Entwicklung von digitalen Vertrauen innerhalb von Geschäftsmodellen

Aufbau von Digitalen Vertrauen – Wirkungsweisen von „Dark Pattern“ und das neue Gesetz für faire Verbraucherverträge

Sun, 04 Jul 2021 13:16:18 GMT

This is a subtitle for your new post

Wer kennt es nicht, häufig ist man mit dem Lesen der Cookie-Dialoge und dem Ablehnen dieser länger beschäftigt als mit dem Lesen des Artikels und irgendwann ist man so komplett genervt, dass man eben doch diese Cookies bestätigt. Die Häufigkeit und die Raffinesse mit denen diese „Dark Patterns“ auf Internetseiten und innerhalb von Apps eingesetzt werden, nehmen massiv zu. Mit „Dark Patterns“ werden Methoden beschrieben, die dazu führen sollen, dass der Nutzer unterbewusst, aus Versehen oder weil man genervt ist, eine Kaufentscheidung trifft oder es zulässt, dass seine Nutzerdaten gesammelt werden.

Wegen des flächendeckenden Einsatzes und der steigenden Raffinesse von Dark Patterns hat am 24. Juni 2021 der Bundestag das Gesetz für faire Verbraucherverträge beschlossen.Firmen müssen künftig Verbrauchern das Kündigen von langfristigen Verträgen genauso einfach ermöglichen wie den Vertragsabschluss. Ist ein Vertragsabschluss mit einem Button im Internet erledigt, so müssen die Anbieter künftig auch einen ebenso einfach erreichbaren Kündigungsbutton anbieten.
Auch in den USA werden Dark Patterns zunehmend reguliert. Staatliche Vorschriften wie die neu verabschiedeten Vorschriften des California Consumer Privacy Act (CCPA) befassen sich mit Dark Patterns in Bezug auf Datenschutz und Sicherheit. Die neuen CCPA-Bestimmungen, die am 15. März 2021 in Kraft getreten sind, verbieten die Verwendung von Dark Patterns, die "den wesentlichen Effekt haben, die Entscheidung eines Verbrauchers, sich gegen den Verkauf seiner persönlichen Daten zu entscheiden, zu untergraben oder zu beeinträchtigen". Obwohl diese Regelungen nicht für alle Dark Patterns oder Unternehmen gelten, ist es ein Schritt in die richtige Richtung für den Verbraucherschutz.

Dark Patterns werden aus unternehmerischer Sicht eingesetzt, in der Hoffnung, dass diese den Umsatz steigern. Es ist allerdings anzunehmen, bzw. ich konnte das in einigen Experimenten auch beweisen, dass der Einsatz von Dark Patterns kontraproduktiv für das unternehmerische Wachstum ist, weil der Anbieter mit diesen Maßnahmen eine mögliche positive Kundenbeziehung oder gar digitale Vertrauensbildung verhindert. Die Digital Literacy bezüglich Dark Patterns bei den Nutzern wächst und greift deshalb hauptsächlich bei sehr jungen, älteren, sehr unbedarften und sehr müden bzw. stark gestressten Menschen. Als aufmerksamer Nutzer passiert einem das vielleicht einmal und man wird verärgert zu diesem Anbieter nicht wieder zurückkehren. Viele Nutzer werden auch gerade nicht konvertieren, wenn ein Unternehmen dies Dark Patterns intensiv einsetzt. Der Nutzer kann sich die Frage stellen, wenn dieses Unternehmen solche Methoden einsetzt, um mich zur Konversion zu motivieren, dann können die Produkte und Services vielleicht mangelhaft sein.
Ich habe die Erfahrung gemacht, dass viele Unternehmen sich über den eigenen Einsatz solcher Design Patterns, deren produktiven und kontraproduktiven entscheidungswissenschaftlichen Wirkungsweisen gar nicht bewusst sind, sondern die Methoden des Wettbewerbs einfach kopieren und sich wundern warum diese Methoden nicht die eroffte Wirkung erzielen. Bei vielen Unternehmen funktioniert das Geschäftsmodell auch wegen intensieven Online Marketings nicht wegen sondern trotz des Einsatzes von Dark Patterns.

Einige der sehr vielen Dark Patterns hat Harry Brignull zusammengefasst.

Sneak into Basket
Sie versuchen, etwas zu kaufen, aber irgendwo auf dem Weg zum Kauf schleicht sich ein zusätzlicher Artikel in Ihren Warenkorb, oft durch die Verwendung eines Opt-Out-Radio-Buttons oder einer Checkbox auf einer vorherigen Seite.

Trick questions
Beim Ausfüllen eines Formulars antworten Sie auf eine Frage, die Sie mit einem Trick dazu bringt, eine Antwort zu geben, die Sie nicht beabsichtigt haben. Beim schnellen Überfliegen scheint die Frage eine Sache zu fragen, aber bei genauem Lesen fragt sie etwas ganz anderes.

Roach Motel
Sie kommen sehr leicht in eine Situation hinein, aber dann ist es schwer, wieder z.B. durch Kündigung wieder herauszukommen (z. B. ein Premium-Abonnement).

Privacy Zuckering
Sie werden dazu verleitet, öffentlich mehr Informationen über sich preiszugeben, als Sie eigentlich vorhatten. Benannt nach dem Facebook-CEO Mark Zuckerberg.

Price Comparison Prevention
Der Händler macht es Ihnen schwer, den Preis eines Artikels mit einem anderen Artikel zu vergleichen, sodass Sie keine fundierte Entscheidung treffen können.

Misdirection                                                                                                                                                                                                                                                                               Das Design lenkt Ihre Aufmerksamkeit absichtlich auf eine Sache, um Sie von einer anderen abzulenken.

HiddenCosts                                                                                                                                                                                                                                                                               Sie kommen zum letzten Schritt des Bestellvorgangs, nur um festzustellen, dass unerwartete Kosten auftauchen, z. B. Lieferkosten, Steuern usw.

Bait and Switch
Sie haben sich vorgenommen, eine Sache zu tun, aber stattdessen geschieht etwas anderes, Unerwünschtes.

Confirmshaming
Der Akt, den Benutzer dazu zu bringen, sich für etwas zu entscheiden. Die Ablehnungsoption ist so formuliert, dass der Benutzer zum Einlenken gezwungen wird.

Disguised Ads
Werbung, die als anderer Inhalt oder als Navigation getarnt ist, um den Nutzer zum Anklicken zu bewegen.

Forced Continuity                                                                                                                                                                                                                                                              Wenn die kostenlose Testphase eines Dienstes zu Ende geht und Ihre Kreditkarte ohne Vorwarnung belastet wird. In manchen Fällen wird dies noch verschlimmert, indem es schwierig ist, die Mitgliedschaft zu kündigen.

Friend Spam                                                                                                                                                                                                                                                                          Das Produkt bittet um Ihre E-Mail- oder Social-Media-Zugangsdaten unter dem Vorwand, dass diese für ein gewünschtes Ergebnis (z. B. das Finden von Freunden) verwendet werden, spammt dann aber alle Ihre Kontakte in einer Nachricht an, die vorgibt, von Ihnen zu stammen.
(Quelle: https://www.darkpatterns.org/types-of-dark-pattern)

Mehr zu dem Thema: https://www.spiegel.de/netzwelt/netzpolitik/dark-patterns-so-werden-sie-im-netz-manipuliert-a-327d6804-5896-4f6f-aa9c-22cc339e7c85?utm_source=pocket-newtab-global-de-DE

Ich freue mich riesig wenn ihr mir schreibt an analytics@digitaltrust.de und meine Beiträge liked und shared!

Eure Katharina

The twelve core elements of developing / earning digital trust - the first element

Thu, 24 Jun 2021 19:45:47 GMT

Developing technology that is more similar to humans enables us to use them more often and intensely.

Many digital products and business models have a hard time establishing themselves on the market, even if the technical and functional problem-solving qualities are excellent. To achieve market acceptance or scale, many sales are bought with many millions of marketing costs and realized by addressing the most basic triggers such as frequent visibility, favorable prices, or coupons. The question is, can it be done differently or, in the case of cutting-edge technology or highest-value products and services, must it be done differently?

F or digital business models, products, and solutions to be used more frequently, more sustainably, more error-free, with more joy, and that too with considerably less marketing effort, the first step would be to fulfill the basic fundamental needs of humans.

The challenges - human decision-making processes

The realization that we make 98 percent of our decisions subconsciously and thus most of our choices are not under our control is rather sobering, as we think of ourselves as consciously analytical people. The mistress of unconscious decision-making processes is our stem brain. This part of the brain is evolutionarily the oldest part of the brain, and therefore, it is essential first to understand the evolutionary learning experiences and resulting behaviors of humans, as these are the primary factors relevant to all decisions.
Only in the subconscious these enormous computing powers, which we carry out every second with the computing power of eight bits, are possible. Above this, the brain consumes only as much energy as a 60-watt light bulb.
What is consciousness now? Consciousness can be thought of as a CEO that only becomes active when a conflict situation arises. An example is when we are tired in the evening and want to stop working but have a deadline. This suppression of tiredness to continue working is an action of consciousness.
In addition, our brain performs its calculations in a world for which it has not yet been evolutionarily created. The number of impulses and information that the brain must process every hour today has increased massively. The nature and frequency of the impulses are very removed from our original way of life. We do not have all the information we need to make decisions, especially in the context of digital solutions, and we cannot cognitively comprehend a significant portion of the news because of its complexity. As users, we rarely have the programming code and algorithms available to us to review, also in most cases, we lack the skills, motivation, and time to do so. These own shortcomings extend in their pathetic heavy ordinariness of ignoring T&C's and privacy statements. At the same time, we must make decisions in digital worlds where we have no evolutionary learning experiences to fall back on. In addition, our own biographical learning experiences are pretty limited because technology develops rather delightful fast.

So we have the option of unbiasedly and naively plunging into the flood of self-overtaking technological innovations. Another chance would be to consistently implement cognitive dissonance, which would mean consciously ignoring all possible risks. This process is familiar to smokers, for example. One knows that smoking is harmful but ignores this and smokes anyway. The same is true of any user who should read and understand the terms and conditions but does not. The third option is to follow the recommendations of comparison portals to know that they receive commissions for the recommendations. Recommendations in trade journals or from bloggers or influencers often follow targeted placements by PR agencies. Everyone knows by now that so-called star ratings are bought with different methods.
To follow our evolutionary disposition and to make the most conscious decisions possible, the fifth option would be to analyze and check the digital tools and systems critically, to understand all the texts and the regulations, to request proof from the company to understand what is being done with the data, to assess which of the activities are in the interest of me, the user. Of course, we would also have to use the solutions very critically and analyze each update first before installing it. This would also include every software update.
Perhaps we will manage to read the terms and conditions and understand them with the help of a lawyer. Whether the digital tool does not go far beyond its own "T&Cs" and collects data from us, analyzes it, and sells it, which may or may not be in our interest. Without checking the coding and algorithms, without looking precisely at the internals of the corporate practice, we do not have this knowledge because many software manufacturers do not live these transparencies and communicate very inaccessibly. In professional employment, we have no choice to use the existing systems.
This approach would require an enormous cognitive load and time, and with the daily high flood of cognitive impulses caused by the increasing complexity of our ways of working and living, this cannot be afforded. We would also lose a great deal of joy in using digital solutions and significant innovations.
Humans tend to be uncertain about digital solutions. This insecurity is well measurable by the detection of the stress hormones cortisol and adrenaline. It is the fear of the lack of controllability of the solutions, the pure non-understanding of how the algorithms work, the reliability of the system, the data usage, the potential data misuse, and concern about cyber risks. This uncertainty has been heightened by the 1.5 years of permanent COVID-19 fear coverage. Even if the content of the news had other content, it led to a sharp increase in stress hormones such as cortisol and adrenaline. This permanent marinating of our brains with stress hormones and the current data situation allows the statement to make us all more anxious.
According to the industry association Bitkom, one in two people do not send confidential information by e-mail for security reasons. One in four does not use social networks, cloud offerings, or online banking. The quality of postings on social networks by users is also changing. Less and less private information is being shared. AI solutions are not catching on quickly enough in the market, and even simple digital solutions in public administration often require a long search. Intense, costly change management and coaching projects are implemented in corporations and government agencies to motivate people to use digital solutions. The results are often extremely poor. It would be more efficient to adapt IT systems to the needs of people.

How can we meet our evolutionary requirements and thus make better decisions online and within digital systems? The solutions, because they meet our needs, would generate more joy in the use, would reduce stress levels significantly, and would massively reduce the marketing expenses

The experimental research

The following three questions have guided my research:
1. Why do technological solutions take so long to be established on the market?
2. How can digitization develop its potential?
3. What do humans need to make a conscious cognitive decision for and within a digital solution?
I have conducted 38 experiments based on actual digital problems with test and control groups with an average size of 1,000 people, analyzed them, and put the results into a systematic structure.
A deep understanding of the conscious and subconscious decision-making processes and the evolution of human beings helps to build digital solutions so that humans are much more likely to accept them and when it comes to HealthTech to follow the advice more frequently, which improves the effectiveness of these solutions. Differentiated, analyzing the potential target groups, 14 different trust phenotypes can be identified that need specific technology and product experience that goes far beyond the screen and the written product argumentation.

The point is that technology needs to become more accessible for people to understand it, to allow humans to make conscious cognitive decisions, it can be more successful in the market faster. But what exactly does that mean? In a nutshell, it often means building something complementary around the core solution that has no benefit to the technical solution but a tremendous benefit to the user decision-making process by addressing more senses, just seeing and hearing. Even using just these senses can be intensively improved. In my scientific research, which was pure real experimental work funded by the European Commission's Science Fund, I have identified twelve core elements needed to make technology more human and, to this species, build digital trust in these solutions. These twelve core elements require adapted characteristics depending on the trust phenotypes. So far, I have identified 14 trust phenotypes.

What is Digital Trust?

Digital trust enables us to make decisions online or in the context of digital solutions, tools, systems, etc., and execute these decisions. Digital Trust empowers the user to dispense a conscious/subconscious risk-chances analysis and feel safe, expecting that the system will behave in the correct expected way that serves the user's interests.
But regarding digital systems, we don't have a lot of the information we would need to make a decision, and it's too complicated to tap into that information, like code algorithms, etc.. Furthermore, we don't have evolutionarily anchored any digital in our stem brain regarding digital solutions.
When we develop digital trust, we consciously or subconsciously forgo a risk-opportunity analysis because we feel safe and not just ignore the risks, expecting the system to behave in the right, expected way to serve our interests.
Every decision is based on a conscious/subconscious risk-opportunity trade-off in which we assess costs and benefits. In doing so, we analyze the learning experiences we have accumulated in our biographies and the learning experiences made by others and which we adapt. We also analyze learning experiences that we have accumulated in our stem brain, which began to develop 500 million years ago. Also critical is the current situation we are currently in and the signals we perceive at that moment. When we trust or digitally trust, we forgo information that we need to make a conscious analytical decision.

Making digital technology more similar to humans means building / earning and maintaining digital trust with users.

The Challenges:

In the digital world, unfortunately, we are missing much information. Accessing this information is also still difficult because we:
1. do not know the coding and algorithms;
2. do not have the necessary knowledge to understand the coding and algorithms.
3. do not have the time and cognitive energy to read the T&C's.
4. only two of our ten senses, yes there are ten senses - some biologists think we have 16 or even more we can use in digital systems so far. That is our ability to see and to hear. More sensors of us are not addressed.
Unfortunately, in the context of digital solutions, the intake of information is still primarily done by reading or interpreting symbols and images, for which our brain needs a lot of "computing power".
Based on evolutionary biological reasons, we have not yet stored any digital learning experiences in our stem brain; this will be the case in a few thousand years. Because of the current technology of screens and HMI's and the way information is communicated through them, it makes sense for the preservation of our visual ability, information acquisition, and processing ability, as well as stabilization of our neuroendocrinology levels, with all the desired enthusiasm for digitals, to keep the time in front screens as short as possible and to renounce the use of screens one day per week completely.

That's why building / earning digital trust is challenging for us.

The first core element to build / earn Digital Trust

Security, safety and control systems, decision support solutions, and technological developments that facilitate trust-building will help the users. Cybersecurity, safety, and privacy are among the twelve core elements whose phenotypic implementation and experience are essential for developing digital trust. The performance of in total twelve core elements is vital to create digital technologies, products, and services that are more similar to humans and, as a result, are used more frequently, with more joy and more convincingly as well more error-free.
All twelve core elements together form the trust infrastructure. This infrastructure works much like the gears of a clockwork. Each core element could be seen as a cogwheel, and each cogwheel must be addressed for it to move. Only when all the cogs are turning can digital trust be earned.
Using the strengths of the human decision-making processes and not the weaknesses, which is more often the case
The feeling of conscious and subconscious uncertainty creates a lot of cognitive loads. What if a photo of me is alienated after all and appears in contexts or creates content I don't want? Is the communicated information correct? Etc. If this uncertainty is removed, we have more of our computing capacity for our actual tasks.
It has been scientifically proven that if digital systems are continuously checked for cybersecurity, safety, data protection, and general terms and conditions by an independent, credible body based on comprehensible decision criteria, and if we are informed of the risks in a simple and comprehensible manner, for example using traffic light colors, we will use them more frequently, more sustainably and with more pleasure. Labels are therefore convincing because they check and condense the many complex pieces of information that are incomprehensible to the user and communicate a statement that can be quickly grasped cognitively, enabling a quick decision to be made.
A manufacturer of software-based products, services, and solutions can do a great deal to enable the user to experience the implemented safety and security positively and credibly and thus massively increase the attractiveness of its solutions. Our experiments also came to this conclusion. If the user can positivly experience safety and security via as many sensors as possible, the user will use a solution more frequently, more sustainably, and more willingly. Unfortunately, this is all too often not done, and it costs sales. The subconscious conclusion from the user's point of view is that if a solution does not make the implemented safety and security easily accessible and more positive, little or nothing will be done for it.

A concrete example is the digital versions of newspapers, which have been so far not very creative in making their analog products available in digital forms. In terms of producing safety, it would counteract the agonizingly low subscription numbers if the company's quality assurance process for checking news information were communicated to the reader, the customer and made tangible. This would also include that PR placements would be labeled as such. Such hard transparency would lift the product "quality journalism", positively impact sales figures, effectively counteract one or other anti-democratic political movements, and would be essential for our liberal democracy.

Key questions for Digital Business CEO´s, CDO´s and Founders

    Who are your customers?
    Which of the 14 trust phenotypes do your customers belong to?
    What level of hard-implemented Cybersecurity, Safety, Privacy and GDPR do these trust phenotypes need?
    How do Cybersecurity, Safety, Privacy, and GDPR need to be experienced by these trust phenotypes?
    Think beyond your core product and service. What complementary functionalities do these trust phenotypes need?

Summary:

The first core element for generating digital trust is implementing cognitive positively experienced effective cybersecurity, safety, and data protection for the user. Security and safety and the credible positive experience of their effectiveness are the fundamental basic needs of human beings, and a large proportion of digital business models, products, and solutions already fail to meet these needs. In this context, major hurdles in digitization could be overcome, sales figures massively increase, and marketing costs reduced.
The implementation of cybersecurity, safety, and data protection should be efficiently audited by an independent body and carried out based on transparent and comprehensible criteria, and the result should be communicated in a way that is easily accessible to everyone.

Much pressure is exerted on startups by some investors to scale as quickly and rapidly as possible. Under enormous stress, people, unfortunately, opt for close automatisms and forgo cognitive reflection. As a result, much money is spent on marketing. Making the product and service more tangible in terms of cybersecurity, safety, and data protection can be the more effective business decision.

-------
This is the first part of a total of five articles. I'll post the other parts shortly.
This article is based on one I previously published in the magazine: Fachmagain für IT-Sicherheit und Compliance.
I look forward to your feedback and, of course, Likes -�� Please write to me team@digitaltrust.de

About the author
Dr. Katharina von Knop is the founder and CEO of Digital Trust Analytics. www.digitaltrust.de. In total, she has successfully founded three times. After her studies, she wrote her Ph.D. thesis on countering terrorism, and in this work, she searched for strategic solutions. The thesis has been graded with summa cum laude. She spent five years as a project manager at the strategy consulting firm EGC and Roland Berger Strategy Consultants and was assigned to the Competence Center Financial Services. Before she then set out on founding her own startups, she was the manager responsible for developing digital business models in a corporate group. She has published one monography, edited three academic books and published 34 academic articles.

Das 1. Kernelement zum Aufbau des digitalen Vertrauens

Thu, 17 Jun 2021 08:59:27 GMT

Damit digitale Geschäftsmodelle, Produkte und Lösungen häufiger, nachhaltiger, fehlerfreier, mit mehr Freude und das auch mit wesentlich geringerem Marketingsaufwand genutzt werden, wäre der erste Schritt die grundlegenden basalen Bedürfnisse des Menschen zu erfüllen.

Die Herausforderungen - die Entscheidungsprozesse des Menschen

Die Erkenntnis, dass wir 98 Prozent unserer Entscheidungen unterbewusst treffen und somit der Großteil unserer Entscheidungen nicht unter unserer Kontrolle stehen, ist eher ernüchternd, da wir uns für bewusst analytisch handelnde Menschen halten. Die Herrin der unbewussten Entscheidungsverfahren ist unser Stammhirn. Dies ist evolutionär der älteste Teil des Gehirns und deshalb ist es essenziell erst die evolutionär bedingten Lernerfahrungen und daraus bedingten Verhaltensweisen des Menschen zu verstehen, da diese bei allen Entscheidungen die primären für Entscheidungen relevanten Faktoren sind.

Nur im Unterbewusstsein sind diese enorme Rechenleistungen, die wir jede Sekunde durchführen mit nur einer Rechenleistung acht Bit möglich. Darüber verbraucht das Gehirn nur so viel Energie wie eine 60 Watt Glühbirne.
Was ist nun das Bewusstsein? Das Bewusstsein kann man sich wie ein CEO vorstellen, der nur aktiv wird, wenn eine Konfliktsituation entsteht. Ein Beispiel ist, wenn wir abends müde sind, mit dem Arbeiten eigentlich aufhören wollen aber ein Abgabetermin eingehalten werden muss. Diese Unterdrückung der Müdigkeit, um weiterzuarbeiten ist eine Handlung des Bewusstseins.

Hinzu kommt das unser Gehirn in einer Welt seine Berechnungen durchführt, für die es evolutionär noch nicht geschaffen worden ist. Die Menge an Impulsen und Informationen, die das Gehirn heute jede Stunde verarbeiten muss, hat massiv zugenommen. Die Art und die Frequenz der Impulse sind unserer ursprünglichen Lebensweise sehr entrückt, wir haben gerade in Kontext von digitalen Lösungen nicht alle Informationen, die wir zur Entscheidungsfindung brauchen und können einen wesentlichen Teil der Informationen kognitiv wegen ihrer Komplexität nicht nachvollziehen. Als Nutzer stehen uns in seltenen Fällen der Code der Programmierung und die Algorithmik zu Verfügung, um diese zu prüfen, auch fehlt uns in den meisten Fällen die Fähigkeiten, die Motivation und die Zeit dies zu tun. Diese eigenen Mängel erstrecken sich in ihrer erbärmlichen schweren Alltäglichkeit der Ignoranz der AGB´s und der Datenschutzerklärungen. Gleichzeitig müssen wir Entscheidungen in digitalen Welten treffen, in denen wir auf keinerlei evolutionären Lernerfahrungen zurückgreifen können.

Wir haben also die Möglichkeit, uns unbefangen und naiv in die Flut der sich selbst überholenden technologischen Innovationen zu stürzen. Eine andere Option wäre eine konsequente Umsetzung der kognitiven Dissonanz. Das heißt sämtliche mögliche Risiken bewusst zu ignorieren. Dieser Vorgang ist zum Beispiel den RaucherInnen sehr geläufig. Man weiß, das Rauchen schädlich ist, ignoriert dies aber und raucht trotzdem. Genauso geht es jedem Nutzer, der eigentlich die AGB´s lesen und verstehen sollte, dies aber nicht tut. Als dritte Option bleibt uns den Empfehlungen von Vergleichsportalen zu folgen mit dem Wissen, dass diese für die Empfehlung Provisionen erhalten. Empfehlungen in Fachzeitschriften oder von Bloggern bzw. Influencern folgen gerne und häufig gezielten Platzierungen von PR-Agenturen. Das sogenannte Sterne-Bewertungen durchaus mit unterschiedlichen Methoden erkauft werden, weiß eigentlich inzwischen auch jeder.

Um unserer evolutionären Veranlagung zu folgen und auch möglichst bewusste Entscheidungen zu treffen wäre die fünfte Option, kritisch die digitalen Tools und Systeme zu analysieren und zu prüfen, sämtliche Texte und die Regulatorik zu verstehen, beim Unternehmen Nachweise anfordern, um nachzuvollziehen was mit den Daten gemacht wird, um einzuschätzen welcher der Tätigkeiten im Sinne von mir, dem Nutzer sind. Natürlich müssten wir die Lösungen auch sehr kritisch nutzen und jedes Update erst analysieren bevor wir dieses installieren. Dies würde auch jedes AGB-Update umfassen.

Vielleicht schaffen wir es, die AGBs auch mal wirklich zu lesen und mithilfe eines befreundeten Juristen auch zu verstehen. Ob das digitale Tool nicht doch weit über die eigenen „AGBs“ hinausgeht und Daten von uns sammelt, diese analysiert und veräußert, was in unserem Interesse sein kann aber auch eben nicht. Ohne die Codierung und Algorithmik zu prüfen, Interna der unternehmerischen Praxis uns präzise anzusehen, haben wir dieses Wissen nicht, weil hier viele Softwarehersteller diese Transparenzen nicht leben und bzw. sehr unzugänglich kommunizieren. Im beruflichen Angestelltenverhältnis haben wir keine Wahl, sondern müssen die vorhandenen Systeme anwenden.

Dieses Vorgehen würde eine enorme kognitive Last und Zeit erfordern und bei der alltäglichen hohen Flut an kognitiven Impulsen, bedingt durch die zunehmende Komplexität unserer Arbeits- und Lebensweisen ist dies nicht zu leisten. Auch würde uns sehr viel Freude bei der Nutzung von digitalen Lösungen und großartigen Innovationen verloren gehen.

Wie können wir unseren evolutionären Anforderungen entsprechen und somit bessere Entscheidungen online und innerhalb digitaler Systeme treffen? Die Lösungen würden, weil sie unseren Anforderungen entsprechen mehr Freude in der Anwendung genieren, dass Stressniveau deutlich reduzieren und auch die Marketingkosten der Hersteller massiv reduzieren.

Die Lösungen- die Stärken der Entscheidungsprozesse des Menschen nutzen

Das Gefühl der bewussten und unterbewussten Unsicherheit erzeugt viel kognitive Last. Was ist, wenn doch ein Foto von mir verfremdet wird und in Kontexten erscheint oder Inhalte erzeugt, die ich nicht möchte? Ist die kommunizierte Information auch korrekt? Fällt diese Unsicherheit weg, haben wir mehr eigene Rechenkapazitäten für unsere eigentlichen Aufgaben.
Wissenschaftlich bewiesen ist, dass wenn von einer unabhängigen übergeordneten glaubwürdigen Stelle die digitalen Systeme fortlaufend bezüglich der Cybersicherheit, Safety, des Datenschutzes und der AGBs anhand nachvollziehbarer Entscheidungskriterien transparent geprüft werden und uns einfach und nachvollziehbar die Risiken mittels zum Beispiel Ampelfarben mitgeteilt werden, häufiger, nachhaltiger und mit mehr Freude genutzt werden. Labels überzeugen deshalb, weil sie die vielen komplexen für den Nutzer nicht nachvollziehbare Informationen prüfen, verdichten und eine kognitiv schnell erfassbare Aussage kommunizieren, die eine schnelle Entscheidung ermöglichen.

Ein Hersteller von software-basierten Produkten, Services und Lösungen kann selbst eine ganze Menge tun, um das positive glaubwürdige Erleben der umgesetzten Sicherheit und Safety dem Nutzer zu ermöglichen und damit die Attraktivität seiner Lösungen massiv zu steigern. Zu diesem Ergebnis kamen auch unsere Experimente. Wenn Sicherheit und Safety für den Nutzer möglichst über viele Sensoren positiv erlebbar ist, nutzt dieser eine Lösung häufiger, nachhaltiger und lieber. Leider wird darauf viel zu häufig verzichtet und das kostet Umsatz. Der unterbewusste Umkehrschluss aus Nutzersicht ist, wenn eine Lösung mir die umgesetzte Sicherheit und Safety nicht leicht zugänglich positiverlebbar macht, wird auch wenig oder nichts dafür getan.

Ein konkretes Beispiel sind die Digitalversionen von Zeitungen, die bisher wenig kreativ ihre analogen Produkte in digitaler Form zur Verfügung stellen. Im Sinne zur Produktion von Safety würde es die quälend geringen Abonnementenzahlen entgegenwirken, wenn der eigenen Qualitätssicherungsprozess zur Überprüfung von Nachrichteninformationen dem Leser, dem Kunden kommuniziert und erlebbar gemacht werden würde. Das würde auch beinhalten das PR-Platzierungen als solches auch gekennzeichnet werden würden. Eine solche harte Transparenz würde das Produkt „Qualitätsjournalismus“ deutlich heben, hätte positive Auswirkungen auf die Verkaufszahlen, würde der ein oder anderen demokratiefeindlichen politischen Bewegung wirksam entgegenwirken und wäre für unsere freiheitliche Demokratie essenziell.

Zusammenfassung:

Das erste Kernelement zur Erzeugung von digitalem Vertrauen ist die Umsetzung von positiv erlebbare wirksamer Cybersicherheit, Safety und Datenschutz für den Nutzer. Sicherheit und Saefty und deren glaubwürdige positiven Erlebbarmachung ihrer Wirksamkeit sind die grundlegenden basalen Bedürfnisse des Menschen und daran scheitert bereits ein großer Teil der digitalen Geschäftsmodelle, Produkte und Lösungen. Dabei ließen sich damit große Hürden bei der Digitalisierung nehmen, die Umsatzahlen massiv steigern und die Marketingkosten senken.

Die Umsetzung von Cybersicherheit, Safety und Datenschutz sollte von einer unabhängigen Stelle effizient geprüft und anhand von transparenten und nachvollziehbaren Kriterien durchgeführt und das Ergebnis für jeden einfach zugänglich kommuniziert werden.
Viel Druck wird seitens einiger Investoren auf Startups ausgeübt möglichst schnell und zügig zu skalieren. Unter enormen Stress entscheiden Menschen sich leider für nahliegende Automatismen und verzichten auf kognitive Reflexion. In Folge wird sehr viel Geld für Marketing ausgegeben. Das Produkt und den Service bezüglich Cybersicherheit, Safety und Datenschutz besser erlebbar zu machen, kann die wirksamere unternehmerische Entscheidung sein.
-------
Das ist der zweite Teil von insgesamt fünf Artikeln. Die anderen Teile poste ich in Kürze

Zur Autorin:
Dr. Katharina von Knop ist Gründerin und CEO der Digital Trust Analytics www.digitaltrust.de . Insgesamt hat sie erfolgreich dreimal in der Digitalwirtschaft gegründet. Nach ihrem Studium hat sie zum Thema Terrorismus promoviert und in dieser Arbeit nach strategischen Lösungen gesucht. Anschließend war sie 5 Jahre in der Strategieberatungen EGC und Roland Berger Strategy Consultants. Dort war sie im Competence Center Financial Services eingesetzt. Bevor sie sich dann auf den Weg der Gründung machte, war sie verantwortliche Managerin für die Entwicklung von digitalen Geschäftsmodellen in einem Konzern.

Ich freue mich über eure Rückmeldungen und natürlich auch Likes -��

Bitte schreibt mir an: team@digitaltrust.de

Technologie dem Menschen ähnlicher gestalten - Die zwölf Kernelemente des digitalen Vertrauens (1/5)

Fri, 11 Jun 2021 16:12:20 GMT

V ie le digitale Produkte und Geschäftsmodelle haben es schwer sich am Markt zu etablieren und das, obwohl der technische Teil und die funktionale Problemlösungsqualität exzellent sind. Um dennoch eine Marktakzeptanz zu erreichen bzw. zu skalieren wird viel Umsatz mit vielen Millionen Marketingkosten gekauft und durch Ansprache der basalsten Trigger wie häufige Sichtbarkeit, günstige Preise oder Gutscheine realisiert. Die Frage ist, geht es denn auch anders bzw. bei Spitzentechnologie oder höchstwertigen Produkten und Services, muss es hier auch anders gehen? Dabei hilft ein tiefes Verstehen der bewussten und unterbewussten Entscheidungsprozesse und der Evolution des Menschen, um digitale Lösungen so zu bauen, dass der Mensch diese gerne annimmt. Differenziert betrachtet können 14 verschiedene Vertrauensphänotypen identifiziert werden, die eine unterschiedliches Technologie- und Produkterlebnis brauchen, das weit über den Bildschirm und die schriftliche Produktargumentation hinausgeht.

Es geht darum, dass Technologie für den Menschen leichter verständlich, umgänglich und akzeptabel werden muss, dann kann sie schneller besser am Markt erfolgreich sein. Doch was genau bedeutet das? In a nutshell: Häufig muss etwas um die Kernlösung ergänzend gebaut werden, die für die technischen Lösung zwar keinen Nutzen aber einen enormen Nutzen für die Entscheidungsprozesse der Nutzer hat. In meiner wissenschaftlichen Forschung, gefördert vom Wissenschaftsfond der Europäischen Kommission, habe ich zwölf Kernelemente identifiziert, die für eine menschlichere Technologie und die Bildung von digitalem Vertrauen nötig sind. Diese zwölf Kernelemente bedürfen je nach Vertrauensphänotypen, davon gibt Stand der aktuellen Forschung 14, angepasste Ausprägungen.

Menschen sind bezüglich digitaler Lösungen eher unsicher. Diese Unsicherheit ist gut durch die Feststellung des Cortisol- und des Adrenalinspieles, dies sind zwei unserer Stresshormone messbar. Es ist die Angst der fehlenden Kontrollierbarkeit der Lösungen, die Zuverlässigkeit des Systems, die Datennutzung, der Datenmissbrauch und Sorge vor Cyberrisiken. Diese Unsicherheit ist durch die 1,5 Jahre dauernde COVID-19 Angstberichterstattung nochmal gesteigert worden. Auch wenn der Inhalt der Nachrichten andere Inhalte hatte, führte dies zu einer starken Steigerung der Stresshormone wie Cortisol und Adrenalin. Dieses permanente Marinieren unserer Gehirne mit Stresshormonen hat, und die aktuelle Datenlage, lässt die Aussage zu, uns alle ängstlicher werden lassen. Dem Branchenverband Bitkom zufolge versendet jeder Zweite aus Sicherheitsgründen keine vertraulichen Informationen per E-Mail. Jeder Vierte nutzt keine sozialen Netzwerke, Cloud-Angebote oder Online-Banking. Auch die Qualität der Postings in Social Netzwerken seitens der Nutzer verändert sich. Es wird zunehmend weniger Privates geteilt. AI Lösungen setzen sich am Markt nicht zügig genug durch und selbst einfache digitale Lösungen in der öffentlichen Verwaltung muss man häufig lange suchen.

Folgende drei Gründe waren Anlass genug, diese Thematik wissenschaftlich zu untersuchen, um valide Erkenntnisse zu erlangen:
1.Wie kann die Digitalisierung ihr Potenzial entfalten?
2.Warum brauchen technologische Lösungen so lange, um sie am Markt zu etablieren?
3.Haben wir das erforderliche interdisziplinäre Fachwissen und wie können wir Forschungslücken schließen?
Inzwischen habe ich 38 Experimente mit Test- und Kontrollgruppen mit einer durchschnittlichen Größe von 1.000 Personen durchgeführt, analysiert und die Ergebnisse in eine systematische Struktur gefasst.

Digitale Technologie dem Menschen ähnlicher zu gestalten bedeutet, digitales Vertrauen beim Nutzer aufzubauen und zu erhalten.

Was ist das eigentlich, „digitales Vertrauen“? Digitales Vertrauen befähigt uns erst, online oder im Rahmen von digitalen Lösungen, Tools, Systemen etc. Entscheidungen zu treffen, weil wir einen Großteil der Informationen, die wir für eine Entscheidung bräuchten, nicht haben und es zu kompliziert diese Informationen zu erschließen. Darüber hinaus brauchen wir bei digitalen Lösungen sehr viele Informationen, da wir auf keine evolutionär verankerten Informationen zurückgreifen können.

Wenn wir digitales Vertrauen entwickeln, verzichten wir bewusst oder unterbewusst auf eine Risiko-Chancen-Analyse weil wir uns sicher fühlen und nicht nur die Risiken ignorieren, in der Erwartung, dass sich das System in der richtigen, erwarteten Weise verhalten wird.
Jede Entscheidung basiert auf einer bewussten / unterbewussten Risiko- und Chancenabwägung, bei der wir Kosten und Nutzen beurteilen. Hierbei greifen wir auf unsere Lernerfahrungen zurück, die wir im Laufe unserer individuellen Biografie gesammelt haben. Auch nutzen wir Lernerfahrungen, die wir in unserem Stammhirn, das vor 500 Millionen Jahren begonnen hat, sich zu entwickeln, gesammelt haben. Wichtig ist auch die aktuelle Situation, in der wir uns befinden und Signale, die wir gerade in diesem Moment wahrnehmen. Wenn wir vertrauen oder digital vertrauen, verzichten wir auf Informationen, die wir für eine Entscheidung eigentlich benötigen würden. In digitalen Welten fehlen uns leider sehr viele Informationen. Diese sind auch noch schwer zugänglich, da wir:
1. Die Codierung und Algorithmik nicht kennen;
2. Das erforderliche Wissen, um die Codierung und Algorithmik zu verstehen, nicht haben;
3. Nicht die Zeit und die kognitive Energie haben die AGB´s zu lesen;

4. Nur zwei unserer 16 Sinne, ja es sind 16 Sinne - manche Biologen meinen wir haben 20 können wir bisher bei digitalen Systemen einsetzen. Das ist unsere Fähigkeit zu Sehen und zu Hören. Mehr Sensoren von uns werden nicht angesprochen.

Die Informationsaufnahme erfolgt im Rahmen von digitalen Lösungen leider noch primär durch das Lesen oder das Interpretieren von Symbolen sowie Bildern, wofür unser Gehirn sehr viel „Rechenleistung“ braucht.

Aus evolutionsbiologischen Gründen haben wir in unserem Stammhirn noch keine digitalen Lernerfahrungen gespeichert, dass wird erst in ein paar tausend Jahren der Fall sein. Wegen der aktuellen genutzten Technologie von Screens und HMI´s und der Art wie Informationen über diese kommuniziert werden, ist es für den Erhalt unserer Sehfähigkeit, Informationserfassungs- und Verarbeitungsfähigkeit sowie Stabilisierung der Neuroendokrinologie sinnvoll bei aller erwünschten Begeisterung für Digitales, die Zeit von Bildschirmen so kurz wie möglich zu halten und einen Tag in der Woche komplett auf die Nutzung von Bildschirme zu verzichten.

Deshalb ist der Aufbau von digitalem Vertrauen für uns sehr schwierig. Sicherheits- und Kontrollsysteme, Lösungen zur Unterstützung von Entscheidungen und technologische Entwicklungen, die diese Vertrauensbildung fördern, werden eine große Hilfe für die Nutzer sein. Cyber-Sicherheit, Saefty und Datenschutz sind eines von zwölf Kernelementen deren phänotypische Umsetzung wesentlich ist damit die Zielgruppen digitales Vertrauen entwickeln können. Die Umsetzung von diesen zwölf Kernelementen ist wesentlich, damit wir digitale Technologien, Produkte und Services entwickeln, die dem Menschen ähnlicher und in Folge häufiger und überzeugter wie auch fehlerfreier genutzt wird.
Alle zwölf Kernelemente zusammen bilden die Vertrauensinfrastruktur. Diese Infrastruktur funktioniert ähnlich wie das Zahnradgetriebe eines Uhrwerks. Jedes Kernelement ist ein Zahnrad und jedes Zahnrad muss angesprochen werden, damit es sich bewegt. Erst wenn alle Zahnräder sich drehen, kann digitales Vertrauen entstehen.
-----
Das ist der erste Teil von insgesamt fünf Artikeln. Die anderen Teile poste ich in Kürz.

Dieser Artikel basiert auf einem von mir in der Fachzeitschrift IT-Sicherheit und Compliance bereits veröffentlichten Artikel.

Dr. Katharina von Knop ist Gründerin und CEO der Digital Trust Analytics. www.digitaltrust.de. Insgesamt hat sie erfolgreich dreimal in der Digitalwirtschaft gegründet. Nach ihrem Studium hat sie zum Thema Terrorismus promoviert und in dieser Arbeit nach strategischen Lösungen gesucht. Anschließend war sie 5 Jahre in der Strategieberatungen EGC und Roland Berger Strategy Consultants Projektleiterin und im Competence Center Financial Services eingesetzt. Bevor sie sich dann auf den Weg der Gründung machte, war sie verantwortliche Managerin für die Entwicklung von digitalen Geschäftsmodellen in einem Konzern.

Ich freue mich auf euer Feedback und natürlich über Likes -�� Bitte schreibt mir team@digitaltrust.de

Aufbau von Digitalen Vertrauen- Überprüfung von Informationen im Netz

Tue, 08 Jun 2021 18:56:34 GMT

Schritt 1: Überprüfen von Informationen im Netz

Ob Marktforschung, Technologiesuche, Produktforschung, Zielgruppenanalyse, journalistische Arbeit bzw. Nachrichtenkonsum, man steht permanent vor dem Problem herauszufinden ob die massenhaften Informationen im Netz auch verlässlich sind. Texte wie auch Bilder können durch Menschen oder Maschinen leicht manipuliert werden und hier reichen schon die Veränderung von ein paar Pixeln aus oder eines Adverbs aus um die Aussage eines Bildes eines Textes, Videos oder Audios zu verändern.

Aus Sicht eines Unternehmens ist es wichtig automatisiert relevante Informationen zu sammeln, auszuwerten, um umgehend professionell zu reagieren, zu groß ist die durchschlagende Kraft von Falschinformationen auf die Börsenwerte.

Aus Sicht eines Nutzers von Nachrichten hätte es zum Beispiel einen großen Nutzen, wenn Medien, auch Qualitätsmedien ihren Qualitätssicherungsprozess zur Überprüfung von Nachrichten kommunizieren würden und auch deutlich darauf hinweisen, ob eine PR-Agentur die Platzierung von Unternehmensnamen, Personennamen oder Inhalten geholfen hat. Qualitätsmedien könnten durch diese erlebbare Transparenz die Wertigkeit ihrer Angebote deutlich steigern.

Welche Tools können bei der Analyse von Inhalten helfen?

Kaum ein anderes Feld entwickelt sich so rasant, wie das Feld des sogenannten OSINT-Tools. OSINT steht für Open Source Intelligence und ist ein Begriff aus der Welt der Nachrichtendienste und umfasst die Gewinnung von Informationen aus frei verfügbaren offenen Quellen, wie Zeitungen, Internetportale, Social Media etc. und durch Analysemethoden Erkenntnisse zu gewinnen.

Heute helfen frei zugängliche Datensammlungs- und Analysetools jedem Unternehmen und auch jedem Bürger dabei den Wahrheitsgehalt von Informationen zu überprüfen. Durch diese Technologiesprünge und deren Verfügbarkeit hat hier eine enorme Demokratisierung der Überprüfung von Echtheit stattgefunden, da jeder diese Tools nutzen kann.

Aufgrund der hohen Anzahl von Tools und deren Dynamik ist schwer konkrete Tools zu empfehlen. Meine eigene Liste ist ewig lang. Welches das richtige Tool ist hängt davon ab was man überprüfen möchte. Global Investigative Journalism Network und auch Bellingcat haben Listen zusammengetragen und veröffentlicht:

Global Investigative Journalism Network: https://gijn.org/online-research-tools/

Bellingcat: https://docs.google.com/spreadsheets/d/18rtqh8EG2q1xBo2cLNyhIDuK9jrPGwYr9DI2UncoqJQ/edit#gid=9307476...

Es gibt auch einige Datenbanken, in denen man nach OSINT-Tools suchen kann.

Wie zum Beispiel:

https://www.andyblackassociates.co.uk/resources-andy-black-associates/osint-toolkit/

https://www.toddington.com/resources/free-osint-resources-open-source-intelligence-search-tools-research-tools-online-investigation/

Auf Github sind auch zahlreiche Listen zu finden die auch Tools zum Thema Code Search umfassen.

Wie zum Beispiel:

https://github.com/jivoi/awesome-osint

Es kann sinnvoll sein sich den ein oder anderen Newsletter zum Thema Onlinerecherche zu bestellen:

Wie zum Beispiel:

https://newsletter.sebmeineck.de/home

Bei der schieren Fülle an Tools und deren stetigen Veränderung kann es durchaus effizient sein, in einer Suchmaschine wie Yandex, Tineye, DuckDuckgo oder Google die Aufgabe die man lösen möchte einzugeben und dass man ein Tool dafür sucht. Es bietet sich auch an mindestens zwei Tools für dieselbe Aufgabe anzuwenden.

Dr. Katharina von Knop ist Gründerin und CEO der Digital Trust Analytics www.digitaltrust.de . Insgesamt hat sie erfolgreich dreimal in der Digitalwirtschaft gegründet. Nach ihrem Studium hat sie zum Thema Terrorismus promoviert und in dieser Arbeit nach strategischen Lösungen gesucht. Anschließend war sie 5 Jahre in der Strategieberatungen EGC und Roland Berger Strategy Consultants. Dort war sie im Competence Center Financial Services eingesetzt. Bevor sie sich dann auf den Weg der Gründung machte, war sie verantwortliche Managerin für die Entwicklung von digitalen Geschäftsmodellen in einem Konzern.

Bitte schreibt mir team@digitaltrust.de

Status Social Media Analytics Ziele – Trends und Typologien

Sun, 02 May 2021 11:14:18 GMT

Den vollständigen Artikel mit vielen spannenden Infographiken findet ihr unter der Rubrik "Artikel" auf meinem LinkedIn Profil https://www.linkedin.com/pulse/status-social-media-analytics-ziele-trends-und-von-knop/

Gerade konnte ich Projekt zum Thema Trusted Social Media Marketing erfolgreich abschließen und das hat mich veranlasst Euch diesen Artikel zu schreiben. In kaum einem anderen Bereich kann und gehen Methoden der künstlichen Intelligenz weiter als im Bereich des Social Media Marketing.

Inhalt

1. Ziele von Social Media Analytics und Trends 2020

2. Tools, Vorgehen und Typologien von Social Media Analytics

3. Einblick in die Metriken

1. Ziele von Social Media Analytics und Trends 2020

Definition Social Media Analytics

Social Media Analytics umfasst das gezielte Sammeln, die quantitative, qualitative und inhaltliche Analyse von unstrukturierten und strukturierten Daten, Generierung und Platzierung von Marketinginhalten innerhalb von Social Media Plattformen, mit dem Ziel den ROI und die Verkaufszahlen zu steigern, Produkte und Prozesse zu verbessern und die Reputation eines Unternehmens zu steigern.

Der Social Media Analytics Prozess - identifiziere - höre zu – lerne – sei aktiv

Um wirksames Social Media Marketing umzusetzen ist ein fortlaufender Prozess wesentlich, der darauf abzielt permanent die relevanten Metriken zu messen um zu lernen, welche Maßnahme konkret in welcher Social Media Plattform konkret bei welcher Zielgruppe messbar zur Umsatzsteigerung führt.

Bevor Social Media Monitoring und Listening, also das gezielte Erfassen von Daten aus spezifischen Social Media Plattformen, umgesetzt werden kann, ist die Analyse der unternehmerischen Ist- und Soll-Situation erforderlich. Anschließend folgt die Definition, was herausgefunden werden soll, um die Geschäftszahlen zu steigern. Anschließend folgt die Entwicklung der Key Performance und Evaluations Metriken. Jetzt können die relevanten Social-Media-Plattformen, spezifischen Gruppen, in welchen Länder, Tageszeiten etc. von denen die Daten generiert werden sollen, ausgewählt werden. Der nächste Schritt umfasst die Auswahl der Social Media Analyse Werkzeuge und Methoden. Erfasst und analysiert werden können Text, Bild, Ton, Video und Audio bzw. Voice -Daten. Hier bietet sich an zu Beginn auf kostenfreie Accounts zu setzen. Wenn Rohdaten oder Konversationen gehoben werden, müssen diese jetzt gereinigt werden und in strukturierte Daten transformiert werden, damit diese mit Werkzeugen analysiert werden können. Nach der Analyse der Daten folgt der Aufbau der Social Media Intelligence. Dieses Wissen umfasst, wo, mit welchen Inhalten und Sprache, welche Zielgruppen wirksam gewonnen werden können. Dieses Wissen umfasst auch Hinweise auf mögliche Preisstrategien, Produkt und Serviceoptimierungen. Natürlich umfasst dieses Wissen auch die Hebung und Analyse der Aktivitäten des Wettbewerbs. Auf dieser Social Media Intelligence basiert der Einsatz von Social Media Engagement Tools. Dieser Prozess wird iterativ geführt und zielt darauf die Ergebnisse fortlaufend zu verbessern.

Für jeden Prozessschritt gibt es eine Fülle von Tools, die einem bei der Hebung und Analyse von Social Media Daten unterstützen. Deshalb ist eine Fokussierung wichtig um nicht in Tools und Daten regelrecht zu ertrinken.

Die Diszplin bei der Einhaltung des strukturierten Vorgehens ist wesentlich um den Social Media Return of Invest zu generieren.

Wachstum von Social Media Aktivitäten

Die Nutzerquoten von Social Media Kanälen wachsen gewaltig. Im Mai 2020 hat Facebook nach Angaben von Hootsuit 2,498 Mrd. Nutzer. Natürlich sind in diesen Zahlen auch Roboter-Aktivitäten erfasst. Wie hoch der Anteil ist kann nicht sicher beziffert werden. Der gesamte Social Media Markt wird auf 5,4 Mrd. US-Dollar geschätzt und wächst jedes Jahr um 27,6%.

Die Social Media Landschaft

Die Social Media Plattformen sind sehr vielfältig und können gemäß ihren Funktionen, strukturiert werden. Jede Plattform adressiert spezifische Zielgruppen. Eine zentrale Aufgabe ist es herauszufinden, auf welcher Plattform mit welchen Inhalten, die avisierten Zielgruppen analysiert und gewonnen werden können. Wenn man zum Beispiel Sneakers für Programmierer verkaufen möchte, wären Facebook oder LinkedIn nicht die passenden Plattformen, sondern eher Github oder spezifische Community Games mit einer Social Plattform Komponente.

Social Media Trends 2020

Die Trendentwicklung ist in dieser Branche ist rasant schnell und sehr spannende zeitgleiche Entwicklungen sind zu beobachten.

Der Trend „trusted Relationships“ zu ermöglichen und aufzubauen nimmt deutlich zu. Facebook reagiert hier darauf mit einigen Funktionen. Privacy Tools zu dem Schutz der Privatheit, zum Schutz vor Disinformation und auch Fake News erfreuen sich einer wachsenden Beliebtheit bei den Usern.

Möglichkeiten eigenen Content mit Virtual Reality und Augmented Reality Tools anzureichern werden zunehmend gerne genutzt.

Deutlich nimmt die Nachfrage nach Marketing-Automatisierung zu, um den Einsatz von Marketing-Maßnahmen möglichst gezielt und wirksam einzusetzen.

Hyperpersonalisierung ist eines der großen Wachstumsfelder innerhalb des Social Media Marketing. Hier ist das Ziel automatisiert Postings an die Vorlieben jedes relevanten Nutzers anzupassen und auch individuelle Preise zu generieren.

Aufkommende Trends sind die Platzierung und Analyse von Voice Inhalten aber auch die Voice Suche. Zunehmend mehr nutzen ihre Stimme zur Suche zum Beispiel bei Google. Bei der gesprochenen Sprache werden Suchen anders formuliert als es bei der Texteingabe der Fall ist. Hierfür werden passende Analyse Tools gebraucht. Auch die Visual Search ist ein zunehmender Trend auf den Social Media Analytics mit entsprechenden Werkzeugen reagiert.

Ein weiterer wichtiger Trend ist die Schaffung von Social Media Ökosystemen. Diese Ökosysteme, wie zum Beipsiel We Chat bieten integrierte Prozesse von der Produktempfehlung, über den Kauf, die Bezahlung und Bewertung an. Diese Prozess-Integration, die bisherige Tool-Brüche aufhebt, werden wir zeitnah in zahlreichen anderen Sozialen Plattformen finden.

Frau Prof. Claudia Bünte hat die wesentlichen Trends bezogen auf Social Media Analytics sehr treffend herausgearbeitet. Die ich hier zitiere. Durch entsprechende Tools ist es möglich so ziemlich alle Social Media Marketing Aktivitäten im Bereich Social Media in Echtzeit zu analysieren und in Echtzeit automatisiert zu reagieren.

Darüber hinaus nimmt der Einsatzbereich von Tools, die Methoden der künstlichen Intelligenz einsetzen, nach Frau Prof. Claudia Bünte massiv zu. Dieser Einsatzbereich umfasst die Hebung und Auswertung von Consumer Insights, die Kreation, das Campaigning und das Performance Management.

2. Tools, Vorgehen und Typologien von Social Media Analytics

Martech zählte 2019, dass 7040 Social Media Analytic Tools am Markt angeboten werden. Diese Flut kann überfordern. Deshalb ist eine gezielte Auswahl anhand des jeweiligen konkreten Bedarfs erforderlich

Diese Tools übernehmen die automatisierte quantitative und qualitative:

Datensammlung
Datenstrukturierung
Datenverknüpfung
Datenkorrelationund
Datenanalyse,

mit dem Ziel (potentielle) Kunden / Zielgruppen zu indentifizieren und diese von der Marke, dem Produkt oder der Dienstleistung so zu begeistern, zu verstehen, zu binden und dass diese es Kaufen und aktiv in den Social Media Kanälen durch Kommentare und Posting bewerben. Nutzer generierter Content führt am ehesten zu einer Kaufentscheidung bei dessen Followern.

Die Datenanalyse

Im Vorfeld ist sehr wichtig zu überlegen für was die Datenanalyse gebraucht wird. Die Zeitachse in der die Daten gewonnen werden ist hiervon abhängig.

3. Einblick in die Metriken

Insgesamt können ca. 67 Metriken gemessen werden. Entscheidend für den Vertriebserfolg sind die Engagement Metriken. Deshalb sind hier die Katogien der Metriken aufgeführt.

Aktivität (Die Leistungen des Social Media Team)
Engagement (Interaktionen und Interesse an der Marke)
Akquisition ( Beziehungen schaffen)
Reichweite (Ihr Publikum un potentielles Publikum)
Conversion (Aktionen, Umsätze und Ergebnisse)

erstärkungsrate (Amplification Rate): Die Anzahl der Shares und Kommentare im Durchschnitt für jeden Beitrag.

Twitter-Retweets
Facebook-Shares
LinkedIn-Shares
Printerest Repins
Instagram Regrams

Applaus-Rate: Die Anzahl der Genehmigungsaktionen oder virtueller "Applaus", den Sie von Ihrem Publikum pro Periode erhalten, einschließlich +1s, Vorlieben, Daumen hoch, Favoriten usw.

Durchschnittliche Engagement Rate: Der Prozentsatz Ihres Gesamtpublikums, der sich in irgendeiner Weise mit Ihrem Inhalt auf einem sozialen Kanal pro Berichtszeitraum beschäftigt hat.

Kommentar-Rate: Die durchschnittliche Anzahl von Kommentaren, die Ihr Inhalt pro Beitrag erhält.

Conversion Rate: Die Anzahl der Gespräche, die pro Social-Media-Beitrag geführt werden. Bei Facebook, LinkedIn, Pinterest und Instagram werden dies Kommentare sein. Auf Twitter sind dies Antworten.

Engagement als Prozentsatz des Publikums: Gesamte Engagement-Aktionen in allen sozialen Netzwerken geteilt durch die Gesamtzahl der Zuhörer.

Engagement pro Fan/Follower: Gesamte Engagement-Aktionen für ein Netzwerk geteilt durch die Anzahl der Fans (oder Anhänger) für dieses Netzwerk.

Viralität: Die Geschwindigkeit, mit der sich ein Inhalt über das Social Web verbreitet. Eine gute Möglichkeit, diese zu messen, sind die Gesamt-Shares pro Inhalt.

….

Was das ganze mit Digital Trust zu tun hat erzähle ich Euch / Ihnen in meinem nächsten Artikel

von Dr. Katharina von Knop (Dieser Artikel ist unter der Rubrik Artikel meines LinkedIn Profils im juni 2020 bereits veröffentlicht worden https://www.linkedin.com/pulse/status-social-media-analytics-ziele-trends-und-von-knop/ )

Aktueller Status des Einsatzes von künstlicher Intelligenz Social Media Analytic Tools

Sun, 02 May 2021 10:23:15 GMT

Der vollständige Artikel ist auf meinem LinkedIn Profil unter der Rubrik "Artikel veröffentlicht https://www.linkedin.com/pulse/einsatz-k%C3%BCnstliche-intelligenz-ai-machine-learning-und-von-knop/

Was alles möglich ist und die Herausforderungen.

Über 7.000 Tools sind zur Zeit am Markt verfügbar die Social Media Daten, Inhalte und Sentiments (Stimmungen) analysieren, optimale Postingzeiten und Netzwerke identifizieren und Content generieren. Diese übernehmen die automatisierte quantitative und qualitative:

Datensammlung
Datenstrukturierung
Datenverknüpfung
Datenkorrelation
Datenanalyse und
Datengenerierung,

mit dem Ziel (potentielle) Kunden / Zielgruppen zu identifizieren und diese von der Marke, dem Produkt oder der Dienstleistung so zu verstehen, zu begeistern, zu binden, dass diese es Kaufen und aktiv in den Social Media-Kanälen durch Kommentare und Posting bewerben. Die Wahrscheinlichkeit ist immer noch am Höchsten, dass Content zu Kaufentscheidung führt, wenn dieser in Form von Postings von echten Menschen, die nur Nutzer der Plattform sind, geschaffen wird.

Drei verschiedene Formen der Datenanalyse werden unterschieden.

Echtzeit Datenanalyse

In der Echtzeit Datenanalyse werden all die Informationen gewonnen, die für ein direkte reaktive Marketing Maßnahmen wichtig erscheinen.

Das ist zum Beispiel wichtig für:

Krisenmanagement,
Reaktion auf Beschwerden,
Verfolgung/Befeuerung von Trends
Identifizierung / Gewinnung von Influencer
Optimierung der Postings, Channels, Zielgruppen etc.

Historische Datenanalyse

Die Ergebnisse der historischen Datenanalyse dienen der Optimierung der bisherigen Marketingmaßnahmen:

Analyse der Beziehung zwischen verbrauchergenerierten Inhalten und Verkaufsergebnis
Trendanalyse
Erfassung der Kundenstimmungen (Sentiments),
Plattform Verortung, Zahl der Follower,
Demografie und Geolokalisierungen
Identifizierung profitabler Kunden- Gruppen,
Influencer-Analyse
etc.

Predictive Daten

Ziel der predictiven Analyse ist die Entwicklung der Konversionen und Posts der nächsten Minuten, Stunden, Tage und Woche zu berechnen. Diese prediktive Berechnung dient der Früherkennung von aufkommenden Bedürfnissen und Trends:

Dies ist zum Beispiel wichtig für:

Themen
Verändertes Kundenverhalten
Neue Influencer
Neue Channels
Produkte
Pricings
Etc.

Die Social Media Datenanalyse ist auch für die Beaobachtung des Wettbewerbs wichtig.

In Bezug auf den Wettbewerb können auch eine Fülle von spannenden Informationen gewonnen werden. Hier werden operative Informationen zum Monitoring von: Preisen, Kampagnen, Produkten, News Alerts, Schlagzeilen, Beförderungen, Fusionen, Akquisitionen, etc. gewonnen. Hier ist zum Beispiel das Ziel umgehend z.B. auf neue Kampagnen des Wettbewerbs zu reagieren.

Die Historische Datenanalyse wird durchgeführt um strategische und taktische Informationen gewinnen. Wie zum Beispiel:

Trends
Analyse der Reaktionen von Verbrauchern auf die Produkte, Preise etc. der Wettbewerber
Trendanalyse der Wettbewerber
Preisgestaltung
Entwicklung neuer Produkte
Kunden-Dienstleistungen,
Technologie-Entwicklung
Etc.

Zur Früherkennung von Aktivitäten des Wettbewerbs oder dem Aufkommen von neuen Wettbewerbern dient die prediktive Analyse. Ziel ist es Marketingkampagnen und –maßnahmen, Kooperationen, Produkte und Services, Neue Märkte, etc. möglichst früh zu erkennen.

Die Tools, die hierzu eingesetzt werden, um auch präzise die Inhalte der Postings, Conversionen, Video und Potcasts zu heben und auch Word-Print Analysen um das Schreibmuster der Sentiments und Postings jedes Einzelnen zu erkennen und zu interpretieren. Verhalten zu analysieren, verwendete Attribute und Hashtags einzuordnen basieren auf Methoden der Statistik. Einige Tools verwenden Methoden der künstlichen Intelligenz und hier primär Methoden des Machine Learnings.

Einsatz Künstlicher Intelligenz bei Social Media Analytic Tools

Auch wenn es keine allgemeingültige Definition von künstlicher Inteligenz gibt, ist folgende Beschreibung von SAS sinnvoll, um ein grundlegendes Verständnis dieser Methoden zu gewinnen. Künstliche Intelligenz (KI) versetzt Maschinen in die Lage, aus Erfahrung zu lernen, sich auf neu eingehende Information einzustellen und Aufgaben zu bewältigen und von sich aus Lösungen zu entwickeln.

Die Methoden, die am häufigsten bei Social Media Analytic Tools einsetzt werden, sind jene des Maschinellen Lernens. Die Methoden des Maschinellen Lernens verfügen nach Vera Demberg über folgende Eigenschaften:

Künstliche Generierung von Wissen aus Erfahrung
Erkennung komplexer Muster und Regelmäßigkeiten in vorhandenen Daten
Ziel: Verallgemeinerung (Generalisierung) ̈ Uber das Nachschlagen bereits gesehener Beispiele hinausgehen
Beurteilung unbekannter Daten
Beispiele:Die Gleichung einer Geraden anhand zweier Punkten bestimmen.
Die Bedeutung eines Wortes in einem neuen Text basierend auf derBedeutung des Wortes in anderen Texten bestimmen

Im Rahmen der Methoden des Maschinellen Lernens greifen die Social Media Analytic Tools auf symbolische Methoden zurück. Symbole sind zum Beispiel Phrasen, Wörter oder Zahlen.

Auffällig ist das Social Media Analytic Tools sehr häufig mit KI werben aber bezüglich Datenhebung, Datenauswertung und Datengenerierung häufig „nur“ auf statistische Verfahren zurückgreifen. Aber der Einsatz dieser statisitischen Methoden ist auch schon im Ergebnis sehr hilfreich, aber intelligent sind diese Tools deshalb nicht. Es ist sinnvoll zwei – drei Tools mit ähnlichen Funktionalitäten zu verwenden und zu vergleichen welche in der Ausführung die besseren, weil wirksameren Ergebnisse liefern. Die Unterschiede können hier sehr beträchtlich sein. Ausschlaggebend ist hier nicht der Markenname, sondern wie häufig das Tool in ähnlichen Fragestellungen von anderen Kunden bereits eingesetzt worden ist, je häufiger das der Fall war, desto besser werden möglicherweise die Ergebnisse sein.

In dieser (siehe Titelbild) komprimierten Entscheidungsbaum-Darstellung der eingesetzten Machine Learing Methoden, sind die am Häufigsten der Sentiment Analyse eingesetzte fett markiert.

Ziel von Sentiment Analysen ist es Stimmungen, Gefühlsorientierung und die Gefühlsubjektivität (Meinungen versus Tatsachen) in den Kommentaren und Postings und Kommentaren zu identifizieren, bzw. das Chatbots bei bestimmten z.B. Themen gewünschte Gefühle, Stimmungen und Gefühl-Subjektivitäten äußern.

Sehr fortschrittliche Systeme generieren in Millisekunden die User Stories und den Content von Webseiten und den Inhalt von Artikeln, wie auch Audios und Videos passend zum User.

Exkurs Chatbots

Chatbots bieten eine Konversationserfahrung, bei der künstliche Intelligenz und natürliche Sprachverarbeitung (Natural Language Processing NLP) eingesetzt werden, um Gespräche mit echten Menschen zu führen. Kanäle in denen Chatbots eingesetzt werden sind u.a.:

Amazon Alexa, Android chat, Cortana, Discord, Facebook Messenger, Google Assistant, iOS Chat, IVR by Twilio, IVR by Nexmo, IVR by Cisco, LINE, Microsoft Teams, MS Bot Framework, Skype, Slack, SMS by Nexmo, Telegram, Twitter, Wechat, WhatsApp, etc.

Chat Bots können über Conntectors an andere Unternehmenssoftware-Lösungen angebunden werden: Blue Prism, UiPath, Salesforce.com, SAP, Amadeus, Bold360, Cention, Live Chat Inc., LivePerson, Google ASR, Amazon, Apple, Microsoft, Nuance, and RightNow.

Diese Anbindungen haben viele Vorteile. Die Social Plattform Ausrichtung der Chatbots kann optimiert werden. Oder wenn der Chatbot im Kundenservice eingesetzt wird, kann dieser zum Beispiel Veränderungen z.B. in der Preisgestaltung, der Verträge, etc. sofort berücksichtigen. Ist der Chatbot an das CRM-System eines Unternehmens angebunden, dann ist dieser umgehend über die Kundenhistorie und laufende Verträge im Bilde.

Chatbots werden mit unterschiedlicher Zielrichtung eingesetzt

Verbesserung der Kundenaquisition

Optimierung des Points of Sale
Wahrnehmung als innovatives und fortschrittliches Unternehmen
Befähigung direkt auf Kundenanfragen möglichst optimal zu reagieren und damit die Skalierung zu unterstützen
Steigerung der Sichtbarkeit des Unternehmens durch Nutzung von Chat-Schnittstellen

Steigerung des Gewinns pro Kunde

Effizienzsteigerung des KundenserviceVerstärkte Einsetzung des Kundenservice-Teams in den Verkauf
Verstärkte Einsetzung des Kundenservice-Teams in den Verkauf
Chance, durch die gewonnenen Kommunikationsdaten mehr über die Kunden zu lernen und die Produkte zu verbessern

Abwanderung reduzieren

Steigerung der Qualität des Kundenservice
24/7 Verfügbarkeit des Kundenservice

Es gibt drei unterschiedliche Arten von Chatbots

FAQ Chatbots

FAQ-Chatbots sind vielleicht die einfachste Form eines Chatbots, die bereits einen großen Nutzen bringen kann. Er kann Fragen verstehen und gibt dem Benutzer die relevanteste Antwort.
Selbstlernende Chatbots, die auf einer Webseite platziert werden, können die Anzahl der Telefonanrufe bei einem Servicedesk zur Beantwortung, der am häufigsten gestellten Fragen drastisch reduzieren.

Virtuelle Assistenten

Ausgeprägtere Rechenleistung die stärker in die Unternehmenssysteme integriert ist.
Ausführung von grundlegende Aktionen z.B: Buchung von Programmierleistungen.

Virtuelle Agents

Können Mitarbeiter vollständig ersetzen.
Diese Bots können mit den komplexesten Dialogen, Prozessen und Sicherheitsprotokollen umgehen.

Im Prinzip werden drei unterschiedliche Methoden bei Chatbots eingesetzt:

Linguistic Based

NLP (Natural Language Processing), NLU (Natural Language Understanding), NLG (Natural Language Generating)
Regel basiert
Liefern fein abgestimmte Kontrolle und Flexibilität
Einsatzgebiete z.B: E-commerce Website, oder Facebook Messenger.

Machine learning (AI Chatbots)

komplexer als regelbasierte Chatbots
eher gesprächig, datengesteuert und vorausschauend
Einsatz sehr engen Bereich von Szenarien, in denen statistische Algorithmen wirklich ausgezeichnet sind

Hybrid Model

Kombination von statistischen Algorithmen neben der linguistischen Konditionierung. Anbieter sind u.a. Teneo, IBM Bluemix, Google Cloud Plattform, Rasa, Micosoft Cognitive Systeme.

Chatbots um Chatbots zu identifizieren.

Einer der spannesten Trends sind Chatbots und Programme die Chatbots identifizieren, um diese aus der eigenen Analyse zu filtern oder gar zu blockieren, damit diese zum Beispiel nicht den Kundenservice Chatbot überlasten, wenn ein Chatbot den Chatbot im Kundenservice kontaktiert. Es ist ein Problem für die Social Media Analytic wenn in den eigenen Sentiments nur oder hauptsächlich Chatbot-Konversionen enthalten sind oder wenn Chatbots damit beschäftigt sind nur oder hauptsächlich mit anderen Chatbots zu unterhalten.

Botometer und BotOrNot sind hier nur zwei Anbieter. Allerdings ist es sehr schwer geworden noch moderne Chatbots zu identifizieren, da diese mittlerweile auch mich Reaktionsverzögerungen arbeiten und die Schrift, wie auch die Sprechsprache von der menschlichen eigentlich kaum noch unterscheidbar ist. Immer wieder wird beobachtet, das Chatbots in Sozialen Medien in der Kommunikation untereinander ihre eigene Sprache entwickeln.

Dr. Katharina von Knop

Der vollständige Artikel ist auf meinem LinkedIn Profil unter der Rubrik "Artikel veröffentlicht https://www.linkedin.com/pulse/einsatz-k%C3%BCnstliche-intelligenz-ai-machine-learning-und-von-knop/

Making faster better decisions part one of 243

Mon, 29 Mar 2021 20:12:49 GMT

Let´s start easy - The Eisenhower Matrix

Not only since Daniel Kahnemann's great book "Thinking fast and Thinking slow" we know that humans are predictably irrational when it comes to decision making. In the last years, I have been working intensively on the decision-making of humans and machines, to empower people and teams to make faster, better decisions on the factual level to achieve significantly better results. I set out to regularly introduce a method that helps us hack ourselves to get better results.
Every morning I start with Eisenhower Matrix. This is a very simple well-known method that enables you to follow one mastermind of productivity, Dwight Eisenhower. I write in the matrix all tasks for the day. My emails are always in the box "Urgent but not important." I read and answer emails between 12:00 and 13:00 and after 20:00. These time windows are scheduled in my Outlook. The mornings and afternoons are reserved for substance work.

Weniger KI-Regulierung stattdessen effiziente Zertifizierung für mehr Innovationen, Startups und internationale Wettbewerbsfähigkeit

Tue, 30 Jun 2020 11:58:22 GMT

Konstruktive Kritik an der gestern veröffentlichen Stellungsnahme der Bundesregierung zum Weißbuch zur Künstlichen Intelligenz.

Auf der europäischen und der deutschen Regierungsebene wird zurzeit intensiv über die Regulierung von lernender Software verhandelt. Die Europäische Kommission hat im Februar ein Weißbuch zur Regulierung von künstlicher Intelligenz (KI) veröffentlicht. Dieses Weißbuch ist ein Vorschlag, der versucht die Nutzung von KI zu fördern und die möglichen Risiken einzudämmen. Gestern hat die Bundesregierung eine Stellungnahme zum Weißbuch zur Künstlichen Intelligenz - ein europäisches Konzept für Exzellenz und Vertrauen veröffentlicht. Schon allein der sehr werbliche Titel lässt Besorgnis aufkommen. Aufgrund des sehr weit in Zukunft schauenden Charakters und kleinteiligen Differenziertheit, entsteht die begründete Sorge, dass jedes kleine Softwareupdate, jede minimale Veränderung an der Datenbasis überprüft werden muss und ein massiver Regulierungsapparat geschaffen wird. Folgende Sorgen für eine Technologieführerschaft in der Wirtschaft und Wissenschaft in dieser Schlüsseldiszplin entstehen:

1. Viele kleine und junge Unternehmen, die lernende Systeme in Nischen herstellen wird es sehr schwer fallen diese komplexen Regulierungen umzusetzen. Diese Firmen könnten die SAP´s und die Qiagen´s der Zukunft werden, wenn diese nicht mit einem massiven Volumen an komplexen Regulierungen behindert werden.

2. Auch wissenschaftliche Projekte beim DFKI, Fraunhofer, Max Planck, Helmholtz, den Universitäten und Fachhochschulen würden behindert werden und ein großer Teil der Forschungsförderungen müssten für die Umsetzung der Regulierungen, des Controllings und der Dokumentationen ausgegeben werden. Dies beschränkt die Anzahl, die Innovationskraft und die Geschwindigkeit mit denen diese Projekte umgesetzt werden können.

3. Diese beiden Prognosen werden dazu führen, dass wir KI-Leistungen aus den USA und China einkaufen und uns deren Bedingungen unterwerfen müssen, unternehmerische Chancen nicht nutzen und nicht die Arbeitsplätze der Zukunft schaffen können.

Natürlich werden Regeln gebraucht und hier wären ex-post Zertifizierungen, die von einer staatlichen Institution umgesetzt werden, die effizienteren Lösungen. In dieser Institution müssten allerdings die erforderlichen fachlichen Fähigkeiten in der erforderlichen Qualität und Anzahl vorhanden sein.

Effizient wäre es auch wenn artikulierte Förderung der Wirtschaft insbesondere der KMU´s und der Wissenschaft mit klar definierten KPI´s hinterlegt werden würde, die für die Ministerien gelten sollten:

Wie zum Beispiel:

Wieviel Machine Learning Startups wurde gegründet?
Wieviele konnten internationalisieren?
Wieviele Unternehmen konnten durch staatliche Förderungen neue Produkte und Services anbieten?
Welche Positionierung konnten Publikationen im CS-Ranking erreichen?
Wie gut ist die Input-Output-Ratio der investierten Steuergelder?
Wie gut ist diese Ratio in Bezug auf den internationalen Wettbewerb?
Was wären konkrete terminierte Maßnahmen und bessere KPI Werte zu erreichen?

In dem Weißbuch und in der Stellungnahme ließt sich sehr viel Sorge vor Software, die in Ihrem Kern Statistik ist, in den meisten Anwendungsfällen die Methode des Maschinellen Lernens nutzt und der Weg zur echter Künstlicher Intelligenz noch ein sehr weiter ist.

Die German Angst

Die German Angst ist das Ergebnis eines jahrzehntelangen kulturellen bewussten und unterbewussten Lernens.

Nach den Gesundheitsberichterstattung des Bundes leiden 9,4% der Männer und 19% der Frauen in Deutschland unter Angststörungen. Angststörungen sind meist zeitlich abgrenzbare Zeiträume und können durch u.a. Konfrontationstherapie gut therapiert werden, dennoch werden diese Menschen immer vorsichtig agieren.

Nach zwei sehr langen Zeiträumen der fast monothematischen Angstberichterstattungen: 1. Klimawandel und 2. Corona wird die Ausprägung und Verteilung der Angst in Deutschland weiter zunehmen. Diese Beobachtung wird deshalb besonders deutlich feststellbar sein, weil vitale Interessen angesprochen werden. Einmal das Überleben der Spezies Mensch und die 2. das eigene Überleben.

Die Bürger der Bundesrepublik haben zwei Regime erlebt. Einmal eine Diktatur und den Sozialismus/Kommunismus. Hier wurde sehr viel Angst gelernt und unterbewusst an die nachfolgenden Generationen weitergeben.

Hinzu kommt, dass durch diese beiden Regime der Anteil der Risktaker – die eine Gesellschaft braucht, um sich weiter zu entwickeln, massiv reduziert worden ist. Mendel folgend hat sich der Anteil der Risktaker in den folgenden Jahrzehnten weiter reduziert.

Der Algorithmus Bias

Berkeley J. Dietvorst, Joseph P. Simmons und Cade Massey haben wissenschaftlich den Algorithmus Bias (Heuristik) beschrieben. Demnach toleriert der Mensch Fehler in einem Algorithmus weniger als bei sich selbst. Sobald wir feststellen, dass ein Algorithmus einen Fehler machen kann, schwenken wir sofort zu unserer eigenen viel Fehler anfälligen Entscheidungsfindung. Bezüglich der wissenschaftlichen Beweisführung der Irrationalität des menschlichen Entscheidungsfindung verweise ich auf die umfangreichen Arbeiten des Nobelpreisträgers Robert Kahnemann. Menschliche Entscheidungsfindung ist von 186 Biases (Heuristiken), die Verzerrungen in der Wahrnehmung und Entscheidungsfindung sind, beeinflusst. Diese Verzerrungen hatten ihre Berechtigung, um uns als Spezies das Überleben zu sichern, als wir noch Jäger uns Sammler waren. Unser Lebensumfeld hat sich allerdings geändert und andere Entscheidungsfindungsprozesse sind erforderlich.

Sinnvoll wären Entscheidungsunterstützungslösungen, die mit den Methoden des maschinellen Lernens und der künstlichen Intelligenz uns dabei helfen bessere Entscheidungen zu treffen und diese auch umzusetzen. Hier ist die große Chance der lernenden Software für uns als Individuen, als Spezies Mensch und für den gesamten Planeten. Wenn wir uns die aktuellen CO2 Werte ansehen, wissen wir, dass wir nicht gut darin sind, gute Entscheidungen zu treffen, aber wir sind Menschen wir können lernen und vor allem wir können uns ändern. Wir müssen nur die Chancen lernender Software nutzen.

Wie das geht, uns dazu zu bringen Heuristiken/Biases wissenschaftlich bewiesen zu verlernen und bessere Entscheidungen zu treffen, dazu schreibe ich mehr in meinem nächsten Artikel.

Dr. Katharina von Knop

Wie schafft man Vertrauen in digitalen Lösungen?

Sat, 06 Jun 2020 17:39:17 GMT

Über meine wissenschaftliche Arbeit: Einflußfaktoren der Entscheidungsfindung und die konkreten Entstehungsmechanismen von Vertrauen in digitalen Lösungen und AI Systemen darf ich beim Müncher Vortrag halten, zu dem ich Euch ganz herzlich einlade.

18:00 Begrüßung und Einführung

Prof. Dr. Michael Dowling, Universität Regensburg und MÜNCHNER KREIS

Dr. Magnus Harlander, ISAR AG und MÜNCHNER KREIS

18:10 Impuls: Der Vertrauensbegriff aus Sicht der Psychologie

Prof. Dr. Peter Fischer, Universität Regensburg

18:30 Impuls: Der Vertrauensbegriff aus Sicht der Soziologie

Prof. Dr. Andreas Boes, ISF München

18:50 Impuls: Erfolge und Pleiten der IT-Industrie in Sachen Vertrauen
Dr. rer. nat. Joseph Reger, Fujitsu Technology Solutions GmbH und

MÜNCHNER KREIS

19:10 Impuls: Wie schafft man Vertrauen in digitale Lösungen

Dr. phil. Katharina von Knop, Digital Trust Analytics, Berlin

19:30 Panel mit allen Referenten

Moderation: Dr. Magnus Harlander, ISAR AG und MÜNCHNER KREIS

20:45 Zusammenfassung

Dr. Magnus Harlander, ISAR AG und MÜNCHNER KREIS

Veranstaltungsinformationen

10. September 2020, 18:00 - 20:45 Uhr
Videokonferenz
Anmeldung: Bis 10. September 2020 über unsere Webseite www.muenchner-kreis.de

Teilnehmergebühr: Die Teilnahme ist kostenfrei.

Datenschutz: Die Teilnehmer erklären sich mit ihrer Anmeldung damit einverstanden,
dass die von ihnen existierenden personenbezogenen Daten zur
Organisation dieser Veranstaltung verwendet werden dürfen. Eine
Weitergabe der Daten erfolgt nicht; die datenschutzrechtlichen
Bestimmungen werden beachtet. Nähere Informationen auch unter
www.muenchner-kreis.de/datenschutz.html . Während der Veranstaltung
werden Foto- und Videoaufnahmen gemacht, die für die Arbeit der
Veranstalter verwendet werden und im Rahmen der Öffentlichkeitsarbeit
auf deren Webseiten veröffentlicht und an Medienvertreter
weitergegeben werden können. Mit ihrer Anmeldung erklären sich die
Teilnehmer hiermit einverstanden

Menschen-zentrierte Technologie entwickeln - Die zwölf Kernelemente des digitalen Vertrauens!

Mon, 30 Dec 2019 14:13:14 GMT

Menschen-zentrierte Technologie entwickeln - Die zwölf Kernelemente des digitalen Vertrauens!

Man hört es auf den führenden Konferenzen rund um die Themen Digitalisierung, künstliche Intelligenz, Machine Learning etc. immer wieder: „Die Technologie muss menschlicher werden.“ Damit ist nicht der philosophische Humanismus gemeint. Vielmehr geht es darum, dass Technologie für den Menschen leichter verständlich, umgänglich und akzeptabel werden muss. Doch was genau bedeutet das? In meiner wissenschaftlichen Forschung, gefördert vom Wissenschaftsfond der Europäischen Kommission, habe ich zwölf Kernelemente identifiziert, die für eine menschlichere Technologie und die Bildung von digitalem Vertrauen nötig sind.

Folgende vier Gründe waren Anlass genug, diese Thematik wissenschaftlich zu untersuchen, um valide Erkenntnisse zu erlangen:

1. Starke Herausforderungen digitale Transformationen in Unternehmen umzusetzen und erfolgreiche digitale Geschäftsmodelle zu entwickeln (bezogen auf Deutschland)

2. Die zunehmende Unsicherheit und Stagnation bei der Nutzung von digitalen Lösungen im privaten Bereich.

3. Der Mangel an systematischer Anwendung von validem, interdisziplinären Fachwissen.

4. Die Erkenntnis, dass Technologie menschlicher werden muss

Inzwischen habe ich 34 Experimente mit Test- und Kontrollgruppen mit einer durchschnittlichen Größe von 1.000 Personen durchgeführt, analysiert und die Ergebnisse in eine systematische Struktur gefasst.

Digitale Technologie menschlicher zu gestalten bedeutet, digitales Vertrauen beim Nutzer aufzubauen und zu erhalten. Dieses digitale Vertrauen muß seitens des Anbieters immer wieder angesprochen und seitens des Nutzers bestätigt werden.

Was ist das eigentlich, „digitales Vertrauen“? Digitales Vertrauen befähigt uns erst, online oder im Rahmen von digitalen Lösungen, Tools, Systemen etc. Entscheidungen zu treffen. Jede Entscheidung basiert auf einer Risiko- und Chancenabwägung, bei der wir Kosten und Nutzen beurteilen. Hierbei greifen wir auf unsere Lernerfahrungen zurück, die wir im Laufe unserer individuellen Biografie gesammelt haben. Auch nutzen wir Lernerfahrungen, die wir in unserem Stammhirn, das vor 500 Millionen Jahren begonnen hat, sich zu entwickeln, gesammelt haben. Wichtig ist auch die aktuelle Situation, in der wir uns befinden und Signale, die wir gerade in diesem Moment wahrnehmen. Wenn wir vertrauen oder digital vertrauen, verzichten wir auf Informationen, die wir für eine Entscheidung eigentlich benötigen würden. In digitalen Welten fehlen uns leider sehr viele Informationen. Diese sind auch noch schwer zugänglich, da wir

1. nur zwei unserer fünf Sinne einsetzen können,

2. die Informationsaufnahme primär durch das Lesen oder das Interpretieren von Symbolen sowie Bildern erfolgt, wofür unser Gehirn sehr viel „Rechenleistung“ braucht,

3. die digitalen Produkte und Dienstleistungen auf der Code-Ebene nicht nachvollziehen können und

4. sich der Mensch vor uns noch nicht mit PCs etc. beschäftigt hat. So haben wir aus evolutionsbiologischen Gründen noch keine Lernerfahrungen damit in unserem Stammhirn gespeichert.

Daher ist der Aufbau von digitalem Vertrauen für uns sehr schwierig. Sicherheits- und Kontrollsysteme, Lösungen zur Unterstützung von Entscheidungen und technologische Entwicklungen, die diese Vertrauensbildung fördern, werden eine große Hilfe für die Nutzer sein.

IT-Sicherheit und Datenschutz sind eines von zwölf Kernelementen des digitalen Vertrauens

Das digitale Vertrauen besteht aus zwölf Kernelementen. Die Umsetzung von diesen zwölf Kernelementen ist wesentlich, damit eine digitale Technologie menschlicher wird und wir digitales Vertrauen aufbauen können. Alle zwölf Kernelemente zusammen bilden die Vertrauensinfrastruktur. Diese Infrastruktur funktioniert ähnlich wie das Zahnradgetriebe eines Uhrwerks. Jedes Kernelement ist ein Zahnrad und jedes Zahnrad muss angesprochen werden, damit es sich bewegt. Erst wenn alle Zahnräder sich drehen, kann digitales Vertrauen entstehen.

Grundlegende Bedürfnisse des Menschen zu erfüllen, wäre der erste Schritt

Das 1. Kernelement des digitalen Vertrauens

Die Erkenntnis, dass wir 98 Prozent unserer Entscheidungen unterbewusst treffen, ist eher ernüchternd, da wir uns für bewusst analytisch handelnde Menschen halten. Die Herrin der unbewussten Entscheidungsverfahren ist unser Stammhirn. Dort sind alle Lernerfahrungen des Men-schen gespeichert, die er seit der Entwicklung des Stammhirns vor 500 Millionen Jahren gesammelt hat. Nur im Unterbewusstsein ist diese enorme Rechenleistung möglich, die unser Gehirn jede Sekunde vollbringt. Darüber hinaus kann Energie gespart werden und gleichzeitig sind noch Kapazitäten frei, um andere Tätigkeiten umzusetzen und Signale wahrzunehmen.

Die Menge an Informationen, die uns heute zur Entscheidungsfindung nicht zur Verfügung stehen, hat massiv zugenommen. Gleichzeitig müssen wir Entscheidungen in digitalen Welten treffen, in denen wir nur auf biographische Lernerfahrungen zurückgreifen können. Wir haben also die Möglichkeit, uns unbefangen und auch naiv in die Flut der sich selbst überholenden technologischen Innovationen zu stürzen. Eine andere Option wäre die Umsetzung der kognitiven Dissonanz. Dieser Vorgang ist zum Beispiel jedem Raucher sehr geläufig. Er weiß, das Rauchen schädlich ist, ignoriert dies aber und raucht trotzdem. Die dritte Option wäre, kritisch die digitalen Tools und Systeme auszuwählen und sie genauso kritisch und vorsichtig anzuwenden. Selbst bei aller kritischen Analyse wäre die Umsetzung dieser Option kaum möglich. Vielleicht schaffen wir es, die AGBs auch mal wirklich zu lesen und mithilfe eines befreundeten Juristen auch zu verstehen. Ob das digitale Tool nicht doch weit über die eigenen „AGBs“ hinausgeht und Daten von uns sammelt und möglicherweise unsere digitale Identität verändert, können wir, ohne uns die Codierung anzusehen, nicht prüfen, weil nur sehr wenige Software-Hersteller uns dies erlauben würden. Im beruflichen Angestelltenverhältnis haben wir keine Wahl, sondern müssen die vorhandenen Systeme anwenden. Wäre es nicht für uns viel einfacher, für die Nutzung von digitalen Tools und Systemen bewusst zu entscheiden, wenn diese von einer unabhängigen übergeordneten Stelle fortlaufend bezüglich der IT-Sicherheit, des Datenschutzes, der AGBs und Malware geprüft werden und uns einfach und nachvollziehbar die Risiken mittels, zum Beispiel Ampelfarben mitgeteilt werden? Die Experimente im Rahmen der wissenschaftlichen Arbeit haben gezeigt, dass eine solche Entscheidungsunterstützung von den Nutzern sehr gerne angenommen wird, und dass sich die Nutzer die digitale Lösung schneller aneignen, sie häufiger und länger nutzen und auch dabei zufriedener sind.

Dem Menschen ähnlicher bedeutet: die Umsetzung eines erweiterten Sicherheitsbegriffs für digitale Technologie.

Das 2. bis 5. Kernelement des digitalen Vertrauens

Wir wissen, wie sich ein bedrohtes Tier verhält. Wir wissen, wie ein Baum sich verhält, wann er uns Schutz bietet und wann er uns zum Beispiel bei Sturm bedroht. Wir wissen, wie sich Menschen verhalten, auch wenn wir ihre Sprache nicht verstehen. Wir können Mimik und Gestik interpretieren oder, wie wir heute sagen, decodieren. Wie sich ein Algorithmus verhält, insbesondere wenn dieser selbstlernend ist, wissen wir nicht. Dazu fehlen uns die Daten, die zu Signalen werden, die wir interpretieren können.

Menschen lieben Eindeutigkeit, Transparenz, Verantwortung und Haftung, da diese Eigenschaften uns die erforderliche Sicherheit auf Gebieten geben, auf denen wir zu wenig Informationen haben und diese auch nicht beschaffen können.

Gibt es eine Qualitätssicherung im Sinne einer Richtigkeitsprüfung auf Nachrichtenportalen und in sozialen Netzwerken? Woran erkennen wir, ob ein Beitrag auf einem Nachrichtenportal oder einem sozialen Netzwerk von einem Bot geschrieben, oder an mich, den Nutzer, zum Beispiel auch durch Psychometrie angepasst worden ist? Warum kann der Nutzer nicht mitentscheiden, ob dieser möchte, dass mir spezifische Inhalte gezeigt werden, von denen diverse Algorithmen meinen, dass diese interessieren? Das Unternehmen würde gemäß den Forschungsergebnissen, bezogen auf die Nutzerquoten profitieren, da der Nutzer sein Bedürfnis nach Kontrolle und Selbstwirksamkeitserwartung leben kann. Bietet ein soziales Netzwerk wie Facebook nur eine Plattform an? Wer ist für die Inhalte verantwortlich? Oder liegen die Entscheidungen eines antrainierten Priorisierungsalgorithmus nicht eben doch in der Verantwortung der Programmierer? Wer soll die juristische Verantwortung für diese Entscheidungen tragen? Der Programmierer, der Hersteller, der Eigner der Hardware, der Nutzer der Software, der Eigner der Software? Woher weiß ich, dass ein Algorithmus mir zum Beispiel bestimmte Finanzprodukte oder Nachrichten gar nicht zeigt, weil ich zum Beispiel die „falsche“ Hautfarbe oder die „falsche“ Religion“ habe? Oder wenn Kl-gorithmen Entscheidungen treffen – auf welchen Grundlagen erfolgen diese? Wenn es sich um ein lernendes System handelt, wie sieht die Lernumgebung des Systems eines autonomen fahrenden Autos aus? Hat die Basis eines selbstlernenden Systems nur in städtischen Räumen in Italien gelernt oder auch im Winter auf dem Land in Norwegen? Welcher kulturellen Ethik folgt das System? Woher weiß der Nutzer welche Sensoren tatsächlich in einer Hardware-Lösung verbaut worden sind?

Um Technologie dem Menschen ähnlicher zu gestalten und es ihm leichter zu machen, digitales Vertrauen aufzubauen, wäre die Umsetzung der folgenden fünf Maßnahmen sinnvoll.

1. Systeme, Algorithmen, Bots etc. könnten für den User nachvollziehbar gekennzeichnet sein. Das heißt, er muss in die Lage versetzt werden, diese zu erkennen und wissen, auf welcher Basis diese arbeiten und welche Faktoren relevant sind.

2. Algorithmen, Bots etc. könnten frei von Diskriminierung sein und dies kann auch dem Nutzer sichtbar und verständlich kommuniziert werden.

3. Schaffung der „digitalen Person“ als haftende Institution. Die Beziehung zwischen Unternehmen und den Algorithmen und zwischen Menschen und Algorithmen könnten geregelt werden. Diese Regeln könnten soziale Netzwerke, webbasierte Kommunikationsplattformen, das gesamte Internet global umfassen.

4. Schließung vorhandener Lücken im IT-Recht auf nationaler und internationaler Ebene inklusive Umsetzung. Diese Regeln könnten auf einfache Weise kommuniziert werden.

5. Schaffung einer wirksamen Corporate Media Policy, wie es beispielsweise von Julia Jäkel, Verlagschefin von Gruner & Jahr und vielen anderen Medienschaffenden gefordert wird.

Auch hier war in Experimenten festzustellen, dass das Stressniveau der Nutzer deutlich sinkt, wenn diese Maßnahmen umgesetzt werden. Es hört sich gewaltig an, aber diese fünf Maßnahmen sind durchaus umsetzbar. Das Maß an digitalem Vertrauen ließe sich dadurch enorm steigern.

Selbstwirksamkeit und Beherrschung zu der Situation erleben, ist für uns wichtig.

Das 6. Kernelement des digitalen Vertrauens

Zurzeit steht der Nutzer bei vielen digitalen Tools und Systemen vor der Entscheidung, entweder stimme ich der Nutzung meiner Daten durch den Anbieter zu oder ich kann das Tool nicht oder nur sehr eingeschränkt nutzen. Das ist bei Facebook, WhatsApp sowie bei vielen Health- und Banking-Apps der Fall. Selbstbestimmtheit und Kontrolle über die eigene Situation ist ein wichtiger Faktor, der das Überleben des Menschen seit Beginn der menschlichen Evolution sichert. Deshalb fühlt sich jeder Mensch sicherer, wenn er das Maß der Verwendung seiner Daten selbst steuern kann, ihm dies immer wieder bestätigt wird und er das auch mit seinen Sinnen erlebt. Darüber hinaus steigert die Erfahrung, etwas zu tun und, dass dieses Tun zur direkten Wahrnehmung führt, Gestalter der eigenen Situation zu sein, deutlich die Zufriedenheit. Der Nutzer hat das Gefühl, dass er das System beherrscht und nicht diesem ausgeliefert ist. Diese Wahrnehmungen fördern deutlich das digitale Vertrauen beim Nutzer.

Eine pragmatische Lösung liefert zum Beispiel die jüngst veröffentlichte Studie des Bundesministeriums für Verkehr und Infrastruktur zum Thema „Eigentumsordnung für Mobilitätsdaten“. Hier wird vorgeschlagen, dass Plattformen, die Daten erfassen und ökonomisch verwerten, auch andere Bezahlsysteme als nur die „Bezahlung“ mit persönlichen Nutzerdaten anbieten.

Fünf Sinne haben wir oder warum sich Alexa, Cortana und Siri sich durchsetzen werden, wenn sie dem Menschen ähnlicher werden.

Das 7. Kernelement des digitalen Vertrauens

Wenn wir den Laptop oder das Tablet nutzen, nehmen wir 99 Prozent aller Informationen visuell entweder durch Lesen oder Bild- bzw. Icon-Interpretation wahr. Für diesen Vorgang braucht unser Gehirn sehr viel Energie und diese Investitionsleistung erbringt es deshalb eher ungern. Darüber hinaus greifen wir bei allem, was wir tun, auf unser Stammhirn zurück. Um es greifbarer zu verdeutlichen: Wenn die Zeit, seitdem der Mensch in seiner Evolution sprechen kann, 24 Stunden sind, dann ist die Zeit, seitdem er lesen kann, acht Minuten. Sprache wenden wir schon viel länger an als das Lesen und haben dies somit viel häufiger geübt. Aus diesem Grund fallen uns das Sprechen und das Hören von Sprache leichter als das Lesen und Schreiben. Deshalb bevorzugen wir Informationsaufnahme durch Hören und Informationsweitergabe durch Sprechen. Richtig gut sind wir darin, über Mimik und Gesten zu kommunizieren, weil wir dies noch länger beherrschen als das Sprechen. Deshalb wird unter Hochdruck daran gearbeitet, dass digitale Assistenten wie Siri, Alexa und Cortana auch dies bald beherrschen. Mit dieser Fähigkeit werden solche Assistenten dem Menschen ähnlicher und es fällt uns leichter, dieser Technologie zu Vertrauen, weil sie sich so verhält wie wir es tun. Wie sich eine digitale Technologie verhält, gerade wenn sie Entscheidungen trifft, wissen wir noch nicht. Deshalb macht uns künstliche Intelligenz (KI) trotz aller Vorteilen auch Angst. Diese Angst besteht weiter, auch wenn wir wissen, dass Fehlerquoten um ein Vielfaches geringer sein können, wenn ein KI-System anstelle eines menschlichen Lokführers einen Zug steuert.

28 Vertrauensbedingungen überprüft jeder vor einer Entscheidung.

Das 8. Kernelement des digitalen Vertrauens

Jeder hat 28 Vertrauensbedingungen, die je nach Situation, Persönlichkeit und Biografie unterschiedlich stark angesprochen werden müssen. Eine Bedingung ist zum Beispiel die Vertrauensdisposition. Diese ist meist frühkindlich erworben und schwer veränderbar. Wenn frühkindlich wenig stabile und emotional positive Bezugspersonen da waren und/oder Gewalt erfahren worden ist, wird dieser Mensch als Erwachsener eine Vertrauensdisposition haben, die ihn nur sehr schwer Vertrauen aufbauen lässt. Er wird sehr vorsichtig agieren. Das bedeutet, dass dieser Menschen sehr viel glaubwürdige Sicherheit erfahren muss, bis er eine Entscheidung treffen kann. Je besser es Unternehmen oder Organisationen aller Art gelingt, die Vertrauensbedingungen der Menschen in der erforderlichen Qualität, Intensität und Frequenz anzusprechen, desto erfolgreicher werden diese sein. Zu diesem Zweck sind Daten der Nutzer oder potenziellen Nutzer, die im Netz erfasst werden können, durchaus hilfreich. Je besser es gelingt, die Vertrauensbedingungen eines Menschen zu erfassen und zu adressieren, desto stärker hat dieser das Gefühl, dass er verstanden wird. Es fällt ihm somit leichter, digitales Vertrauen aufzubauen. Zu dieser Methodik gehört u.a. die Psychometrie. Diese kennen wir primär aus deren Anwendung während des letzten Wahlkampfes um das Präsidentenamt in den USA. Teil eines „Code of Conduct“ im Cyberspace könnte es sein, dass man die Anwendung dieser Methodik für den Nutzer kenntlich macht.

Jedem Typus seine Funktionalitäten

Das 9. und 10. Kernelement des digitalen Vertrauens

Für etwas mehr Systematik habe ich in der wissenschaftlichen Arbeit die am häufigsten vorkommenden. Schwerpunkte der 28 Vertrauensbedingungen in (bislang elf) Vertrauenstypen zusammengefasst. Jeder Vertrauenstypus spricht auf spezifische Funktionalitäten an. Mit diesen Funktionalitäten kann ein digitales Produkt oder System ergänzt werden, mit dem Ziel, dass diese beim Nutzer die Wahrscheinlichkeit deutlich erhöhen, die entsprechenden Emotionen auszulösen. Dies können Emotionen sein wie „Schafft Zugang“ (zum Beispiel zu einer Gruppe oder gesellschaftlichen Schicht) oder „Nimmt Sorgen“, „Weckt positive Erinnerungen“.

186 kognitive Biases – oder sonderlich objektiv sind wir wirklich nicht.

Das 11. und 12. Kernelement des digitalen Vertrauens

Jede unserer Entscheidungen kann durch eine oder mehrere der insgesamt 186 kognitiven Biases (kognitive Biase = kognitive Verzerrung), jenen Heuristiken, denen der menschliche Entscheidungsprozess unterworfen ist, deutlich beeinflusst werden. Eine dieser Verzerrungen ist das im letzten Bundestagswahlkampf viel diskutierte „Framing“. Demnach ist der erlebte, visuelle oder auch verbale Rahmen für die Entscheidung sehr wichtig und kann zur Verzerrung führen. Wenn wir einer fremden Person zum Beispiel auf dem Uni-Gelände begegnen und diese Person einen Anzug trägt, werden wir ihr wahrscheinlich eher vertrauen, als wenn dieselbe Person uns in der U-Bahn in Jeans und T-Shirt anspricht.

Die Vorteile von menschlicher Technologie beziehungsweise der Umsetzung von digitalem Vertrauen

Technologie menschlicher zu gestalten und somit digitales Vertrauen umzusetzen, hat viele Vorteile. Die Vorteile für Institutionen und Unternehmen sind unter anderem:

Deutliche Steigerung der internen und externen Effizienz;
Reduktion externer Transaktionskosten (unter anderem Vereinbarungs-, Kontroll- und Anpassungskosten);
Reduktion interner Transaktionskosten (zum Beispiel Management-, Lenkungs- und Kontrollkosten);
Förderung der inhaltlichen Kommunikation, da Ängste abgebaut werden und die Bereitschaft, sich Neuem zu öffnen und authentischer wahrheitsgemäße Informationen zu kommunizieren, zunimmt.
Steigerung der Qualität der Arbeitsergebnisse und der Mitarbeiterzufriedenheit um jeweils etwa 33 Prozent.
Steigerung des Mitarbeiter-Engagements um 21%
Etc.

Die Mitarbeiterzufriedenheit bei der Nutzung eines digitalen Tools habe ich halbblind durch Kameraaufnahmen ermittelt, d.h. der Nutzer wusste nichts von den Aufnahmen. Wenn wir am PC arbeiten, kontrollieren wir meist unsere Mimik nicht und der Gesichtsausdruck gibt deutliche Infor-mationen über die aktuelle Gefühlslage. Diese Gefühlslage ist deutlich davon beeinflusst, ob die Mitarbeiter wissen, dass sie wirklich in einer sicheren technologischen Umgebung arbeiten. Das Engagement der Mitarbeiter kann auch gemessen werden. Hier sind u.a. folgende Werte relevant: Zeit der Führungskräfte, diese in Einzelgesprächen mit ihren Mitarbeitern verbringen; Mit wie vielen Kollegen aus höheren Hierarchieebnen arbeiteten die Mitarbeitern zusammen; Wie hoch ist das Verhältnis zwischen Meetings und eigener Arbeitszeit?; Wie häufig haben die Mitarbeiter zwei und mehr Stunden Zeit sich ihren Aufgaben ohne Unterbrechung zu widmen? etc.

Der Artikel ist von der Fachzeitschrift IT-Sicherheit in der Dezember Ausgabe 2017 veröffentlicht worden. Das Copyright liegt bei der Autorin.

Digitales Vertrauen befähigt uns, Entscheidungen zu treffen

Mon, 16 Dec 2019 21:54:32 GMT

Spekulationen über das nächste große Ding in Sachen Hardware, Software und Apps gibt es viele. Absoluter Trend oder Flop? Diese Frage hängt laut Katharina von Knop damit zusammen, wie stark Nutzer der Technik vertrauen.

https://newmanagement.haufe.de/skills/digital-trust-erfolgsfaktor-vertrauen

Frau Dr. von Knop, Ihr jüngsten Unternehmen „Digital Trust“ untersucht, wann wir neuen Technologien vertrauen. Was findet eine mehrfache Gründerin und Treiberin der digitalen Transformation wie Sie an dem Thema interessant?

Katharina von Knop: Ich saß in so vielen Meetings, bei denen darüber gesprochen wurde, wie digitale Geschäftsmodelle besser skalieren. Dabei wurde sehr viel geglaubt, gemeint und gefühlt, aber erstaunlich wenig gewusst, obwohl es die erste App bereits vor elf Jahren gab. Ich wollte mehr Substanz reinbringen in die Frage, warum wir manche Technologien nutzen und manche weniger bis gar nicht. Der klassische A/B-Test, den man sonst für die Erforschung von Nutzerreaktionen einsetzt, hilft hier nicht wirklich weiter, da man neben der Originalversion eines Systems einfach nur eine Variante testet. Deshalb habe ich dazu einen Forschungsantrag bei der Europäischen Union gestellt, um digitales Vertrauen genauer zu untersuchen, mit neuropsychologischen Experimenten. Der wurde genehmigt und inzwischen ist mit Digital Trust ein eigenes Forschungsunternehmen daraus entstanden.

Was heißt für Sie digitales Vertrauen?

Vertrauen hört sich erstmal ganz fluffig an, ist aber eines unserer wichtigsten Gefühle. Es befähigt uns erst, Entscheidungen zu treffen und diese dann auch umzusetzen – analog und digital. Jede Entscheidung basiert auf einer Risiko- und Chancenabwägung, bei der wir Kosten und Nutzen beurteilen.

Hierbei greifen wir auf unsere bisherigen Lernerfahrungen zurück. Stark vereinfacht kann man das so erklären: Unser Gehirn besteht aus drei Datenbanken. Die erste ist das Stammhirn, Herrin von 98 Prozent unserer Entscheidungen. Hier sind vitale Informationen seit Beginn der Evolution von Homo sapiens sapiens gespeichert. Die zweite Datenbank ist die eigene Biografie und was wir im Lauf des Lebens gelernt haben. Die dritte Datenbank ist die Situation, in der wir uns befinden. Hier kommen die Signale der aktuellen Umgebung an, wie die Raumtemperatur, ob wir gerade hungrig oder durstig sind. Vertrauen ist wie jedes andere Gefühl das Ergebnis einer Informationsabfrage dieser drei Datenbanken.

„Wir können den Menschen nicht ändern, aber wir können die Technik so an den Menschen anpassen, dass wir ihr leichter vertrauen können“, sagt Katharina von Knop.

Und auf dieser Grundlage entscheiden wir dann, ob wir eine Software oder eine App nutzen möchten oder nicht?

Ganz genau. Wir wissen, dass unsere Entscheidungen von 186 Biases, also Vorurteilen oder Vorlieben, beeinflusst werden, die uns größtenteils nicht bewusst sind. Wenn wir vertrauen oder digital vertrauen, verzichten wir auf Informationen, die wir für eine Entscheidung eigentlich benötigen würden. Der Vorteil dieser Abkürzung: Unser Gehirn spart kostbare Energie und Zeit. Das ist auch in der analogen Welt so, allerdings ist der Aufbau von digitalem Vertrauen wesentlich schwieriger.

Warum?

In digitalen Welten fehlen uns leider sehr viele Informationen. Diese sind zudem schwer zugänglich, da wir nur zwei unserer fünf Sinne einsetzen können, sehen und hören. Meist nehmen wir Informationen durch lesen auf, interpretieren Symbole oder Bilder. Dafür braucht unser Gehirn sehr viel „Rechenleistung“. Lernerfahrungen aus dem Stammhirn können uns hierbei nicht viel helfen, denn der Mensch hat sich bisher im Lauf der Evolution noch nicht mit PCs oder Smartphones beschäftigt. Deshalb ist es wichtig, dass wir die Technik menschenähnlicher machen.

Das hört sich irgendwie gruselig an. Inwiefern menschenähnlicher?

Ich meine jetzt nicht im Sinne von ethischem Humanismus. Das ist sehr wichtig und da haben wir noch viele offene Fragestellungen, mit denen wir uns beschäftigen müssen. Ethik ist stark geprägt vom kulturellen Hintergrund einer Gesellschaft. In China ist etwas anderes ethisch korrekt als bei uns. Ein Kapitalist hat eine andere Ethik als jemand, der im Bereich Social Entrepreneurship gründet. Da brauchen wir allgemeingültige ethische Grundsätze und die sollten KI-System auch abbilden. Mir geht es bei einer menschenähnlichen Technik aber um etwas anderes: und zwar darum, dass Technologie und deren Komplexitäten von den Fähigkeiten des Menschen erfassbar und von seinen Sensoren besser wahrnehmbar wird. Wir können den Menschen nicht ändern, aber wir können die Technik so an den Menschen anpassen, dass wir ihr leichter vertrauen können.

Ist Vertrauen in Technik denn wirklich empfehlenswert? Der Skandal um Facebook und Cambridge Analytica hat doch beispielweise gezeigt, dass wir sehr leicht manipulierbar sind, wenn wir blind vertrauen.

Dafür muss man sich genauer anschauen, wie Wahlmanipulation funktioniert. Beim Thema Wahlen haben die Meinungsführer aus unserem direkten sozialen Umfeld den stärksten Einfluss auf unsere Entscheidungsfindung. Da greift der Prozess der Schweigespirale von Noelle-Neumann, der besagt, dass wir Hemmungen haben, unsere Meinung zu äußern, wenn sie der als vorherrschend betrachteten widerspricht. Wir neigen dazu, uns anzuschließen und das zu wählen, was unser direktes Umfeld auch wählt. Deshalb hatten die Manipulationen des Wahlkampfteams von Trump nur sehr geringen Erfolg. Aber es war gerade die auf einen bestimmten Phänotypus spezialisierte Werbung, die über relativ wenige Clicks ein Prozent Stimmen in manchen Bundesstaaten brachte und zu seinem Wahlerfolg führte.

Sobald wir wissen, dass Algorithmen Fehler machen oder uns manipulieren, reagieren wir über.

Seit die Maßnahmen von Cambridge Analytica publik wurden, ist der öffentliche Aufschrei groß. Schließlich gleicht das einer Vertreibung aus dem Paradies. Forscher wie Dietvorst, Simmons und Massey sprechen in dem Zusammenhang von „Algorithmik Aversion“. Das ist ein paradoxes Phänomen: Einerseits nutzen wir digitale Lösungen, die auf Algorithmen basieren, sehr gedankenlos – man kann auch naiv sagen. Wir alle folgen oft absolut unkritisch dem Navi oder dem Hinweis „die meisten Kunden kauften die Premium-Version“. Aber sobald wir wissen, dass Algorithmen Fehler machen oder uns manipulieren, reagieren wir über, verlassen uns auf unser eigenes sehr fehlerbehaftetes Urteilsvermögen oder handeln gar nicht. Deshalb ist die Manipulation des digitalen Vertrauens nicht per se negativ. Das kann auch etwas sehr Positives sein.

Wann kann eine derartige Manipulation positiv sein?

Ich beschäftige mich zum Beispiel intensiv damit, wie wir Menschen motivieren können, E-Health-Lösungen intensiver zu nutzen. Denn bei diesen Apps haben wir bisher ganz schlechte Nutzungsdaten. Gleichzeitig wissen wir, dass die Kosten für das Gesundheitssystem explodieren. 2030 wird das ganze Geld, das im deutschen Gesundheitssystem zur Verfügung steht, nur für die Behandlung von Diabetes Typ 2 draufgehen. Da ist noch keine Impfung gemacht und noch keinen Krebs behandelt. Wir brauchen dringend Alternativen.

Diabetes Typ 2 ist eine durch den Lebensstil erworbene Erkrankung. Deshalb frage ich mich bei Digital Trust, wie kriegen wir Homo sapiens sapiens dazu, Technologien zu nutzen, die wissenschaftlich nachweislich wirksam sind und auf Prävention und Heilungserfolge abzuzielen – also mehr Sport zu machen oder sich gesünder zu ernähren. Gesamtgesellschaftlich müssen wir innerhalb kürzester Zeit Antworten auf sehr viele Fragen finden, beispielsweise für einen besseren Umweltschutz oder Alternativen zu Plastik. Der Mensch kann positiv motiviert werden, gewisse Dinge zu tun oder zu lassen. Doch Verhaltensänderungen sind nicht leicht, da dies mit Energie-Aufwand verbunden ist.

Aber sollte man das nicht lieber jedem selbst überlassen, ob er oder sie derart positiv motiviert werden möchte?

Das würde voraussetzen, dass wir alle digitalen Tools und Systeme wirklich kritisch auswählen und sie genauso kritisch und vorsichtig anwenden. Für eine derartige Entscheidungsfindung stehen uns aber die erforderlichen Informationen nicht zur Verfügung. Vielleicht schaffen wir es, die AGBs mal wirklich zu lesen und mithilfe eines befreundeten Juristen auch zu verstehen. Oft gehen digitale Tool weit darüber hinaus, sammeln Daten von uns und verändern möglicherweise unsere digitale Identität. Das können wir ohne Codierungskenntnisse nicht prüfen, geschweige denn, dass die Software-Hersteller uns dies erlauben würden. Im beruflichen Angestelltenverhältnis haben wir auch oft keine Wahl, ob wir Systeme anwenden möchten oder nicht.

Nur die wenigsten von uns sind fachlich in der Lage, die Stärken und Schwächen von Algorithmen zu identifizieren und deren Konsequenzen zu analysieren. Gleichzeitig wissen wir, dass Algorithmen objektivere Entscheidungen treffen als der Mensch. Sie sind etwa in der Lage, die passendere Chemotherapie auf Basis multipler Faktoren wie dem Krebstypus und der Phänomenologie des Patienten zu berechnen. Die fortlaufende kritische Prüfung von Algorithmen bleibt dennoch unbedingt erforderlich, da wir nur zu gerne Verantwortung abgeben. Diese Mechanismen sehen wir jeden Tag in großen Unternehmen, Körperschaften des öffentlichen Rechts und Behörden, in denen das mittlere Management 80 Prozent seiner Zeit damit beschäftigt ist, seine Position zu verteidigen anstatt Entscheidungen für Innovationen zu treffen, für die man verantwortlich gemacht werden könnte.

Was schlagen Sie also vor?

Wir brauchen bessere Technologien, die Mechanismen der menschlichen Vertrauensbildung berücksichtigen und uns befähigen, Algorithmen und weitere Software-Elemente unabhängig und verlässlich zu überprüfen. Deshalb beginnt der Aufbau von digital Vertrauen bei der Konzeption des Geschäftsmodells und der ersten Zeile Code, die geschrieben wird. Bei der Masse an AGBs und Datenschutzerklärungen wären automatisierte Einschätzungen auf Basis selbstdefinierter Parameter hilfreich.

Wir brauchen bessere Technologien, die Mechanismen der menschlichen Vertrauensbildung berücksichtigen.

Dafür empfehle ich eine unabhängige, übergeordneten Stelle, die fortlaufend bezüglich der Cyber-Sicherheit, des Datenschutzes, der AGBs und Malware prüft und uns einfach und nachvollziehbar die Risiken mitteilt, zum Beispiel mithilfe von Ampelfarben. Außerdem sollten wir den Nutzer dazu bringen, selbst kritisch die Technologie zu hinterfragen und nicht die Verantwortung an das System abzugeben. Auch wenn viele Systeme viel geringere Fehlerquoten haben als es der Mensch, ist es in gesellschaftspolitischer Hinsicht und bezogen auf die Organisationsentwicklung wichtig, dass wir unser Verantwortungsbewusstsein entwickeln oder bewahren.

Das heißt also, die Hersteller von Software müssten ihre Anwendungen sehr viel transparenter machen?

Ja. Wenn das Ziel ist, dass Menschen diese Lösungen gerne, intensiv und umfänglich nutzen, sollten sie in der Lage sein, Systeme, Algorithmen oder Bots als solche zu erkennen und zu wissen, auf welcher Basis diese arbeiten. Nutzer können bei vielen digitalen Tools und Systemen nur pauschal entscheiden, ob sie der Nutzung ihrer Daten zustimmen. Doch Selbstbestimmtheit und Kontrolle über die eigene Situation ist ein wichtiger Faktor, der das Überleben des Menschen seit Beginn der menschlichen Evolution garantiert. Deshalb fühlt sich jeder Mensch sicherer, wenn er das Maß der Verwendung seiner Daten selbst steuern kann. Wenn der User direkt wahrnimmt, welche Auswirkungen sein Tun hat, fördert dies das Gefühl, dass er das System beherrscht und diesem nicht wehrlos ausgeliefert ist.

Sie haben betont, dass auch die persönliche Disposition eine Rolle spielt. Inwiefern muss man da also differenzieren?

Die rasanten technologischen Entwicklungen erschweren die Vertrauensbildung enorm. Eine Kategorie von Menschen ist davon aber ausgenommen: die Risk Taker. Bereits seit 200.000 Jahren gibt es diesen Typus Mensch, der stärker die Chancen als die Risiken sieht und der somit entscheidend für die Entwicklung eines Ökosystems oder der Gesellschaft ist. Innovatoren gehören dieser Gruppe an. Sie neigen dazu, die große Masse, die einfach anders strukturiert und motiviert ist, nicht ausreichend zu berücksichtigen.

Das Alter spielt entgegen der landläufigen Meinung beim digitalen Vertrauen kaum eine Rolle.

Denn es gibt auch den umgekehrten Typus, der mehr Sicherheitsmaßnahmen braucht, um Vertrauen aufzubauen. Ein wichtiger Faktor dafür ist die Vertrauensdisposition, die wir im frühkindlichen Alter erwerben. Wenn wir in der Zeit wenig stabile und emotional positive Bezugspersonen, stetig wechselnde, möglicherweise wenig verlässliche Bezugspersonen haben oder gar Gewalt erfahren, fällt es uns im Erwachsenenalter schwerer, Vertrauen aufzubauen. Damit Unternehmen oder Organisationen Menschen in der erforderlichen Qualität, Intensität und Frequenz ansprechen können, ist es hilfreich, wenn sie zu diesem Zweck Daten der Nutzer oder potenziellen Nutzer erfassen können. Dafür brauchen wir wie gesagt eine unabhängige, übergeordneten Stelle, die garantiert, dass die Daten nicht missbraucht werden.

Inwiefern gibt es Gemeinsamkeiten bei bestimmten Zielgruppen, beispielsweise in Bezug auf Alter oder Geschlecht, was den Aufbau von digitalem Vertrauen betrifft?

Das Alter spielt entgegen der landläufigen Meinung beim digitalen Vertrauen kaum eine Rolle. Oft heißt es ja zum Beispiel, ältere Mitarbeiter sind nicht so digital affin. Das ist Blödsinn, dazu haben wir nicht einen Beleg identifizieren können. Was das Thema Gender anbelangt, haben wir aber sehr interessante Ergebnisse. Frauen sind laut unserer Forschung schneller in der Anwendung von neuen digitalen Lösungen, denn sie sind eher fach- als beziehungsbezogen. Wenn eine neue Lösung in einem Unternehmen implementiert wird, dann reagieren sie meist eher neugierig und fragen: Was ist das, was kann das und wie funktioniert das? Männern fangen erst einmal an, ausführlich und zeitintensiv über die Technik zu diskutieren und wägen ab, wie sie ihre Position in der Organisation verändert. Bei Männern kommt es also entscheidend darauf an, wie man die neue Technik kommuniziert. Hilfreich ist es, einen sportlichen Wettbewerb bezüglich des Lernerfolgs einzuführen, um die Zeit der Diskussion über politische Implikationen zu verkürzen. Da muss man deutlich mehr Tamtam drum herum machen als bei Frauen.

Und wie sieht es laut Ihrer Forschung in Bezug auf die Hierarchieebene aus: Neigen eher die Mitarbeiter oder die Top-Management-Ebene dazu, neuer Software zu misstrauen?

Bei einem der größten Pharmaunternehmen und einigen gesetzlichen Krankenkassen konnten wir in einer halbblinden Untersuchung den Phänotypus des digitalen Blockierers identifizieren: zwischen 38 und 52 Jahre alt, extrem risikoavers, stark entscheidungsunfreundlich, ausgeprägt lern- und veränderungsunwillig, wenig an Untergebenen interessiert, im mittleren Management und männlich. Diese Organisationen tun sich folglich sehr schwer mit neuen Technologien. Geld, das durch digitale Lösungen eingespart werden könnte, steht den Kunden oder Versicherten nicht für ihre Leistungen zur Verfügung. Die Blockadehaltung im mittleren Management hat vermutlich damit zu tun, dass die Führungskräfte auf dieser Ebene spüren, wie sich um sie herum mit der Digitalisierung vieles ändert. Sie müssten eine neue Fachlichkeit und andere Fähigkeiten entwickeln, sonst werden sie nicht mehr gebraucht.

Arbeitsplatzsicherheit könnte also hier das digitale Vertrauen erhöhen oder was schließen Sie daraus?

Proaktive Veränderungsbereitschaft und lebenslanger Wissens- und Fähigkeitserwerb sind die wesentlichen Einstellungen, die wir uns alle besser aneigenen sollten, wenn wir in Deutschland mit den Technologieführern aus dem Silicon Valley und aus China mithalten wollen. Und das ist nicht so schwer, denn Bildung war noch nie so kostengünstig und frei verfügbar wie heute. Aber wir brauchen auch gesamtgesellschaftliche Lösungen, genauso wie ethische Konzepte. Wir müssen uns gemeinsam fragen, wie wir sinnvolle Beschäftigung schaffen und wie wir Menschen dazu kriegen, dass sie sich lebenslang weiterbilden wollen. Alle sind gefordert: Die Politik, die Unternehmen und jeder einzelne von uns.

Zur Person

Dr. Katharina von Knop, die in Politikwissenschaften über „Terrorismusbekämpfung“ promovierte, erforscht aktuell mit dem von ihr gegründeten Unternehmen Digital Trust, was das Vertrauen der Nutzer in digitale Lösungen beeinflusst. Im Plug & Play Tech Center und bei Fraunhofer steht sie jungen Entrepreneuren und Start-ups bei der Entwicklung ihrer Geschäftsideen und Technologie-Lösungen mit Rat und Tat zur Seite. Die promovierte Philosophin hat insgesamt schon vier Unternehmen gegründet und Erfahrungen als Unternehmensberaterin sowie im Business Development eines großen Dienstleistungskonzerns gesammelt. Zudem ist die Autorin zahlreicher Bücher und Artikel in wissenschaftlichen Fachzeitschriften auch Beirätin von Regify, einem Unternehmen, das Cyber-Sicherheitslösungen entwickelt und 47 Patente hält.

Das Interview führte: Stefanie Hornung

Das Interview ist erschienen bei Haufe, New managemen t https://newmanagement.haufe.de/skills/digital-trust-erfolgsfaktor-vertrauen

Der methodische Einsatz von künstlicher Intelligenz in der Diagnose und Therapie des Myelodysplastischen Syndroms (MDS)

Mon, 09 Dec 2019 18:04:15 GMT

Sonderheft der Leukämie Lymphom Liga

Ausgangslage

Künstliche Intelligenz ist eine der fortschrittlichsten und differenziertesten Methoden der Informatik. Erst in jüngster Zeit, nach den technologischen Fortschritten in jüngster Zeit durch neue Softwarewerkzeuge zur Verarbeitung großer Datenmengen (Big Data), stark gestiegene Rechenleistung der Computer, leistungsfähigere und besserer Algorithmen blühte diese Disziplin der Informatik auf.

Heute werden auf der Grundlage von Tausenden oder Millionen von Datensätzen mit den Methoden der KI Eintrittswahrscheinlichkeiten für Ereignisse und neue bisher unbekannte Muster, Beziehungen, Wege und Ergebnisse ermittelt.

Auf der Grundlage von Tausenden oder Millionen von Datensätzen (Big Data) werden Eintrittswahrscheinlichkeiten sehr schnell berechnet und selbstständig neue bisher unbekannte Ergebnisse identifiziert.

In dem Bereich KI und deren Einsatz in Medizin wird sehr viel geforscht in der Hoffnung, dass man dieser Form der Datenanalyse schneller präzisere Diagnosen und treffsichere Therapien findet mit dem Ziel in ferner Zukunft vielleicht sogar personalisierte Medizin entwickeln zu können um Menschenleben zu retten und Kosten zu sparen.

Dies gilt auch für die KI-Forschung bei MDS.

Eine Forschungsleitenden Hypothesen ist, dass je früher und präziser die ersten Warnzeichen von MDS beim Menschen erkannt werden und je früher und präziser die optimale präventive Therapie und Krankheitstherapie identifiziert und eingeleitet werden kann, desto größer sind die Überlebenschancen. Hinzu kommt, dass der Diagnose-Prozesse gerade bei der heterogenen Erkrankungen MDS sehr ressourcenintensiv ist. So kann es sein, dass der Weg zu den fachlich versierten Hämatologen und Onkologen ein langer ist, bevor dort mit der Diagnostik begonnen werden kann.

Deshalb wird große Hoffnung auf die Methoden der künstlichen Intelligenz gesetzt. Das Ziel ist, die beim Patienten erhobenen Daten schneller, präziser und vor allem komparativ mit Tausenden und gar Millionen von anderen Patientendaten auszuwerten.

Diese Auswertungen sollen in früheren Stadien der Erkrankung typus-spezifisch präzise, nach dem aktuellen Stand der globalen wissenschaftliche Forschung wirksamere Therapie - Entscheidungen ermöglichen. Die Methoden der künstlichen Intelligenz werden als ein möglicher Schlüssel zur Lösung der zunehmenden Vielfalt klinisch relevanter molekularer Marker und Befunddaten bei MDS angesehen. Die Hoffnung ist noch völlig unbekannte Muster, Beziehungen, Wege und Ergebnisse zu identifizieren um Diagnose- und Therapieauswahl-Prozesse schneller, präziser und gar revolutionärer Natur zu treffen.

MDS Myelodysplastische Syndrome und seine Herausforderungen für die Diagnostik und Therapie

Eine besondere Herausforderung für den Einsatz von KI bei MDS ist das Krankheitsbild, dass MDS zu einer diagnostischen Herausforderung machen kann. Myelodysplastische Syndrome umfassen eine heterogene Gruppe von klonalen Blutstammzellerkrankungen mit variablem klinischem Verlauf und Neigung zur leukämischen Transformation. Die Symptome, an denen Patienten mit MDS in unterschiedlicher Ausprägung leiden, sind nicht pathognomonisch für die MDS, sondern können bei einer Vielzahl hämatologischer Erkrankungen vorliegen und sind Folge der hämatopoetischen Insuffizienz (z.B. Anämie, Neutropenie oder Thrombozytopenie). Die Unspezifität der Symptome sowie die Überlappung mit anderen hämatologischen Krankheitsbildern können für die Ärzte im klinischen Alltag eine hohe diagnostische Herausforderung darstellen.

Neben der Diagnosestellung, die vor allem auf der mikroskopischen Beurteilung des Blutes und Knochenmarkes sowie zytogenetischen und molekulargenetischen Befunden beruht, ist die Prognosestellung für den individuellen Patienten und die Auswahl einer geeigneten Therapie essentiell. Diese erfolgt heutzutage überwiegend manuell auf Basis verschiedener Datenquellen und Formatierungen. Auch die Prognoseerstellung erfolgt aktuell durch manuelle Analyse einiger klinischer Faktoren, die in den Risikoscores IPSS und IPSS-revised zusammengefasst sind. Diese werden von Ärzten berechnet. Daneben fließen weitere klinische Faktoren, wie Alter, Therapiewunsch, Spenderverfügbarkeit etc. in die Entscheidung für eine Therapie ein. Außerdem werden noch weitere Faktoren, wie z. B. genetische Faktoren, die in der Literatur hinterlegt sind und auf Analysen von Patientendaten/registern beruhen, hinzugezogen. Aufgrund der Verbesserung der molekularbiologischen Charakterisierungen besteht die Herausforderung diese Befunde in den Entscheidungsprozess mit einzubauen. [1]

Diese Methode der Diagnose und Prognose ist sehr zeitintensiv, beschränkt auf die Vorort verfügbaren bzw. zugänglichen Daten, deren Qalität und unterliegt den Stärken aber auch Schwächen der menschlichen Entscheidungsfindung.

Hinzu kommt die schnell steigende Anzahl an MDS-Typologien, deren Therapieformen und deren variable Wirkungen bei den Patienten. Darüber hinaus fordert der klinische Alltag eine sehr hohe kognitive Last seitens der medizinischen Entscheidungsträger. Hinzu kommt, dass jede menschliche Entscheidungsfindung von 186 Heuristiken unterbewusst beeinflusst wird.

In der Wissenschaft ist das Entscheidungsverhalten von Richtern sehr umfassend untersucht worden. Zahlreiche Studien kommen zu dem Schluss, dass richterliche Entscheidungen hochgradig variable sind, diese häufig sich selbst wiedersprechen und im Falle von Ermessensfreiheit reines Glück oder Pech die bestimmenden Determinanten sind.

Bereits Faktoren wie der Blutzuckerspiegel oder auch wann die letzte echte mentale Pause stattgefunden haben, führen bereits zu deutlichen Entscheidungsunterschieden. Prof. Jonathan Levav, Prof. Shai Danziger und Liora Avnaim-Pesso analysierten mehr als 1.000 Bewährungsentscheidungen von acht erfahrenen Richtern in Israel. Nach einer Snack- oder Mittagspause erhielten 65 Prozent der Fälle eine Bewährung. Die Rate der positiven Entscheidungen fiel dann innerhalb jeder Entscheidungssitzung allmählich, manchmal bis auf null, und kehrte nach einer Pause auf 65 Prozent zurück. [2]

Natürlich folgt eine MDS- Entscheidungsfindung einer definierten Triage und findet unter Einbeziehung von Fachkollegen und Konsilien statt. Trotz der angewendeten Entscheidungsmethoden und Perfektionierung der Verfahrensabläufe können diese nicht immer jede menschliche oder persönliche Schwäche ausschließen oder kompensieren. Aus diesen Gründen wird viel Hoffnung auf Entscheidungsunterstützungssysteme auf der Grundlage von künstlicher Intelligenz gesetzt. Diese sollen, so die Hoffnung, die individuelle patientenspezifische Prognose durch u.a. prädiktive Risikomodellen verbessern sowie dabei helfen, die optimal passende Therapie zu identifizieren.

Die Daten sind die Grundlage der künstlichen Intelligenz

Die Anwendung der Methoden der künstlichen Intelligenz benötigen eine qualitativ sehr gute Datenbasis, um verwertbare Ergebnisse zu berechnen. Diese Datenbasis umfassen in erster Linie die Ergebnisse der Labore, semantische Beschreibungen und Fallbeschreibungen und Daten aus der Fachliteratur. Die Daten müssen korrekt, vollständig und authentisch sein. So sollten zum Beispiel alle Messwerte und auch relevante Umgebungsdaten wie zum Beispiel die Uhrzeit der Datenerhebung nach definierten Standards erfolgen. Der gesamten Datensatz eines Patienten sollte eindeutig zuordbar sein, auch wenn alle personenbezogenen Daten nach gesetzlichen Anforderungen der DSGVO entfernt und somit anonymisiert oder pseudonymisiert worden sind. Dies ist wichtig, um die Ergebnisse einer KI-Software überprüfen zu können.

Auch wird eine große Anzahl von sehr guten vollständigen Datensätzen im mindestens fünfstelligen Bereich benötigt, die für die Schaffung eines Trainings- und Validierungssets benutzt werden können. Das Düsseldorfer MDS-Register kann perspektivisch durch weiteren Ausbau und internationale Vernetzung zu einer solchen Datensammlung werden.

Neben der Anzahl von Datensätzen ist die Datenqualität wichtig. Große Ausreißer in Folge von falscher Dateneingabe werden zwar sichtbar und können korrigiert werden, anders verhält es sich mit minimalen Abweichungen oder Unschärfen. Bei einer häufigen Anzahl können diese Unschärfen starke Auswirkungen für die wissenschaftliche und medizinische Belastbarkeit des Ergebnisses haben. Dieses Risiko besteht besonders bei semantischen Daten aber auch nicht präzisen mathematischen Berücksichtigung von unvollständigen Datensätzen. Zu Reduzierung dieses Problem sind präzise Dateneingabe-Definitionen und eine Eingabe-Disziplin mit Kontroll-Verfahren erforderlich.

Algorithmen ermöglichen die Rechenleistung von künstlicher Intelligenz

Angenommen eine solche Datenbasis ist vorhanden, werden Algorithmen eingesetzt und auf diese Datenbasis angewendet. Ein Algorithmus ist immer eine Abfolge von mathematischen Operationen, wie zum Beispiel: Statistik, Algebra, Analysis, Arithmetik und Gleichungen, die in den Kode einer Computersprache umgewandelt wird.

Natürlich stellt sich die Frage was Algorithmen sind und was diese leisten können.

Nicholas Diakopoulos [3] unterscheidet pragmatisch zwischen vier Hauptkategorien von Algorithmen.

Priorisierungs-Algorithmen werden angewendet, wenn Sie zum Beispiel auf einem der Hotelportale nach einem Zimmer suchen und eine sortierte Liste angezeigt wird. Diese Listen sind zum Beispiel nach der Entfernung zum Hauptbahnhof oder dem Preis sortiert.

So wird bei der Diagnose von Leukämie die visuell krankhaft veränderten weißen Blut-Körperchen höher priorisiert als zum Beispiel das Fehlen von Symptomen, wie zum Beispiel vergrößerte Lymphknoten.

Die Klassifizierungs-Algorithmen ordnen Daten in entsprechende Klassen ein. Durch Klassifizierung können die Anteile an roten und weißen Blutkörperchen sowie Blutplättchen und auch deren prozentuale Verteilung und das Aussehen der verschiedenen weißen Blutzellen (Granulozyten, Lymphozyten und Monozyten) in Klassen eingeteilt werden.

Assoziierungs-Algorithmen suchen nach Verbindungen in den Ausprägungen von Datenpunkten. Vielleicht ist Ihnen der Unterpunkt bei Amazon mal aufgefallen, der den Titel trägt „Kunden, die das Buch X gekauft haben, kauften auch Buch Y“, dies ist eine Leistung von Assoziierungs-Algorithmen. Da zum Beispiel nicht bei allen Patienten ein verändertes Blutbild vorliegt, kann eine Verbindung zu den erhobenen Daten einer Knochenmarksuntersuchung nicht durch einen Assoziierungs-Algorithmus hergestellt werden.

Filterungs-Algorithmen entfernen unwichtige Informationen und berücksichtigen dabei die Ergebnisse von Assoziierungs-, Klassifizierungs- und Priorisierungs-Algorithmen. Diese Filter sind zum Beispiel wichtig, wenn die genau Typologie der Leukämie berechnet werden soll.

Die Berechnungen durch Algorithmen können entlang der diagnostischen Prozesskette eingesetzt werden.

Frühdiagnose von MDS
Entscheidungsunterstützung welche präventive Therapie bei der spezifischen Typologie die Wahrscheinlichkeit der Wirksamkeit steigert
Prognose unter Einsatz von Vorhersagemodellen zur Risikostratifizierung
Frühdiagnose von Leukämie

Regalbasierte und selbstlernende Algorithmen

Algorithmen können in zwei Hauptparadigmen eingeteilt werden. Der erste Typus ist regelbasiert. Diese Regeln werden von den Hämatologen und Genetikern in Zusammenarbeit mit Datenwissenschaftlern definiert. Diese Regeln sind immer eindeutig und können mit einem Kochrezept als Metapher verglichen werden. Komplizierter und spannender sind selbstlernenden Algorithmen. Diese Algorithmen werden auch als Machine-Learning, Deep-Learning unter den Oberbegriff künstliche Intelligenz gefasst.

Auf der Grundlage einer Datenbasis definiert man ein Ziel und gibt dem System eine Rückmeldung, wenn es sich auf dem richtigen Weg befindet. Diese Rückmeldung erfolgt durch den Menschen. Den Weg sucht sich das System selbst. Diese Suche wird als selbstlernend bezeichnet. Das „Selbstlernen“ oder auch Machine Learning ist in vier Unterkategorien unterteilt: überwachtes und unbeaufsichtigtes Lernen, verstärktes Lernen und tiefes Lernen (Deep Learning).

Bei überwachtem Lernen (Supervised Learning) werden Vorkenntnisse wie ein Datensatz mit historischen Daten in das System eingegeben und mit diesen Daten wird mit der Maschine trainiert, um Vorhersagen für die zukünftigen Datenpunkte zu treffen.

Unüberwachtes Lernen ist, wenn die Maschine ungefilterte Rohdaten erhält. Die Maschine kategorisiert und klassifiziert die Daten anhand von Mustern, die durch verschiedene Techniken wie Computer Vision, visuelle Erkennung usw. identifiziert werden.

Bei der Anwendung von Deep Learning Methoden werden künstliche neuronale Netzwerke (KNN) eingesetzt, um Muster in unstrukturierten Daten zu identifizieren und die Maschine lernen zu lassen.

Die Hoffnung ist, dass durch dieses „Selbstlernen“ neue noch völlig unbekannte Muster, Beziehungen, Wege und Ergebnisse identifiziert und das Diagnose- und Therapieauswahl-Prozesse schneller und im Ergebnis präziser werden.

Künstliche Neuronale Netz sind eine Methode, in der die verschiedenen Algorithmen interagieren und selbst lernen. Da wir Menschen gut darin sind auf etwas bestehenden aufzusetzen und dieses weiterzuentwickeln, sind diese Systeme dem Aufbau unseres biologischen Gehirns nachempfunden. Es besteht aus einem abstrahierten Modell miteinander verbundener Neuronen, durch deren spezielle Anordnung und Verknüpfung sich Anwendungsprobleme lösen lassen.

Stark vereinfacht besteht ein neuronales Netz aus Neuronen, auch Units oder Knoten genannt. Sie können Informationen von außen oder von anderen Neuronen aufnehmen und modifiziert an andere Neuronen weiterleiten oder als Endergebnis ausgeben.

Die Neuronen haben verschiedenen Aufgaben. Sogenannte Input-Neuronen nehmen Information in Form von Mustern oder Signalen aus einer Datenbank zum Beispiel einem MDS Register auf. Hidden-Neuronen, also verstecke Neuronen befinden sich zwischen den Input- und den Output-Neuronen und bilden interne Informationsmuster und Informationsprozesse ab. Output-Neuronen geben Informationen und Signale als Ergebnis an AI-Interface und das User-Interface ab, dass im idealen Fall so gebaut ist, dass dieses in einen aktiven Dialog mit den Ärzten tritt.

Schematische Darstellung eines künstlichen neuronalen Netzes

Die verschiedenen Neuronen sind untereinander über so genannten Kanten verbunden. In Abhängigkeit zur Bedeutung hat jede Verbindung eine bestimmte Gewichtung und je ausgeprägter diese negativ oder positiv ist, desto ausgeprägter ist der Einfluss dieser Verbindung auf ein anderes Neuron. Diese Gewichtung lernt das neuronale Netzwerk selbst, in dem es zu dem definierten Ziel den Weg selbst suchen muss. Nicht jeder Laborwert, der zur Diagnose eines MDS-Typus gehoben wird, hat bei jedem MDS-Typus dieselbe Bedeutung. Diese Gewichtungen und Verbindungen zwischen den Neuronen, die durch Selbstlernen der Maschine entstehen, sind das Wissen, dass als künstliche Intelligenz bezeichnet wird.

Solche neuronalen Netzwerke können ausgeprägten Komplexitäten bzw. Tiefen haben. Die Komplexität steigt je mehr Neuronen in den sogenannten Neuronen-Schichten angeordnet sind und der Anzahl dieser Schichten. Der begrenzende Faktor in der Forschung und in der Praxis ist die zur Verfügung stehende Rechenleistung.

Die wissenschaftliche Hoffnung ist es Verbindungen und Gewichtungen zu identifizieren, die durch das Selbstlernen dieser Maschinen entdeckt werden und damit zum Beispiel zum Beispiel Prognosen von spezifischer MDS-Typologie zu präzisieren und passendere Therapien zu finden.

Die Risiken und Chancen von KI

Beim Einsatz von Maschinen der künstlichen Intelligenz bestehen allerdings auch Risiken.

Ein Risiko ist, dass die Datenbasis zu klein gewählt worden ist oder Fehler hat. Auch kann das neuronale Netz fehlerhaft programmiert sein oder bei nicht präziser Überwachung des Selbstlernens, Fehler entstehen.

Auch besteht das Risiko, dass die Ärzte die Entscheidungsvorschläge nicht kritisch hinterfragen oder auch die Vorschläge der Maschine nicht berücksichtigen.

Wenn wir Software-Lösungen nicht verstehen oder nicht verstehen wollen, wird mindestens eine von 186 Heuristiken der menschlichen Entscheidungsfindung ausgeführt, die kognitive Dissonanz. Wer von uns hat das letzte Mal die Allgemeinen-Geschäftsbedingungen oder die Datenschutzerklärung eines Onlineshops wirklich gelesen? Das wird, wenn überhaupt, wahrscheinlich sehr lange her sein. Die meisten von uns setzen einfach einen Hacken in die entsprechende Checkbox. Dieses bewusste Ignorieren von möglichen Risiken wird als kognitive Dissonanz bezeichnet.

Die Externalisierung der Entscheidungsfindung in Richtung künstlicher Intelligenzsysteme, kann zu einer Externalisierung der Verantwortung und damit leichteren Entscheidungsfindung führen. Deshalb ist reine Entwicklung neuronalen Netzwerke, auf die viel Hoffnung im Sinne der Patienten gelegt wird, zu wenig, wenn sie nicht die Ärzte als aktiv verantwortliche wertvolle Funktion und integraler Systembestandteil einbindet.

In der öffentlichen Debatte wird sehr viel über Ethik und Heuristiken von Entscheidungsunterstützungs-Systemen, die mit Methoden der künstlichen Intelligenz arbeiten, diskutiert. Natürlich können diese Systeme auch Fehler bzw. deren Entscheidungsvorschläge können Verzerrungen unterliegen und z.B. jemanden oder eine Gruppe von Menschen komparativ benachteiligen. Wir haben eine ausgeprägte Sensitivität gegenüber Fehl- oder Falschentscheidungen von IT-Systemen. Diese Sensitivität wird auch als Algorithmus-Aversion [4] bezeichnet. Denn sobald wir kognitiv wissen, dass ein Algorithmus Fehler machen kann, reagieren wir regelmäßig über und verlassen uns nicht mehr auf die Rechenleistung, sondern auf unser eigene sehr leicht beeinflussbare und fehlerhafte Entscheidungsfindung [5] . Der Mensch toleriert nun mal Fehler in einem Algorithmus weniger als bei sich selbst - auch wenn seine eigenen Fehler größer sind. [6]

Menschliche Entscheidungen haben Stärken und sie haben auch Schwächen, deshalb können Methoden der künstlichen Intelligenz eine sinnvolle Unterstützung gerade bei repetitiven und komplexen Analysen auf Basis einer viel höheren Datenbasis sein, weil unsere menschlichen kognitiven Leistungen nun mal Grenzen unterworfen sind.

Es wird wahrscheinlich nie perfekt gerechte und fehlerfreie künstliche Intelligenzsysteme geben, auch weil jeder Mensch Basis seiner Prägung eine andere Definition von Gerechtigkeit und Ethik hat, die sich im Laufe seines Lebens auch ändert bzw. die nur durch marginale Veränderungen externer Faktoren wir Raumtemperatur veränderbar ist. Systeme der künstlichen Intelligenz sind dann eine echte Bereicherung für die Medizin, wenn sie dort stark sind wo der Mensch schwach ist.

Neuronale Netze können in der Medizin dann besonders effektiv sein, wenn diese sich auf z.B. in der Pathologie die Vielfalt der Zellen auf wenig beschränke Bereiche eingrenzen, die ein Pathologe anschließend überprüft. Durch dieses Vorgehen werden die enormen Rechenleistungen von KI-Systemen genutzt, die 24 Stunden und sieben Tagen in der Woche ohne müde zu werden, arbeiten können und dabei kontinuierlich besser werden. Gleichzeitig profiziert der Patient von der Expertise der Pathologen.

Trustworthiness und künstliche Intelligenz

Kernwesensmerkmal dieser Partnerschaftlichen-Systeme sind sogenannte Trustworthiness – Systeme. Diese Systeme enthalten Methoden, die das Lernen von neuronalen Netzwerken nachvollziehbarer und damit auch für Datenwissenschaftler, die Ethikkommissionen, Datenschutzbeauftragen, Forschungs-Kommissionen und Ärzte kontrollierbarer machen und auch Methoden zur aktiven Interaktion mit den Ärzten umfassen.

Die hierarchischen nichtlinearen Transformationen, die neuronale Netze auf Daten anwenden, sind kaum zu verstehen. Dieses Problem wird durch den Nichtdeterminismus der Trainingssysteme für neuronale Netze verschärft. Sehr oft können kleine Änderungen der Hyperparameter eines Netzwerks die Lernfähigkeit des Netzwerks dramatisch beeinträchtigen. Um dieses Problem zu begegnen nutzen AI und Deep Learning Forscher eine Vielzahl von Werkzeugen und Techniken, um den Lernprozess eines neuronalen Netzwerks zu überwachen. Eine der vielen Techniken ist zum Beispiel „Layerwise Relevance Propagation“. Dies ist eine Methode des Step-by-Step Reasoning“, bei denen Schritt für Schritt das System begründet, wie es zu einem bestimmten Zwischenergebnis gekommen ist.

Die Anwendung dieser Techniken ist bei der Entwicklung von neuronalen Netzwerken, wie auch im operativen Betrieb, unabhängig davon ob Supervised Learning, Unsupervised Learning oder Deep Learning Methoden eingesetzt worden sind, entscheidend.

Die Algorithmen, deren Transparenz wie auch AI-Interface-Systeme und User-Interfaces mit den Ärzten sollten so gestaltet sein, dass diese die Datenwissenschaftler und Ärzte bei der Entscheidungsfindung unterstützen. Diese sollten auch aktiv durch eigene kognitive Leistungseinforderung, wie das System zu bestimmten Entscheidungsvorschlägen gelangt ist, mit einbinden. Die Entscheidungsprozesse des KI-Algorithmus sollten auch für die Ärzte im Klinikalltag proaktiv durch AI-Interface-Systems nachvollziehbar und durch konversationale Systeme aktiv integrieren.

Auch medizinische Datenkommunikation bedarf einer Optimierung in Bezug auf eine multiple Sinnes-Ansprache und auch hier neben der neuropsychologisch optimierten visuellen Datenaufbereitung die Implementierung von akustischer semantischer Kommunikation und Entscheidungen des Menschen, die hoch variable sind, zu verbessern.

Zum Beispiel kann das System im Rahmen eines akustischen Dialogs für mögliche Therapien mit einer möglichen prozentualen Wirksamkeitserfolg und die Ärzte darauf aufmerksam machen, wenn noch weitere spezifische Werte genannt werden, dass sich hier die prozentuale Verteilung, in die eine oder andere Richtung verschieben würde.

Eingesetzt werden auch Verfahren des Step-by-Step Reasoning. Hier wird den Ärzten jeder Zwischenschritt und deren Ergebnisse begründet, dem ärztlichen Team auch Fragen gestellt und somit dazu befähigt kognitiv die Entscheidungen nachzuvollziehen. Manche Systeme fragen die Mediziner an spezifischen Stellen nach seiner Einschätzung und bilden Konsilien-Entscheidungen nach.

Gerade hier bei den Methoden der Interaktion der Maschinen mit Ärzten ist noch viel Forschungsarbeit erforderlich, damit die Ärzte die Entscheidungsvorschläge annehmen und konstruktive, wie auch kritische Überlegungen anstreben können, damit die Patienten von den Entwicklungen bestmöglich profitieren.

Zu „Trustworthiness“ von AI-Systemen zählen auch Debatten, welche Anforderungen an die Nachvollziehbarkeit von KI-Anwendungen zur medizinischen Zulassung als auch in der praktischen Anwendung gestellt werden und wie passende Systeme umgesetzt werden könnten. Das Ziel sollte hier im Sinne der Patienten auch sein, dass der Mensch, also die Mediziner, die Entscheidungssouveränität halten und somit die Verantwortung und auch die Haftung tragen.

Die Zukunft der Medizin ist digital

Nach bisherigem Stand der internationalen MDS-Forschung ist es bisher nur sehr wenigen Teams gelungen, unter Einsatz echter künstlicher Intelligenz in Teilbereichen substantielle Ergebnisse zu erzielen. Erste KI-Forschungsarbeiten in der MDS legen nahe, dass hier der Einsatz von künstlicher Intelligenz zur Entscheidungsunterstützung in der Diagnostik und Therapieauswahl in selektiven Bereichen perspektivisch deutlichen Nutzen für die Patienten und bezogen auf den effizienten Einsatz von medizinischen Ressourcen haben kann. Weltweit gibt es noch leider viel zu wenige, die ein solch spezifisches neuronales Netz bauen können auch ist ein sehr großer qualitativ hochwertiger Grunddatensatz erforderlich.

Es ist noch ein arbeitsreicher interdisziplinärer Weg bis wir vielleicht in einzelnen Bereichen zu einer personalisierten Medizin kommen werden. In Deutschland ist komparativ der Weg zu digitalen Gesundheitslösungen besonders steinig und erfolgt nur sehr zeitverzögert. Doch dieser Weg lohnt sich auch wenn die Entscheidungsträger diesen Weg leichter und schneller realisieren könnten, wenn die Sachebene stärker in den Vordergrund rücken würde. Was war es zum Beispiel für ein jahrzehnte-langer und kosten-intensiver Kampf die elektronische Patientenakte auf dem Weg in Deutschland auf dem Weg zu bringen. Österreich und die skandinavischen Länder sind uns nicht nur hier meilenweit voraus. Ob dabei die beste Lösung im Sinne der Patienten in Deutschland herausgekommen ist, ist leider fraglich. Das Arvato, ein privatwirtschaftliches Unternehmen zum Beispiel die Patienten-Daten hostet oder die verwendete Gematik Infrastruktur, die bereits über 10 Jahre alt ist, eingesetzt wird, sind nur zwei Beispiele die nachdenklich stimmen.

Die Gesundheitsausgabe steigen exponentiell und aufgrund der massiven Zunahme von Krebs, chronischen Erkrankungen und Live-Style Erkrankungen wie Diabetes Typ II und der demographischen Entwicklung, brauchen wir digitale Lösungen, die uns dabei helfen kostenintensive Ineffizienzen im Gesundheitssystem, der Krankenversicherungen und auf der Ebene der Leistungsträger zu eliminieren, damit die komparativ hochqualitative Gesundheitsversorgung finanzierbar und damit erhalten bleibt. Auch brauchen wir dringend bessere Diagnose-Lösungen und wirksamere Therapien, um möglichst früh und auch präventiv den Menschen dabei zu helfen gesund zu bleiben, gesund zu werden bzw. eine Erkrankung beherrschbar einzudämmen.

Es Bedarf der umfassenden versierten Nutzung von Daten im Sinne unserer europäischen Werteordnung und unter Einhaltung des DSGVO, einem Gesetz für das die Bürger, die Patienten zu ihrem Schutz erkämpft haben. Gerade bei der unternehmerischen Nutzung von Daten sind hohe kommerzielle Gewinne zu erwarten und die Begehrlichkeiten sind stark ausgeprägt. Hier fehlt es an eindeutigen Mechanismen, um Missbrauch zu vermeiden und auch eindeutige Regeln, um zum Beispiel die Daten-Authenzität zu gewährleisten. Ohne diese Authenzität ist zum Beispiel das Ergebnis eines neuronalen Netzwerks nichts wert.

Es stehen viele Fragen im Raum auf die wir gesamtgesellschaftliche Antworten finden müssen. Zum Beispiel wenn medizinische Daten ein öffentliches Gut werden, dann müssten auch die daraus gewonnenen Erkenntnisse auch ein öffentliches Gut sein, dass dem patenrechtlichen Schutz enthoben ist. Die Richtlinien der High Level Expert Group on Artificial Intelligence (HLEG AI) mit dem Titel „Ethics Guidelines for a Trustworthy AI“ ist ein wichtiger Ansatz in dieser Debatte.

Auf Seiten der Leistungsträger in allen Heilberufen sollte Digitalisierung, künstliche Intelligenz, und Cybersicherheit, essentieller Teil der Ausbildung, des Studiums und der Fortbildung sein, denn die Zukunft der Medizin ist digital und diese braucht versierte Mediziner, Krankenschwestern, Pfleger und Therapeuten dringend.

Dr. phil. Katharina von Knop

CEO und Gründerin der Digital Trust Analytics

[1] Siehe hierzu: James M. Foran, Jamilie Shammo, Clinical Presentation, Diagnosis, and Prognosis of Myelodysplastic Syndromes, The American Journal of Medicine, 2012 125, S.6-S13 DOI: (10.1016/j.amjmed.2012.04.015; Bejar R, Advances in Personalized Therapeutic Approaches in Myelodysplastic Syndromes, J Natl Compr Canc Netw. 2019 Nov;17(11.5):1444-1447. DOI: 10.6004/jnccn.2019.5032; Mufti GJ, Bennett JM, Goasguen J, Bain BJ, Baumann I, Brunning R, Cazzola M, Fenaux P, Germing U, Hellström-Lindberg E, Jinnai I, Manabe A, Matsuda A, Niemeyer CM, Sanz G, Tomonaga M, Vallespi T, Yoshimi A, International Working Group on Morphology of Myelodysplastic Syndrome, Diagnosis and classification of myelodysplastic syndrome: International Working Group on Morphology of myelodysplastic syndrome (IWGM-MDS) consensus proposals for the definition and enumeration of myeloblasts and ring sideroblasts. Haematologica. 2008 Nov;93(11):1712-7. DOI: 10.3324/haematol.13405. Epub 2008 Oct 6.

[2] S. Danziger, J. Levav, and L. Avnaim-Pesso, Extraneous factors in judicial decisions, PNAS, Proceesings of the National Academy of Sciences of the United States of America, PNAS April 26, 2011 108 (17) 6889-6892 https://www.pnas.org/content/108/17/6889.short .

[3] N. Diakopoulos, Algorithmic Accountability reporting: On the Investigation of Black Boxes, Tow Center for Digital Journalism, Columbia University. July 10, 2017.

[4] Berkeley J. Dietvorst, Joseph P. Simmons, and Cade Massey; Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them; Journal of Experimental Psychology: 2014

[5] “Die menschliche Entscheidungsfindung ist vorhersagbar irrational“ Daniel Kahnemann, Thinking Fast and Slow, Penguin Books, 2011.

[6] Derselbe Siehe Fn. Nr. 4

2/3 der künstlichen Intelligenz-Systeme erzielten bessere Diagnosen als Mediziner

Sun, 23 Jun 2019 09:19:53 GMT

Digitales Vertrauen befähigt uns, AI Entscheidungen umzusetzen

2/3 der künstlichen Intelligenz Systemen erzielten bessere Diagnosen als Mediziner. Bessere Entscheidungen zu treffen, dass ist das Ziel von künstlicher Intelligenz. Bei der ISIC Challenge, einem Wettbewerb, an dem 511 Hautärzte gegen 139 Bilderkennungs-Software-Systemen angetreten sind, erzielten die Systeme fast immer bessere Ergebnisse. Jedem Teilnehmer waren aus einer Datenbank mit zehntausenden lichtmikroskopisch angefertigten Bildern pigmentierter Hautveränderungen 30 Fotos zur Klassifizierung vorgelegt worden. Die besten Mediziner schafften im Schnitt 18,8 richtige Diagnosen die besten KI-Maschinen 25,4 Richtige. In der aktuellen Ausgabe der Lancet Oncology ist darüber berichtet worden.

Jetzt stehen wir vor der nächsten vielleicht größeren Aufgabe. Homo sapiens sapiens zu motivieren diese Entscheidungen auch in tatsächliche Handlungsentscheidungen zu überführen und die Umsetzung zu realisieren. Das funktioniert mit dem gezielten Aufbau von digitalem Vertrauen, das häufig bereits auf der Infrastruktur-Ebene und der ersten Zeile Code berücksichtigt werden muss, damit Homo Sapiens die Lösungen auch anwendet und damit diese auch wirksam sind.

Wie das funktioniert erfahrt ihr in meinem folgenden Interview https://newmanagement.haufe.de/skills/digital-trust-erfolgsfaktor-vertrauen

Ten big global challenges technology could solve

Sun, 17 Mar 2019 21:07:48 GMT

… and there are a few more �� problems waiting and nothing is more fascinating then solving them. Let´s go a fab new week lies ahead of us! Make a difference. Thank you editors of the MIT Review for publishing https://www.technologyreview.com/s/612951/ten-big-global-challenges-technology-could-solve/

Bitte mehr Mut zur messbaren Leistung, Verbindlichkeit und das auf Basis des aktuellen Standes der KI-Forschung

Sun, 10 Mar 2019 16:47:59 GMT

Eine Einschätzung zur Strategie der künstlichen Intelligenz der Bundesregierung. Sich messbare quantifizierte Ziele in der KI auf Basis der aktuellen Forschung zu geben ist kein Risiko. Das Risiko ist, dass wir hier den internationalen Anschluss verlieren.

Bei diesem Strategiepapier der Bundesregierung zur künstlichen Intelligenz sind mir folgende first level Schwachpunkte aufgefallen

1. Fachlichkeit

Die fachliche Ausgangslage der Autoren und inhaltlichen Mitgestalter ist veraltet.

So tauchen selbst Standardbegriffe wie neuronale Netzwerke, konvolutionale Netzwerke, Deep Learning wenn überhaupt nur singulär auf.

Deshalb ist fraglich ob die definierten Ziele wegen der antiquierten Ausgangslage überhaupt sinnvoll sind, um eine echte Führungsrolle für Deutschland und der EU zu erreichen.

Natürlich kann man vermuten, dass diese veraltete Ausgangslage bewusst gewählt worden ist um es vielleicht leichter zu gestalten die avisierten primär in Prosa gehaltenen Ziele zu erreichen oder darauf hinzudeuten, dass wir den Anschluß in der künstlichen Intelligenz bereits dabei sind zu verlieren.

2. Inhalt – Umfang und Tiefe

Es fehlen bei den Handlungsfeldern konkrete Bereiche wie zum Beispiel Gesundheit / Medizin, Biotechnologie, Maschinenbau, Versicherung, Banken etc.

Inhaltlich ist kein einziges Ziel messbar quantifiziert worden. Es findet sich in dem ganzen 47 Seiten umfassenden Papier nur eine Kennzahl „ Investitionsvolumen der KfW in Venture-Capital- und Venture-Debt-Fonds bis zum Jahr 2020 auf 200 Millionen Euro pro Jahr erhöhen "

Es werden Begriffe verwendet wie „hohes Niveau“, „bestmöglich“, „deutlich auszuweiten“, „verbessern“ etc. die nichts Konkretes definieren. Heute ist beim Schreiben von Strategiepapieren allgemeine gängige Praxis, Ziele eindeutig messbar zu quantifizieren.

Nehmen wir als Beispiel folgendes Zitat aus dem Strategiepapier der Bundesregierung:

„ Wir wollen sicherstellen, dass IT-Systeme, die KI nutzen und zur Anwendung bringen, ein hohes Niveau an IT-Sicherheit gewährleisten, damit Manipulation, Missbrauch und Risiken für die öffentliche Sicherheit dieser sensiblen Technologie bestmöglich verhindert werden. “

Heute im Jahr 2019 würde man schreiben:

"Wir wollen sicherstellen, dass IT-Systeme, die KI nutzen und zur Anwendung bringen, auf der Netzwerk-, Plattform-, Applikations- oder auch Prozessebene integrierte KRI´s Metriken und Kontrollpunkten anwenden und eine Sicherheit vor exogenen, indogenen, intra- und sub-systemischen Angriffen und Ausfällen von 99,5% realisieren."

Unternehmen schreiben heute ihre Strategiepapiere in Exeltabellen in denen zu jedem qualitativ definierten Ziel dieses entweder direkt quantifiziert wird oder es werden Key Performance Indikatoren konkret definiert und diese eindeutig quantifiziert.

Zu der, in dem Strategiepapier gewählten Prosa wird eigentlich nur gegriffen, wenn man vermeiden möchten messbare Ergebnisse zu liefern und denen gegenüber sich verantworten zu müssen. Dieses Vorgehen schützt die Entscheider allerdings nur scheinbar, da an anderen Stellen gemessen wird: Wieviele Unicorns hat Deutschland hervorgebracht? Wieviele Nobelpreise hat Deutschland ermöglicht?

Der Markt entscheidet.

Auch mangelt es diesem Strategiepapier an konkreten Umsetzungsmaßnahmen. So könnte man z.B. besser schreiben: Das werden wir konkret mit folgenden Maßnahmen umsetzen: Das BSI entwickelt hier gemeinsam mit den, vorher durch definierte Sicherheitskompetenzen ausgewählte Spitzenunternehmen und Forschungseinrichtungen in der IT und Cybersicherheit konkrete Lösungen und Umsetzungsstandards auf der Basis vollständig anonymer Tests usw. ……

Sich messbare quantifizierte Ziele in der KI zu geben ist kein Risiko. Das Risiko ist, dass wir hier den internationalen Anschluss verlieren. Wenn man sich quantifizierte Ziele gibt besteht auch die Chance diese zu erreichen und dafür auch den politischen und öffentlichen Applaus sowie Gewinne in der Wirtschaft und Wissenschaft zu erhalten. Darüber hinaus sind Leistung und Zielerreichung großartig, machen Spaß und motivieren. Nicht zu vernachlässigen wäre die Verbindlichkeit eines solchen Papiers und deren positive Wirkung, dass die Regierung verlässlich sein will.