datenqualität ist kein einmaliges Projekt, sondern ein fortlaufender Prozess. Unternehmen, die diesen Prozess ernst nehmen und systematisch verankern, schaffen die Grundlage für KI-Systeme, die nicht nur technisch funktionieren, sondern echten Mehrwert schaffen – zuverlässig, fair und nachhaltig.